Fizikçiler, atomik çekirdeklerin tensör polarizasyon özelliklerinin bağlı durum enerji seviyelerine nasıl etki ettiğini araştıran yeni bir çalışma gerçekleştirdi. Araştırma, tensör polarizasyon etkisinin farklı açısal momentum değerlerine sahip kuantum durumları arasında karışıma neden olduğunu ortaya koyuyor. Çalışma özellikle muonik döteryum sistemine odaklanarak, bu egzotik atomdaki P durumlarının hiperfine yapı bileşenlerini ve S ile D durumları arasındaki karışımı inceliyor. Bu bulgular, atom fiziği ve kuantum mekaniğindeki temel etkileşimlerin daha iyi anlaşılmasına katkı sağlayacak.

Araştırmacılar, yapay sinir ağlarının eğitimi için düşük-rankli ortogonalizasyon adı verilen yeni bir yöntem geliştirdi. Bu yaklaşım, sinir ağı parametrelerinin matris yapısını göz önünde bulundurarak optimizasyon sürecini iyileştiriyor. Geliştirilen yöntem, özellikle büyük dil modelleri olan GPT-2 ve LLaMA gibi temel modellerin eğitiminde önemli performans artışları sağlıyor. Yeni teknik, gradyanların düşük-rankli doğasından yararlanarak matris ortogonalizasyonu gerçekleştiriyor ve mevcut Muon optimizatörünün geliştirilmiş bir versiyonunu sunuyor. Bu gelişme, yapay zeka modellerinin daha verimli eğitilmesi için önemli bir adım teşkil ediyor.

Japon bilim insanları, atmosferik nötrino akısı hesaplamalarında yeni bir yöntem geliştirdi. Super-Kamiokande dedektöründeki atmosferik nötrino salınımları analizinde kullanılan bu yaklaşım, geleneksel atmosferik müon ayarlaması yerine parçacık hızlandırıcı verilerini kullanıyor. Yeni yöntem, akı belirsizliklerinin daha doğrudan değerlendirilmesine olanak tanıyor. Araştırma sonuçlarına göre, yeni ayarlama ile hesaplanan nötrino akısı önceki tahminlerden %5-10 daha düşük çıksa da belirsizlik aralığında tutarlı kalıyor. Bu gelişme, nötrinoların gizemli doğasını anlamaya yönelik çalışmalarda daha güvenilir veriler sağlayacak.

Araştırmacılar, yapay zeka ve makine öğrenmesinde kullanılan optimizasyon algoritmalarını tek çatı altında toplayan yenilikçi bir matematiksel çerçeve geliştirdi. Bu çalışma, AdaGrad, AdaNorm, Shampoo ve Muon gibi popüler algoritmaları birleştirerek, konveks olmayan optimizasyon problemlerinde daha etkili çözümler sunuyor. Yeni yaklaşım, farklı değişken gruplarında heterojen geometrileri birleştirme imkanı sağlarken, birleşik bir yakınsama analizi koruyor. Özellikle büyük veri setleriyle çalışan AI sistemlerinin eğitim süreçlerinde önemli iyileştirmeler vaad eden bu gelişme, momentum kullanımlı ve kullanımsız versiyonları için kapsamlı yakınsama hızı analizleri içeriyor.

Büyük dil modellerinin (LLM) eğitim süreci, araştırmacıların geliştirdiği yeni matematiksel yaklaşımla dramatik şekilde hızlanabilir. Stanford araştırmacılarının yaptığı çalışmada, Gauss-Newton adlı ikinci dereceden optimizasyon yöntemi kullanılarak, 150 milyona kadar parametreli transformer modellerinin eğitim süresinde 5,4 kat azalma sağlandı. Bu yöntem, mevcut SOAP ve Muon gibi gelişmiş optimizasyon algoritmalarından önemli ölçüde daha iyi sonuçlar verdi. Araştırma, yapay zeka modellerinin eğitimi için kullanılan geleneksel yaklaşımların yetersizliğini ortaya koyarken, daha verimli eğitim yöntemlerinin mümkün olduğunu gösteriyor. Katman bazlı uygulamanın da tam yöntemle neredeyse eşit performans göstermesi, bu yaklaşımın pratikte uygulanabilirliğini artırıyor.

Kozmik ışınların atmosferdeki etkileşimlerini anlamak için kullanılan Monte Carlo simülasyonları, müon sayısının doğru hesaplanmasında sistematik belirsizlikler içeriyor. Araştırmacılar, şimdiye kadar büyük ölçüde göz ardı edilen fotonükleer reaksiyonların müon üretimine katkısını yeniden değerlendiren bir yöntem geliştirdi. Bu çalışma, yüksek enerjili kozmik ışınların atmosferle çarpıştığında oluşan geniş hava yağmurlarındaki müon sayısının daha doğru tahmin edilmesine yardımcı olabilir. Geleneksel olarak hadronik etkileşim modelleri üzerine odaklanan araştırmaların aksine, bu yeni yaklaşım foton-çekirdek etkileşimlerinin de önemli bir rol oynadığını gösteriyor.

CERN'deki araştırmacılar, gelecek nesil parçacık hızlandırıcısı FCC-ee için tasarlanan saman tüpü dedektörlerinin performansını test etti. 150 GeV enerjili müon ışınları kullanılarak yapılan deneylerde, bu dedektörlerin uzaysal çözünürlüğü ve tespit verimliliği ölçüldü. Saman tüpü teknolojisi, parçacık izlerini yüksek hassasiyetle takip edebilen, hafif ve ekonomik bir çözüm sunuyor. Test sonuçları, gelecekteki parçacık fiziği deneylerinde kullanılacak bu dedektörlerin tasarımı ve optimizasyonu için önemli veriler sağladı. FCC-ee projesi, elektron-pozitron çarpıştırıcısı olarak planlanıyor ve Higgs bozonunun özelliklerini daha detaylı inceleyecek.

Bilim dünyasını yıllarca meşgul eden proton yarıçapı muamması nihayet çözüme kavuştu. 2010 yılında başlayan tartışma, müonik hidrojen atomlarından elde edilen proton yarıçapı değerinin, elektronik hidrojen ve elektron-proton saçılması deneylerinden elde edilenlerle uyuşmamasından kaynaklanıyordu. Bu uyuşmazlık, Coulomb yasasının geçerliliğini sorgulatan ve Standart Model'in temel özelliklerinden biri olan lepton evrenselliğinin ihlal edilip edilmediği sorusunu gündeme getiren kritik bir sorundu. Yakın zamandaki deneysel çalışmalar sayesinde bu bilmece çözülmüş durumda.

Fizikçiler, difüzyon modelleri adı verilen yapay zeka tekniklerini kullanarak leptonların (elektron, müon ve nötrinolar) flavor yapısını araştırmak için yenilikçi bir yöntem geliştirdi. Standart Model'in basit bir uzantısını kullanan araştırmacılar, sinir ağlarını nötrino kütle matrisini üretmek için eğittiler. Transfer öğrenme tekniği sayesinde, nötrino kütle karelerinin farkları ve leptonik karışım açıları ile tutarlı 10.000 çözüm üretebildiler. Bu yaklaşım, parçacık fiziğindeki temel sorulara yapay zekanın nasıl ışık tutabileceğini gösteriyor ve gelecekteki deneylerde doğrulanabilir tahminler sunuyor.