Bilim insanları, beynin elektriksel aktivitesini anlamamızı sağlayacak yeni bir yapay zeka modeli geliştirdi. EEG mikro-durumu analizi, sürekli beyin aktivitesini kısa süreli kararlı yapılar halinde bölerek farklı beyin fonksiyonlarını ortaya çıkarır. Geleneksel yöntemler katı sınıflandırma kullanırken, yeni Conv-VaDE modeli hem görüntü yeniden oluşturma hem de olasılıksal kümeleme öğrenir. Bu yaklaşım, beyin durumlarının kafa derisi haritalarına dönüştürülmesine olanak tanıyarak şeffaflığı artırır. Model, 3-20 arası küme sayısı ve farklı parametrelerle test edilerek en optimal yapı aranıyor.

Stanford araştırmacıları, felçli hastaların düşündikleri kelimeleri beyin sinyallerinden çözümleyebilen yeni bir yapay zeka modeli geliştirdi. MEG-XL adlı sistem, geleneksel yöntemlerden 5-300 kat daha uzun beyin aktivitesi kayıtlarını analiz ederek, çok daha az eğitim verisiyle aynı başarıyı elde ediyor. Sistem, 2,5 dakikalık MEG beyin tarama verilerini işleyerek, daha önce 50 saat eğitim gerektiren performansı sadece 1 saatlik veriyle yakalayabiliyor. Bu gelişme, konuşma yetisini kaybetmiş hastaların düşüncelerini tekrar ifade edebilmesi için kritik bir adım teşkil ediyor. Uzun bağlamlı öğrenme yaklaşımı, beyin-bilgisayar arayüzleri alanında yeni bir standart oluşturuyor ve klinik uygulamalarda daha pratik çözümler sunuyor.

Nörobilim ve yapay zeka arasındaki köprüyü güçlendiren yeni bir yazılım çerçevesi geliştirildi. NeuralSet adlı bu Python platformu, fMRI, EEG ve nöron kayıtları gibi farklı beyin görüntüleme tekniklerinden elde edilen verileri tek bir arayüzde birleştiriyor. Araştırmacılar artık metin, ses ve video gibi karmaşık deneysel uyaranları da aynı sistemde işleyebilecek. Platform, büyük veri setleriyle çalışmayı kolaylaştırırken, derin öğrenme modellerini nörobilim araştırmalarına entegre etmeyi sağlıyor. Bu gelişme, beynin bilgi işleme süreçlerini anlamada yapay zekadan yararlanmak isteyen bilim insanları için önemli bir adım.

Araştırmacılar, dinamik sistemlerin güvenliğini doğrulamak için yenilikçi bir yaklaşım geliştirdi. Geleneksel yöntemler, zaman adımlarında biriken hatalar nedeniyle uzun vadeli güvenlik tahminlerinde başarısız oluyordu. Yeni kernel embedding çerçevesi, güvenlik sertifikasyonunu bir sınıflandırma problemi olarak ele alarak bu sorunu çözüyor. Özellikle otonom sistemler ve robotik uygulamalarda kritik olan bu yöntem, Markov olmayan dinamiklere sahip sistemler için de güvenlik garantisi verebiliyor. Araştırma, mevcut barrier sertifikaları ve robust Markov modelleri gibi yaklaşımları özel durumlar olarak içeriyor ve onların sınırlarını aşmayı başarıyor.

Araştırmacılar, kan biyobelirteçlerini kullanarak hastalıklar arasındaki ilişkileri anlamak için yeni bir yaklaşım geliştirdi. 103 farklı hastalık imzasından oluşan 'dijital kan ikizi' adı verilen hesaplamalı model, kan ve biyokimyasal analiz verilerini birleştirerek hastalık sınıflandırması yapıyor. Çalışma, kan kreatörü bozukluklarının tutarlı gruplar oluşturduğunu, metabolik ve endokrin hastalıkların ise daha karmaşık yapılar sergilediğini ortaya koydu. En büyük hastalık grubunda sitokin sinyal yolaklarının zenginleştiği görüldü, bu da farklı hastalıkların ortak enflamatuar mekanizmalar paylaştığını gösteriyor. Bu teknoloji, hastalıkların veri odaklı sınıflandırılması ve kişiselleştirilmiş tıp uygulamaları için önemli fırsatlar sunuyor.

Araştırmacılar, beyin verilerini metin ve konuşma gibi uyaranlarla eşleştiren yeni bir açık kaynak yazılım kütüphanesi geliştirdi. LITcoder adlı bu araç, nöral kodlama modelleri oluşturmak ve karşılaştırmak için standartlaştırılmış bir platform sunuyor. Kütüphane, sürekli uyaranları beyin verileriyle hizalama, uyaranları temsili özelliklere dönüştürme ve bu özellikleri beyin verilerine eşleme işlemlerini kolaylaştırıyor. Modüler yapısı sayesinde araştırmacılar farklı metodolojik seçenekleri kolayca birleştirebilir ve karşılaştırabilir. Sistem, beyin veri setleri, beyin bölgeleri, uyaran özellikleri ve örnekleme yaklaşımları gibi geniş bir yelpazedeki seçenekleri destekliyor. Bu gelişme, nörobilim araştırmalarında standardizasyon ve tekrarlanabilirlik açısından önemli bir adım teşkil ediyor.

Günümüzün yapay zeka sistemleri görüntüleri tanımlayabiliyor, nesneleri ayırt edebiliyor ve karmaşık ilişkileri açıklayabiliyor. Görsel-dil modelleri olarak adlandırılan bu sistemler, metin ve görüntü anlayışını etkileyici şekillerde birleştiriyor. Ancak şaşırtıcı bir şekilde, görünüşte basit olan sayma işleminde zorlanıyorlar. Hof Uygulamalı Bilimler Üniversitesi araştırmacıları, yapay zekanın bu temel eksikliğini gidermek için yeni çalışmalar yürütüyor. Bu durum, AI teknolojisinin hızla gelişmesine rağmen bazı temel bilişsel yeteneklerde hala sınırları olduğunu gösteriyor.

Araştırmacılar, uzay ve havacılık gibi yüksek radyasyon ortamlarında kullanılması planlanan nöromorfik işlemcileri test etmek için yeni bir metodoloji geliştirdi. ODIN adlı spike tabanlı sinir ağı işlemcisi, yüksek enerjili nötron ışınlarına maruz bırakılarak dayanıklılığı ölçüldü. Test sırasında sistem, MNIST veri setinde sınıflandırma görevlerini yerine getirmeye devam etti. En dikkat çekici bulgu, çevrimiçi öğrenme özelliğinin etkinleştirilmesinin, sistemin radyasyon hasarına karşı direncini önemli ölçüde artırmasıydı. Bu çalışma, gelecekte uzay misyonlarında kullanılacak yapay zeka sistemlerinin tasarımı için kritik veriler sunuyor.

Brezilya'daki araştırmacılar, Portekizce doğal dil işleme alanında çığır açan yeni bir yapay zeka modeli geliştirdi. NorBERTo adlı bu model, ModernBERT mimarisine dayalı olarak tasarlandı ve Aurora-PT adı verilen dev bir Portekizce veri kümesi ile eğitildi. Bu veri kümesi, çeşitli web kaynaklarından toplanan 331 milyar GPT-2 token içeriyor. Model, metin benzerliği, mantıksal çıkarım ve sınıflandırma görevlerinde test edildiğinde, özellikle PLUE ve ASSIN 2 benchmark testlerinde kayda değer başarılar elde etti. NorBERTo-large versiyonu, değerlendirilen kodlayıcı modeller arasında en iyi performansı göstererek Portekizce NLP uygulamaları için önemli bir adım teşkil ediyor.

Araştırmacılar, büyük dil modellerinin alışık olmadığı verilerle karşılaştığında nasıl davrandığını anlamak için yeni bir çerçeve geliştirdi. Mevcut tespit yöntemlerinin aslında metin uzunluğundan etkilendiğini ve bu nedenle yanıltıcı sonuçlar verdiğini keşfettiler. Çalışma, modellerin iki farklı yoldan bilgiyi işlediğini ortaya koyuyor: embedding'ler metnin konusunu yakalarken, işleme yörüngesi modelin veriyi nasıl işlediğini gösteriyor. Bu bulgular, yapay zeka güvenliği ve modellerin güvenilirlik tespiti için önemli sonuçlar taşıyor.

Araştırmacılar, görsel-dil modellerinin güvenlik sınıflandırma sistemlerinde ciddi bir güvenilirlik sorunu ortaya çıkardı. Aynı anlama gelen farklı komut formülasyonları, yapay zekanın güvenli veya güvensiz içerik değerlendirmelerinde tutarsız sonuçlar ürettiğini gösterdi. Bu keşif, mevcut AI güvenlik sistemlerinin düşünülenden daha kırılgan olduğunu ve geliştirilmesi gerektiğini ortaya koyuyor. Çalışma, zero-shot vision-language modellerin tek komut tabanlı değerlendirmelerinin yanıltıcı olabileceğini ve çoklu komut ortalaması yaklaşımının daha güvenilir sonuçlar verdiğini kanıtladı.