Yeni araştırma, evrim sürecinin düşünülenden çok daha öngörülebilir olabileceğini ortaya koyuyor. Bilim insanları, birbirinden uzak akraba olan kelebekler ve güvelerin 120 milyon yıldan fazla süredir aynı gen çiftini kullanarak benzer uyarı renklerini ürettiklerini keşfetti. Bu bulgular, evrimsel değişimlerin genlerin kendisini değiştirmek yerine, onların nasıl aktif edilip kapatıldığını değiştirerek gerçekleştiğini gösteriyor. Araştırma, yaşamın evrimsel yolculuğunun sanıldığından çok daha sistematik ve düzenli bir şekilde ilerlediği fikrini destekliyor. Bu keşif, evrim biyolojisindeki 'rastgelelik' kavramını yeniden sorgulatıyor.

Fizikçiler, bir boyutlu etkileşen kuantum sistemlerde uzun zamandır çözülemeyen bir problemi aştılar. Tomonaga-Luttinger sıvısı adı verilen özel kuantum sistemlerde, rastgelelik düzeyini ölçen 'çerçeve potansiyeli' için kapalı bir formül geliştirdiler. Bu başarı, kuantum algoritmaların performansını değerlendirmede kritik öneme sahip. Araştırmacılar, düzensizlik içeren sistemlerde kuantum dinamiklerinin nasıl evrildiğini analitik olarak hesaplayabildiler. Bulgular, erken zamanlarda güç yasası şeklinde azalan ve daha sonra sabit bir değere ulaşan rastgelelik davranışı ortaya koyuyor. Bu teorik ilerleme, kuantum bilgisayar teknolojilerinin geliştirilmesi açısından önemli ipuçları sunuyor.

Büyük dil modelleri (LLM'ler) karar verme süreçlerinde hâlâ çeşitliliği sağlamakta zorlanıyor ve bu durum yetersiz keşif, yerel optimumlarda takılma gibi sorunlara yol açıyor. Araştırmacılar, Multi-Armed Bandit ve metin macera oyunları gibi ortamlarda mevcut çözüm stratejilerinin yetersiz kaldığını tespit etti. Sıcaklık ölçekleme gibi yöntemler token düzeyinde rastgelelik sağlasa da sekans düzeyinde yeterli çeşitliliği üretemiyor. Chain-of-Thought ve Tree-of-Thought gibi popüler yöntemler de güçlü keşif için yetersiz kalıyor. Bu sorunları çözmek için geliştirilen DORA Explorer, eğitime ihtiyaç duymayan ve eylem çeşitliliği odaklı sıralama yapan yenilikçi bir çerçeve sunuyor.

Yapay zeka destekli bilgisayar kullanım ajanları, web gezinmesi ve masaüstü otomasyonu gibi gerçek dünya görevlerinde hızla gelişiyor ve bazen insan performansını bile geçiyor. Ancak yeni bir araştırma, bu ajanların tutarlılık konusunda ciddi sorunlar yaşadığını ortaya koyuyor. Aynı görevi bir kez başarıyla tamamlayan bir ajan, ikinci denemede başarısız olabiliyor. Araştırmacılar, bu güvenilirlik sorununu üç ana faktörle açıklıyor: yürütme sırasındaki rastgelelik, görev tanımındaki belirsizlik ve ajan davranışındaki değişkenlik. OSWorld platformu üzerinde yapılan analizler, güvenilirliğin hem görevlerin nasıl tanımlandığına hem de ajan davranışının farklı yürütmeler arasında nasıl değiştiğine bağlı olduğunu gösteriyor. Bu bulgular, AI ajanlarının pratik uygulamalarda kullanılabilmesi için yeni değerlendirme yöntemlerinin geliştirilmesi gerektiğini işaret ediyor.

Araştırmacılar, büyük dil modellerinin akıl yürütme kapasitesini artırmak için LEPO adında yenilikçi bir framework geliştirdi. Bu yöntem, modellerin gizli katmanlarda çeşitli çözüm yolları keşfetmesini sağlayarak daha esnek düşünme süreçleri oluşturuyor. Geleneksel deterministik yaklaşımların aksine, kontrollü rastgelelik enjekte ederek modellerin farklı akıl yürütme stratejilerini deneyimlemesine olanak tanıyor. Pekiştirmeli öğrenme teknikleriyle birleştirilen bu yaklaşım, yapay zekanın problem çözme becerilerinde önemli bir ilerleme vaat ediyor. Çalışma, AI modellerinin daha yaratıcı ve çok boyutlu düşünme yetenekleri kazanması açısından kritik bir adım olarak değerlendiriliyor.

Bilim insanları, optik cımbızlarla tuzaklanmış Rydberg atom dizilerinde kuantum faz geçişlerinin doğasını değiştiren yeni bir keşif yaptı. Araştırma, deneysel düzeneklerdeki küçük kusurların beklenmedik sonuçlar doğurduğunu ortaya koyuyor. Cımbızların sınırlı genişliği atomlar arası mesafelerde ufak değişikliklere neden olurken, bu durum etkileşimlerde 'donmuş düzensizlik' yaratıyor. İki kritik rejimde önemli değişiklikler gözlemlendi: Birincisi, sistem büyüklüğü ve düzensizlik arttıkça temiz Ising geçişinden sonsuz rastgelelik sabit noktasına geçiş. İkincisi ise 'yüzen faz' olarak adlandırılan yeni bir kuantum fazının ortaya çıkışı. Bu bulgular, kuantum simülatörlerinin geliştirilmesi ve düşük boyutlu kuantum fiziğinin anlaşılması açısından büyük önem taşıyor.

Araştırmacılar, büyük yapay zeka modellerinin eğitiminde kullanılan SignSGD algoritmasının temel sorunlarını çözen yeni bir yöntem geliştirdi. StoSignSGD adı verilen bu algoritma, yapısal rastgelelik ekleyerek geleneksel yöntemin yakınsama problemlerini gideriyor. Özellikle dağıtık öğrenme ve büyük dil modellerinin eğitiminde önemli performans artışları sağlayan işaret tabanlı optimizasyon algoritmaları, pürüzsüz olmayan hedef fonksiyonlarda başarısız oluyordu. Yeni yaklaşım, bu sorunu çözerken matematiksel olarak yansız güncellemeler yaparak teorik garantiler sunuyor. Modern makine öğrenmesinde yaygın olan ReLU, max-pool gibi fonksiyonların neden olduğu zorlukları aşan bu geliştirme, yapay zeka modellerinin daha verimli eğitilmesi için önemli bir adım teşkil ediyor.

Araştırmacılar, dağıtık makine öğrenmesi sistemlerinde karşılaşılan önemli bir sorunu çözdü. Geleneksel algoritmaların çoğu, idealize edilmiş 'hafif kuyruklu' gürültü modellerine dayalı olarak tasarlanıyor. Ancak gerçek hayatta veri bilimi ve istatistiksel öğrenme uygulamalarında, aykırı değerler ve ekstrem durumlar nedeniyle bu modeller yetersiz kalıyor. Yeni çalışma, sub-Weibull rastgelelik adı verilen daha gerçekçi bir gürültü modelini dağıtık optimizasyon çerçevesine entegre etti. DCSMD-SW algoritması ile dağıtık kompozit stokastik optimizasyon problemleri için yeni bir yaklaşım geliştiren araştırmacılar, yüksek olasılıklı yakınsama teorisi de ortaya koydu. Bu çalışma, büyük veri sistemlerinde ve yapay zeka uygulamalarında daha güvenilir sonuçlar elde edilmesini sağlayabilir.

Büyük dil modellerinin güvenlik açıklarına karşı dayanıklılığını artırmak için yeni bir yöntem geliştirildi. Araştırmacılar, metnin makine diline çevrilme sürecinde rastgelelik kullanmanın, modelleri siber saldırılara karşı daha dirençli hale getirdiğini keşfetti. Geleneksel yöntemlerle eğitilen modeller, metindeki küçük değişikliklere karşı kırılgan olabiliyorken, stokastik tokenleştirme adı verilen bu teknik modellerin iç temsillerini daha güçlü kılıyor. Çalışma, ön eğitim, denetimli ince ayar ve bağlam içi öğrenme gibi farklı öğrenme rejimlerinde bu yaklaşımın etkisini sistematik olarak inceledi. Sonuçlar, rastgele örneklenen tokenleştirme yönteminin hem rastgele hem de kasıtlı bozulmalara karşı dayanıklılığı önemli ölçüde artırdığını gösteriyor.

Harvard araştırmacıları, kalabalık ortamlarda çalışan robot sürülerinin karşılaştığı trafik sıkışıklığı problemine beklenmedik bir çözüm buldu. Robotların hareket rotalarına küçük rastgele sapmalar eklemek, onların birbirlerini bloke etmesini önlüyor ve genel verimliliği artırıyor. Bu basit değişiklik, düz çizgilerde hareket eden robotların aksine, hafif 'kıvrak' hareketlerle birbirlerinin yanından geçebilmesini sağlıyor. Araştırma, daha fazla robotun her zaman daha hızlı sonuç anlamına gelmediğini, aksine kalabalık ortamlarda işlerin tamamen durma noktasına gelebileceğini ortaya koyuyor. Bu keşif, gelecekte depo otomasyonu, kurtarma operasyonları ve akıllı şehir uygulamalarında kullanılacak robot sürüleri için önemli bir gelişme.