Bilim insanları, insan beyninin zaman algısını nasıl oluşturduğunu açıklayan önemli bir keşif yaptı. Yanıp sönen ışıkların süresini tahmin eden gönüllülerin beyin aktivitelerini izleyen araştırmacılar, zaman deneyimimizi mümkün kılan ardışık sinir yolunu ortaya çıkardı. Bulgular, beynimizin zaman geçişini üç farklı aşamada işlediğini gösteriyor. Bu keşif, zaman algısının nasıl çalıştığına dair temel sorulara ışık tutarken, dikkat eksikliği ve Alzheimer gibi zaman algısının bozulduğu hastalıkların anlaşılmasına da katkı sağlayabilir. Çalışma, nörobilim alanında zaman algısıyla ilgili en detaylı haritalardan birini sunuyor.

Çölün yavaş ve dirençli sakinleri olarak bilinen kaktüsler, aslında inanılmaz hızda evrimleşiyor. 750'den fazla kaktüs türü üzerinde yapılan kapsamlı araştırma, bu bitkilerin türleşme hızının beklenenden çok daha yüksek olduğunu ortaya koydu. Bilim insanları, yeni türlerin ortaya çıkmasını tetikleyen asıl faktörün çiçek boyutu ya da özel tozlayıcılar olmadığını, çiçeklerin zaman içinde şekil değiştirme hızı olduğunu keşfetti. Bu bulgu, Darwin'den bu yana süregelen geleneksel görüşleri altüst ederken, çöl ekosistemlerinin sandığımızdan çok daha hareketli ve değişken ortamlar olduğunu gösteriyor.

Araştırmacılar, yapay sinir ağlarında devrim niteliğinde yeni bir öğrenme yöntemi geliştirdi. Geleneksel yöntemlerin aksine, bu sistem dış müdahaleler olmadan kendi iç dinamiklerini kullanarak ne zaman öğreneceğine karar veriyor. Ağ, sürekli gelen verileri hemen işlemek yerine, önce bu bilgileri gizli izler halinde biriktiriyor ve bir yandan da gelecekteki durumları tahmin etmeye çalışıyor. Tahminler ile gerçek durum arasındaki fark kritik bir eşiği aştığında sistem kendiliğinden öğrenme moduna geçiyor. Bu yaklaşım, insan beyninin öğrenme şekline daha yakın bir model sunarak yapay zeka sistemlerinin daha verimli ve doğal öğrenmesini sağlayabilir. Çalışma, makine öğrenmesi alanında önemli bir adım olarak değerlendiriliyor.

Amazon ormanlarının kaybı yağış düzenlerini nasıl etkiler? Bu kritik soru iklim bilimi için büyük bir meydan okuma teşkil ediyor. Ormansızlaşma, karmaşık ve doğrusal olmayan kara-atmosfer etkileşimleri yoluyla yağışları değiştiriyor. Mevcut iklim modelleri bu dinamikleri yakalamakta zorlanıyor çünkü konveksiyon kaba ölçeklerde parametreleştiriliyor ve kritik eşik davranışları yetersiz kalıyor. Araştırmacılar, saatlik yağış tahminleri yapan sinir ağı modeli kullanarak bitki örtüsü kayıplarının yağışları uzay, yoğunluk ve zaman ölçeklerinde nasıl yeniden düzenlediğini inceledi. Bu yenilikçi yaklaşım, sadece korelasyonları değil, nedensel etkileri de ortaya çıkararak hidrolojik bozulmaları öngörme kabiliyetimizi artırıyor. Çalışma, Amazon'daki bitki örtüsü değişikliklerinin yağış sistemleri üzerindeki etkilerini anlamak için yeni bir perspektif sunuyor.

Atmosfer bilimciler, hava durumu modellerinin en yavaş bileşenlerinden biri olan adveksiyon hesaplamalarını yapay zeka ile hızlandırmayı başardı. Geliştirilen konvolüsyonel sinir ağı tabanlı çözücü, mekansal çözünürlüğü koruyarak atmosferik madde taşınımı simülasyonlarını 4-32 kat hızlandırabiliyor. Sistem, zaman adımlarını büyüterek hesaplama yükünü azaltıyor ve 10 günlük yatay adveksiyon simülasyonlarında %60-98 doğruluk oranına ulaşıyor. Bu yaklaşım, iklim modellemesi ve hava tahmini alanında önemli bir ilerleme sağlayabilir.

Mavi renk her zaman var olmasına rağmen, insanların bu rengi algılayış biçimi dilin gelişimiyle birlikte değişti. Eski Yunanlı şair Homeros'un eserlerinde denizi 'şarap renginde' tanımlaması, o dönemde mavi için belirgin bir kelime bulunmamasından kaynaklanıyor. Berlin ve Kay'in renk terminolojisi araştırmaları, dillerin renk kelimelerini belirli bir sırayla geliştirdiğini gösteriyor. Himba kabilesi üzerinde yapılan çalışmalar, dilin renk algısını nasıl etkilediğini ortaya koyuyor. Lapis lazuli gibi değerli taşlardan elde edilen mavi pigmentler tarihi boyunca nadir ve pahalıydı. Rusçada iki farklı mavi kelimesinin (goluboy ve siniy) bulunması, dil ve algı arasındaki ilişkiyi destekliyor.

Araştırmacılar, biyolojik sistemlerin zaman içindeki karmaşık değişimlerini modellemek için FLUX adlı yenilikçi bir yapay zeka sistemi geliştirdi. Hücreler, nöronlar veya organizmaların farklı gelişim evrelerindeki durumlarını eşleştirmeden analiz edebilen bu sistem, öğrenme, uyaran değişimi veya gelişimsel aşamalar gibi gizli rejimlerin geçişlerini tespit edebiliyor. Geleneksel yöntemlerden farklı olarak, aynı biyolojik örnekleri sürekli takip etmeden, farklı zamanlardaki popülasyon örneklerinden anlamlı sonuçlar çıkarabiliyor. Bu gelişme, gelişimsel biyoloji, nörobilim ve hücre biyolojisi araştırmalarında önemli ilerlemeler sağlayabilir.

Araştırmacılar, insan beyninden alınan verilerin yapay zeka modellerinin performansını ne kadar artırabileceğini matematiksel olarak inceledi. Çalışma, bir kişinin çözebileceği görevlerde beyin aktivitesi ölçümlerinin makine öğrenmesi modellerinin eğitimini destekleyebileceğini gösteriyor. Bilim insanları, beyin verilerinin model başarısını mütevazı düzeyde artırdığını ve dayanıklılığını güçlendirdiğini ortaya koydu. Ancak bu faydanın ne zaman ortaya çıktığı ve hangi koşullarda ne kadar etkili olduğu belirsizdi. Yeni araştırma bu soruları matematiksel olarak formüle ederek, basit bir lineer Gauss modeli kullanarak teorik çerçeve oluşturdu. Hem beyin verileri hem de görev etiketleri ile eğitilen çok modlu tahmin ediciler için performansın nasıl ölçeklendiğini gösteren yasalar türetildi. Bu yasalar sayesinde beyin örnekleri ile görev örnekleri arasındaki değer oranları hesaplandı.

Araştırmacılar, beynin nasıl çalıştığını açıklamak için yeni bir matematiksel framework geliştirdiler. 'Homolojik Beyin' adı verilen bu teori, nöral hesaplamaları topolojik yapıların inşası ve navigasyonu olarak yorumluyor. Klasik hesaplama teorileri, sinaptik plastisitenin yavaş zaman ölçeği ile algısal sentezin hızlı zaman ölçeği arasındaki çelişkiyi açıklamakta zorlanıyordu. Yeni yaklaşım, beynin yavaş, gürültülü ve enerji kısıtlı substratlarından nasıl hızlı ve tutarlı çıkarımlar yapabildiğini matematiksel olarak modellemeye çalışıyor.

Araştırmacılar, demir bazlı katalizörlerin performansını önceden tahmin eden yorumlanabilir makine öğrenmesi çerçevesi geliştirdi. Bu yenilikçi yaklaşım, metan dönüşümü gibi enerji yoğun uygulamalarda kullanılan katalizörlerin keşif sürecini hızlandırabilir. Sistem, SHAP tabanlı özellik önem analizi ve ağaç tabanlı topluluk algoritmalarını birleştirerek, katalizörlerin elektronik yapı özelliklerini ve performans ilişkilerini başarıyla çözümleyebiliyor. Geleneksel deneme-yanılma yöntemlerinin pahalı ve zaman alıcı olması nedeniyle bu tür akıllı yaklaşımlar, katalizör geliştirme alanında büyük önem taşıyor. Çalışma özellikle metan kısmi oksidasyonu için Fe-zeolit ve oksit destekli katalizörlere odaklanıyor.

Bilim insanları, katalitik reaksiyonları modellemek için kullanılan makine öğrenimi tabanlı atomik potansiyelleri sistematik olarak iyileştirmenin yollarını araştırdı. MACE (Çok Atomlu Kümelenmiş Genişletme) potansiyellerinin farklı eğitim stratejileriyle nasıl optimize edilebileceğini inceleyen çalışma, CO₂'nin indirgenmesi, propan dehidrojenasyonu ve hidrojen interkalasyonu gibi 141 farklı reaksiyonu analiz etti. Araştırma, sıfırdan eğitim ile büyük temel modellerin ince ayarını karşılaştırarak, hangi yaklaşımların daha iyi sonuç verdiğini ortaya koydu. Bu gelişme, kataliz alanında hesaplamalı kimyanın hızını ve doğruluğunu artırarak, yeni katalizörlerin tasarımında önemli ilerlemeler sağlayabilir.