“Stanford” için sonuçlar
21 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Kuantum benzeri hafıza modeli beyin plastisitesi dengesini test ediyor
Araştırmacılar, beynin yeni bilgileri öğrenirken eski anıları nasıl koruduğunu anlamak için kuantum benzeri bir hafıza modeli geliştirdiler. MIT ve Stanford'dan bilim insanları, sinaptik bağlantıların hem yeni bilgileri kodlaması hem de önceki yapıları koruması gereken kritik dengeyi inceledi. Bu çalışma, öğrenme ve hafızanın plastiklik ile stabilite arasındaki hassas dengesini anlamamıza yardımcı oluyor. Model, gerçek değerli kontrol sistemleriyle karşılaştırılarak test edildi ve özellikle zayıf yapısal destek koşullarında performansı değerlendirildi. Bulgular, beynin bilgi işleme mekanizmalarını daha iyi anlamamıza katkı sağlayarak, gelecekteki nörolojik hastalıkların tedavi yöntemlerine ışık tutabilir.
Beynin Motor Kontrol Sırrı: Nöronlar Hedefi ve Hareketi Nasıl Ayırt Ediyor?
Stanford ve diğer laboratuvarların ortak çalışmasında, makaklarda motor korteksteki nöronların hareket kontrolünde şaşırtıcı bir mekanizma keşfedildi. Araştırmacılar, nöronların genel ateşleme hızından ziyade 'patlama fraksiyonu' adı verilen özelliklerinin hareket yönünü çok daha seçici şekilde kodladığını buldu. Bu keşif, beynin hem hangi hareketi yapacağını hem de bu hareketin hangi amaca hizmet ettiğini nasıl ayırt ettiğine dair yeni bir anlayış sunuyor. Üç farklı makakta ve iki ayrı laboratuvarda yapılan 12 kayıt seansının tamamında tutarlı sonuçlar elde edildi. Bu bulgu, motor korteksin çalışma prensiplerini yeniden anlamamızı sağlayabilir ve gelecekte beyin-makine arayüzlerinin geliştirilmesinde önemli rol oynayabilir.
Yapay Sinir Ağlarında Kaos Artık Öngörülebilir: Yeni Matematiksel Model Geliştirildi
MIT ve Stanford araştırmacıları, rastgele bağlantılı sinir ağlarındaki karmaşık dinamiklerin aslında tahmin edilebilir olduğunu gösteren yeni bir matematiksel çerçeve geliştirdi. Ortalama alan teorisi kullanılarak yapılan çalışmada, görünürde rastgele olan davranışların altında yatan deterministik yapı ortaya çıkarıldı. Bu keşif, hem yapay zeka sistemlerinin davranışını anlamak hem de insan beynindeki nöral ağların işleyişini modellemek açısından büyük önem taşıyor. Araştırma, özellikle analitik doğrusalsızlıklar gösteren sistemlerde, geçmiş verilerin geleceği tam olarak belirlediğini matematiksel olarak kanıtlıyor. Bu bulgu, makine öğrenmesi algoritmalarının optimize edilmesi ve nörolojik hastalıkların anlaşılmasında yeni kapılar açabilir.
Beyin Modelleri Milyarlarca Parametreyle Hâlâ Üçüncü Derece İstatistikleri Kaçırıyor
Stanford araştırmacıları, milyarlarca parametreli yapay zeka modellerinin beyin görüntülerinden bilişsel performansı tahmin etmede şaşırtıcı bir şekilde başarısız olduğunu keşfetti. BrainLM gibi dev beyin modellerinin 650 milyon parametreye rağmen, sadece 80 bin parametreli basit doğrusal regresyon modellerinden daha kötü sonuç verdiği ortaya çıktı. Problem, bu modellerin beyindeki ikinci derece varyansları yakalayabilmesine rağmen, bilişsel yetileri gerçekten belirleyen üçüncü derece istatistiksel yapıları göz ardı etmesinde yatıyor. Araştırma, büyük dil modellerinin beyin bilimindeki sınırlarını gösteriyor ve gelecekteki nöro-AI çalışmaları için yeni bir yol haritası sunuyor.
Beynin Asimetrik Ağlarında Yeni Enerji Teorisi Keşfedildi
Stanford araştırmacıları, beyin hücrelerinin birbirleriyle nasıl etkileşim kurduğunu anlamamızı değiştirebilecek yeni bir teorik çerçeve geliştirdi. Geleneksel enerji tabanlı modeller, beyindeki uyarıcı ve engelleyici nöron ağlarının asimetrik yapısını açıklamakta yetersiz kalıyordu. Yeni çalışma, bu asimetrik ağlarda her nöronun kendi enerjisini minimize etmeye çalışan bir oyuncu gibi davrandığını ortaya koyuyor. Bu yaklaşım, oyun teorisi ile nörobilimiyi birleştirerek beynin karmaşık dinamiklerini anlamak için yeni araçlar sunuyor. Araştırma, nöral kararlılık ve beyin işlevlerinin dengelenmesi konularında da önemli bulgular içeriyor.
Eğitilmemiş yapay sinir ağları beyne daha çok benziyor
Stanford Üniversitesi'nden araştırmacılar, yapay sinir ağlarının eğitim sürecinin beklenmedik bir sonucunu keşfetti. Rastgele, eğitilmemiş yapay sinir ağları, görsel korteksteki beyin aktivitesiyle daha yüksek benzerlik gösteriyor. Araştırma ekibi, dört farklı öğrenme algoritması kullanarak 720 nesne görüntüsü üzerinde testler gerçekleştirdi. Sonuçlar, tek bir eğitim döngüsünün bile V1 görsel korteks bölgesiyle uyumu %25-90 oranında azalttığını ortaya koydu. Bu bulgu, makine öğrenmesinin beyin benzerliğini artırdığı yönündeki genel varsayımı sorguluyor. Özellikle geri yayılım algoritması en büyük uyum kaybına neden olurken, öngörülü kodlama ve sinaptik plastisite modelleri daha az etki gösterdi. Bu keşif, yapay zeka sistemlerinin beyin benzeri işleyiş geliştirmesi için yeni yaklaşımlara ihtiyaç olduğunu işaret ediyor.
Yapay zeka artık maymunların doğal hareketlerini beyninden okuyabiliyor
Stanford araştırmacıları, maymunların beyin sinyallerini analiz ederek tüm vücut hareketlerini doğal ortamda tahmin edebilen yeni bir sistem geliştirdi. Çalışmada, özgürce hareket eden maymunların korteks aktivitesi kayıt edilirken, aynı anda çoklu kamera sistemiyle vücut hareketleri izlendi. Geliştirilen yapay zeka modeli, beyin sinyallerini işleyerek maymunların gelecekteki hareketlerini gerçekçi bir şekilde öngörebildi. Bu teknoloji, felçli hastalara yönelik beyin-bilgisayar arayüzlerinin geliştirilmesinde devrim yaratabilir.
Görsel-dil modelleri metin okumada insan beynini daha iyi taklit etmiyor
Stanford Üniversitesi araştırmacıları, görsel ve dil verisiyle eğitilen yapay zeka modellerinin, sadece metinle eğitilen modellere kıyasla insan beyninin metin işleme süreçlerini daha iyi taklit etmediğini keşfetti. Araştırmada doğal okuma koşullarında çekilen beyin görüntüleme verileri ve göz takip kayıtları kullanıldı. Bulgular, multimodal eğitimin her zaman üstünlük sağlamadığını ve dil işlemede dahili temsillerin daha kritik olduğunu gösteriyor.
Beyin dalgalarından görsel decode: Yapay zeka zihninizdeki görüntüleri okuyabilir
Stanford araştırmacıları, EEG beyin dalgalarından görsel bilgileri çözümleyebilen yeni bir yapay zeka sistemi geliştirdi. MindAlign adı verilen bu teknoloji, beyin sinyalleri, görüntüler ve metin açıklamalarını ortak bir dijital uzayda birleştiriyor. Sistem önce beyin dalgası kalıplarını öğreniyor, ardından bu sinyalleri görsel içerikle eşleştiriyor. Özellikle felç geçirmiş hastalar için umut vaat eden bu teknoloji, düşünülen görüntülerin bilgisayar ortamında yeniden oluşturulmasına olanak sağlayabilir. Araştırma, beyin-bilgisayar arayüzleri alanında önemli bir adım olarak değerlendiriliyor.
İnsan Beynindeki Evrensel Geometri Keşfedildi
Araştırmacılar, farklı insan beynlerinin benzer uyaranları işlerken ortak bir matematiksel yapı kullandığını keşfetti. Stanford Üniversitesi'nin doğal görüntü veri seti kullanılarak yapılan çalışmada, her bireyin beyninin kendi özel kodlama sistemine sahip olmasına rağmen, bu sistemlerin ortak bir koordinat sistemine çevrilebileceği gösterildi. Bu buluş, yapay zeka alanındaki 'Platonik Temsil Hipotezi'nin insan beyninde de geçerli olabileceğini ortaya koyuyor. Çalışma, beyin-bilgisayar arayüzleri ve nörolojik hastalıkların anlaşılması açısından önemli sonuçlar doğurabileceği gibi, farklı beyinler arasında bilgi çevirisi yapmanın mümkün olabileceğini de gösteriyor.
Beyin implantları hiç görmediği karakterleri nasıl yazıyor?
Stanford araştırmacıları, beyin-bilgisayar arayüzlerinin daha önce hiç öğrenmediği karakterleri yazabilme yeteneğini geliştirdi. Motor korteksin el yazısı hareketlerini ortak kinematik bileşenler halinde temsil ettiği keşfedildi. Bu buluş, binlerce karaktere sahip Çince ve Japonca gibi diller için beyin implantlarının kullanımını mümkün kılabilir. Yeni algoritma, görmediği harfleri %64 doğrulukla tanıyabiliyor. Çalışma, motor nöronların yazma hareketlerini nasıl kodladığını anlamada önemli bir adım.
Yapay zeka ve insan beyninin oyun oynarken benzer şekilde düşündüğü keşfedildi
Stanford ve MIT'den araştırmacılar, insanların Atari oyunları oynarken beyin aktivitelerini inceledi ve şaşırtıcı bir keşif yaptı: büyük dil modelleri ve aksiyon modelleri, insan beyninin bazı bölgeleriyle benzer aktivite gösteriyor. Çalışmada fMRI ile kaydedilen beyin sinyalleri, yapay zeka modellerinin iç temsilleriyle karşılaştırıldı. Bulgular, hem görme-dil modellerinin hem de büyük aksiyon modellerinin, özellikle aksiyon odaklı görevlerde insan beyninin karar verme mekanizmalarıyla uyumlu çalıştığını gösterdi. Bu araştırma, yapay zeka sistemlerinin insan benzeri düşünce süreçlerini nasıl taklit ettiğini anlamamız açısından önemli.
İbogain tedavisi kafa travmalı askerlerin beyin ağlarını yeniden şekillendiriyor
Özel kuvvetlerden emekli ve kafa travması yaşamış askerlere uygulanan ibogain tedavisi, beklenmedik şekilde olumlu sonuçlar verdi. Stanford Üniversitesi araştırmacılarının yürüttüğü çalışmada, bu psikedelik maddenin beyin kan akışını artırdığı ve sinir ağlarını yeniden organize ettiği görüldü. Beyin taramaları, tedavinin etkilerinin kalıcı olduğunu ve katılımcıların travmatik beyin yaralanması belirtilerinde önemli iyileşmeler yaşadığını ortaya koydu. Bu bulgular, psikedelik tedavilerin nörolojik hasarları onarma potansiyeline dair önemli ipuçları sunuyor.
Beyin Sinapsları Enerji Verimliliğini Maksimuma Çıkaracak Şekilde Çalışıyor
Yeni bir araştırma, beynimizin sinapslarının neden belirli iletkenlik değerlerinde çalıştığını açıklayan önemli bir keşif yaptı. Stanford Üniversitesi'nden araştırmacıların yürüttüğü çalışma, sinapsların Shannon'un bilgi teorisine göre sinyal-gürültü oranlarını optimize ederek maksimum enerji verimliliği sağladığını gösteriyor. Bu bulgular, beynin evrimsel süreçte nasıl enerji tasarrufu yapmaya odaklandığını ve nöronlar arası iletişimin matematiksel prensiplerle yönetildiğini ortaya koyuyor. Çalışma, sinaptik iletkenlik değerlerinin doğal halinden sapması durumunda verimliliğin neden hızla düştüğünü de açıklıyor. Bu keşif, gelecekte beyin hastalıklarının anlaşılması ve nöromorfik bilgisayar tasarımında yeni yaklaşımlar geliştirilmesi açısından kritik önem taşıyor.
Yapay zeka modelleri insan yüz algısının sırrını çözmeye yaklaşıyor
Stanford araştırmacıları, insan beyninin yüzleri nasıl algıladığını anlamak için altı farklı yapay sinir ağı modelini karşılaştırdı. 864 katılımcıyla yapılan deneylerde, yüksek seviyeli ve değişmez yapıları öncelleyen modellerin (ters işleme, yüz tanıma veya nesne sınıflandırması ile eğitilmiş) insan yargılarına en yakın sonuçları verdiği ortaya çıktı. Araştırma, yüz algısının temelinde yatan hesaplamalı mekanizmaları aydınlatarak, hem bilişsel bilimler hem de yapay zeka teknolojileri için önemli ipuçları sunuyor.
Yapay zeka modeli beynin görsel haritalarının nasıl oluştuğunu açıkladı
Stanford araştırmacıları, primat beyninin görsel korteksindeki karmaşık organizasyonun nasıl ortaya çıktığını yapay zeka ile modellediler. Doğal videolarla eğitilen 3D yapay sinir ağı, beynin hareket algısından sorumlu MT bölgesindeki yön haritalarını kendiliğinden geliştirdi. Bu çalışma, beynin farklı görsel işleme yollarının benzer evrensel ilkeler tarafından şekillendiğini gösteriyor. Bulgular, hem nörobilim hem de yapay zeka açısından önemli: beynin nasıl çalıştığını anlamamıza katkı sağlarken, daha biyolojik olarak gerçekçi AI sistemleri geliştirmek için yeni yollar açıyor.
Yapay Zeka Maymun Beynindeki Nöronların Dilini Çözmeyi Başardı
Stanford araştırmacıları, maymun görsel korteksindeki nöronların ne gördüğünü doğal dille açıklayan devrim niteliğinde bir sistem geliştirdi. V1 ve V4 bölgelerindeki nöronların aktivitelerine bakarak, hangi görsel özeliklere tepki verdiklerini otomatik olarak tespit eden bu yöntem, beyin araştırmalarında yeni bir dönem başlatabilir. Sistem, nöronların yüksek ve düşük aktivite gösterdiği görüntüleri analiz ederek semantic açıklamalar üretiyor ve hipotezlerini sentetik görüntülerle test ediyor. V4 bölgesindeki nöronların %96'sından fazlasının davranışını doğru tahmin etmeyi başaran bu yaklaşım, beyninizin nasıl gördüğünü anlamak için tamamen yeni kapılar açıyor.
Beyin dil öğrenirken tahmin ve geri bildirimi farklı şekillerde işliyor
Stanford araştırmacıları, yetişkinlerin yeni bir dil öğrenirken beyin aktivitelerini 7 gün boyunca takip etti. 102 katılımcının yapay bir dil öğrenme sürecini fMRI ile görüntüleyen çalışma, beynin tahmin ve geri bildirim sinyallerini nasıl farklı şekilde işlediğini ortaya koydu. Transformer yapay zeka modelleriyle karşılaştırma yapan araştırma, grup düzeyinde tahmin odaklı işlemlerin daha baskın olduğunu, ancak bireysel öğrenme başarısının geri bildirim mekanizmalarıyla daha güçlü ilişki gösterdiğini buldu. Çalışma, dil öğrenme sürecinde beynin duyusal ağlardan üst düzey dil ve çağrışım ağlarına geçiş yaptığını göstererek, soyutlama sürecinin nöral temellerini aydınlatıyor. Bu bulgular, kişiselleştirilmiş dil öğretim yöntemlerinin geliştirilmesine katkı sağlayabilir.
Felçli hastalar için umut: MEG-XL ile beyin sinyallerinden metin üretimi
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.
Yapay Zeka İnsan Gibi Öğrenmeye Başladı: Beyin Aktivitelerini Taklit Ediyor
Stanford araştırmacıları, modern büyük dil modellerinin insanlar gibi yeni oyunları öğrenip strateji geliştirebildigini keşfetti. Katılımcıların video oyunu oynarken beyin aktiviteleri fMRI ile kaydedildi ve yapay zeka modellerinin performansı karşılaştırıldı. Sonuçlar, en gelişmiş dil modellerinin insan öğrenme davranışlarını taklit etmede ve beyin aktivitelerini tahmin etmede pekiştirmeli öğrenme algoritmalarından on kat daha başarılı olduğunu gösteriyor. Bu bulgular, yapay zekanın insan benzeri öğrenme ve planlama yetenekleri kazanmaya başladığının güçlü bir işareti olarak değerlendiriliyor.
Beynimiz Değişimlere Neden Aşırı ya da Yetersiz Tepki Veriyor?
Stanford Üniversitesi araştırmacıları, insanların çevresel değişimleri algılama konusundaki sistematik hatalarını inceledi. Gürültülü sinyaller karşısında aşırı tepki verirken, net sinyaller olduğunda yetersiz tepki verdiğimizi keşfettiler. fMRI ile yapılan çalışmada katılımcılar, pandeminin başlangıcı veya ekonomik durgunluğun sonu gibi rejim değişikliklerini tespit etmeye çalıştı. Bulgular, beynimizin sistem parametrelerini ihmal etme eğiliminde olduğunu gösteriyor. Bu durum, hem bireysel kararlarımızı hem de hükümet politikalarını etkileyen önemli bir bilişsel önyargı ortaya çıkarıyor.