“sinir ağı” için sonuçlar
54 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka ile Protein Çözünmesinde Devrim: PHNN Modeli Geliştirildi
Araştırmacılar, protein moleküllerinin su içindeki davranışlarını modellemek için yenilikçi bir yapay zeka sistemi geliştirdi. Protein Hidrasyon Sinir Ağı (PHNN) adı verilen bu model, geleneksel yöntemlerin aksine fiziksel yasaları öğrenerek daha az hesaplama gücüyle daha doğru sonuçlar elde ediyor. Sistem, su moleküllerini tek tek hesaplamak yerine, matematiksel modellerin parametrelerini akıllıca düzelterek protein-su etkileşimlerini tahmin ediyor. Bu yaklaşım, ilaç geliştirme süreçlerinde kritik olan protein davranışlarının anlaşılmasında önemli bir ilerleme sağlıyor. PHNN'nin en dikkat çekici özelliği, daha önce görmediği protein türlerinde bile güvenilir tahminler yapabilmesi. Bu transferedilebilir özellik, bilim insanlarının çeşitli protein sistemlerini daha verimli şekilde incelemesine olanak tanıyor.
Yapay sinir ağları nasıl öğreniyor? Yeni keşif mekanizmayı açığa çıkardı
Bilim insanları, yapay sinir ağlarının nasıl öğrendiğini anlamaya yönelik önemli bir adım attı. Araştırmacılar, 2 boyutlu sahneları inceleyen bir sinir ağının, nesneleri konumlarıyla ilişkilendirmeyi ve uzamsal navigasyonu nasıl öğrendiğini keşfetti. Çalışma, ağın yeni sahnelerle karşılaştığında tahmin yeteneğinin sürekli geliştiğini ve esnek bağlantılar kurarak yapılandırılmış temsiller oluşturduğunu gösteriyor. Bu bulgular, hem yapay zeka sistemlerinin işleyişini anlamak hem de beyin bilimindeki benzer süreçleri açıklamak açısından kritik öneme sahip.
Su Moleküllerini Simüle Eden Yapay Zeka Algoritması Geliştirildi
Araştırmacılar, su kümelerinin davranışını tahmin etmek için yenilikçi bir yapay zeka destekli moleküler dinamik simülasyon yöntemi geliştirdi. PDMD adlı bu sistem, geleneksel yöntemlerin karşılaştığı doğruluk-hız ikilemini çözerek, hem yüksek hassasiyette hem de hızlı hesaplamalar yapabiliyor. Gaussian tabanlı geometrik tanımlayıcılar ve ChemGNN adlı grafik sinir ağı kullanan sistem, herhangi bir boyuttaki su kümesinin enerji ve kuvvet değerlerini tahmin edebiliyor. Sistem, enerji tahmininde atom başına 1,39 meV, kuvvet tahmininde ise angström başına 50,7 meV hata payıyla çalışıyor ve mevcut DeepMD teknolojisinden 5 kat daha iyi performans gösteriyor. Bu gelişme, malzeme bilimi ve kimya simülasyonlarında önemli ilerlemeler sağlayabilir.
Uzayda Çalışacak Yapay Sinir Ağları: Nötron Bombardımanı Altında Test
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.
Yapay Zeka Artık Metinlerden Sayısal Puanlar Çıkarabiliyor
Araştırmacılar, büyük dil modellerinin metinleri derinlemesine analiz ederek karmaşık sayısal değerlendirmeler yapabildiği yeni bir alan tanımladı: akıl yürütme yoğunlu regresyon. Bu yaklaşım, rubrik tabanlı puanlama, karmaşık ortamlarda ödül modelleme ve alan-özel arama gibi uygulamalarda kullanılıyor. Mevcut yöntemlerin yetersiz kaldığı durumlarda, araştırmacılar MENTAT adlı yeni bir hibrit yaklaşım geliştirdi. Bu yöntem, toplu yansıtmalı prompt optimizasyonu ile sinir ağı topluluk öğrenimini birleştirerek, sınırlı veri ve hesaplama kaynaklarıyla bile etkili sonuçlar üretiyor. Geleneksel duygu analizi gibi basit görevlerin ötesinde, yapay zekanın metin anlama kapasitesini artıran bu gelişme, eğitim değerlendirmelerinden karmaşık karar verme süreçlerine kadar geniş bir uygulama alanı sunuyor.
Kuantum makine öğrenmesi modellerinde hata tespiti için yeni test yöntemi
Araştırmacılar, kuantum makine öğrenmesi modellerindeki hataları tespit etmek için 'mutasyon testleri' adlı yeni bir yöntem geliştirdi. Bu teknik, kuantum sinir ağlarına kasıtlı hatalar enjekte ederek sistemin güvenilirliğini değerlendiriyor. Kuantum bilgisayarlar ve makine öğrenmesinin birleştiği bu alanda, karmaşık özellikleri klasik modellerden daha az parametre ile öğrenebilen sistemler geliştirilmekte. Ancak artan karmaşıklık beraberinde hata riski de getiriyor. Bu çalışma, kuantum devrelerine planlı şekilde arızalar yerleştirerek test sistemlerinin ne kadar dayanıklı olduğunu ölçmeyi amaçlıyor. Yöntem, özellikle kuantum sinir ağı modellerinde tasarım özelliklerine uygunluğu ve hatasız çalışmayı doğrulamaya odaklanıyor. Bu gelişme, kuantum makine öğrenmesi uygulamalarının güvenilirliğini artırmada önemli bir adım.
Yeni yapay sinir ağı mimarisi dışbükey fonksiyonları öğrenmede devrim yaratıyor
Araştırmacılar, dışbükey fonksiyonları öğrenme konusunda çığır açan Hyper Input Convex Neural Networks (HyCNN) adlı yeni bir yapay sinir ağı mimarisi geliştirdi. Bu yenilikçi sistem, Maxout ağları ile giriş dışbükey sinir ağlarının (ICNN) güçlü yönlerini birleştiriyor. HyCNN'ler, kuadratik fonksiyonları yaklaşık olarak modellemek için ICNN'lere kıyasla üssel olarak daha az parametre gerektiriyor. Yapılan deneyler, yeni mimarinin dışbükey regresyon ve interpolasyon görevlerinde mevcut ICNN'leri ve çok katmanlı algılayıcıları (MLP) geride bıraktığını gösteriyor. Özellikle yüksek boyutlu optimal transport haritalarının öğrenilmesinde ve tek hücreli RNA sekanslama verilerinin analizinde üstün performans sergiliyor. Bu gelişme, makine öğrenmesinde dışbükey optimizasyon problemlerinin çözümü için önemli bir adım teşkil ediyor.
Radyo Dalgalarıyla Uzaktan Yapay Sinir Ağı Eğitimi Gerçekleştirildi
Araştırmacılar, manyetik tünel bağlantıları kullanarak radyo frekansı sinyalleriyle uzaktan kontrol edilebilen yeni bir yapay sinir ağı geliştirdi. Bu sistem, her sinaps için ayrı bağlantı gerektirmeden 11 adet manyetik bileşeni radyo dalgalarıyla programlayabiliyor. Geliştirilen 22 sinapslı ağ, aynı donanım üzerinde hem el yazısı rakam tanıma hem de drone RF imzası belirleme görevlerini başarıyla gerçekleştirdi. Bu yenilikçi yaklaşım, bellek içi hesaplama sistemlerinin ölçeklenebilirlik sorununa çözüm sunarak, daha verimli ve esnek yapay zeka donanımları geliştirilmesine olanak sağlıyor.
Yapay Sinir Ağlarının Kararlılığını Garantileyen Yeni Matematiksel Yöntem
Araştırmacılar, yapay sinir ağlarının kararlılığını matematiksel olarak garantileyebilen yeni bir yöntem geliştirdi. Kontraksyon teorisine dayanan bu yaklaşım, tekrarlayan sinir ağlarının (RNN) ne zaman kararlı çalışacağını önceden belirleyebiliyor. Çalışma, sinir ağlarının tasarımında önemli bir güvenlik sorunu olan kararlılık problemine çözüm sunuyor. Geliştirilen doğrusal matris eşitsizliği koşulları, farklı sinir ağı mimarilerinin kararlı çalışma garantilerini veriyor. Bu matematiksel çerçeve, kontrol sistemleri ve öğrenme algoritmalarında da uygulanabilir nitelikte. Bulgular, sürekli zaman modelleri ve monoton aktivasyon fonksiyonlarının daha geniş ağırlık uzaylarında çalışabildiğini gösteriyor. Yöntem ayrıca Graf RNN'leri ve birbirine bağlı sistemler için de genişletilebiliyor.
Metayüzey Teknolojisiyle 3D Algılamada Devrim: Tek Kamerayla Derinlik Ölçümü
Araştırmacılar, üç boyutlu çevreyi algılamak için yeni bir yaklaşım geliştirdi. Geleneksel 3D algılama sistemleri karmaşık işlemler gerektirirken, yeni sistem metayüzey kodlayıcı ile entegre edilmiş optoelektronik sinir ağı kullanıyor. Sistem, derinlik bilgisini çift sarmal nokta yayılım fonksiyonu ile kodlayarak tek bir kameradan 3D bilgi elde ediyor. Bu yenilik, otonom sistemler, robotik manipülasyon ve artırılmış gerçeklik gibi alanlarda büyük potansiyel taşıyor. Özellikle hesaplama yükü, güç tüketimi ve gecikme sorunlarına çözüm sunması nedeniyle önem kazanıyor.
Esnek robotlar için yapay zeka destekli yeni kontrol sistemi geliştirildi
Araştırmacılar, tendonlarla çalışan esnek robotların kontrolü için makine öğrenmesi tabanlı yeni bir sistem geliştirdi. Bu robotlar, karmaşık nonlineer davranışları ve sürtünme gibi faktörler nedeniyle kontrol edilmesi oldukça zor sistemlerdir. Yeni yaklaşım, GRU tabanlı bir dinamik model ile güçlü bir sinir ağı kontrolcüsünü birleştiriyor. Sistem, robotun hareketlerini daha doğru tahmin edebiliyor ve uzun süreli işlemlerde biriken hataları minimize ediyor. Üç bölümlü gerçek bir robot üzerinde yapılan testler, sistemin beklenmedik yüklerle karşılaştığında bile kararlı performans sergilediğini gösterdi. Bu gelişme, tıbbi müdahaleler ve dar alanlarda çalışabilen esnek robotların daha güvenilir hale gelmesi açısından önemli.
Robotlar Artık Daha Güvenli Kavrayabilecek: Yeni Yapay Sinir Ağı Yaklaşımı
Stanford Üniversitesi araştırmacıları, robotların nesneleri kavrarken karşılaştığı belirsizlikleri ele alan yeni bir yapay zeka sistemi geliştirdi. Geleneksel robotik kavrama sistemleri, beklenmedik durumlarla karşılaştıklarında sıklıkla başarısız oluyor. Yeni sistem, olasılıksal modelleme ve varyasyonel çıkarım tekniklerini kullanarak, robotların daha güvenilir bir şekilde nesne kavramasını sağlıyor. Araştırmada, temas belirsizliği, sensör gürültüsü ve dış müdahaleler gibi gerçek dünya koşulları göz önünde bulundurularak, risk-duyarlı bir yaklaşım benimsenmiş. Bu gelişme, endüstriyel otomasyon, sağlık robotları ve günlük yaşam asistanları gibi alanlarda daha güvenilir robotik uygulamaların önünü açabilir.
Yapay sinir ağları ile 3D ses dalgalarının modellenmesinde yeni yaklaşım
Araştırmacılar, üç boyutlu akustik problemleri çözmek için sanal sınır integral sinir ağı (VBINN) adlı yeni bir yöntem geliştirdi. Bu yaklaşım, ses dalgalarının nesnelerden nasıl yansıdığını ve yayıldığını modellemek için yapay sinir ağlarını kullanıyor. Geleneksel yöntemlerden farklı olarak, fiziksel sınırın içinde sanal bir sınır oluşturarak hesaplama karmaşıklığını azaltıyor. Yöntem, ses basıncını ve türevlerini doğrudan hesaplayabiliyor ve radyasyon koşullarını otomatik olarak sağlıyor. Bu gelişme, akustik mühendisliği, gürültü kontrolü ve ses tasarımı alanlarında önemli uygulamalara sahip olabilir.
Yapay Zeka Güvenlik Sistemlerindeki 'Gevşetme' Yaklaşımının Gizli Maliyeti
Yapay sinir ağlarının güvenilirliğini test eden doğrulama sistemleri, performans artışı için 'konveks gevşetme' yöntemini kullanıyor. Bu yaklaşım, karmaşık tamsayı kısıtlamalarını basitleştirerek hesaplama süresini kısaltıyor ancak sistemin doğruluğunu tehlikeye atıyor. Araştırmacılar, orijinal sinir ağı ile gevşetilmiş versiyonu arasındaki sapmanın ağın derinliğiyle üstel olarak arttığını matematiksel olarak kanıtladı. Bu bulgu, AI güvenlik sistemlerinde hız ile doğruluk arasındaki kritik dengeyi gözler önüne seriyor ve gelecekteki doğrulama algoritmalarının tasarımında önemli bir kılavuz sunuyor.
Kuantum-Klasik Hibrit Model ile Kapalı Alan İnsan Tespiti
Araştırmacılar, kapalı alanlarda insan varlığını tespit etmek için kuantum bilişim ve radar teknolojisini birleştiren yeni bir yaklaşım geliştirdi. Yaşlı bakımı gibi gizlilik gerektiren alanlarda kamera veya giyilebilir cihaz kullanmadan izleme yapabilen bu sistem, sadece iki kübit kullanan hibrit kuantum sinir ağı ile %99,7 doğruluk oranına ulaştı. Geleneksel yöntemlere kıyasla 170 kat daha az parametre kullanarak aynı başarıyı elde eden teknoloji, özellikle düşük sinyal-gürültü oranlarında üstün performans gösteriyor. Fizik tabanlı dijital ikiz modellemesi ile desteklenen bu yaklaşım, radar sinyallerini yorumlamada kuantum bilişimin potansiyelini ortaya koyuyor.
Yapay Zeka Modellerinin Genelleme Yeteneği İçin Yeni Matematiksel Sınır
Araştırmacılar, yapay zeka modellerinin yeni veriler karşısındaki performansını önceden tahmin edebilmek için yeni bir matematiksel yaklaşım geliştirdi. PAC-Bayes teorisi ve tekil öğrenme teorisini birleştiren bu yöntem, özellikle çok parametreli modellerde klasik yöntemlerin başarısız olduğu durumlarda etkili sonuçlar veriyor. Gibbs posterior dağılımları kullanılarak elde edilen bu sınırlar, modelin karmaşıklığına ve veri yapısına uyum sağlayabiliyor. Matris tamamlama ve sinir ağı uygulamalarında test edilen yöntemin, mevcut tekniklerden çok daha sıkı tahminler verdiği gösterildi.
Yapay Zeka ile Malzeme Sınırlarını Takip Eden Yeni Modelleme Yöntemi
Bilim insanları, hareket halindeki malzeme sınırlarını takip edebilen yeni bir yapay zeka tabanlı modelleme sistemi geliştirdi. LaSDI-IT adı verilen bu framework, şok dalgalarının gözenekli malzemelerde yarattığı karmaşık değişimleri az veriyle modelleyebiliyor. Sistem, fiziksel alanları ve malzeme bölgelerini aynı anda yeniden yapılandıran özel bir yapay sinir ağı mimarisi kullanıyor. Geleneksel yöntemlerin aksine detaylı fizik modellerine ihtiyaç duymadan, malzeme sınırlarındaki keskin değişimleri yakalayabiliyor. Bu teknoloji, savunma sanayisinden malzeme mühendisliğine kadar pek çok alanda uygulanabilir.
Yapay Zeka Modelleri Artık Çok Daha Az Bellek Kullanacak
Stanford ve diğer kurumlardan araştırmacılar, mevcut Transformer tabanlı yapay zeka modellerinin yüksek bellek tüketimi sorununa çözüm ürettiler. Geliştirdikleri yeni yaklaşım, tekrarlayan sinir ağı mimarileri kullanarak metin gömme işlemlerini sabit bellek kullanımıyla gerçekleştiriyor. Mamba2, RWKV ve xLSTM gibi modellerde test edilen bu yöntem, uzun metinlerde bile bellek kullanımını sabit tutarken performansta rekabetçi sonuçlar veriyor. Bu gelişme, yapay zeka uygulamalarının daha verimli çalışmasını ve kaynak kısıtlı ortamlarda bile güçlü dil modellerinin kullanılabilmesini sağlayabilir. Araştırma, özellikle uzun metin analizlerinde büyük avantaj sunuyor.
Elektrik Rezonatörlerle Yapay Sinir Ağı: Analog Hesaplama Çığır Açıyor
Araştırmacılar, birbirine bağlı elektrik rezonatörlerinden oluşan tamamen analog bir sinir ağı sistemi geliştirdi. Bu yenilikçi tasarım, geleneksel dijital sistemlere kıyasla çok daha hızlı ve enerji verimli çalışabiliyor. Metacircuit adı verilen mimari, fiziksel donanım üzerinde eğitilmiş sinir ağı parametrelerinin doğrudan uygulanmasını mağdun kılıyor. Sistem, yerel rezonatörler ve global dirençli bağlantıların birlikte eğitilmesiyle frekansa bağlı negatif dirençler üretebiliyor. Bu gelişme, özellikle kenar cihazlarda yapay zeka uygulamaları için önemli fırsatlar sunuyor.
Yapay Zeka Modellerinin Eğitimi İçin Yenilikçi Matris Optimizasyon Yöntemi
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.
Yapay Zeka'da Kuantum Hesaplama: Kararlılık Sorunu Çözüldü
Araştırmacılar, kuantum sistemlerin temel durumlarını hesaplamak için kullanılan yapay sinir ağlarının optimizasyonunda kritik bir kararlılık problemini çözdü. Variasyonel Monte Carlo yöntemi ile birleştirilen sinir ağı dalga fonksiyonları, kuantum sistemlerin yüksek doğrulukla analizi için güçlü araçlar sunuyor. Ancak bu sistemlerin pratik başarısı, dalga fonksiyonlarının verimli ve kararlı optimizasyonuna bağlı. SPRING adlı algoritmanın momentum parametresindeki hassasiyet sorunu, bilim insanlarını uzun süre meşgul etmişti. Yeni araştırma, bu parametrenin farklı değerlerinde sistemin nasıl davrandığını açıklığa kavuşturdu ve adaptif kontrol stratejileri geliştirdi. Bu ilerleme, kuantum hesaplama ve yapay zeka kesişiminde önemli pratik uygulamalar vaat ediyor.
Drone'lar İçin Akıllı Grafik Ağı: 3D Sahne Rekonstrüksiyonunda Yeni Dönem
Araştırmacılar, düşük irtifada uçan drone'lardan toplanan görüntülerle 3D sahne rekonstrüksiyonu yapan yeni bir sistem geliştirdi. LAGS (Low-Altitude Gaussian Splatting) adı verilen bu teknoloji, dağıtık drone filolarının çektiği hava görüntülerini birleştirerek üç boyutlu sahneler oluşturuyor. Ancak mevcut kaynak dağıtım sistemleri, görüntü kalitesini maksimuma çıkarmaya odaklanırken iletişim verimliliğini göz ardı ediyordu. Yeni geliştirilen GW-HGNN (Groupwise Heterogeneous Graph Neural Network) sistemi, farklı açılardan çekilen görüntülerin yeniden yapılandırma sürecine olan katkılarını akıllıca hesaplayarak bu sorunu çözüyor. Sistem, veri kalitesi ve aktarım maliyeti arasında otomatik denge kuruyor. Gerçek dünya verileriyle yapılan testler, yeni metodun mevcut teknolojilerden önemli ölçüde daha başarılı olduğunu gösteriyor.
Yapay Zeka Artık Hava Durumunu Fotoğraftan Anlık Olarak Tahmin Edebiliyor
Araştırmacılar, fotoğraflardan hava durumunu gerçek zamanlı olarak sınıflandırabilen üç farklı yapay sinir ağı mimarisi geliştirdi. Bu modeller güneşli, yağmurlu, karlı ve sisli hava koşullarını görüntülerdeki stil özelliklerini analiz ederek tespit edebiliyor. Çalışmada öne çıkan yaklaşımlar arasında çoklu yama boyutları kullanan Multi-PatchGAN, sadeleştirilmiş ResNet50 ve dikkat mekanizmalı Gram matrisi tabanlı model yer alıyor. Bu gelişme, meteoroloji uygulamaları, akıllı şehir sistemleri ve otonom araçlar için önemli bir adım teşkil ediyor. Özellikle görüntülerdeki ince stil detaylarını yakalayabilen bu sistemler, geleneksel hava durumu tahmin yöntemlerini destekleyici bir rol oynayabilir.
Uzman Karışımı Modelleri Nesne Tespitinde Yeni Ufuklar Açıyor
Yapay zeka araştırmacıları, nesne tespit sistemlerinin performansını artırmak için 'uzman karışımı' yaklaşımını kullanmaya başladı. Bu yenilikçi yöntem, farklı alanlarda uzmanlaşmış birden fazla yapay sinir ağını akıllı bir şekilde birleştirerek, tek bir sistemin yapabileceğinden daha karmaşık görme görevlerini başarıyla yerine getirebiliyor. Araştırmacılar, YOLO tabanlı tespit sistemlerini özel veri kümeleri üzerinde eğittikten sonra, hangi uzmanın ne zaman devreye girmesi gerektiğini belirleyen akıllı bir ağ geçidi sistemi geliştirdi. Bu yaklaşım, geleneksel topluluk öğrenme yöntemlerinden farklı olarak daha açıklanabilir ve yorumlanabilir sonuçlar sunuyor. BDD100K veri seti üzerinde yapılan deneyler, sistemin farklı senaryolarda uzmanları dinamik olarak seçerek başarılı sonuçlar elde edebildiğini gösteriyor.