“NSF” için sonuçlar
277 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
ControlAudio: Metinle Kontrol Edilebilen Ses Üretiminde Yeni Dönem
Araştırmacılar, metinsel talimatlarla ses üretimine yeni bir boyut katan ControlAudio sistemini geliştirdi. Bu yenilikçi yaklaşım, sadece metin girişiyle değil, aynı zamanda zamansal kontrol ve konuşma içeriği gibi ince ayarlarla da ses üretebiliyor. Sistem, aşamalı difüzyon modelleme tekniğini kullanarak, çok görevli öğrenme problemi olarak tasarlanmış. Önce büyük ölçekli metin-ses veri çiftleri üzerinde eğitilen difüzyon transformatörü, daha sonra zamanlama ve fonem özelliklerini kademeli olarak entegre ediyor. Bu yaklaşım, veri kıtlığı sorununun üstesinden gelirken, daha hassas ve kontrol edilebilir ses üretimi sağlıyor. ControlAudio, yapay zeka destekli ses teknolojilerinde önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modellerinin Eğitimi 5 Kat Hızlanabilir
Büyük dil modellerinin (LLM) eğitim süreci, araştırmacıların geliştirdiği yeni matematiksel yaklaşımla dramatik şekilde hızlanabilir. Stanford araştırmacılarının yaptığı çalışmada, Gauss-Newton adlı ikinci dereceden optimizasyon yöntemi kullanılarak, 150 milyona kadar parametreli transformer modellerinin eğitim süresinde 5,4 kat azalma sağlandı. Bu yöntem, mevcut SOAP ve Muon gibi gelişmiş optimizasyon algoritmalarından önemli ölçüde daha iyi sonuçlar verdi. Araştırma, yapay zeka modellerinin eğitimi için kullanılan geleneksel yaklaşımların yetersizliğini ortaya koyarken, daha verimli eğitim yöntemlerinin mümkün olduğunu gösteriyor. Katman bazlı uygulamanın da tam yöntemle neredeyse eşit performans göstermesi, bu yaklaşımın pratikte uygulanabilirliğini artırıyor.
Yapay Zeka Modelleri Metinlerdeki Varlıkları Nasıl Tespit Ediyor?
Araştırmacılar, büyük dil modellerinin metinlerde yer alan varlıkları (kişi, yer, kurum adları gibi) nasıl tespit ettiğini araştırdılar. ToMMeR adlı yeni model, geleneksel yöntemlere göre çok daha az parametre kullanarak %75 başarı oranına ulaştı. Çalışma, yapay zeka modellerinin dil öğrenme sürecinde doğal olarak varlık tespiti yetisi geliştirdiğini gösteriyor. Model, standart testlerde %80-87 F1 skoru elde ederek mevcut sistemlerle rekabet edebilir performans sergiliyor. Bu bulgular, transformer mimarilerinin erken katmanlarında yapılandırılmış varlık temsillerinin var olduğunu ve bunların minimal parametre kullanımıyla etkili şekilde çıkarılabileceğini ortaya koyuyor.
DenseMarks: İnsan Yüzleri İçin Yapay Zeka Tabanlı Yoğun Haritalama Sistemi
Araştırmacılar, insan kafası görüntülerinde yüksek kaliteli yoğun karşılık bulma işlemini gerçekleştirebilen DenseMarks adlı yeni bir yapay zeka sistemi geliştirdi. Vision Transformer ağı kullanılan bu sistem, 2D insan kafası görüntülerindeki her piksel için 3D gömme vektörleri tahmin ediyor ve bunları kanonik bir küp uzayına yerleştiriyor. Sistem, çeşitli konuşan kafa videolarından toplanan nokta eşleştirme verileriyle eğitildi. Yüz işaretleri ve segmentasyon kısıtlarıyla desteklenen çok görevli öğrenme yaklaşımı, uzamsal süreklilik sağlayarak yorumlanabilir ve sorgulanabilir kanonik bir uzay oluşturuyor. Bu teknoloji, ortak semantik parçaları bulma, yüz/kafa takibi ve stereo rekonstrüksiyon uygulamalarında kullanılabiliyor.
Karmaşık Mühendislik Sistemleri için Yeni Kontrol Yöntemi Geliştirildi
Araştırmacılar, çok girişli-çok çıkışlı (MIMO) hiperbolik sistemler için yeni bir kontrol formu geliştirdi. Bu sistemler, dalga denklemleri ve ısı transferi gibi fiziksel süreçlerde karşılaşılan karmaşık matematiksel yapılardır. Geleneksel tek girişli-tek çıkışlı sistemlerde başarılı olan kontrol yöntemlerinin çoklu sistem durumunda yetersiz kaldığı tespit edildi. Yeni yaklaşım, sistemdeki gecikmeleri ve tahminleri ifade etmek için quasi-polinomlar kullanarak cebirsel bir çözüm sunuyor. Bu gelişme, robotik, havacılık ve enerji sistemlerinde daha etkili kontrol stratejilerinin geliştirilmesine olanak sağlayabilir.
Yeni AI sistemi robotları karmaşık ortamlarda güvenli navigasyona yönlendiriyor
Araştırmacılar, robotların sınırlı görüş alanına sahip karmaşık ortamlarda güvenli bir şekilde hareket etmesini sağlayan yeni bir yapay zeka sistemi geliştirdi. HAVEN adı verilen bu sistem, Deep Transformer Q-Network teknolojisini kullanarak robotların engellerden yararlanmasını ve düşman varlığının olduğu ortamlarda görünmezliği korumasını sağlıyor. Sistem, hiyerarşik bir yaklaşımla yüksek seviye hedef belirleme ve düşük seviye hareket kontrolünü birleştiriyor. Bu teknoloji, otonom araçlardan depo otomasyonuna, savunma sistemlerinden gözetleme robotlarına kadar geniş bir uygulama alanına sahip. Özellikle görüş açısının kısıtlı olduğu durumlarda geleneksel yol planlama yöntemlerinin yetersiz kaldığı noktalarda devrim niteliğinde çözümler sunuyor.
Yapay Zeka ile Doğa Sesleri Tanıma: Yeni Mamba Modeli Transformers'a Rakip Oluyor
Araştırmacılar, wildlife seslerini tanımak için BioMamba adlı yeni bir yapay zeka modeli geliştirdi. Mamba mimarisini temel alan bu model, doğa seslerinin analizinde şu anda en gelişmiş Transformer modellerine benzer performans gösterirken, çok daha az bellek kullanıyor. Büyük ses veritabanları üzerinde kendi kendine öğrenme yöntemiyle eğitilen BioMamba, çeşitli sınıflandırma ve tespit görevlerinde test edildi. Sonuçlar, Mamba'nın gerçek zamanlı çevre izleme uygulamaları için hesaplama açısından verimli bir alternatif olabileceğini gösteriyor. Bu gelişme, özellikle saha koşullarında sınırlı kaynaklarla çalışması gereken ekolojik araştırmalar için önemli. Doğa koruma projelerinde ses tabanlı wildlife izleme giderek yaygınlaşırken, daha az enerji ve bellek gerektiren modeller kritik önem taşıyor.
Sark: Küresel Durum Gerektirmeyen Yeni Blokzincir Mimarisi Geliştirildi
Araştırmacılar, dijital varlıkların güvenli transferi için yeni bir blokzincir mimarisi olan Sark'ı geliştirdi. Bu sistem, geleneksel blokzincir sistemlerinden farklı olarak küresel bir durum tablosu gerektirmeden çalışıyor. Sark, taklit edilemez, durumsal ve gizli (USO) varlıkların transferini sağlayan bir referans mimarisi sunuyor. Sistem, Porter adı verilen bileşenlerle istemcilerden gelen taahhütleri topluyor ve Sloop adındaki izinli blokzincir sistemi üzerinde işliyor. Güvenlik analizi CIA Üçlüsü (Gizlilik, Erişilebilirlik, Bütünlük) çerçevesinde yapılan çalışmada, 'yerel merkezileşme' kavramı da tanıtılıyor. Bu yenilikçi yaklaşım, mevcut blokzincir sistemlerinin ölçeklenebilirlik ve verimlilik sorunlarına çözüm getirmeyi hedefliyor.
RainFusion2.0: Video üretiminde yapay zeka hesaplama maliyetlerini düşüren yeni sistem
Araştırmacılar, video ve görüntü üreten yapay zeka modellerinin aşırı yüksek hesaplama maliyetlerini çözmek için RainFusion2.0 adlı yeni bir sistem geliştirdi. Diffusion Transformer modellerinin dikkat mekanizmaları büyük hesaplama gücü gerektiriyor ve bu durum pratik uygulamaları sınırlıyor. Mevcut seyrek dikkat yöntemleri GPU'lar için tasarlandığından farklı donanımlarda verimli çalışamıyor. RainFusion2.0, önemsiz token'ları atlayarak hesaplamaları azaltan, çevrimiçi uyarlanabilir ve düşük ek yük gerektiren bir seyrek dikkat mekanizması sunuyor. Sistem, GPU dışındaki ASIC gibi farklı donanım türlerinde de verimli çalışacak şekilde tasarlandı. Bu gelişme, video üretimi yapay zekasının daha geniş alanlarda kullanılmasının önünü açabilir.
Bilimsel Makaleleri Sınıflandırmada Yapay Zeka Modelleri Test Edildi
Araştırmacılar, artan bilimsel literatürü düzenlemek için farklı yapay zeka yaklaşımlarını karşılaştırdı. Çalışmada, bilimsel makaleleri gruplandırma ve sınıflandırma işlemlerinde özet metinleri, yapılandırılmış bilgi üçlüleri ve hibrit yaklaşımlar test edildi. Dört farklı transformer modeli kullanılarak yapılan deneylerde, sade özet metinlerinin en başarılı sonucu verdiği ortaya çıktı. Bu bulgu, karmaşık bilgi yapılarının her zaman daha iyi performans sağlamadığını gösteriyor. Araştırma, bilim insanlarının literatür tarama ve sınıflandırma süreçlerini iyileştirmek için önemli ipuçları sunuyor.
Transformer Modellerinde Yeni Sıkıştırma Yöntemi Bellek Kullanımını Azaltıyor
Yapay zeka modellerinin temelini oluşturan Transformer mimarileri, üstün performans sergilerken büyük hesaplama gücü ve bellek gereksinimleri yaratıyor. Stanford ve MIT araştırmacıları, bu modellerin çalışma sürecini birden fazla cihaza bölerek daha verimli hale getiren yeni bir sıkıştırma yöntemi geliştirdi. Rate-distortion teorisine dayanan bu yaklaşım, veri boyutunu küçültürken doğruluk kaybını kontrol altında tutuyor. Dil işleme testlerinde, en basit codec versiyonu bile önemli ölçüde veri tasarrufu sağlarken, karmaşık yöntemleri geride bıraktı. Bu gelişme, özellikle büyük dil modellerinin mobil cihazlarda ve sınırlı kaynaklara sahip sistemlerde kullanımını kolaylaştırabilir.
Yapay Zeka Unutma Sorununa Geometrik Çözüm: Sürekli Öğrenmede Yeni Yaklaşım
Yapay zeka sistemlerinin en büyük sorunlarından biri, yeni bilgiler öğrenirken eskilerini unutmasıdır. Stanford araştırmacıları, bu 'katastrofik unutma' sorununu yeni bir geometrik perspektifle inceledi. Çalışma, unutmanın aslında özellik kodlamalarındaki dönüşümlerden kaynaklandığını gösteriyor. Araştırmacılar, bu dönüşümlerin özelliklere ayrılan kapasiteyi azaltarak veya alt seviye hesaplamaların bunları okumasını bozarak unutmaya yol açtığını keşfetti. Vision Transformer modeliyle yapılan deneyler, derinliğin unutma üzerindeki olumsuz etkisini ortaya koydu. Bu yeni yaklaşım, AI sistemlerinin sürekli öğrenme kapasitesini artırmak için umut verici bir yol açıyor.
Yapay zeka, 3D nesneleri sanatçı gibi katman katman inşa etmeyi öğrendi
Araştırmacılar, büyük dil modellerinin 3D mesh oluşturma biçimini kökten değiştiren yeni bir yaklaşım geliştirdi. Text Encoded Extrusions (TEE) adı verilen bu yöntem, geleneksel polygon listeleme yerine yüz extrusion dizileri kullanarak 3D şekilleri inşa ediyor. Sistem, tıpkı dijital sanatçıların mesh oluştururken yaptığı gibi, katman katman şekil inşa etmeyi öğreniyor. Bu yaklaşım, mevcut transformer tabanlı mesh üretim modellerinin aksine, tasarım gereği manifold mesh'ler üretiyor ve keyfi yüz sayılarını destekliyor. Özellikle dikkat çekici yanı, öğrenilen extrusion dizilerinin mevcut mesh'lere de uygulanabilmesi sayesinde sadece üretim değil, düzenleme işlevselliği de sunması.
SpiralFormer: Çok Çözünürlüklü Döngüsel Yapay Zeka Modeli Hiyerarşik Öğrenmeyi Mümkün Kılıyor
Araştırmacılar, geleneksel transformer modellerinin sınırlarını aşmak için SpiralFormer adlı yeni bir yapay zeka mimarisi geliştirdi. Bu model, aynı katmanları tekrar tekrar kullanarak hesaplama derinliğini parametre sayısından ayırıyor ve çok çözünürlüklü bir yaklaşımla çalışıyor. SpiralFormer, farklı ölçeklerde hiyerarşik bağımlılıkları öğrenebiliyor ve her iterasyonda farklı işlevlere odaklanabiliyor. Bu özellik, modelin hem daha verimli hem de daha etkili çalışmasını sağlıyor. Geleneksel döngüsel transformer modelleri genellikle sabit çözünürlükte çalışır ve bu da performans kayıplarına yol açabilir. SpiralFormer ise sıkıştırılmış gizli temsiller üzerinde hesaplama yaparak bu sorunu çözüyor ve aynı hesaplama gücüyle daha iyi sonuçlar elde ediyor.
CliqueFlowmer: Malzeme Keşfinde Yeni Dönem Açan Yapay Zeka Modeli
Araştırmacılar, malzeme biliminde devrim yaratabilecek yeni bir yapay zeka modeli geliştirdi. CliqueFlowmer adlı bu sistem, geleneksel üretici modellerin aksine hedef özelliklere sahip malzemeleri doğrudan optimize ederek bulabiliyor. Çevrimdışı model tabanlı optimizasyon tekniğini kullanan sistem, transformer ve akış üretimi teknolojilerini birleştiriyor. Test sonuçları, modelin ürettiği malzemelerin mevcut yöntemlerden önemli ölçüde daha iyi performans gösterdiğini ortaya koyuyor. Bu gelişme, ilaç keşfinden enerji depolamaya kadar birçok alanda yeni malzemelerin daha hızlı ve etkili şekilde geliştirilmesi anlamına geliyor. Özellikle belirli özelliklere sahip malzeme arayışında olan endüstriler için büyük fırsatlar sunuyor.
3D görsel algılama sistemleri için yeni bellek yönetimi yaklaşımı: FrameVGGT
Araştırmacılar, sürekli video akışlarından 3D sahne analizini gerçekleştiren yapay zeka sistemlerinde karşılaşılan bellek sorununa yenilikçi bir çözüm geliştirdi. FrameVGGT adlı yeni framework, geometrik bilgileri daha etkili organize ederek uzun süreli video analizinde performans kaybını önlüyor. Mevcut sistemlerde bellek kullanımı zamanla sınırsızca artarak pratik uygulamaları zorlaştırıyordu. Yeni yaklaşım, her video karesini tutarlı bir bütün olarak ele alıp, geometrik desteklerin parçalanmasını engelliyor. Bu sayede sabit bellek kapasitesi ile daha kararlı ve uzun vadeli 3D algılama gerçekleştiriliyor.
Yeni yapay zeka modeli video üretiminde devrim yaratıyor: FrameDiT teknolojisi
Araştırmacılar, yüksek kaliteli video üretimi için yenilikçi bir yapay zeka modeli geliştirdi. FrameDiT adlı bu teknoloji, Matrix Attention adı verilen özel bir dikkat mekanizması kullanarak videoların karmaşık hareket dinamiklerini daha verimli şekilde modelleyebiliyor. Geleneksel yöntemlerin aksine, her kareyi bir matris olarak işleyerek hem kaliteyi artırıyor hem de hesaplama maliyetini düşürüyor. Bu breakthrough, film endüstrisinden sosyal medyaya kadar birçok alanda video üretim süreçlerini köklü değiştirebilir. Diffusion Transformer mimarisi üzerine kurulu sistem, özellikle büyük hareketlerin olduğu sahnelerde geleneksel yöntemlerden üstün performans gösteriyor.
Yapay Zeka Analog Devre Tasarımını Milisaniyede Çözüyor
Araştırmacılar, analog elektronik devre tasarımını otomatikleştiren yeni bir yapay zeka sistemi geliştirdi. ARCS adı verilen bu sistem, geleneksel yöntemlerin dakikalarca sürdüğü devre tasarımı işlemini milisaniyeler içinde tamamlıyor. Hibrit bir yaklaşım benimseyen sistem, graf tabanlı yapay zeka modelleri ve SPICE simülasyon yazılımını birleştirerek tam işlevsel devre tasarımları üretiyor. Test sonuçları, sistemin %99,9 oranında geçerli devreler oluşturabildiğini ve geleneksel genetik algoritmalardan 40 kat daha az hesaplama gerektirdiğini gösteriyor. Bu gelişme, elektronik tasarım süreçlerinde önemli bir hızlanma sağlayabilir ve mühendislerin daha karmaşık projelere odaklanmasına olanak tanıyabilir. Sistem özellikle analog devrelerdeki topoloji çeşitliliğini ve bileşen değerlerini optimize etmede başarılı sonuçlar veriyor.
Yapay Zeka İle Tutarlı Sanat Stilleri: 1.4 Milyon Görsel İçeren Dev Veri Seti
Araştırmacılar, yapay zekanın sanat stili transferi yeteneklerini geliştirmek için MegaStyle adlı yenilikçi bir veri seti oluşturdular. Bu çalışma, büyük dil modellerinin tutarlı metin-görsel stil eşleştirme kabiliyetinden faudalanarak 1.4 milyon görsel içeren kapsamlı bir veri seti geliştirdi. Sistem, aynı stil açıklamasından hareketle tutarlı stil karakteristiklerine sahip görseller üretebilen gelişmiş üretici modellerin gücünü kullanıyor. 170 bin stil ve 400 bin içerik kombinasyonuyla oluşturulan bu veri seti, sanatsal stil transferi alanında önemli bir ilerleme sağlayabilir. Çalışma, özellikle dijital sanat üretimi ve yaratıcı yapay zeka uygulamalarında yeni olanaklar sunuyor.
Yüz ifadeleri ve kas hareketleri arasında çift yönlü öğrenme yapay zekası geliştirildi
Araştırmacılar, yüz ifadelerini ve yüz kaslarının hareketlerini birlikte analiz edebilen yeni bir yapay zeka sistemi geliştirdi. Geleneksel yaklaşımlar sadece kas hareketlerinden ifadelere doğru bilgi transferi yapabiliyordu, ancak yeni sistem her iki yönde de öğrenme gerçekleştirebiliyor. Sistem, farklı veri setlerindeki etiketleme farklılıklarını ve veri çeşitliliği sorunlarını çözmek için Yapısal Anlamsal Haritalama (SSM) framework'ünü kullanıyor. Bu teknoloji, duygusal davranış analizi, insan-bilgisayar etkileşimi ve psikolojik araştırmalar gibi alanlarda önemli uygulamalara sahip olabilir.
Yapay Zeka ile Yakıt Hücrelerinin Geleceği: MOF Malzemelerinde Proton İletkenliği
Hidrojen yakıt hücrelerinin kritik bileşeni olan proton değişim membranları için umut vadeden metal-organik kafes (MOF) malzemelerinin proton iletkenlik özellikleri, makine öğrenmesi teknikleriyle tahmin edilebilir hale geldi. Araştırmacılar, proton iletken MOF'ların kapsamlı bir veri tabanını oluşturarak hem tanımlayıcı tabanlı hem de transformer tabanlı modeller geliştirdi. Transformer tabanlı transfer öğrenme modeli, proton iletkenliğini bir büyüklük sırası içinde tahmin etmeyi başararak 0.91 ortalama mutlak hata değeri elde etti. Bu çalışma, temiz enerji teknolojilerinde kullanılan malzemelerin tasarımında yapay zekanın rolünü artırmakta ve gelecekte daha verimli yakıt hücresi malzemelerinin geliştirilmesine katkı sağlamaktadır.
Mekanik Zeka: Bilgisayarsız Düşünen Malzemeler Geliştiriliyor
NSF'de düzenlenen çığır açan çalıştayda, bilim insanları 'Mekanik Zeka' kavramını ele aldı. Bu yenilikçi yaklaşım, malzemelerin ve robotik sistemlerin elektriksel sinyal ya da bilgisayar kodu olmadan, sadece mekanik yapıları aracılığıyla zeka sergileyebileceğini öngörüyor. Geleneksel hesaplamalı zekanın aksine, bu sistemler responsivite, adaptasyon, hafıza ve öğrenme özelliklerini doğrudan fiziksel yapılarında barındıracak. 38 akademik araştırmacı ve 8 NSF program müdürünün katıldığı iki günlük etkinlik, bu alandaki mevcut zorlukları ve gelecek fırsatlarını değerlendirdi. Mekanik zeka, özellikle robotik, biyomedikal implantlar ve akıllı malzemeler alanında devrim yaratma potansiyeli taşıyor. Bu teknoloji, enerji tüketimi düşük, daha dayanıklı ve çevre koşullarına kendiliğinden uyum sağlayabilen sistemlerin geliştirilmesine olanak sağlayabilir.
Robotlar Artık Haritalarını Akıllıca Temizleyebiliyor
Robotik keşif algoritmaları, çevreyi haritalamak için graf yapıları kullanır ancak bu veriler hızla büyüyerek performansı düşürür. Araştırmacılar, yapay zeka tabanlı yeni bir yöntemle robotların haritalarındaki gereksiz bilgileri akıllıca temizlemesini sağladı. Transformer mimarisi ve güçlendirmeli öğrenme kullanan sistem, robot keşif sürecinde graf boyutunu %96'ya kadar küçültebiliyor. Bu teknoloji, robotların daha verimli haritalama yapmasını ve kaynaklarını daha akıllı kullanmasını mümkün kılıyor. Sistem, seyrek ve gecikmeli ödül sinyallerine rağmen temizleme kararlarını keşif sonuçlarıyla ilişkilendirmeyi öğrenebiliyor. Test sonuçları, akıllı temizleme işleminin keşif hızını biraz düşürse de tutarlılığı önemli ölçüde artırdığını gösteriyor.
Yapay Zeka Polen Tanıma Sisteminde Çığır Açtı: 6 Kat Hızlı Analiz
Geleneksel polen analizi, bal kalitesini belirlemede kritik öneme sahip ancak uzman bir analisti 4-6 saat meşgul eden yorucu bir süreçti. Şili'deki araştırmacılar, bu sorunu çözmek için gelişmiş yapay zeka teknolojilerini birleştiren otomatik bir sistem geliştirdi. U²-Net tabanlı nesne tespiti ve DINOv2 Vision Transformer mimarisi kullanan sistem, polen taneciklerini %95.8 doğrulukla sınıflandırırken analiz süresini altıda birine indiriyor. Gradient-Weighted Attention teknolojisi sayesinde sistem, uzmanların anlayabileceği görsel açıklamalar da üretiyor. Bu gelişme, melissopalinoloji alanında devrim yaratabilecek nitelikte.