“LSTM” için sonuçlar
17 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka Hava Durumu Tahminlerini %48'e Kadar İyileştirdi
Araştırmacılar, LSTM yapay zeka modellerini kullanarak hava durumu tahmin hatalarını önceden tespit etmeyi başardı. New York ve Oklahoma eyaletlerinin meteoroloji ağlarından toplanan verilerle eğitilen sistem, yağış tahminlerinde %48'e varan iyileştirme sağladı. Çalışmada rüzgar tahminleri %15, sıcaklık tahminleri ise %25 oranında daha doğru hale getirildi. Bu teknoloji, mevcut hava durumu modellerinin zayıf noktalarını önceden belirleyerek, meteoroloji tahminlerinin güvenilirliğini artırma potansiyeli taşıyor.
Kuantum Ağlar Finansal Tahminlerde Klasik Sistemlerle Yarışıyor
Araştırmacılar, finansal piyasa verilerini analiz etmek için kuantum destekli yapay zeka sistemleri geliştirdi. Kuantum Uzun Kısa Süreli Hafıza (QLSTM) ağları ve Kuantum Rezervuar Hesaplama (QRC) teknolojilerini kullanan bu yeni yaklaşım, geleneksel yöntemlerle karşılaştırıldı. Çalışmada, finansal zaman serilerindeki karmaşık örüntüleri öğrenmek için kuantum durumlarına kodlanan veriler kullanıldı. Sonuçlar, uygun parametreler seçildiğinde kuantum destekli sistemlerin klasik LSTM ve rezervuar hesaplama yöntemleriyle benzer performans sergilediğini gösterdi. Bu araştırma, kuantum bilgisayarların finansal tahmin alanındaki potansiyelini ortaya koyarken, mevcut kubit kısıtlamaları altında gerçekçi çözümler sunuyor.
Yapay Zeka YouTube Yorumlarından Halk Oyunu Çözümledi
Endonezya'da ücretsiz beslenme programına yönelik halk görüşlerini analiz eden yeni bir çalışma, LSTM yapay zeka modelinin sosyal medya verilerinden duygu analizi yapabileceğini gösterdi. 7.733 YouTube yorumunu inceleyen araştırma, %89 doğruluk oranıyla halkın programa yönelik tutumlarını sınıflandırmayı başardı. Bulgular, olumsuz yorumların büyük çoğunluğu oluşturması nedeniyle veri dengesizliği sorununu da gözler önüne serdi. Bu tür çalışmalar, kamu politikalarının değerlendirilmesinde sosyal medyanın güçlü bir araç olabileceğini ortaya koyuyor.
Yapay Zeka Artık İnsanların 20 Farklı Duygusunu %89 Doğrulukla Tanıyabiliyor
Araştırmacılar, yapay zekanın insan duygularını ne kadar iyi anlayabildiğini test eden kapsamlı bir çalışma gerçekleştirdi. 79.595 İngilizce cümle içeren veri seti üzerinde yapılan deneylerde, geleneksel makine öğrenmesi yöntemleri ile derin öğrenme tekniklerinin performansı karşılaştırıldı. Sonuçlar, BiLSTM adlı derin öğrenme modelinin %89 doğrulukla 20 farklı duyguyu ayırt edebildiğini gösterdi. Bu başarı, geleneksel destek vektör makinesi yönteminin %88,11'lik performansını geride bıraktı. Çalışma, yapay zekanın insan duygularını anlama konusunda geldiği seviyeyi ortaya koyarken, bu teknolojinin sosyal medya analizi, müşteri hizmetleri ve psikolojik araştırmalar gibi alanlarda kullanım potansiyelini gösteriyor.
Yapay zeka depremlerin büyüklüğünü tahmin etmeyi başardı
Stanford Üniversitesi araştırmacıları, depremlerin büyüklüğünün tahmin edilemez olduğu geleneksel görüşe meydan okuyan bir yapay zeka modeli geliştirdi. MAGNET adlı bu model, LSTM sinir ağı mimarisi kullanarak geçmiş deprem verilerindeki gizli kalıpları analiz ediyor. Araştırma, deprem büyüklüklerinin aslında sismik geçmişle bağlantılı olduğunu ve mevcut tahmin modellerinin eksik kaldığını ortaya koyuyor. Bu bulgu, deprem tahmininde yeni bir dönem başlatabilir ve afet yönetimi stratejilerini köklü şekilde değiştirebilir.
Yapay Zeka ile Milyarlarca Yıldızın İç Yapısını Çözümleme Dönemi Başlıyor
Astronomlar, Gaia uydu teleskobu verilerini kullanarak kızıl dev yıldızların iç yapılarını analiz eden yeni bir yapay zeka sistemi geliştirdiler. Hibrit CNN-LSTM modelleri kullanan bu yaklaşım, daha önce sadece yüksek kaliteli ışık eğrileriyle mümkün olan asterosismoloji çalışmalarını milyarlarca yıldıza genişletme potansiyeli taşıyor. Kızıl dev yıldızlar, hem yıldız evrimi hem de Galaksi yapısının anlaşılmasında kritik rol oynuyor. Bu yıldızların iç titreşimleri, kütleleri ve evrimsel durumları hakkında doğrudan bilgi veriyor. Araştırma, düşük çözünürlüklü spektral verilerin bile yıldız sismolojisi için yeterli bilgi içerebileceğini gösteriyor. Bu gelişme, astronomların evrendeki yıldızların iç dinamiklerini daha geniş bir örneklem üzerinde incelemelerine olanak sağlayabilir.
Yapay Zeka, Plazma Dinamiklerini Saniyeler İçinde Tahmin Edebiliyor
Araştırmacılar, magnetohidrodinamik (MHD) plazma davranışlarını tahmin etmek için iki farklı yapay zeka modeli geliştirdi. Koopman tabanlı Transformer ve ConvLSTM-UNet mimarilerini kullanan bu modeller, yüksek çözünürlüklü simülasyonlardan öğrenerek plazma akışkanlığı ve akım yoğunluğunu eş zamanlı olarak öngörebiliyor. Sistem, Kelvin-Helmholtz kararsızlıklarının gelişimini ve doğrusal olmayan doyma fazlarını başarıyla modelleyerek, füzyon enerjisi araştırmalarında kritik olan plazma davranışının anlaşılmasına katkı sağlıyor. Geleneksel sayısal simülasyonlara kıyasla hesaplama maliyetini önemli ölçüde azaltan bu yaklaşım, fiziksel korunmuş büyüklükleri ve Alfvén dalgalarının yayılımını da doğru şekilde koruyabiliyor.
EKG Örnekleme Frekansı Yapay Zeka Tanısını Nasıl Etkiliyor?
Atrial fibrilasyon (kalp ritim bozukluğu) tespitinde kullanılan yapay zeka modellerinin performansı, EKG verilerinin örnekleme frekansına büyük ölçüde bağlı olduğu ortaya çıktı. Araştırmacılar, farklı frekanslarla kaydedilmiş EKG verilerinin derin öğrenme modellerinin başarısını nasıl etkilediğini sistematik olarak inceledi. Sonuçlar, hibrit CNN-LSTM modelinin 100-250 Hz arası orta frekanslarda en iyi performansı gösterdiğini, klasik CNN modelinin ise farklı davrandığını ortaya koydu. Bu bulgular, tıbbi yapay zeka sistemlerinin geliştirilmesinde veri kalitesinin kritik önemini vurguluyor.
Yapay Zeka Besteci: Fraktal Matematik ile Müzik Üretiyor
Bilim insanları, müzik üretiminde çığır açabilecek yeni bir yapay zeka sistemi geliştirdi. Fraktal Fourier dönüşümü ve LSTM sinir ağlarını birleştiren bu sistem, müziğin matematiksel özelliklerini analiz ederek insan kalitesinde besteler yaratıyor. Çalışma, müziğin zaman ve frekans boyutlarındaki karmaşık yapısını çözümleyerek, geçmiş verilerden öğrenen derin sinir ağları ile yeni müzik parçaları oluşturabiliyor. Bu yaklaşım, sanat ve teknolojinin kesişim noktasında önemli bir adım teşkil ediyor.
Yapay Zeka ile Yenilenebilir Enerji Tahmini: İki Farklı Yöntemin Karşılaştırması
Yenilenebilir enerji kaynaklarının yaygınlaşması enerji ağlarında tahmin zorluklarını artırıyor. Araştırmacılar, güneş ve rüzgar enerjisinin doğasında bulunan belirsizlikleri aşmak için LSTM ve tam bağlantılı sinir ağları kullanarak iki farklı tahmin yöntemi geliştirdi. Doğrudan yöntem net yükü direkt tahmin ederken, dolaylı yöntem toplam yük ve yenilenebilir enerji üretimini ayrı ayrı hesaplayarak sonuca ulaşıyor. Çalışmanın yenilikçi yanı, yenilenebilir enerji kapasitesini modele girdi olarak dahil etmesi. Test sonuçları dolaylı yöntemin daha başarılı olduğunu ve özellikle LSTM modeliyle en iyi performansı sergilediğini gösteriyor. Bu gelişme enerji ağlarının planlanması ve yönetimi için kritik öneme sahip.
Yapay Zeka Destekli Fidye Yazılımları İçin Yeni Erken Uyarı Sistemi Geliştirildi
Araştırmacılar, yapay zeka destekli fidye yazılımlarının erken tespiti için açıklanabilir dikkat tabanlı LSTM çerçevesi geliştirdi. Sistem, dosya sistemi davranış kalıplarını analiz ederek zararlı aktiviteleri normal sistem faaliyetlerinden ayırt edebiliyor. Geleneksel imza tabanlı savunma sistemlerini aşmaya çalışan gelişmiş fidye yazılımı türevlerine karşı etkili koruma sağlıyor. Dikkat mekanizması sayesinde fidye yazılımı aktivitesiyle ilişkili kritik davranış göstergelerini vurgulayabiliyor. Açıklanabilir yapay zeka teknikleri kullanılarak model tahminlerinin şeffaflığı artırılıyor.
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.
5G Ağlarda Ses ve Görüntü Birleştiren Yeni Konuşma İyileştirme Sistemi
Araştırmacılar, gerçek zamanlı olarak hem ses hem de görüntü verilerini kullanarak konuşma kalitesini artıran yeni bir sistem geliştirdi. AWS Wavelength bulut altyapısı ve Vodafone 5G ağı üzerinde test edilen bu teknoloji, CNN tabanlı akustik iyileştirme, OpenCV ile yüz özelliği çıkarma ve LSTM füzyon ağını birleştiriyor. Sistem özellikle video konferans, online eğitim ve interaktif medya hizmetleri için kritik olan gerçek zamanlı performans gereksinimlerini karşılamayı hedefliyor. Test sonuçları, hesaplama işlemlerinin ağ kenarında yapılmasının gecikme sürelerini önemli ölçüde azalttığını ve 5G bağlantı hızının bu tür uygulamalar için gerekli olduğunu gösteriyor. Teknoloji, gürültülü ortamlarda konuşma netliğini artırarak iletişim kalitesini yükseltme potansiyeli taşıyor.
Yapay zeka ile borsa tahmini: Çinli araştırmacılar hibrit model geliştirdi
Çinli araştırmacılar, Shanghai Borsası endeks tahminlerinde devrim yaratabilecek yeni bir yapay zeka modeli geliştirdi. CTLNet adı verilen bu hibrit sistem, üç farklı derin öğrenme teknolojisini birleştireyor: konvolüsyonel sinir ağları (CNN), transformer mimarisi ve LSTM ağları. Model, geleneksel tek-teknoloji yaklaşımlarının aksine, her bir yöntemin güçlü yanlarını harmanlayarak finansal verilerdeki karmaşık kalıpları daha başarılı şekilde yakalıyor. Transformer'ın dikkat mekanizması uzun vadeli bağımlılıkları analiz ederken, CNN yerel kalıpları, LSTM ise zamansal dizilerdeki değişimleri işliyor. Yapılan karşılaştırmalı testlerde, CTLNet'in mevcut en gelişmiş modelleri geride bıraktığı görüldü. Bu gelişme, sadece Çin borsası için değil, global finansal piyasaların yapay zeka destekli analizi için önemli bir adım sayılıyor.
Kuantum Destekli Yapay Zeka, Parçacık Fiziği Verilerini Çözümlüyor
Yüksek enerji fiziği araştırmalarında kullanılan dev veri setleri, geleneksel bilgisayarların işlem gücünü zorlayan karmaşık analizler gerektiriyor. Araştırmacılar bu soruna çözüm olarak, kuantum bilgisayarların hesaplama gücünü klasik yapay zeka modelleriyle birleştiren yeni bir yaklaşım geliştirdi. Federated learning adı verilen dağıtık öğrenme sistemi ile kuantum destekli LSTM modellerini harmanlayan bu yöntem, parçacık fiziği verilerindeki karmaşık ilişkileri daha etkili şekilde analiz edebiliyor. Mevcut kuantum bilgisayarların sınırlılıklarını aşmak için geliştirilen bu hibrit sistem, hesaplama yükünü farklı sunuculara dağıtarak hem maliyeti düşürüyor hem de performansı artırıyor. Çalışma, kuantum teknolojisinin bilimsel araştırmalardaki pratik uygulamalarına önemli bir örnek teşkil ediyor.
Yapay Zeka ile Kripto Para Verisi Üretimi: Gizliliği Koruyan Yeni Yaklaşım
Araştırmacılar, finansal verilerin gizlilik risklerini ortadan kaldırmak için yapay zeka kullanarak sentetik kripto para verisi üretme yöntemini geliştirdi. Çalışmada, Koşullu Üretken Çekişmeli Ağlar (CGAN) teknolojisi kullanılarak gerçek piyasa verilerine benzer ancak tamamen yapay olan zaman serileri oluşturuldu. LSTM tabanlı üretici ağ ve MLP ayırt edici ağın birleşiminden oluşan sistem, kripto para piyasalarının karmaşık dinamiklerini başarıyla taklit ediyor. Bu yaklaşım, gerçek finansal verileri paylaşmanın yaratacağı gizlilik sorunlarını çözerken, araştırma kurumlarına ve finansal kuruluşlara güvenli veri erişimi sağlıyor. Farklı kripto varlıklar üzerinde yapılan deneyler, modelin piyasa trendlerini ve zamansal kalıpları koruyarak istatistiksel olarak tutarlı sentetik veriler üretebilğini gösteriyor.
Yapay zeka kronik böbrek hastalığının seyrini öğreniyor
MIT araştırmacıları, kronik böbrek hastalarının elektronik sağlık kayıtlarından hastalığın zaman içindeki gelişimini anlayan yapay zeka modelleri geliştirdi. Çalışmada, hastaların uzun dönemli verilerini analiz eden üç farklı LSTM tabanlı model karşılaştırıldı. Bu modeller, hastalık dinamiklerini yakalayabilirken aynı zamanda farklı tıbbi görevlerde de kullanılabiliyor. Araştırma, model destekli tıp uygulamaları için şeffaf ve genel amaçlı temsiller oluşturmanın önemini vurguluyor. Geleneksel klinik tahmin modellerinin tek bir göreve odaklanmasının aksine, bu yaklaşım birden fazla tıbbi uygulamada kullanılabilen esnek çözümler sunuyor.