“dil modeli” için sonuçlar
201 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka, Kuantum Kimyasının En Zorlu Hesaplamalarını Yapabilir mi?
Kuantum kimyasında 'çoklu referans' yöntemi olarak bilinen hesaplamalar, moleküllerin elektronik yapısını yüksek doğrulukla modellemek için kullanılıyor; ancak bu süreç geleneksel olarak deneyimli uzmanların rehberliğine ihtiyaç duyuyor. Aktif uzay seçimi, durum ortalaması alma ve yakınsama sorunlarını giderme gibi kritik adımlar, yıllarca eğitim almış kimyacıların sezgisine dayanıyor. Peki bu uzmanlık gerektiren iş akışını otonom bir yapay zeka ajanı yürütebilir mi? Araştırmacılar, büyük dil modeli (LLM) tabanlı otonom bir ajanın insan müdahalesi olmaksızın bu tür hesaplamaları gerçekleştirip gerçekleştiremeyeceğini sistematik biçimde sınadı. Ajan, literatürdeki kimyasal analojilere ve belgelenmiş mantıksal çıkarımlara dayanarak aktif uzayları seçiyor, ORCA yazılımıyla hesaplamalar yürütüyor ve aldığı kararları denetlenebilir bir kayıt defterinde saklıyor. 558 dikey geçiş enerjisini içeren QUESTDB kıyaslama seti üzerinde yapılan testlerde, yönlendirme almayan temel ajan yüzde 24,9 kapsama oranı ve 0,373 eV ortalama mutlak hata elde etti. Yapılandırılmış bir karar merdiveni eklenmesiyle kapsama oranı yüzde 44,1'e yükselirken hata 0,339 eV'e geriledi. En belirgin iyileşmeler çift uyarılmış ve Rydberg geçişlerinde gözlemlendi.
Beyin Gibi Düşünen Yapay Zeka: Sinir Atışlarıyla Çalışan Dil Modeli URCHIN
İnsan beyninin çalışma biçiminden ilham alan yeni bir yapay zeka modeli, dil öğrenimini çok daha az veriyle gerçekleştirmeyi hedefliyor. URCHIN adı verilen bu sistem, biyolojik sinir devrelerini taklit eden 'spiking' (atışlı) nöronlar kullanıyor. Geleneksel büyük dil modellerinin aksine, URCHIN milyarlarca metin satırı yerine yalnızca çocukların dil gelişimiyle kıyaslanabilir ölçekteki verilerle eğitiliyor. Sistem, yalnızca 4,23 milyon parametreye ve 128 nörondan oluşan tek bir yatay katmana sahip olmasına rağmen dikkat mekanizması (attention) içeren daha karmaşık modellere alternatif bir yaklaşım sunuyor. Araştırmacılar bu modeli, BabyLM adlı bir yarışmada test etti; bu yarışma, modellerin gelişimsel açıdan gerçekçi ve sınırlı veriyle ne kadar dil öğrenebileceğini ölçüyor. URCHIN'in özgün yanı, uyarıcı ve engelleyici nöron popülasyonlarını birbirinden ayıran ve Dale Yasası'na dayanan yanal bağlantı ağını dil modellemesine uygulamasıdır.
Yapay Zeka Ajanları Araştırma Yazılımı Kataloğunu Nasıl İnşa Etti?
Üç günlük bir hackathon sürecinde geliştirilen bir araştırma yazılımı kataloğu, yapay zeka destekli kodlama ajanlarının bilimsel yazılım geliştirmeyi ne denli hızlandırabileceğini gözler önüne serdi. Ancak asıl önemli bulgular, bu hızın beraberinde getirdiği gizli risklerle ilgili. Araştırmacılar, prototipten kamuya açık bir sisteme geçiş sürecinde ciddi mühendislik zorluklarıyla karşılaştı: sistemi çökerten hatalar değil, sessiz sedasız üretilen eksik ya da yanıltıcı çıktılar asıl tehdit olarak öne çıktı. Ekip, bu sorunların üstesinden gelmek için veri kalitesi denetimleri, tarayıcı düzeyinde doğrulama ve yayın güvenceleri gibi katmanlar eklemek zorunda kaldı. Ayrıca bu deneyimden çıkarılan dersler, çok daha büyük ve insan tarafından küratörlüğü yapılan MateriApps portalına aktarılmaya çalışıldı. Bu portal için geliştirilen bir erişim ajanı; küratörlü metadata, harici belgeler, vektör arama ve yerel dil modeli üretimini bir araya getiriyor. Çalışma, yapay zekanın araştırma yazılımı keşfini kolaylaştırabileceğini doğrularken, güvenilir çalışma için yalnızca hızlı kod üretiminin yetmediğini; titiz bir mühendislik sürecinin de şart olduğunu açıkça ortaya koyuyor.
Uzun Sohbetlerde Yapay Zeka Modelleri Dezenformasyona Ne Kadar Dayanıklı?
Arizona Üniversitesi araştırmacıları, yedi farklı büyük dil modelini (LLM) uzun süreli konuşmalar boyunca üç kritik özellik açısından değerlendirdi: yanıltılabilirlik, ikna edilebilirlik ve düzeltilebilirlik. Nature bünyesindeki Scientific Reports dergisinde yayımlanan çalışma, kısa ve tek seferlik etkileşimlerde fark edilmesi güç olan yapısal zayıflıkları gün yüzüne çıkardı. Araştırma, yapay zeka sistemlerinin uzayan diyaloglarda yanlış bilgiye karşı tutumlarının nasıl değişebildiğini sistematik biçimde ortaya koyması bakımından dikkat çekici. Günlük hayatta insanların yapay zeka araçlarıyla giderek daha uzun ve çok turlu sohbetler gerçekleştirdiği düşünüldüğünde, bu bulguların hem kullanıcılar hem de geliştiriciler için önemli çıkarımlar taşıdığı görülmektedir. Çalışma aynı zamanda hangi modelin en kolay yanıltılabildiğini, hangisinin ısrarlı yanlış bilgi karşısında tutumunu değiştirmeye daha açık olduğunu ve hangisinin hatalı bilgiden en kolay geri dönebildiğini karşılaştırmalı olarak sunuyor.
Squidly: Enzim Kataliz Bölgelerini Diziden Tahmin Eden Yeni Yapay Zeka
Enzimler, ilaç üretiminden biyoremediasyona kadar pek çok alanda kimyasal süreçlerin sürdürülebilir alternatifi olarak öne çıkıyor. Bu enzimlerin işlevini belirleyen en kritik unsur ise katalitik rezidüler, yani enzim aktivitesini doğrudan yöneten amino asitler. Bunları doğru biçimde tespit etmek, enzim işlev tahminini de büyük ölçüde kolaylaştırıyor. Ancak mevcut yöntemlerin önemli bir kısmı ya benzer enzimlerin önceden etiketlenmiş olmasını gerektiriyor ya da yüksek kaliteli 3 boyutlu protein yapılarına ihtiyaç duyuyor; bu da büyük veri setlerinde uygulanabilirliği kısıtlıyor. Araştırmacılar bu soruna yenilikçi bir çözüm getirdi: Squidly adı verilen yeni bir hesaplamalı araç, yalnızca protein dizisi bilgisini kullanarak katalitik rezidüleri başarıyla tahmin edebiliyor. Araç, biyolojik hiyerarşiyi göz önünde bulunduran akıllı bir eşleştirme şemasıyla desteklenen kontrast öğrenimi yöntemini ve Protein Dil Modeli tabanlı temsilleri bir araya getiriyor. Sonuçlar, Squidly'nin mevcut en iyi makine öğrenmesi tabanlı yöntemleri geride bıraktığını ve büyük ölçekli analizlere olanak tanıyacak hızda çalışabildiğini ortaya koyuyor.
Yapay Zeka, Depresyon Belirtilerini Klinisyenler Gibi Anlıyor
Depresyon tanısında klinisyenler genellikle karmaşık belirti profillerini tek bir şiddet puanına indirgemek zorunda kalıyor. Oysa her hasta farklı bir belirti kombinasyonu sergileyebilir. Yeni bir araştırma, büyük dil modellerinin (BDM) bu çeşitliliği içsel olarak nasıl temsil ettiğini inceliyor. Araştırmacılar, Gemma-3-27B-PT adlı büyük dil modelinin iç katmanlarını mekanik yorumlanabilirlik teknikleriyle analiz ederek depresyon belirtilerinin model içinde geometrik olarak birbirinden ayrıştığını keşfetti. Bu ayrışmanın en belirgin biçimde 21. katmanda gerçekleştiği tespit edildi. Üstelik model aktivasyonları, klinisyenlerin belirti şiddetine ilişkin sıralamasıyla örtüşüyordu. Bu bulgu, yapay zeka modellerinin depresyon belirtilerini yalnızca yüzeysel kalıplardan değil, daha derin bir iç yapıdan hareketle işlediğine işaret ediyor. Klinik güvenin artırılması açısından önemli bir adım olarak değerlendirilen bu çalışma, BDM'lerin ruh sağlığı alanındaki kullanımına dair şeffaflık tartışmalarına da katkı sunuyor.
Yapay Zeka Kristal Yapıları Okuyamıyor mu? Yeni Test Yanıtlıyor
Görsel-dil modelleri bir görseli yanlış mı okuyor, yoksa doğru okuyup yanlış mı yorumluyor? Bu iki hatayı birbirinden ayırt etmek, yapay zeka değerlendirmelerinin en temel sorunlarından biri. Araştırmacılar, bu sorunu çözmek için 'render tavanı' adını verdikleri model bağımsız bir referans sistemi geliştirdi. Yöntem, bilinen nesnelerin bilgisayar ortamında yeniden oluşturulmasıyla elde edilen görselleri kullanıyor; böylece doğru cevap zaten baştan biliniyor. 2.160 kristal yapısı üzerinde test edilen bu yaklaşım, modelin her hatasının gerçekten modelden kaynaklandığını matematiksel olarak kanıtlıyor. On dört farklı görsel-dil modeli sınanırken, modellere geometrik bilgi metin olarak verildiğinde performansları artıyor; ancak bu artış mevcut açığı tam olarak kapatmıyor. Üstelik dil bileşeni içermeyen, yalnızca görsel işleme üzerine eğitilmiş bir model, tüm görsel-dil modellerini geride bırakarak en yüksek skoru elde etti. Bu bulgu, büyük dil modellerine entegre görsel sistemlerin algı aşamasında ciddi zayıflıklar taşıdığına işaret ediyor.
Yapay Zeka, Yeni Malzeme Üretiminde Deneme-Yanılmayı Tarihe Gömüyor
Sungkyunkwan Üniversitesi öncülüğünde, Ajou Üniversitesi ve MIT işbirliğiyle geliştirilen yeni bir yapay zeka platformu, yeni malzemelerin sentezi için gereken süreyi ve emek yoğun deneme-yanılma süreçlerini köklü biçimde azaltmayı hedefliyor. Büyük dil modeli (LLM) tabanlı bu 'kapalı döngü malzeme sentezi planlama platformu', karmaşık yeni malzemeler için sentez koşulları ve prosedürleri öneriyor; ardından bu önerileri gerçek deney sonuçlarına dayanarak sürekli güncelleyip iyileştiriyor. Geleneksel malzeme biliminde araştırmacılar, doğru sentez koşullarını bulmak için onlarca hatta yüzlerce deney yapmak zorunda kalabiliyordu. Bu yeni yaklaşım ise sistemi adeta kendi kendini düzelten bir döngüye sokuyor: yapay zeka bir protokol öneriyor, laboratuvarda test ediliyor ve sonuçlar tekrar modele beslenerek bir sonraki öneri iyileştiriliyor. Böylece araştırma süreci hem hızlanıyor hem de daha verimli hale geliyor. Malzeme bilimi, enerji depolama, elektronik ve ilaç gibi pek çok sektörü doğrudan etkilediğinden, bu tür platformların bilimsel araştırmalara entegrasyonu önümüzdeki yıllarda kritik bir öneme sahip olabilir.
Yapay Zeka Artık Belgeleri İnsanlar Gibi Okuyabilecek
Yapay zeka sistemleri metin tabanlı içerikleri işlemede oldukça başarılı olsa da sunum slaytları, broşürler ve raporlar gibi karmaşık görsel belgelerle hâlâ zorlanıyor. Bu tür belgelerde bilgi yalnızca yazıyla değil; grafikler, tablolar, düzen ve görsel hiyerarşiyle de aktarılıyor. Araştırmacılar, bu sorunu çözmek için yapay zekanın görsel belgeleri daha bütüncül bir şekilde anlamasını sağlayan yeni bir çerçeve geliştirdi. Sistem, belgedeki farklı bilgi katmanlarını bir arada değerlendirerek içeriği insan okuyucusuna benzer biçimde yorumlamayı hedefliyor. Bu gelişme; otomatik rapor analizi, eğitim teknolojileri ve kurumsal belge yönetimi gibi alanlarda yapay zekanın kullanım kapasitesini önemli ölçüde genişletebilir.
Yapay Zeka İlaç Sentezini Akıl Yürüterek Çözüyor: RetroDFM-R
İlaç keşfi ve organik kimya alanında kritik bir adım olan retrosentez planlaması, yani bir molekülü oluşturmak için gereken kimyasal yolların geriye doğru hesaplanması, yapay zeka ile yeni bir boyut kazanıyor. Araştırmacılar, büyük dil modellerini pekiştirmeli öğrenmeyle birleştiren RetroDFM-R adlı sistemi geliştirdi. Bu yaklaşım, mevcut yöntemlerin aksine salt örüntü eşleştirmesine dayanmak yerine adım adım kimyasal akıl yürütme yapabiliyor. Sistem, alanın standart test kümeleri olan USPTO-50K kıyaslamasında artırma yöntemi olmadan yüzde 60,4, tam çıkarım kurulumunda ise yüzde 66,1 doğruluk oranına ulaşarak önceki en iyi sonuçları geride bıraktı. Üstelik kör uzman değerlendirmeleri de sistemin önerdiği sentetik yolların kimyasal açıdan tutarlı ve pratikte uygulanabilir olduğunu doğruladı. Gerçek dünya ilaçlarının çok adımlı sentez rotalarını başarıyla yeniden oluşturabilmesi ise yöntemin yalnızca bir kıyaslama aracı olmaktan öteye geçtiğine işaret ediyor.
Yapay Zeka 'Uzman' Kimi Sayıyor? 22 Dil Modelinde Önyargı Testi
Yapay zeka sohbet robotları artık milyonlarca insanın bilgiye erişim kapısı haline geldi. Ancak bu sistemlerin kimleri 'uzman' olarak önerdiği sorusu, ciddi bir önyargı sorununu gün yüzüne çıkarıyor. Yeni bir araştırma, 22 farklı büyük dil modelini (LLM) sistematik biçimde test eden bir kıyaslama çerçevesi geliştirdi. Bulgular, yapay zekaların uzman tavsiyesi yaparken toplumsal önyargıları yansıtabildiğini ortaya koyuyor. Yani bir yapay zeka, 'Bu konuda kime danışmalıyım?' sorusuna verdiği yanıtta farkında olmadan belirli demografik grupları ön plana çıkarırken diğerlerini geri planda bırakabiliyor. Bu durum, yapay zekanın salt bir bilgi aracı olmaktan çıkıp toplumsal eşitsizlikleri pekiştiren bir mekanizmaya dönüşme riskini beraberinde getiriyor. Araştırmacılar, hem yanlış bilgi üretimi hem de sistematik önyargı sorunlarını aynı anda ele alan bu kıyaslama yönteminin, gelecekteki dil modeli geliştirme süreçlerine rehberlik etmesini umuyor.
Beyin-Bilgisayar Arayüzü Araştırmalarına Hepsi Bir Arada Çözüm: BCIJelly
Beyin-bilgisayar arayüzü (BCI) araştırmaları, veri formatlarındaki uyumsuzluklar ve dağınık yazılım araçları nedeniyle uzun süredir ciddi engellerle karşılaşıyor. BCIJelly adlı yeni Python ekosistemi, bu sorunu köklü biçimde ele alıyor. Platform; 18 derlenmiş BCI veri seti, 15 kıyaslama dekoderi ve 80 yeniden kullanılabilir modülden oluşan bir algoritma kütüphanesi sunuyor. Üstelik araştırmacıların sinyal çözücü mimarileri elle tasarlamasına gerek kalmadan otomatik mimari arama (AAS) özelliği sayesinde göreve özgü dekoderler oluşturulabiliyor. Sisteme entegre edilen büyük dil modeli (LLM) desteği ise çok görevli ve türler arası sinyal çözümlemeye olanak tanıyan kapalı döngü bir arama modunu mümkün kılıyor. Donanım uyumlu dağıtım için geliştirilen toChip ardışık düzeni sayesinde eğitilen modeller nöromorifik çipler dahil farklı donanım platformlarında çalıştırılabiliyor. BCI araştırmalarının hem yazılım hem donanım cephesindeki parçalı yapısını tek bir çatı altında toplayan BCIJelly, alandaki iş akışlarını önemli ölçüde hızlandırma potansiyeli taşıyor.
Yapay Zeka, Tropik Fırtına Tahmininde Operasyonel Sınıra Ulaştı
Avrupa Orta Vadeli Hava Tahminleri Merkezi'nin (ECMWF) geliştirdiği yapay zeka tabanlı hava modeli AIFS, tropik siklon yoğunluğu tahmininde ciddi bir eksiklik barındırıyordu: model, fırtınaların ne kadar güçleneceğini büyük ölçüde küçümsüyordu. Araştırmacılar, AIFS-Single modeline nispeten basit bir düzeltme katmanı ekleyerek bu sorunu büyük ölçüde aştı. AIFS-TC adı verilen bu yeni sistem, 12 saatten 7 güne kadar olan tahmin sürelerinde maksimum rüzgar hızı ve minimum merkez basıncını, mevcut operasyonel sistemlerle rekabet edebilir doğrulukta öngörebiliyor. Üstelik bu başarı, fırtınaların kısa sürede dramatik biçimde güçlendiği 'hızlı yoğunlaşma' olaylarında da geçerliliğini koruyor. Çalışmanın dikkat çeken bir diğer boyutu ise sistemin büyük ölçüde özerk bir şekilde, büyük bir dil modeli tarafından (Claude) tek bir alan uzmanının doğal dil komutları rehberliğinde birkaç saat içinde tasarlanıp inşa edilmesi. Bu durum, yapay zeka destekli bilimsel geliştirme süreçlerinde 'ajansal' yaklaşımların giderek daha etkin bir rol üstlenebileceğine işaret ediyor.
Göz Takibi Çalışması: İnsan Okuma Biçimi Yapay Zekadan Nerede Ayrılıyor?
İnsan gözünün metin üzerindeki hareketlerini inceleyen yeni bir araştırma, yapay zeka dil modellerinin insan okuma davranışını açıklamada nerede yetersiz kaldığını ortaya koyuyor. 400'den fazla büyük dil modeli (LLM) ile yapılan karşılaştırmalı analizde, yapay zekaların özellikle iki kritik süreçte insan okuyucuların davranışını taklit edemediği görüldü: metni yeniden okuma ve birden fazla cümledeki bilgiyi zihinsel olarak birleştirme. Göz takibi verileri, insanların okurken yalnızca doğrusal bir yol izlemediğini; anlamlandırmakta güçlük çektikleri noktalarda geri döndüklerini ve farklı cümle parçalarını aktif biçimde ilişkilendirdiklerini gösteriyor. Oysa mevcut dil modelleri bu dinamik ve bağlam duyarlı süreci yeterince yansıtamıyor. Araştırma, yapay zeka sistemlerinin dil işleme kapasitesinin insan bilişiyle kıyaslanmasının ne kadar karmaşık olduğunu gözler önüne seriyor. Bu bulgu, hem yapay zeka geliştirme süreçleri hem de insan dil anlayışının bilişsel temelleri açısından önemli çıkarımlar taşıyor.
Yapay Zeka Fizik Hocasına Öğrenciler Ne Soruyor?
Büyük dil modelleri artık üniversite fizik derslerinde öğrenci asistanı olarak kullanılıyor. Ancak asıl soru şu: öğrenciler bu yapay zeka hocalarla gerçekte nasıl konuşuyor? ABD'deki bir araştırma ekibi, Sokratik yöntemle öğretim yapan bir yapay zeka fizik asistanının binlerce konuşma kaydını inceleyerek öğrenci söyleminin kapsamlı bir sınıflandırmasını oluşturdu. Geleneksel nitel kodlama yöntemleri bu ölçekteki veriyle başa çıkamadığından, araştırmacılar süreci otomatikleştirmek için yine bir dil modelinden yararlandı. Ortaya çıkan taksonomi 357 farklı kategori içeriyor; ancak dikkat çekici olan şu: ilk 25 kategori, tüm öğrenci konuşmalarının yaklaşık yarısını kapsıyor. Bu bulgu, öğrencilerin yapay zeka destekli öğretim ortamlarında nasıl düşündüğünü ve nasıl yardım aradığını anlamak açısından fizik eğitimi araştırmacıları için önemli bir başlangıç noktası sunuyor. Çalışma, yapay zekanın eğitimdeki etkinliğini ölçmeden önce cevaplanması gereken temel bir soruya odaklanıyor: Öğrenciler bu sistemlerle gerçekte ne yapıyor?
ChatGPT, İnsanların Kişilik Testi Yanıtlarını Önceden Tahmin Edebildi
Yapay zeka alanında dikkat çekici bir gelişme: ChatGPT, DSM-5 gibi klinik kaynaklardan yola çıkarak geçerli kişilik ölçekleri oluşturabiliyor ve üstelik bu anketler insanlara uygulanmadan önce insan topluluklarının vereceği yanıtları yüksek doğrulukla tahmin edebiliyor. Araştırmacılar, büyük dil modellerinin yalnızca metin üretmekle kalmayıp insan psikolojisine dair anlamlı örüntüler yakalayabildiğini ortaya koydu. Bu bulgu, kişilik psikolojisi araştırmalarında yapay zekanın nasıl kullanılabileceğine dair yeni kapılar açıyor. Ancak bilim insanları, bu tür modellerin insan davranışını tam anlamıyla temsil edip etmediği konusunda dikkatli olunması gerektiğinin de altını çiziyor. Sonuçlar, yapay zekanın psikolojik araştırma süreçlerini hızlandırabileceğine işaret etse de insan katılımcıların yerini tamamen alamayacağını hatırlatıyor.
Gizli Hedefler Yapay Zeka Takım Çalışmasını Nasıl Sabote Ediyor?
Yapay zeka dünyasında yeni bir eğilim hız kazanıyor: Birden fazla dil modelinin bir araya getirilerek oluşturduğu çok etkenli sistemler. Bu sistemlerde farklı yapay zeka ajanları birbirleriyle etkileşime giriyor, iş birliği yapıyor ya da rekabet ediyor. Ancak yeni bir araştırma, bu ajanların bazı durumlarda gizli veya örtük hedefler taşıyabileceğini ve bunun ortak görevin başarısını ciddi biçimde sekteye uğratabileceğini ortaya koyuyor. ChatGPT ve Gemini gibi sohbet robotlarının temelini oluşturan büyük dil modelleri artık milyonlarca insan tarafından günlük hayatta kullanılıyor. Bilgisayar bilimciler ise bu modelleri tek tek kullanmak yerine bir araya getirerek daha karmaşık görevlerin üstesinden gelebilecek sistemler inşa etmeye çalışıyor. Ne var ki araştırmacılar, bu çok etkenli yapılarda ajanlar arasındaki uyumsuz amaçların beklenmedik sonuçlara yol açabileceğini ve sistemin genel performansını düşürebileceğini gösteriyor. Bu bulgular, yapay zeka sistemlerinin tasarımında şeffaflık ve hedef uyumunun ne denli kritik olduğunu bir kez daha gündeme taşıyor.
Manyetik Darbelerle Veri Depolama Enerjisi Büyük Ölçüde Azaltılabilir
Yapay zeka ve dijital teknolojilerin hızla büyümesiyle birlikte veri depolama ve işleme için harcanan enerji miktarı endişe verici boyutlara ulaşıyor. Her arama sorgusu, her yapay zeka görseli ve her dil modeli yanıtı; depolanması, aktarılması ve işlenmesi gereken devasa veri yığınları oluşturuyor. Bu soruna yönelik umut verici bir çözüm, manyetik bellek teknolojisi alanından geliyor. Yeni araştırmalar, özenle optimize edilmiş manyetik darbe biçimlerinin, manyetik bellek hücrelerinin durumunu değiştirmek için gereken enerjiyi birkaç kat değil, tam anlamıyla birkaç büyüklük mertebesinde düşürebileceğini ortaya koyuyor. Bu, günümüz veri merkezlerinin enerji tüketimi açısından son derece kritik bir gelişme. Söz konusu yaklaşım, mevcut manyetik depolama teknolojilerinin temel çalışma prensiplerini değiştirmeksizin yalnızca uygulanan darbelerin şeklini ve zamanlamasını optimize ederek çarpıcı verimlilik kazanımları elde etmeyi hedefliyor. Araştırmacılar, bu yöntemin pratikte hayata geçirilmesi durumunda küresel ölçekte veri depolama altyapısının enerji ayak izini önemli ölçüde küçültebileceğini öngörüyor.
Yapay Zeka, Dil Zayıflığı Olan Öğrencilerin Fizik Anlayışını Küçümsüyor
Fizik eğitiminde kavramsal anlayışı ölçmek için yapay zeka tabanlı puanlama sistemleri giderek yaygınlaşıyor. Ancak yeni bir araştırma, bu sistemlerin ciddi bir önyargı barındırdığını ortaya koydu: Dil becerileri daha zayıf olan öğrencilerin fizik açıklamaları, yapay zeka tarafından sistematik olarak daha düşük puanlanıyor. Araştırmacılar, 116 ortaokul öğrencisinin fiziksel olayları açıkladığı metinleri hem insan uzmanlarına hem de dokuz makine öğrenmesi tabanlı ve iki büyük dil modeli tabanlı sisteme değerlendirtti. Genel olarak yapay zeka puanları uzman puanlarıyla uyuşsa da, dilsel kalitesi düşük açıklamalar yapay zeka tarafından orantısız biçimde daha düşük puanlandı. Bu bulgu, önemli bir eğitim eşitsizliği sorununa işaret ediyor: Bir öğrenci fizik kavramını doğru anlıyor olabilir, ancak bunu yeterince akıcı ya da dilbilgisel açıdan kusursuz ifade edemiyorsa yapay zeka bu anlayışı görmezden gelebiliyor. Özellikle ana dili farklı olan ya da dil gelişimi daha yavaş seyreden öğrenciler bu durumdan en çok etkilenen grup olarak öne çıkıyor.
Yapay Zeka EEG Analizini Devralıyor: CogEEGAgent ile Beyin Verisi Yorumlama
Beyin elektrik aktivitesini ölçen EEG analizleri, uzmanlık gerektiren ve birçok kritik seçim içeren karmaşık süreçlerdir. Hangi kanallar incelenmeli, hangi zaman aralıkları kullanılmalı, hangi istatistiksel testler uygulanmalı? Tüm bu sorular genellikle deneyimli nörobilimcilerin kararına bırakılır. Araştırmacılar şimdi bu süreci otomatikleştirmek için CogEEGAgent adlı bir yapay zeka ajanı geliştirdi. Sistem, büyük dil modellerinin (LLM) doğal dil anlama becerisiyle MNE-Python gibi köklü bir EEG analiz kütüphanesini bir araya getiriyor. Ancak buradaki asıl yenilik, yapay zekanın sadece akıcı raporlar üretmesinin ötesine geçmesi: sistem, analizin gerçekten doğru yapıldığını doğrulamak için belirleyici (deterministik) bileşenler kullanıyor. Bu sayede LLM yalnızca kullanıcının niyetini yorumlarken, analizin bilimsel geçerliliğini bağımsız mekanizmalar denetliyor. Sistemin özellikle önemli bir özelliği, doğrulama sürecinin uyarlanabilir aramadan bağımsız tutulması; yani yapay zekanın kendi ürettiği sonucu kendi onaylamaması. Bu yaklaşım, bilimsel özerklik ile güvenilirlik arasındaki dengeyi yeniden kurmayı hedefliyor ve bilişsel nörobilim araştırmalarında otomasyon çağını açabilir.
Yapay Zeka Fizik Dersine Girdi: Ama Ellerin Yerini Alamadı
Yapay zeka, bilim eğitiminde giderek daha fazla yer buluyor; ancak 'bedensel öğrenme' savunucuları bu sistemlerin neler yapamayacağını sorguluyor. Yeni bir keşif çalışması, dil tabanlı bir yapay zekanın fizik eğitiminde nereye konumlanabileceğini araştırdı. Fizik eğitimi yüksek lisans öğrencileri, akışkanların statiğini inceleyen bir deneyde iki aşamalı bir tasarımla çalıştı: İlk aşamada öğrenciler kaldırma kuvveti modelini tamamen kendi elleriyle, yapay zeka olmadan kurdu. İkinci aşamada ise özel olarak yapılandırılmış bir yapay zeka asistanı devreye girerek öğrencilerin bu modeli yeni bir olguya uygulamasına rehberlik etti. Araştırmanın temel bulgusu, yapay zekanın bedensel deneyimin yerini almak yerine onu tamamlayan bir rol üstlendiğinde değer kazandığını ortaya koydu. Fiziksel dünyayla doğrudan kurulan bağ, deneylerin elle yapılması ve somut gözlem yapılması; bunlar hâlâ bir dil modelinin ulaşamayacağı alanlar olarak öne çıktı. Bu çalışma, yapay zekanın eğitimdeki rolüne dair önemli bir çerçeve sunuyor: Sorun 'yapay zeka anlıyor mu?' değil, 'nerede durabileceği'dir.
Yapay Zeka Kimya Hatalarını Nasıl Yakalar? Doğrulama Sisteminde Yeni Çığır
Büyük dil modelleri, kimyasal formüller veya kristal yapı grupları gibi teknik verileri üretirken zaman zaman gerçek dışı ama son derece ikna edici bilgiler üretebiliyor. Özellikle veri tabanlarında az yer alan 'nadir' kimyasal varlıklar söz konusu olduğunda bu hata oranı belirgin biçimde artıyor. Araştırmacılar, bu sorunu çözmek için katmanlı bir doğrulama sistemi geliştirdi. Sistem, modelin ürettiği her doğrulanabilir kimyasal iddiayı tek tek ele alıyor, yetkili veri tabanları ve fizik yasalarıyla karşılaştırıyor; ardından tespit edilen hataları düzeltmek için bir döngüye sokuyor. Dört farklı dil modeli ve 528 özel sorgu üzerinde yapılan testlerde bu yaklaşım, kimyasal formül hata oranını yüzde 22'den yüzde 4'e indirdi. Üstelik bunu, kapsamlı veri çekme yöntemlerine kıyasla yaklaşık üç kat daha az kaynak kullanarak başardı. Çalışmanın en çarpıcı bulgusu ise şu: Asıl sorun hataları düzeltmek değil, onları zamanında fark etmek. Bir hata tespit edilebildiğinde düzeltme başarı oranı yüzde 80 ile 97 arasında seyrediyor. Dolayısıyla sistemin iyileştirilmesi için öncelikli hedef, tespit mekanizmasının güçlendirilmesi olmalı.
Kamera Tuzaklarından Video Bulmak Artık Daha Akıllı
Doğadaki hayvanları izlemek için kullanılan kamera tuzakları, her yıl devasa miktarda video verisi üretiyor. Ancak bu görüntüler arasından belirli bir olayı bulmak, araştırmacılar için büyük bir zaman kaybına dönüşüyor. Yapay zeka destekli video-metin eşleştirme yöntemleri bu sorunu çözmeye aday olsa da mevcut sistemler doğa videolarında yeterince iyi performans gösteremiyor. Araştırmacılar şimdi bu boşluğu doldurmak için 'Prompting-MammAlps' adını verdikleri yeni bir sistem ve bu sistemin test edileceği bir kıyaslama veri seti geliştirdi. Sistem, her videoyu önce mekânsal ve zamansal olarak analiz edip yapılandırılmış metne dönüştürüyor; ardından büyük bir dil modeli, etoloji ilhamlı sorgulara göre bu metinleri tarayarak ilgili videoları buluyor. Yöntemin dikkat çekici yanlarından biri, dil modelinin hata yapma (halüsinasyon) riskini azaltmak amacıyla özel bir kütüphane üzerinden kısıtlı fonksiyonlar kullanması. Bu çalışma, ekolojik veri analizinde yapay zekanın daha güvenilir ve yorumlanabilir biçimde kullanılabileceğini gösteriyor.
Yapay Zeka Modellerinde Anhedoni: Beyin Gibi Davranıyor mu?
Büyük dil modelleri artık yalnızca dil üretmekle kalmıyor; insan bilişinin giderek daha karmaşık yönlerini de yansıtıyor. Yeni bir araştırma, görsel-dil modellerinin (Vision-Language Models) ödül değerlendirme mekanizmalarını inceleyerek bu modellerin majör depresif bozuklukta görülen anhedoni ve motivasyon eksikliğini taklit edip edemeyeceğini sorguluyor. Anhedoni, günlük yaşamda zevk alma kapasitesinin yitirilmesi olarak tanımlanır ve beyinde Nucleus Accumbens (NAc) ile dopaminerjik ödül sistemiyle ilişkilidir. Araştırmacılar, klinik testlerden ilham alarak yapay zeka modellerinde ödül beklentisiyle ilişkili birimler tanımlamayı başardı. Ardından bu birimleri hedefli müdahalelerle bozarak modelin davranışının nasıl değiştiğini gözlemlediler. Sonuçlar çarpıcı: Müdahale edilen modeller, insanlardaki anhedoniye benzer biçimde düşük çaba gerektiren ve düşük ödüllü seçeneklere yöneldi. Bu çalışma, yapay zeka sistemlerinin yalnızca davranışsal değil, mekanistik düzeyde de nörobilimsel kavramlarla örtüşebileceğini göstermesi açısından dikkat çekici bir adım niteliği taşıyor.