“neural network” için sonuçlar
22 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
QT-Net: Atomik Kimyasal Uzayda Yapay Zeka Modellerinin Yeniden Değerlendirilmesi
Araştırmacılar, atomik özelliklerin makine öğrenmesi hedefleri olarak değerlendirilmesinde yeni bir yaklaşım geliştirdi. Kısmi yükler ve multipoller gibi atomik özellikler kimyasal açıdan anlamlı bilgiler içerse de, bu özelliklerin atom düzeyinde değerlendirilmesi zorlu bir süreç olmuştur. Yeni çalışmada, atomik ortamları SOAP tanımlayıcıları ile kümeleyerek ve sadece eğitim sırasında görülmeyen küme etiketlerini hesaba katarak bir değerlendirme protokolü önerildi. Bu protokol kullanılarak, H, C, N ve O atomlarının elektron popülasyonları ile multipollerini tahmin etmede E(3)-eşdeğişken ve eşdeğişken olmayan modeller karşılaştırıldı. Araştırma sonucunda, rotasyonel olarak güçlendirilmiş ve eşdeğişken olmayan graf sinir ağı olan Quantum Topological Neural Network (QT-Net) geliştirildi.
Kuantum kimyasında sinir ağları için yeni deterministik optimizasyon yaklaşımı
Araştırmacılar, kuantum kimyasındaki karmaşık moleküler sistemleri analiz etmek için Neural Network Quantum States (NQS) yönteminin optimizasyonunda çığır açan bir yaklaşım geliştirdi. Geleneksel stokastik yöntemlerin örnekleme varyansı ve yavaş karışım problemlerini aşan bu deterministik framework, sinir ağı tabanlı dalga fonksiyonlarının optimizasyonunu büyük ölçüde hızlandırıyor. Hibrit CPU-GPU mimarisi kullanan sistem, 10^23 konfigürasyon içeren Hilbert uzaylarında hesaplama yapabilme kapasitesi sunuyor. Bu gelişme, krom dimeri gibi güçlü korelasyonlu sistemlerin analizi için yeni imkanlar yaratırken, moleküler bağ kopmalarının incelenmesinde kararlı yakınsama sağlıyor.
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.
Yapay Zeka ile Kuantum Gazların Egzotik Fazları Keşfedildi
Araştırmacılar, yapay sinir ağları kullanarak iki boyutlu spin dengesizlikli Fermi gazlarının davranışını inceleyerek yeni kuantum fazlar keşfetti. Neural network variational Monte Carlo yöntemiyle gerçekleştirilen çalışma, farklı etkileşim güçlerinde sistemin nasıl davrandığını ortaya çıkardı. Zayıf etkileşimlerde Fulde-Ferrell-Larkin-Ovchinnikov fazı gözlenirken, güçlü etkileşimlerde polarize süperakışkan faz ortaya çıktı. En ilginç bulgu ise orta seviye etkileşim güçlerinde Cooper çiftlerinin kristal yapı oluşturduğu egzotik fazın keşfiydi. Bu çalışma, kuantum gazların karmaşık davranışlarını anlamada yapay zekanın gücünü gösterirken, süperiletkenlik ve kuantum malzemeler araştırmalarına yeni perspektifler sunuyor.
Yapay Zeka ile Nano Kirişlerin Eğilme Davranışı Başarıyla Modellendi
Araştırmacılar, delikli nano kirişlerin eğilme davranışını analiz etmek için yeni bir yapay zeka tabanlı yöntem geliştirdi. Physics-Informed Neural Networks (PINN) teknolojisini kullanan bu yaklaşım, nano boyuttaki malzemelerin mekanik özelliklerini daha verimli bir şekilde hesaplayabiliyor. Çalışma, statik eğilme tepkisi ile dinamik sapma arasındaki ilişkiyi ortaya koyarak, nano teknoloji uygulamalarında kritik öneme sahip olan delikli nano kirişlerin tasarımında önemli bir adım atıyor. Geleneksel sayısal yöntemlere kıyasla daha hızlı ve doğru sonuçlar veren bu teknik, gelecekte nano boyutlu cihazların geliştirilmesinde devrim yaratabilir.
Nükleer santraller için 'hafızası kaybetmeyen' yapay zeka sistemi geliştirildi
Araştırmacılar, nükleer santrallerin güvenlik sistemlerinde devrim yaratabilecek yeni bir yapay zeka teknolojisi geliştirdi. Geleneksel yapay sinir ağları, yeni sistemleri öğrenirken önceki bilgileri 'unutma' sorunu yaşıyor - bu da nükleer tesislerde kritik güvenlik açıklarına yol açabiliyor. Yeni sistem, insan beyninin çalışma prensibini taklit eden 'spiking neural network' teknolojisini kullanarak bu sorunu çözüyor. Sistem, farklı zamanlarda devreye alınan alt sistemleri izlerken önceki öğrendiklerini unutmuyor ve sürekli öğrenmeye devam edebiliyor. En önemli avantajı ise enerji verimliliği - sensör verilerinin %92,7'sini seyrek hale getirerek çok daha az enerji tüketiyor. Bu teknoloji, nükleer santrallerin güvenlik sistemlerinin daha akıllı ve güvenilir olmasını sağlayabilir.
Yapay Zeka ile Keşfedilen Güçlü Gravitasyonel Mercekler Spektroskopla İncelendi
Astronomlar, yapay zeka algoritmaları kullanarak keşfettikleri güçlü gravitasyonel merceklerin detaylı spektroskopik analizini gerçekleştirdi. DESI Legacy Imaging Surveys verilerinde Residual Neural Networks (ResNet) ile tespit edilen bu sistemler, daha sonra Hubble Uzay Teleskobu ile görüntülenerek doğrulandı. Keck Gözlemevi'nin NIRES spektrometresi ve DESI enstrümanı kullanılarak yapılan gözlemler, bu merceklerin arkasındaki kaynak galaksilerin kırmızıya kayma değerlerini belirledi. Araştırmacılar sekiz hedef sistemden altısının kaynak kırmızıya kayma değerlerini başarıyla ölçtü. Bu değerler z=1.675 ile 3.332 arasında değişiyor ve evrenin oldukça erken dönemlerindeki galaksilere ışık tutuyor. Elde edilen veriler, gravitasyonel mercekleme modellemesi için kritik öneme sahip ve karanlık maddenin dağılımı hakkında değerli bilgiler sağlayacak.
Çizimden 3D Nesne Arama: Yeni Yapay Zeka Modeli Geliştirendi
Araştırmacılar, elle çizilen basit eskizlerden 3D nesneleri bulabilen yeni bir yapay zeka sistemi geliştirdi. Multi-View Hierarchical Graph Neural Network (MV-HGNN) adlı bu sistem, geleneksel yöntemlerin aksine 3D nesnelerin farklı açılardan görünümlerini hiyerarşik graf ağları ile analiz ediyor. Sistem, çizim ve 3D model arasındaki karmaşık geometrik ilişkileri daha iyi anlayarak, daha önce görmediği nesne kategorilerinde bile başarılı sonuçlar elde edebiliyor. Bu gelişme, sanal gerçeklik, oyun tasarımı ve endüstriyel modellemede önemli uygulamalara sahip olabilir.
Bilimsel Simülasyonlar İçin Yeni Yapay Zeka Sıkıştırma Yöntemi Geliştirildi
Araştırmacılar, bilimsel simülasyon verilerini gerçek zamanlı olarak sıkıştırabilen yenilikçi bir yapay zeka sistemi geliştirdi. Sistem, implicit neural representation teknolojisi kullanarak veri kaybını minimize ederken yüksek sıkıştırma oranları elde ediyor. Özellikle iki ve üç boyutlu karmaşık simülasyon verileri üzerinde test edilen yöntem, geleneksel sıkıştırma tekniklerine göre üstün performans sergiledi. Çalışma, büyük ölçekli bilimsel hesaplamaların depolama ve aktarım sorunlarına çözüm sunuyor.
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 seyrek verilerden çevresel haritalar çıkarabiliyor
Çevre bilimcileri, dağınık ve eksik gözlemlerden sürekli çevresel alanlar oluşturmakta zorlanıyor. Araştırmacılar, bu sorunu çözmek için implicit neural representations (INR) adı verilen yeni bir yapay zeka yaklaşımını test etti. Bu yöntem, koordinat tabanlı bir çerçeve kullanarak türlerin dağılım haritalarını, fenolojiik döngüleri ve morfolojik segmentasyonu başarıyla modelleyebildi. Geleneksel grid tabanlı yöntemlerin aksine, INR'ler farklı çözünürlüklerde sorgulanabiliyor ve heterojen veri setleriyle daha iyi başa çıkabiliyor. Bu gelişme, biyoçeşitlilik bilimi ve çevre modellemesi alanlarında daha doğru ve esnek analiz araçları sunma potansiyeli taşıyor.
Türbülans Simülasyonlarını Hızlandıran Yapay Zeka Destekli Yazılım Paketi
Araştırmacılar, türbülanslı akış simülasyonlarını önemli ölçüde hızlandıran yeni bir açık kaynak yazılım paketi geliştirdi. IncompressibleNavierStokes.jl adlı bu Julia paketi, GPU ve CPU'larda eşzamanlı çalışabilen matrix-free çekirdekler kullanarak sıkışmayan Navier-Stokes denklemlerini çözüyor. Yazılımın en dikkat çekici özelliği, yapay sinir ağı modellerinin doğrudan simülasyon içine gömülebilmesi. Bu sayede türbülans modellemesi için neural network kapanış modelleri eğitilebiliyor. Yazılım, tek bir GPU üzerinde 840³ çözünürlüğe kadar doğrudan sayısal simülasyonlar gerçekleştirebiliyor. Geliştirilen sistem, türbülanslı kanal akışı testlerinde referans verilerle başarıyla doğrulandı. Bu gelişme, hesamalı akışkanlar dinamiği alanında yapay zekanın entegrasyonu açısından önemli bir adım olarak değerlendiriliyor.
Yapay Zeka Modellerinin 'Ortak Gerçeklik' İddiası Çürütüldü
Platonik Temsil Hipotezi, farklı veri türleriyle (metin, görsel) eğitilen yapay zeka modellerinin zamanla aynı gerçeklik temsiline yakınsadığını öne sürüyordu. MIT araştırmacıları bu iddianın yanıltıcı olduğunu ortaya koydu. Küçük veri setlerinde gözlenen benzerliğin, milyonlarca örneğe çıkıldığında büyük ölçüde kaybolduğunu keşfettiler. Araştırma, modeller arası uyumun sadece yüzeysel anlamsal örtüşmeden kaynaklandığını ve detaylı yapısal benzerliklerin bulunmadığını gösteriyor. Bu bulgular, farklı modalitelerin AI sistemlerinde hala önemli farklar yarattığını ve tek bir 'evrensel temsil' yaklaşımının mümkün olmadığını işaret ediyor.
Yeni yapay sinir ağı teknolojisi kalp hastalarını tespit etmek için 1000 kat az enerji kullanıyor
Araştırmacılar, kalp ritmi bozukluklarını tespit etmek için geliştirilen SparrowSNN adlı yeni yapay sinir ağı sistemini tanıttı. Bu teknoloji, geleneksel derin öğrenme yöntemlerinin aksine insan beynindeki nöronları taklit eden 'spiking neural network' yaklaşımını kullanıyor. Sistem, pil ile çalışan küçük cihazlarda kalp elektrokardiyogramı (EKG) verilerini analiz ederken son derece düşük enerji tüketiyor. Özellikle mikrovatlar seviyesinde güç tüketen bu yenilik, taşınabilir sağlık cihazları ve giyilebilir teknolojiler için devrim niteliğinde. Araştırma, hem donanım hem yazılım optimizasyonlarını bir araya getirerek, akıllı saat gibi cihazlarda sürekli kalp takibini mümkün kılabilir.
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.
Yapay Zeka ile Kuantum Hesaplama Hızında Devrim: GPU Tabanlı Yeni Framework
Araştırmacılar, karmaşık kuantum sistemlerdeki Schrödinger denklemini çözmek için yapay zeka destekli yeni bir framework geliştirdi. cuNNQS-SCI adı verilen bu sistem, önceki hibrit CPU-GPU yaklaşımlarının yarattığı darboğazları aşarak, tamamen GPU tabanlı bir mimaride çalışıyor. Yeni sistem, özellikle büyük kuantum sistemlerin simülasyonunda karşılaşılan iletişim sorunlarını ve hesaplama yükünü önemli ölçüde azaltıyor. Neural Network Quantum States (NNQS) yöntemi temelinde geliştirilen framework, dağıtık yük dengeleme algoritması kullanarak performansı artırıyor. Bu gelişme, kuantum fiziği ve malzeme bilimi araştırmalarında daha büyük ve karmaşık sistemlerin incelenmesine olanak tanıyacak.
Yapay Zeka Satranç Taşlarının Gerçek Değerini Hesaplamayı Öğrendi
Araştırmacılar, satranç taşlarının bir oyundaki gerçek değerini tahmin edebilen yeni bir yapay zeka sistemi geliştirdi. Geleneksel yaklaşımların aksine, bu sistem her taşın değerini yalnızca kendi özelliklerinden değil, tahta üzerindeki tüm diğer taşlarla olan ilişkisinden hareketle hesaplıyor. 12 milyondan fazla büyükusta seviyesindeki oyun verisini kullanan sistem, convolutional neural network tabanlı bir autoencoder ile tahtanın tam durumunu analiz ediyor. Stockfish 17 satranç motorunun etiketlediği verilerle eğitilen model, geleneksel sistemlere kıyasla %16 daha düşük hata oranına ulaştı ve taş değerlerini yaklaşık 0.65 piyon hassasiyetle tahmin edebildi. Bu çalışma, karmaşık sistemlerde bileşenlerin değerini belirlemenin sadece o bileşene odaklanmakla değil, tüm sistem bağlamını dikkate almakla mümkün olduğunu gösteriyor.
PINNACLE: Fizik Tabanlı Yapay Zeka Modelleri İçin Yeni Açık Kaynak Çerçeve
Araştırmacılar, fizik yasalarını yapay zeka modellerine entegre eden PINN (Physics-Informed Neural Networks) teknolojisi için PINNACLE adlı kapsamlı bir açık kaynak platform geliştirdi. Bu yenilikçi çerçeve, klasik ve kuantum hesaplama yöntemlerini birleştirerek bilimsel problemlerin çözümünde önemli ilerlemeler sunuyor. Platform, çoklu GPU desteği, gelişmiş eğitim stratejileri ve modüler yapısıyla araştırmacılara elektromanyetik dalga yayılımından akışkanlar mekaniğine kadar geniş bir yelpazede fizik problemlerini çözme imkanı tanıyor. PINNACLE'ın sunduğu performans karşılaştırmaları ve ölçeklenebilirlik analizleri, bilimsel hesaplamalarda yapay zekanın kullanımını demokratikleştirmeyi hedefliyor.
Spiking Transformers için İlk Kapsamlı Matematiksel Teori Geliştirildi
Araştırmacılar, geleneksel transformerlara kıyasla 38-57 kat daha az enerji tüketen spiking transformer modellerinin tasarımına rehberlik edecek ilk kapsamlı matematiksel teorisini geliştirdi. Çalışma, bu modellerin neden bu kadar verimli olduğunu açıklayan matematiksel kanıtlar sunuyor ve gelecekteki tasarımlar için teorik temel oluşturuyor. Spiking transformerlar, insan beynindeki nöronları taklit eden spike'lar kullanarak bilgiyi işleyen ve nöromorfik donanımlarda çalışabilen yapay zeka modelleridir. Bu yeni teori, modellerin performansını etkileyen faktörleri matematiksel olarak tanımlayarak, daha verimli yapay zeka sistemleri geliştirilmesinin önünü açıyor.
Yapay Zeka Gabor Teknolojisi ile 3D Görüntü Kalitesi Devrim Yaşıyor
Araştırmacılar, 3D Gaussian Splatting teknolojisinin en büyük sorunu olan yüksek frekanslı detayları yakalama zorluğunu çözen yeni bir yöntem geliştirdi. Neural Gabor Splatting adlı bu teknik, her Gaussian primitive'e hafif bir çok katmanlı perceptron ekleyerek, tek bir primitive içinde geniş renk varyasyonlarını modelleyebiliyor. Geleneksel 3DGS yönteminde, keskin renk geçişleri için çok sayıda primitive gerekiyordu çünkü her biri yalnızca tek bir rengi temsil edebiliyordu. Yeni yaklaşım, frekans-farkında yoğunlaştırma stratejisi kullanarak primitive sayısını kontrol altında tutuyor ve gereksiz olanları budayıp klonluyor. Bu gelişme, 3D yeniden yapılandırma ve yeni görüş sentezi alanında önemli bir ilerleme sağlıyor.
Heterojen Graflar İçin Yeni Yapay Zeka Mimarisi: HetSheaf
Araştırmacılar, farklı türde düğüm ve kenarlar içeren heterojen grafları analiz etmek için HetSheaf adlı yenilikçi bir yapay zeka çerçevesi geliştirdi. Biyoloji, kimya ve bilgisayar ağları gibi alanlarda karşılaşılan karmaşık veri yapılarını işlemek için özel olarak tasarlanan bu sistem, geleneksel yöntemlerin aksine model mimarisini değiştirmek yerine veri temsilini iyileştiriyor. Sistem, cellular sheaves adı verilen topolojik bir çerçeve kullanarak farklı türdeki özelliklerin ve etkileşimlerin daha etkili bir şekilde kodlanmasını sağlıyor. Özellikle graf düzeyinde tahminler yapabilmek için geliştirilen SheafPool mekanizması, düğüm temsillerini toplarken yerel değişikliklere karşı dayanıklılık gösteriyor. Bu gelişme, kompleks ağ yapılarının analizinde önemli bir adım teşkil ediyor.
TRASE-NODEs: Dinamik sistemlerde veri verimliliğini artıran yeni yapay zeka modeli
Araştırmacılar, dinamik sistemlerin modellemesinde devrim yaratabilecek yeni bir yapay zeka yaklaşımı geliştirdi. TRASE-NODEs adı verilen bu sistem, geleneksel neural ordinary differential equations (NODEs) modellerinin en büyük sorunu olan yüksek veri ihtiyacını çözüyor. Yeni yaklaşım, sistem durumu ve hassasiyetini aynı anda öğrenerek, çok daha az veriyle güvenilir tahminler yapabiliyor. Bu gelişme, mühendislik ve bilim alanlarında kontrol sistemleri tasarımından güvenlik analizlerine kadar geniş bir uygulama yelpazesi sunuyor. Özellikle yeterli simülasyon verisi üretmenin zor olduğu durumlarda ve güvenli kontrol tasarımının kritik olduğu sistemlerde büyük avantaj sağlıyor.