“pekiştirmeli öğrenme” için sonuçlar
223 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Robotlar Bizimle Nasıl Çalışacak? İnsan-Robot İş Birliğinin Geleceği
İnsanlar, robotlar için tahmin edilmesi en zor varlıklar arasında yer alıyor. Hızlı düşünüyor, anlık kararlar alıyor ve davranışlarımız büyük ölçüde öngörülemiyor. Bu durum, robotların insanlarla güvenli ve verimli biçimde iş birliği yapabilmesi önünde ciddi bir engel oluşturuyor. Peki araştırmacılar bu sorunu nasıl aşmaya çalışıyor? Bilim insanları, robotların insan davranışını daha iyi modelleyebilmesi için yeni eğitim yaklaşımları ve simülasyon yöntemleri geliştiriyor. Amaç, robotların yalnızca görev yapmak değil, yanlarındaki insanı 'anlayarak' tepki verebilir hale gelmesi. Fabrikalardaki montaj hatlarından hastane koridorlarına kadar pek çok alanda insan-robot iş birliği giderek daha kritik bir hal alıyor. Bu nedenle robotik sistemlerin insan karmaşıklığına ayak uydurabilmesi, hem güvenlik hem de verimlilik açısından büyük önem taşıyor.
İnsansı Robotlar Artık Kanepeyi Bile Taşıyabilir
Robotik dünyasında insansı (humanoid) robotların günlük görevlerdeki yetkinliği hızla artıyor. Agility Robotics'in Digit robotu, ağır ve hantal nesneleri taşıma konusunda dikkat çekici bir performans sergiledi. Öte yandan araştırmacılar, iki ayaklı robotların hareket ederken taşıdıkları yüklerin sallanma sorununu çözmek için yeni bir yapay zeka mimarisi geliştirdi. ReST-RL adı verilen bu hiyerarşik pekiştirmeli öğrenme sistemi, yürüyüş kontrolü ile yük dengelemeyi birbirinden bağımsız katmanlara ayırıyor. Bu sayede robot, dinamik bir ortamda hareket ederken taşıdığı nesnenin titreşimini ayrı bir sistem üzerinden dengeleyebiliyor. Unitree G1 insansı robotu üzerinde başarıyla test edilen bu yaklaşım, simülasyon ortamında öğrenilen davranışların gerçek dünyaya doğrudan aktarılabildiğini, yani 'sıfır atışlı sim-to-real' transferinin mümkün olduğunu gösteriyor. İnsansı robotların yapılandırılmamış, gerçek yaşam ortamlarında güvenilir biçimde çalışabilmesi için bu tür mühendislik sorunlarının aşılması kritik önem taşıyor.
Takla mı, Arka Takla mı? Robotlara Karmaşık Hareketleri Öğreten Yeni Sistem
İnsansı ve hayvan benzeri bacaklı robotlar, fiziksel dünyada hareket edebilme potansiyelleri sayesinde ev ortamları ve kalabalık alanlardaki görevler için büyük umut vaat ediyor. Ancak bu robotların karmaşık bütünvücut hareketlerini hızla ve güvenilir biçimde sergileyebilmesi bugüne kadar ciddi bir mühendislik sorunu olarak kaldı. Araştırmacılar bu soruna yenilikçi bir çözüm geliştirdi: Hareket taklit etme üzerine kurulu yeni bir yapay zeka çerçevesi, üç farklı bacaklı robota takla, arka takla ve benzeri dinamik hareketleri başarıyla öğretti. Sistem, robotların önce referans hareketleri gözlemlemesine, ardından bu hareketleri kendi vücut yapılarına uyarlayarak pratikte uygulamasına olanak tanıyor. Bu yaklaşım, robotların her hareket için sıfırdan programlanması yerine örneklerden öğrenmesini sağlayarak geliştirme sürecini önemli ölçüde hızlandırıyor. Uzmanlar, bu tür hareket öğrenme sistemlerinin ilerleyen dönemde robotların günlük yaşama entegrasyonunu kolaylaştırabileceğini ve insanlarla aynı ortamda çalışan robotların hareket repertuvarını zenginleştirebileceğini belirtiyor.
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 ile Eğitilen Drone'lar Kovalamaca Oyununda Rakiplerini Geçiyor
Araştırmacılar, otonom drone'ları birbirini kovalayan oyuncular olarak kullanan yeni bir makine öğrenmesi sistemi geliştirdi. Sanal ödül mekanizmalarıyla eğitilen kaçan drone'lar, rakip drone'ların takibinden kurtularak üslerine ulaşmayı öğreniyor. Bu çalışma, yalnızca eğlenceli bir drone yarışmasından ibaret değil; otonom sistemlerin anlık karar verme, iş birliği ve strateji geliştirme becerilerini nasıl kazanabileceğini gösteren ciddi bir araştırma. Özellikle savunma, arama-kurtarma ve lojistik gibi alanlarda çok sayıda insansız hava aracının koordineli hareket etmesi gerektiğinde bu tür algoritmalar kritik önem taşıyor. Sistem, gerçek dünya koşullarına geçmeden önce sanal ortamda binlerce senaryo üzerinden eğitilerek hem hız hem de taktiksel zeka gerektiren durumlara hazırlanıyor. Makine öğrenmesinin oyun teorisiyle buluştuğu bu yaklaşım, otonom araçların karmaşık ve dinamik ortamlarda nasıl daha akıllıca davranabileceğine dair yeni bir perspektif sunuyor.
Yapay Zeka Hava Tahmininde Yeni Dönem: Modelleri Koordine Eden Çerçeve
Hava tahmini alanında tek bir yapay zeka modelinin tüm değişkenlerde, basınç seviyelerinde ve zaman dilimlerinde üstün performans göstermesi mümkün değil. Araştırmacılar bu sorunu farklı bir açıdan ele alarak, mevcut tahmin modellerini birbirleriyle rekabet ettirmek yerine akıllıca koordine eden yeni bir çerçeve geliştirdi. FTAE-Weather adı verilen bu sistem, derin pekiştirmeli öğrenme kullanarak hangi modele ne zaman ve nerede güvenileceğine dinamik olarak karar veriyor. Sistem iki farklı ajan üzerine kurulu: Biri anlık atmosfer durumunu okuyarak her değişken ve zaman ufku için farklı ağırlıklar atarken, diğeri düşük performanslı modelleri devre dışı bırakıp yeni yayımlanan modelleri sisteme dahil ediyor. Özellikle dikkat çekici olan, bu koordinasyon katmanının sisteme eklediği parametre sayısının mevcut modellerin yüzde 0,01'inden az olması. Buna karşın 10 farklı atmosferik değişkende en iyi bireysel modele kıyasla hata oranını yüzde 17 ila 78 arasında düşürdüğü rapor edildi. Bu yaklaşım, her yeni model çıktığında sıfırdan başlamak yerine mevcut birikimi akıllıca bir araya getirmenin ne denli etkili olabileceğini ortaya koyuyor.
Robotlar Gerçek Dünyada Daha İyi Öğreniyor: RL-100 Çerçevesi
Robotlar artık fabrikalardan hastanelere, ofislerden ev ortamlarına kadar pek çok alanda karşımıza çıkıyor. Ancak bu sistemlerin büyük çoğunluğu, kontrollü laboratuvar koşullarında sergiledikleri başarılı performansı gerçek dünyanın kaotik ortamında sürdürmekte zorlanıyor. Beklenmedik engeller, değişen ışık koşulları ya da insan müdahaleleri gibi dinamik etkenler, robotların önceden öğrendikleri görevleri sekteye uğratabiliyor. Bu soruna çözüm arayan araştırmacılar, RL-100 adı verilen yeni bir pekiştirmeli öğrenme çerçevesi geliştirdi. Bu yaklaşım, robotların karşılaştıkları beklenmedik durumlar karşısında öğrendikleri görevleri anlık olarak gözden geçirip uyarlamalarına olanak tanıyor. Başka bir deyişle robot, bir görev sırasında aksaklıkla karşılaştığında sıfırdan başlamak yerine mevcut bilgisini hızla yeniden kalibre edebiliyor. Gelişme, özellikle insan-robot iş birliğinin yoğunlaştığı alanlarda güvenilirlik açısından önemli bir adım olarak değerlendiriliyor.
Yapay Zeka mı, İnsan Zihni mi? Bilim İkisi Arasındaki Benzerlikleri Ortaya Koydu
Büyük dil modelleri (LLM'ler) çoğunlukla insan zihninden köklü biçimde farklı, 'yabancı' zekalar olarak değerlendirilir. Ancak yeni bir araştırma bu varsayımı sorguluyor. Bilişsel bilim alanında köklü destek bulan beş temel boyutta — çıkarımsal organizasyon, hesaplama mimarisi, temsil yapısı, tahmin odaklı öğrenme ve pekiştirmeli öğrenmeye benzer mekanizmalar — günümüz LLM sistemlerinin insan bilişiyle çarpıcı yapısal benzerlikler sergilediği ortaya konuluyor. Araştırmacılar, bu benzerliklerin salt yüzeysel ya da antropomorfik bir yansıma olmadığını; aksine zeka için evrensel sayılabilecek bazı organizasyon ilkelerinin hem biyolojik hem de yapay sistemlerde kendiliğinden ortaya çıktığına işaret ettiğini savunuyor. Fiziksel altyapı, öğrenme geçmişi ve etkileşim ortamı gibi temel farklılıklara karşın bu yakınsama, zeka kavramını yeniden düşünmemizi gerektiriyor. Bulgu, yapay zeka tasarımına ve insan bilişini anlamlandırma çabalarına yeni bir perspektif sunuyor.
Yapay Zeka, Molekülleri Kuantum Düzeyinde Kontrol Etmeyi Öğrendi
Fizikteki en temel simetriler ve karanlık madde gibi gizemler, hassas ölçüm yapabilen moleküller aracılığıyla araştırılabilir. Ancak bunun için moleküllerin tek bir saf kuantum durumuna getirilmesi gerekiyor; bu ise çok atomlu moleküllerin karmaşık iç yapısı nedeniyle son derece zorlu bir görev. Bir grup araştırmacı bu sorunu çözmek için pekiştirmeli öğrenmeyi (reinforcement learning) devreye soktu. Geliştirdikleri RL-QLS adlı sistem, bir yapay zeka ajanının lazer atımı dizilerini optimize etmesine ve her ölçüm sonrasında molekülün kuantum durumunu olasılıksal biçimde yönlendirmesine olanak tanıyor. Bu yaklaşım, standart modelin ötesindeki fizik araştırmalarında kullanılan moleküler iyon sensörlerini çok daha verimli hale getirebilir. Sistem özellikle iki atomlu moleküllerin ötesine geçerek daha karmaşık çok atomlu molekülleri de hedef alabiliyor; bu da deneysel fizik için önemli bir ilerlemeye işaret ediyor.
Yapay Zeka Hava Durumu Modellerini Kendi Kendine Ayarlıyor
Hava durumu ve iklim tahmin modelleri, atmosferin küçük ölçekli süreçlerini temsil etmek için 'parametrizasyon' adı verilen matematiksel şemalar kullanır. Bu şemalardaki katsayılar genellikle elle ayarlanır ve modelin gerçek atmosfere tam uyum sağlamasını zorlaştırır. Yeni bir araştırma, bu sabit katsayıların yerine pekiştirmeli öğrenme (RL) algoritmaları kullanarak modelin anlık durumuna göre dinamik olarak güncellenen fonksiyonlar geliştirdi. Yaklaşım; basit iklim yanlılığı düzeltmesi, radyatif-taşınımsal denge ve enerji denge modeli gibi farklı test ortamlarında denendi. Dokuz farklı RL algoritması karşılaştırıldığında, TQC, DDPG ve TD3 algoritmalarının en kararlı ve başarılı sonuçları verdiği görüldü. Hem tek ajanlı hem de çok ajanlı federe yapılar test edilerek yaklaşımın ölçeklenebilirliği de sınanmış oldu. Bu çalışma, iklim modellerindeki sistematik hataların azaltılmasına yönelik umut verici bir yol haritası sunuyor.
Yapay Zeka ile Elektrikli Balıkların Sosyal Davranışları Çözüldü
Zayıf elektrikli balıklar, çevrelerini algılamak ve birbirleriyle iletişim kurmak için vücutlarından zayıf elektrik alanları yayarlar. Bu ilgi çekici yeteneğin altında yatan kolektif davranışları anlamak, bilim insanları için uzun süredir büyük bir zorluk oluşturuyordu; zira aynı anda birden fazla balığın beyin aktivitesini kaydetmek hem maliyetli hem de teknik açıdan son derece güçtür. Yeni bir çalışmada araştırmacılar, bu sorunu alışılmışın dışında bir yöntemle aştı: Gerçek balıkları taklit eden yapay zeka ajanları oluşturdular ve bu ajanları çok etkenli pekiştirmeli öğrenme (MARL) yöntemiyle eğittiler. Sanal ortamda yetiştirilen bu yapay balıklar, şaşırtıcı biçimde gerçek balıklara özgü davranış örüntülerini kendiliğinden sergiledi. Kavisli yüzme yolları, elektrik organ deşarj aralıklarındaki istatistiksel dağılımlar ve sosyal hiyerarşi benzeri baskınlık ilişkileri bunların başında geliyor. Üstelik ajanlar, besin arama sürecinde aktif algılama ve grup içi iletişim gibi ortaya çıkan (emergent) davranışlar da geliştirdi. Çalışma yalnızca balık davranışlarını taklit etmekle kalmıyor; sanal müdahaleler aracılığıyla hangi faktörlerin bu kolektif davranışları yönlendirdiğini de ortaya koyuyor. Bu yaklaşım, doğrudan hayvan deneyleriyle yanıtlanması güç soruları bilgisayar ortamında test etme imkânı sunuyor.
İnsansı Robotları Eğitmenin Tuzağı: Uzaktan Kontrole Fazla Güvenmek
İnsansı robotların geliştirilmesinde uzaktan operasyon (teleoperation) vazgeçilmez bir eğitim aracı haline geldi. Ancak uzmanlara göre bu yönteme aşırı bağımlı olmak, robotik yapay zeka araştırmalarının önünde ciddi bir engel oluşturabilir. Flexion'ın CEO'su, uzaktan kontrolün insan hareketlerinden veri toplamak için güçlü bir yöntem olduğunu kabul etmekle birlikte, asıl ilerlemenin pekiştirmeli öğrenme (reinforcement learning) ve simülasyon ortamlarıyla mümkün olduğunu vurguluyor. Uzaktan operasyon, robotun gerçek dünyada nasıl hareket etmesi gerektiğini öğretmek için iyi bir başlangıç noktası sunuyor; ne var ki bu yöntem tek başına robotun bağımsız karar verebilme yeteneğini geliştirmiyor. Robotların karmaşık ve öngörülemeyen ortamlarda otonom biçimde işlev görebilmesi için sanal ortamlarda milyonlarca deneme-yanılma döngüsüne ihtiyaç var. Bu bağlamda simülasyon teknolojileri, fiziksel dünyada maliyetli ya da tehlikeli olabilecek senaryoları güvenle test etme imkanı tanıyor. Robotik alanındaki bu metodolojik tartışma, yapay zekanın gerçek anlamda özerk hale gelebilmesi için hangi eğitim stratejilerinin birlikte kullanılması gerektiğini bir kez daha gündeme taşıyor.
Beyin Dalgaları ve Yapay Zeka Aynı Anda Öğreniyor
Beyin-bilgisayar arayüzleri alanında önemli bir adım atıldı: Yeni bir çerçeve, insan beyninin öğrenme sürecini yapay zekanın eğitim döngüsüyle eş zamanlı olarak birleştiriyor. İnsan beyni, deneme-yanılma yoluyla yeni bağlantılar kurarken (nöroplastisite), makine öğrenmesi algoritmaları da matematiksel optimizasyon yöntemleriyle kendini güncelliyor. Bu iki süreç şimdiye kadar büyük ölçüde birbirinden bağımsız ele alınıyordu. Araştırmacılar, pekiştirmeli öğrenmeye dayalı insan nöroplastisitesini, sinir sinyallerini yorumlayan dekoderin gradyan tabanlı optimizasyonuyla açıkça ilişkilendiren bir model ortaya koydu. Böylece kullanıcı ve sistem, birlikte ve eş zamanlı olarak adapte oluyor. Bu yaklaşım; felç, ALS veya omurilik hasarı gibi motor kontrolü kaybeden bireyler için geliştirilen beyin-bilgisayar arayüzlerini çok daha işlevsel hale getirebilir. Hem biyolojik hem de matematiksel öğrenme döngülerini tek bir çatı altında toplamak, bu sistemlerin gerçek dünya koşullarında daha hızlı ve daha verimli çalışmasının önünü açıyor.
Yapay Zeka, Kimyasal Reaksiyonların En Kritik Noktasını Kendi Başına Buluyor
Kimyasal reaksiyonların nasıl gerçekleştiğini anlamak için bilim insanlarının belirlediği en önemli kavramlardan biri 'geçiş durumu'dur. Bu nokta, bir reaksiyonun enerji zirvesini temsil eder ve bulunması son derece güçtür. Geleneksel yöntemler hem çok fazla hesaplama gücü gerektiriyor hem de kullanıcının kimyasal sezgi ve deneyimine büyük ölçüde bel bağlıyor. Makine öğrenmesi tabanlı yaklaşımlar umut verse de büyük veri setlerine ya da başlangıç-bitiş noktalarının önceden bilinmesine ihtiyaç duyuyor. Araştırmacılar şimdi bu soruna farklı bir açıdan yaklaşan yeni bir model geliştirdi: Pekiştirmeli öğrenme algoritması olan 'soft actor-critic' yöntemiyle çalışan bu sistem, yalnızca reaktant ve ürün bilgisinden yola çıkarak potansiyel enerji yüzeyinde kendi başına gezinebiliyor. Sistem, kimyasal yapıyı adım adım güncelleyerek geçiş durumuna ulaşmayı öğreniyor. Bu gelişme, ilaç tasarımından malzeme bilimine kadar pek çok alanda reaksiyon mekanizmalarının keşfini hızlandırabilecek potansiyel taşıyor.
Bacaklı Robotlar İçin Yapay Zeka Destekli Yeni Kontrol Sistemi
Dört bacaklı robot köpekler gibi yürüyen robotlar, engebeli ve sürekli değişen ortamlarda güvenle hareket edebilmek için gelişmiş kontrol sistemlerine ihtiyaç duyuyor. Şu anda bu robotları programlamak için iki temel yöntem kullanılıyor: Model öngörülü kontrol ve modelsiz pekiştirmeli öğrenme. Ancak her iki yaklaşımın da ciddi kısıtları var. İlk yöntem gerçek dünya koşullarında doğru dinamik modeller oluşturmayı gerektirirken, ikinci yöntemle öğrenilen davranışlar eğitim sonrasında kolayca güncellenemiyor. Araştırmacılar, bu iki yöntemin sınırlılıklarını aşmaya yönelik yapay zeka destekli hibrit bir kontrol mimarisi geliştirerek bacaklı robotların hem esnek hem de güvenilir biçimde hareket etmesinin önünü açıyor.
Robot Eller İnsan Becerisine Yaklaşıyor: KinetIQ Ascend Çağı
Robotik alanında önemli bir gelişme yaşanıyor: Humanoid şirketi, geliştirdiği KinetIQ Ascend adlı pekiştirmeli öğrenme yaklaşımının, endüstriyel görevlerde insan hızında ve üzerinde %99,9 manipülasyon güvenilirliğine ulaşabildiğini açıkladı. Bu gelişme, insansı robotların fabrika ortamlarında gerçek anlamda kullanılabilirliği açısından kritik bir eşiği temsil ediyor. Pekiştirmeli öğrenme, yapay zekanın deneme-yanılma yoluyla öğrenmesini sağlayan bir yöntem olup özellikle karmaşık fiziksel hareketlerin öğretilmesinde son yıllarda büyük ilgi görüyor. Humanoid'in iddiasına göre KinetIQ Ascend, robotların ellerini ve parmaklarını kullanarak nesneleri tutma, yerleştirme ve işleme becerilerini insan düzeyine taşıyor. Eğer bu rakamlar bağımsız testlerle doğrulanabilirse, sektör için çarpıcı bir dönüm noktası olabilir. Uzmanlar, insan benzeri el becerisinin robotik sistemlerdeki en büyük teknik engellerden biri olmaya devam ettiğini uzun süredir vurguluyor. Bu haber, insansı robotların yalnızca kaba kuvvet gerektiren değil, hassas montaj ve paketleme gibi ince motor becerisi isteyen görevleri de üstlenebileceğine dair umutları güçlendiriyor.
Beyin Öğrenirken Sıkıştırıyor: Ödül Fonksiyonları ve Çalışma Belleği
İnsanlar yeni ve soyut hedeflere değer atfedebilir; bu da pekiştirmeli öğrenmeyi mümkün kılar. Ancak bu esneklik bilişsel açıdan maliyetlidir. Yeni bir araştırma, hedef odaklı öğrenmenin başlangıçta kapasitesi sınırlı olan çalışma belleğine dayandığını öne sürüyor. Deneyim arttıkça beyin, hedef kuralını basitleştirerek bir tür 'sıkıştırılmış' ödül fonksiyonu oluşturuyor ve bunu uzun süreli belleğe aktarıyor. Bu süreç, geri bildirim alındığında değerlendirmeyi neredeyse otomatik hale getiriyor; böylece çalışma belleği serbest kalıyor ve öğrenme verimliliği artıyor. Altı farklı deneyde test edilen bu model, hedef uzayının büyüklüğünün öğrenmeyi zorlaştırdığını, ancak bu uzayın sıkıştırmaya uygun bir yapıya sahip olması durumunda öğrenmenin hızlandığını gösteriyor. Ayrıca ödül sinyallerinin daha hızlı işlenmesinin daha iyi öğrenme performansıyla bağlantılı olduğu da saptandı. Çalışma, verimli hedef odaklı öğrenmenin merkezinde bilişsel sıkıştırma mekanizmalarının yattığını ileri sürüyor.
Dezenformasyon Beynimizin Öğrenme Süreçlerini Nasıl Manipüle Ediyor?
Dezenformasyonun demokrasiye verdiği zararlar uzun süredir tartışılıyor; ancak bu yanlış bilgilerin bireysel düzeyde nasıl etkili olduğu henüz tam anlaşılabilmiş değil. eLife Sciences dergisinde yayımlanan yeni bir araştırma, dezenformasyonun insanların öğrenme süreçlerindeki bilişsel önyargıları nasıl tetiklediğini inceledi. Araştırmacılar, pekiştirmeli öğrenme modellerinden yararlanarak katılımcıların güvenilirliği farklı kaynaklardan bilgi alırken nasıl karar verdiklerini ve bu süreçte ne tür hatalar yaptıklarını ölçtü. İki ayrı deneyde katılımcılara iki seçenekli bir piyango görevi verildi; kaynaklar zaman zaman gerçek sonuçlar hakkında yalan söyledi. Bu sayede ideal 'Bayes' öğrenme ilkelerine ne ölçüde uyulduğu, ne ölçüde sapıldığı hesaplanabildi. Sonuçlar, dezenformasyonun rastgele değil, tam da insanın öğrenme sistemindeki açıkları hedef alarak işlev gördüğünü ortaya koyuyor. Bu bulgu, yanlış bilgiyle mücadelede bireysel bilişsel süreçleri anlamanın ne denli kritik olduğunu bir kez daha gündeme taşıyor.
Beyin Karar Verirken Hangi Bölgeyi Kullanır? Maymunlarla Yanıt Bulundu
İnsanlar ve hayvanlar karar verirken iki farklı strateji kullanır: Durumu analiz edip sonuçları tahmin ederek hareket eden 'hedefe yönelik' sistem ve alışkanlıklara dayanan otomatik sistem. Nörobilimciler uzun süredir bu iki sistemin beyinde nerede ve nasıl çalıştığını araştırıyor. eLife dergisinde yayımlanan yeni bir çalışma, rhesus maymunlarında prefrontal korteks ve striatum bölgelerindeki tek nöron aktivitelerini kaydederek bu soruya somut yanıtlar sunuyor. Araştırmacılar özellikle dorsal anterior singulat korteks (ACC), dorsolateral prefrontal korteks (DLPFC), kaudat ve putamen bölgelerini inceledi. Bulgular, ACC'nin hem ödül bilgisini hem de ortamdaki olasılıksal geçişleri takip etmede kritik bir rol oynadığını ortaya koyuyor. Bu çalışma, hedefe yönelik davranışın nöral temellerini tek hücre düzeyinde aydınlatması bakımından alana önemli bir katkı sunuyor.
Bebeklerin Yuvarlanmayı Öğrenmesi Artık Yapay Zeka ile Simüle Ediliyor
Bebekler ilk motor gelişim adımlarından biri olarak sırtüstü pozisyondan yüzüstüne yuvarlanmayı öğrenir. Bu basit görünen hareket aslında tüm vücudun koordineli çalışmasını gerektiren karmaşık bir sensorimotor başarıdır. Araştırmacılar, MIMo adını verdikleri sanal bir bebek modeliyle bu süreci bilgisayar ortamında yeniden oluşturmayı başardı. Pekiştirmeli öğrenme yöntemiyle eğitilen bu dijital bebek, yalnızca dokunsal ve denge duyularını kullanarak yuvarlanmayı kendi kendine öğrendi. Dikkat çekici olan şu: modelin öğrendiği hareketler, gerçek bebeklerde gözlemlenen gelişimsel örüntülerle büyük ölçüde örtüşüyor. Yaş ilerledikçe performansın artması ve hareketlerin hızlanması gibi eğilimler yapay modelde de ortaya çıktı. Bu çalışma, bebeğin değişen vücut yapısının motor gelişimi nasıl şekillendirdiğini anlamak açısından önemli ipuçları sunuyor. Bedenin fiziksel kısıtlamaları ve olanakları, öğrenilen davranışları doğrudan etkiliyor. Araştırma, hesaplamalı modellerin gerçek bebek gelişimini incelemek için güçlü bir araç olabileceğini ortaya koyuyor.
Bebeklerden İlham Alan Keşif Algoritması Yapay Zekayı Hızlandırıyor
Bebeklerin rastgele görünen hareketleri aslında belirli bir örüntü izliyor ve bu örüntü, yapay zeka eğitimini iyileştirmek için kullanılabilir. Araştırmacılar, bebeklerin el ve ayak hareketlerinin güç spektral yoğunluklarını inceleyerek bu hareketlerin 'renkli gürültü' adı verilen zamansal olarak ilişkili bir süreç izlediğini keşfetti. Üstelik bu ilişkinin şiddeti bebeğin yaşıyla birlikte artıyor. Bu bulgudan yola çıkan ekip, pekiştirmeli öğrenme algoritmalarına bebek hareketi örüntülerini taklit eden yeni bir keşif mekanizması entegre etti. Geleneksel yaklaşımlarda algoritmalar, birbirinden bağımsız rastgele gürültüyle ortamı keşfederken bu yeni yöntem, zamansal korelasyonu eğitim ilerledikçe kademeli olarak artırıyor. Sonuçlar, bu bebek ilhamlı yaklaşımın standart keşif stratejilerine kıyasla daha akıcı ve kapsamlı bir durum uzayı taraması sağladığını ortaya koyuyor. Çalışma, biyolojik gelişim süreçlerinin yapay zeka tasarımına nasıl yeni perspektifler kazandırabileceğini somut bir örnekle göstermesi bakımından dikkat çekici.
Yapay Zeka Kimyasal Hesaplamaları 10 Kat Hızlandırdı
Bilim insanları, kimyasal hesaplamalardaki en büyük darboğazlardan birini yapay zeka ile çözdü. RLEASE adlı yeni sistem, moleküllerin elektronik yapısını hesaplamak için gereken 'aktif uzay' seçimini otomatikleştiriyor. Geleneksel yöntemlerde uzman kimyagerlerin sezgisine ve pahalı deneme-yanılma süreçlerine dayanan bu işlem, artık makine öğrenmesi ile saniyeler içinde gerçekleştirilebiliyor. Sistem, sinir ağları ve pekiştirmeli öğrenme kullanarak moleküllerin geometrisine bağlı olarak en uygun hesaplama stratejisini belirliyor. Küçük bir molekül seti üzerinde eğitilmesine rağmen, farklı molekül türlerine başarıyla uygulanabiliyor ve hesaplama maliyetini önemli ölçüde azaltıyor.
Yapay zeka ile görme yetisini geri kazandıran retina implantı geliştirildi
Yaşa bağlı makula dejenerasyonu ve retinitis pigmentoza gibi hastalıklar, gözün ışığa duyarlı hücrelerini tahrip ederek körlüğe neden olur. Bilim insanları bu soruna çözüm bulmak için epiretinal implantlar adı verilen mikroelektrot dizilerini kullanarak sağ kalan retina hücrelerini elektriksel olarak uyarmaya çalışıyor. Ancak mevcut implantlar, retina ganglion hücrelerinin akson demetleri boyunca uzanan çizgi benzeri şekiller oluşturuyor. Araştırmacılar, model tabanlı derin pekiştirmeli öğrenme kullanarak bu sorunu çözdü. Sanal hasta ortamında test edilen yeni yaklaşım, hem izotropik (dairesel) hem de anizotropik (çizgisel) uyarım şekillerini kullanarak retina üzerinde anlaşılabilir görüntüler oluşturabiliyor. Bu teknoloji, körlük tedavisinde önemli bir adım olarak değerlendiriliyor.
Düşerken Kendini Kurtaran Merdiven Çıkan Robot Geliştirildi
Singapur Teknoloji ve Tasarım Üniversitesi araştırmacıları, merdivenlerde çalışan servis robotları için çığır açan bir güvenlik sistemi geliştirdi. Pekiştirmeli öğrenme tabanlı bu sistem, robotu düştüğü anda kendini korumaya alması için eğitiyor. Otonom robotların merdivenlerde kullanımının önündeki en büyük engellerden biri olan düşme riski böylece büyük ölçüde azaltılıyor. Teknoloji, robotun düşme anını algılayarak refleks benzeri koruyucu hareketler yapmasını sağlıyor ve robotik güvenlik alanında önemli bir ilerleme temsil ediyor.