“rastgelelik” için sonuçlar
12 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
İnsanlar Nasıl Rastgele Davranır? Taş-Kağıt-Makas Oyunu Sürpriz Sonuçlar Verdi
Araştırmacılar, insanların ne kadar rastgele davranabildiğini ölçmek için taş-kağıt-makas oyununu kullandı. 9 katılımcıyla yapılan deneyde, insanlar bilgisayara karşı oynadığında belirli kalıplar sergiledi. Ancak başka bir insana karşı oynadığında durum değişti: bazı oyuncular beklenmedik şekilde çok daha rastgele davranış gösterdi. Bu bulgu, insan zihninin rastgelelik üretme yeteneğinin sosyal etkileşimle artabileceğini gösteriyor. Çalışma, bilişsel önyargılarımızı ve karar verme süreçlerimizi anlamak açısından önemli ipuçları sunuyor.
Sıcaklık ışığın rengini nasıl değiştiriyor? Yeni model LED'lerde devrim yaratabilir
Technion Teknoloji Enstitüsü araştırmacıları, malzemelerin sıcaklığa bağlı olarak yaydıkları ışığın özelliklerini açıklayan kapsamlı bir fiziksel model geliştirdi. Bu çalışma, bir malzemenin absorpsiyon, emisyon ve kuantum verimlilik özelliklerinin, sıcaklığa göre yaydığı ışığın temel karakteristiklerini nasıl etkilediğini ilk kez tam olarak açıklıyor. Modele göre, malzemenin özellikleri ve sıcaklığına bağlı olarak yayılan ışık renk, yoğunluk ve rastgelelik açısından değişiyor. Optica dergisinde yayımlanan bu keşif, gelişmiş ışık kaynakları, optik sensörler ve termal tabanlı fotonik sistemlerin tasarımında yeni olanaklar sunuyor. Araştırma özellikle LED teknolojisi ve sensör geliştirme alanlarında önemli ilerlemeler sağlayabilir.
Evrim Rastgele Değil: 120 Milyon Yıldır Aynı Genler Kullanılıyor
Yeni araştırma, evrim sürecinin düşünülenden çok daha öngörülebilir olabileceğini ortaya koyuyor. Bilim insanları, birbirinden uzak akraba olan kelebekler ve güvelerin 120 milyon yıldan fazla süredir aynı gen çiftini kullanarak benzer uyarı renklerini ürettiklerini keşfetti. Bu bulgular, evrimsel değişimlerin genlerin kendisini değiştirmek yerine, onların nasıl aktif edilip kapatıldığını değiştirerek gerçekleştiğini gösteriyor. Araştırma, yaşamın evrimsel yolculuğunun sanıldığından çok daha sistematik ve düzenli bir şekilde ilerlediği fikrini destekliyor. Bu keşif, evrim biyolojisindeki 'rastgelelik' kavramını yeniden sorgulatıyor.
Kuantum Bilgi Teorisinde Çığır Açan Keşif: Karmaşık Sistemlerde Rastgelelik Çözüldü
Fizikçiler, bir boyutlu etkileşen kuantum sistemlerde uzun zamandır çözülemeyen bir problemi aştılar. Tomonaga-Luttinger sıvısı adı verilen özel kuantum sistemlerde, rastgelelik düzeyini ölçen 'çerçeve potansiyeli' için kapalı bir formül geliştirdiler. Bu başarı, kuantum algoritmaların performansını değerlendirmede kritik öneme sahip. Araştırmacılar, düzensizlik içeren sistemlerde kuantum dinamiklerinin nasıl evrildiğini analitik olarak hesaplayabildiler. Bulgular, erken zamanlarda güç yasası şeklinde azalan ve daha sonra sabit bir değere ulaşan rastgelelik davranışı ortaya koyuyor. Bu teorik ilerleme, kuantum bilgisayar teknolojilerinin geliştirilmesi açısından önemli ipuçları sunuyor.
Rydberg Atomlarında Yeni Kuantum Fazı: 'Yüzen Faz' ve Sonsuz Rastgelelik
Bilim insanları, optik cımbızlarla tuzaklanmış Rydberg atom dizilerinde kuantum faz geçişlerinin doğasını değiştiren yeni bir keşif yaptı. Araştırma, deneysel düzeneklerdeki küçük kusurların beklenmedik sonuçlar doğurduğunu ortaya koyuyor. Cımbızların sınırlı genişliği atomlar arası mesafelerde ufak değişikliklere neden olurken, bu durum etkileşimlerde 'donmuş düzensizlik' yaratıyor. İki kritik rejimde önemli değişiklikler gözlemlendi: Birincisi, sistem büyüklüğü ve düzensizlik arttıkça temiz Ising geçişinden sonsuz rastgelelik sabit noktasına geçiş. İkincisi ise 'yüzen faz' olarak adlandırılan yeni bir kuantum fazının ortaya çıkışı. Bu bulgular, kuantum simülatörlerinin geliştirilmesi ve düşük boyutlu kuantum fiziğinin anlaşılması açısından büyük önem taşıyor.
DORA Explorer: Eğitim Gerektirmeden Yapay Zeka Ajanlarının Keşif Yeteneklerini Artırıyor
Büyük dil modelleri (LLM'ler) karar verme süreçlerinde hâlâ çeşitliliği sağlamakta zorlanıyor ve bu durum yetersiz keşif, yerel optimumlarda takılma gibi sorunlara yol açıyor. Araştırmacılar, Multi-Armed Bandit ve metin macera oyunları gibi ortamlarda mevcut çözüm stratejilerinin yetersiz kaldığını tespit etti. Sıcaklık ölçekleme gibi yöntemler token düzeyinde rastgelelik sağlasa da sekans düzeyinde yeterli çeşitliliği üretemiyor. Chain-of-Thought ve Tree-of-Thought gibi popüler yöntemler de güçlü keşif için yetersiz kalıyor. Bu sorunları çözmek için geliştirilen DORA Explorer, eğitime ihtiyaç duymayan ve eylem çeşitliliği odaklı sıralama yapan yenilikçi bir çerçeve sunuyor.
AI Bilgisayar Kullanım Ajanlarının Güvenilirlik Sorunu Ortaya Çıktı
Yapay zeka destekli bilgisayar kullanım ajanları, web gezinmesi ve masaüstü otomasyonu gibi gerçek dünya görevlerinde hızla gelişiyor ve bazen insan performansını bile geçiyor. Ancak yeni bir araştırma, bu ajanların tutarlılık konusunda ciddi sorunlar yaşadığını ortaya koyuyor. Aynı görevi bir kez başarıyla tamamlayan bir ajan, ikinci denemede başarısız olabiliyor. Araştırmacılar, bu güvenilirlik sorununu üç ana faktörle açıklıyor: yürütme sırasındaki rastgelelik, görev tanımındaki belirsizlik ve ajan davranışındaki değişkenlik. OSWorld platformu üzerinde yapılan analizler, güvenilirliğin hem görevlerin nasıl tanımlandığına hem de ajan davranışının farklı yürütmeler arasında nasıl değiştiğine bağlı olduğunu gösteriyor. Bu bulgular, AI ajanlarının pratik uygulamalarda kullanılabilmesi için yeni değerlendirme yöntemlerinin geliştirilmesi gerektiğini işaret ediyor.
LEPO: Yapay Zeka Modellerinin Akıl Yürütme Yeteneklerini Güçlendiren Yeni Yöntem
Araştırmacılar, büyük dil modellerinin akıl yürütme kapasitesini artırmak için LEPO adında yenilikçi bir framework geliştirdi. Bu yöntem, modellerin gizli katmanlarda çeşitli çözüm yolları keşfetmesini sağlayarak daha esnek düşünme süreçleri oluşturuyor. Geleneksel deterministik yaklaşımların aksine, kontrollü rastgelelik enjekte ederek modellerin farklı akıl yürütme stratejilerini deneyimlemesine olanak tanıyor. Pekiştirmeli öğrenme teknikleriyle birleştirilen bu yaklaşım, yapay zekanın problem çözme becerilerinde önemli bir ilerleme vaat ediyor. Çalışma, AI modellerinin daha yaratıcı ve çok boyutlu düşünme yetenekleri kazanması açısından kritik bir adım olarak değerlendiriliyor.
Büyük dil modellerini eğiten yeni algoritma: StoSignSGD geliştirme getirdi
Araştırmacılar, büyük yapay zeka modellerinin eğitiminde kullanılan SignSGD algoritmasının temel sorunlarını çözen yeni bir yöntem geliştirdi. StoSignSGD adı verilen bu algoritma, yapısal rastgelelik ekleyerek geleneksel yöntemin yakınsama problemlerini gideriyor. Özellikle dağıtık öğrenme ve büyük dil modellerinin eğitiminde önemli performans artışları sağlayan işaret tabanlı optimizasyon algoritmaları, pürüzsüz olmayan hedef fonksiyonlarda başarısız oluyordu. Yeni yaklaşım, bu sorunu çözerken matematiksel olarak yansız güncellemeler yaparak teorik garantiler sunuyor. Modern makine öğrenmesinde yaygın olan ReLU, max-pool gibi fonksiyonların neden olduğu zorlukları aşan bu geliştirme, yapay zeka modellerinin daha verimli eğitilmesi için önemli bir adım teşkil ediyor.
Yapay Zeka Modellerinin Güvenliği için Yeni Yaklaşım: Rastgele Tokenleştirme
Büyük dil modellerinin güvenlik açıklarına karşı dayanıklılığını artırmak için yeni bir yöntem geliştirildi. Araştırmacılar, metnin makine diline çevrilme sürecinde rastgelelik kullanmanın, modelleri siber saldırılara karşı daha dirençli hale getirdiğini keşfetti. Geleneksel yöntemlerle eğitilen modeller, metindeki küçük değişikliklere karşı kırılgan olabiliyorken, stokastik tokenleştirme adı verilen bu teknik modellerin iç temsillerini daha güçlü kılıyor. Çalışma, ön eğitim, denetimli ince ayar ve bağlam içi öğrenme gibi farklı öğrenme rejimlerinde bu yaklaşımın etkisini sistematik olarak inceledi. Sonuçlar, rastgele örneklenen tokenleştirme yönteminin hem rastgele hem de kasıtlı bozulmalara karşı dayanıklılığı önemli ölçüde artırdığını gösteriyor.
Dağıtık Optimizasyon Algoritmalarında Gerçek Dünya Gürültüsü Sorunu Çözüldü
Araştırmacılar, dağıtık makine öğrenmesi sistemlerinde karşılaşılan önemli bir sorunu çözdü. Geleneksel algoritmaların çoğu, idealize edilmiş 'hafif kuyruklu' gürültü modellerine dayalı olarak tasarlanıyor. Ancak gerçek hayatta veri bilimi ve istatistiksel öğrenme uygulamalarında, aykırı değerler ve ekstrem durumlar nedeniyle bu modeller yetersiz kalıyor. Yeni çalışma, sub-Weibull rastgelelik adı verilen daha gerçekçi bir gürültü modelini dağıtık optimizasyon çerçevesine entegre etti. DCSMD-SW algoritması ile dağıtık kompozit stokastik optimizasyon problemleri için yeni bir yaklaşım geliştiren araştırmacılar, yüksek olasılıklı yakınsama teorisi de ortaya koydu. Bu çalışma, büyük veri sistemlerinde ve yapay zeka uygulamalarında daha güvenilir sonuçlar elde edilmesini sağlayabilir.
Robot sürülerinin trafiğe takılma sorunu rastgelelik ile çözüldü
Harvard araştırmacıları, kalabalık ortamlarda çalışan robot sürülerinin karşılaştığı trafik sıkışıklığı problemine beklenmedik bir çözüm buldu. Robotların hareket rotalarına küçük rastgele sapmalar eklemek, onların birbirlerini bloke etmesini önlüyor ve genel verimliliği artırıyor. Bu basit değişiklik, düz çizgilerde hareket eden robotların aksine, hafif 'kıvrak' hareketlerle birbirlerinin yanından geçebilmesini sağlıyor. Araştırma, daha fazla robotun her zaman daha hızlı sonuç anlamına gelmediğini, aksine kalabalık ortamlarda işlerin tamamen durma noktasına gelebileceğini ortaya koyuyor. Bu keşif, gelecekte depo otomasyonu, kurtarma operasyonları ve akıllı şehir uygulamalarında kullanılacak robot sürüleri için önemli bir gelişme.