“tahmin modelleri” için sonuçlar
25 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Yapay Zeka ile Yağış Kontrolü: Aşırı Yağmuru Azaltmanın Yeni Yolu
Araştırmacılar, aşırı yağışları azaltmak için yapay zeka tabanlı hava durumu modellerini kullanarak yeni bir müdahale yöntemi geliştirdi. Geleneksel hava kontrol yöntemlerinden farklı olarak, bu yaklaşım doğrudan atmosferik koşullara müdahale etmek yerine, difüzyon tabanlı hava tahmin modellerinin örnekleme sürecini yönlendiriyor. Yöntem, gradyan tabanlı bir rehberlik çerçevesi kullanarak yağış miktarını azaltırken atmosferik dağılımla tutarlılığı koruyor. Aşırı yağışların neden olduğu toplumsal ve ekonomik zararlar düşünüldüğünde, bu teknoloji gelecekte doğal afetlerin etkilerini azaltmada önemli rol oynayabilir. Fiziksel tutarlılık açısından değerlendirilen sistem, hava kontrol alanında veri odaklı yaklaşımların potansiyelini gösteriyor.
İsviçre Alpleri'nde kontrollü ortamda 8 bin mini deprem yaratıldı
İsviçreli bilim insanları, deprem risklerini daha iyi anlayabilmek için İsviçre Alpleri'nin derinliklerinde kontrollü bir ortamda binlerce küçük çaplı deprem oluşturdu. Güney İsviçre'de gerçekleştirilen bu deneysel çalışmada, araştırmacılar yerkabuğunun davranışını yakından izleyerek sismik aktivitelerin doğasını inceledi. Bu tür kontrollü denemeler, doğal deprem süreçlerinin anlaşılmasında ve gelecekteki risklerin değerlendirilmesinde kritik öneme sahip. Çalışma, deprem tahmin modellerinin geliştirilmesi ve afet yönetimi stratejilerinin iyileştirilmesi açısından önemli veriler sağlıyor.
Yapay zeka hava tahminlerinde başlangıç hatalarının kritik rolü ortaya çıktı
Yapay zeka destekli hava tahmin modelleri artık geleneksel sayısal sistemlerle yarışabilir duruma geldi. Ancak çoğu model hala pahalı altyapılara bağımlı kalarak başlangıç koşulları için geleneksel veri asimilasyonu sistemlerini kullanıyor. Araştırmacılar, uydu ve konvansiyonel gözlemlerden doğrudan atmosfer durumunu haritalayan HealDA adlı yeni bir makine öğrenmesi tabanlı veri asimilasyon sistemi geliştirdi. Bu sistem, mevcut operasyonel sistemlere kıyasla daha az sensör kullanarak global ölçekte çalışabiliyor. Çalışma, yapay zeka hava tahmin modellerinin başlangıç koşullarındaki hataların önemini vurguluyor ve bu alandaki altyapı bağımlılığını azaltma potansiyeli gösteriyor.
Okyanus-Atmosfer Etkileşimi Hava Tahminlerini Nasıl Etkiliyor?
Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) araştırmacıları, okyanus ve atmosfer arasındaki etkileşimin hava tahminlerine olan etkisini inceledi. Çalışma, 46 günlük tahmin modellerinde okyanus-atmosfer bağlantısının rolünü araştırıyor. Okyanuslar, Dünya'nın iklim sistemi içinde ısıyı yeniden dağıtarak küresel ve bölgesel iklim değişkenliğini etkiliyor. Araştırma, daha yüksek çözünürlüklü modeller ve okyanustaki orta ölçekli hareketlerin daha iyi temsil edilmesinin tahmin kalitesini artırma potansiyelini değerlendiriyor. Bu tür çalışmalar, özellikle mevsim altı tahminler için kritik öneme sahip çünkü hava durumu ile iklim arasındaki geçiş döneminde yapılan tahminlerin doğruluğunu artırabilir.
Şehirler Küresel Isınma ve Kentleşmenin Çifte Etkisiyle Aşırı İklim Olaylarına Hazırlanıyor
Yeni bir araştırma, küresel ısınma ile kentleşmenin birlikte oluşturduğu sinerjik etkinin şehirlerdeki aşırı iklim olaylarını öngörülenden çok daha şiddetli hale getirdiğini ortaya koyuyor. Dünya genelindeki şehirler, bu iki faktörün doğrusal olmayan etkileşimi nedeniyle sıcak hava dalgaları, şiddetli yağışlar ve diğer ekstrem hava olayları karşısında giderek daha savunmasız duruma geliyor. Mevcut tahmin modellerinin yetersiz kaldığı bu duruma karşı biliminsanları, fizik ilkeleriyle yapay zeka teknolojilerini birleştiren yeni bir yaklaşım öneriyor.
Uzay-zaman verilerinde nedensellik haritası çıkaran yeni algoritma: M-CaStLe
Araştırmacılar, iklim modellemesi ve meteoroloji gibi alanlarda kullanılan karmaşık uzay-zaman verilerindeki neden-sonuç ilişkilerini ortaya çıkaran yeni bir algoritma geliştirdi. M-CaStLe adlı bu meta-algoritma, atmosfer ve okyanus bilimlerinde sıkça karşılaşılan yüksek boyutlu ızgara verilerindeki yerel nedensel yapıları tespit edebiliyor. Önceki CaStLe algoritmasının geliştirilmiş hali olan M-CaStLe, birden fazla değişkeni aynı anda analiz ederek hem değişken içi hem de çapraz değişken nedensel ilişkileri modelleyebiliyor. Bu yenilik, iklim sistemlerindeki karmaşık etkileşimleri anlamak ve tahmin modellerini geliştirmek açısından büyük önem taşıyor.
İklim Değişikliği Sel Riskini Nasıl Yeniden Şekillendiriyor?
Pennsylvania Üniversitesi'nin yeni araştırması, Ida Kasırgası'nın neden olduğu tarihi selin aslında yüzyılda bir görülen anormal bir olay değil, geleceğin habercisi olduğunu ortaya koyuyor. Araştırmacılar, iklim değişikliği, hızlı kentleşme ve yaşlanan altyapının bir araya gelerek sel riskini nasıl dramatik şekilde artırdığını inceledi. Çalışma, geleneksel sel tahmin modellerinin artık yetersiz kaldığını ve şehirlerin bu yeni gerçekliğe uyum sağlaması gerektiğini vurguluyor. Özellikle kentsel alanların artan sıcaklıkların etkisiyle daha sık ve şiddetli yağışlara maruz kalacağı öngörülüyor. Bu bulgular, sadece Philadelphia için değil, dünya genelindeki büyük şehirler için kritik öneme sahip uyarılar içeriyor.
Yapay Zeka Hava Tahmin Modelleri Aşırı Hava Olaylarında Test Edildi
Yapay zeka tabanlı hava durumu tahmin sistemlerinin aşırı hava olaylarını öngörmedeki başarısı araştırıldı. FuXi, GraphCast ve SFNO gibi deterministik modeller sayısal hava tahminleriyle rekabet edebilir seviyeye ulaşmış olsa da, belirsizlikleri temsil etme ve aşırı olayları yakalama konularında hâlâ sınırları bulunuyor. Araştırmacılar, bu modellerin başlangıç koşul değişikliklerine nasıl tepki verdiğini inceleyerek, Pakistan'daki 2022 sel felaketi ve Çin'deki sıcak hava dalgası örneklerinde test ettiler.
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 Hava Modelleri İklim Geri Bildirimlerini Tahmin Edebilir
Bilim insanları, makine öğrenmesi tabanlı hava tahmin modellerinin iklim değişikliğinin hızlı etkilerini analiz etmek için kullanılabileceğini keşfetti. İklim sisteminin sera gazlarına verdiği tepki hızlı ve yavaş geri bildirimler olmak üere ikiye ayrılıyor. Yavaş geri bildirimler onlarca yıl süren okyanus sıcaklığı değişimlerine bağlıyken, hızlı geri bildirimler haftalık atmosferik süreçlerle aktive oluyor. Bu hızlı süreçler günümüz ikliminde zaten işlevde olduğu için, tarihsel meteorolojik verilerle eğitilmiş yapay zeka modelleri bu fiziksel süreçleri içeriyor. Araştırmacılar, bu durumun iklim tahminlerinde yeni fırsatlar sunduğunu belirtiyor.
Salgın Tahminleme için Dev Veri Seti: 100 Yıllık Hastalık Verisi Tek Çatıda
Araştırmacılar, salgın hastalıkların seyrini önceden tahmin edebilmek için IDOBE adlı kapsamlı bir veri sistemi geliştirdi. Bu sistem, son yüzyılda ABD ve dünya genelinde görülen 13 farklı hastalığa ait 10.000'den fazla salgın vakasını içeriyor. COVID-19 pandemisi sırasında da görüldüğü gibi, salgınların seyrini doğru tahmin etmek halk sağlığı önlemlerinin zamanında alınması için kritik önem taşıyor. Ancak şimdiye kadar bu tür tahmin modellerini test edecek standart veri setleri eksikti. IDOBE, makine öğrenmesi ve istatistiksel modellerin performansını değerlendirmek için gerekli altyapıyı sunuyor.
Tıbbi Tahmin Modellerinin Farklı Hasta Gruplarında Güvenilirliği Artırıldı
Araştırmacılar, tıbbi prognostik modellerin farklı hasta grupları ve hastaneler arasında daha güvenilir çalışması için yeni stratejiler geliştirdi. Altı farklı cerrahi merkezden toplanan verilerle yapılan çalışmada, mevcut model doğrulama yöntemlerinin eksiklikleri ortaya kondu. Geleneksel yaklaşımda başarılı dış doğrulamanın model genelleştirilebilirliğini garanti etmediği gösterildi. Bunun yerine iki tamamlayıcı yaklaşım önerildi: model geliştiriciler için meta-analiz verilerine dayalı 'ortalamada en iyi' model eğitimi ve son kullanıcılar için kohort uygunluğu değerlendirme sistemi. Bu yenilik, yapay zeka destekli tıbbi karar destek sistemlerinin farklı hasta gruplarında daha güvenilir sonuçlar vermesini sağlayabilir.
Yapay Zeka ile Gelecek Tahmini: Bayes Yaklaşımında Çığır Açan Sistem
Stanford araştırmacıları, yapay zekanın geleceği tahmin etme becerisini dramatik şekilde geliştiren yeni bir sistem geliştirdi. BLF (Bayesian Linguistic Forecaster) adlı bu sistem, sayısal verilerle doğal dil işlemeyi birleştirerek, mevcut en iyi yöntemleri geride bıraktı. Sistem, her adımda güncellenen Bayes temelli inanç durumları, çoklu deneme agregasyonu ve hiyerarşik kalibrasyon gibi üç temel yenilik içeriyor. ForecastBench test platformunda 400 farklı soru üzerinde yapılan denemelerde, diğer tüm açık kaynak yöntemlerden üstün performans sergiledi. Bu gelişme, finans piyasalarından iklim değişikliğine kadar birçok alanda daha güvenilir tahminler yapılmasının önünü açabilir.
Yapay Zeka Zaman Serilerini Daha İyi Anlayacak: Yeni İstatistiksel Özellik Çıkarma Yöntemi
Araştırmacılar, karmaşık stokastik süreçlerden oluşan zaman serilerinden en bilgilendirici özellikleri çıkarmak için yeni bir yöntem geliştirdi. Itô tipi stokastik diferansiyel denklemlerle modellenen zaman serilerinde, sadece gözlemlenen verilerden yararlanarak gelecek tahminleri yapmayı hedefleyen bu yaklaşım, finansal piyasalardan iklim verilerine kadar birçok alanda kullanılabilir. Yöntem, zaman serilerinin davranış kalıplarını istatistiksel olarak ayarlanmış karışım modelleriyle analiz ediyor ve ek bilgiye ihtiyaç duymadan sadece mevcut veri setindeki bilgileri kullanıyor. Bu gelişme, yapay zeka sistemlerinin zaman serileri tahminlerinde daha başarılı olmalarını sağlayabilir.
Yapay Zeka Uzamsal-Zamansal Verileri Daha Doğru Tahmin Etmeyi Öğreniyor
Araştırmacılar, şehir trafiği, hava durumu ve epidemiyoloji gibi alanlarda kullanılan uzamsal-zamansal tahmin modellerini geliştiren yeni bir yapay zeka sistemi tasarladı. Geleneksel yöntemler, yerel değişimlerin etkilerini modellemekte zorlanırken, yeni sistem 'sheaf difüzyon' adı verilen matematiksel yaklaşımla bu sorunu çözüyor. Model, her bölgenin kendine özgü özelliklerini dikkate alarak zaman içinde adapte olan dinamik haritalar oluşturuyor. Bu sayede trafik akışı, hava durumu değişiklikleri veya hastalık yayılımı gibi karmaşık sistemlerdeki yerel farklılıkları daha başarılı şekilde modelleyebiliyor.
Yapay zeka cihazları karbon emisyonunu %60 azaltacak akıllı batarya teknolojisi
Araştırmacılar, milyarlarca akıllı cihazın çevresel etkisini azaltmak için yenilikçi bir çözüm geliştirdi. FM-CAC adlı sistem, bataryaları akıllı tampon olarak kullanarak cihazların düşük karbonlu enerji kaynaklarından maksimum faydalanmasını sağlıyor. Sistem, zaman serisi tahmin modelleri kullanarak karbon emisyon seviyelerini önceden hesaplıyor ve buna göre cihazların enerji tüketimini optimize ediyor. Bu teknoloji, sürekli çalışan yapay zeka uygulamalarının çevresel etkisini önemli ölçüde azaltırken performansı koruyor. Özellikle kenar bilişim cihazlarında büyük potansiyel gösteriyor.
Belirsizliklerle Dolu Sistemler İçin Yeni Tahmin Yöntemi Geliştirildi
Araştırmacılar, stokastik dinamik sistemlerin gelecekteki durumlarını tahmin etmek için yenilikçi bir yöntem geliştirdi. Bu sistemlerin davranışlarını öngörmek, eksik veya hatalı veri nedeniyle oldukça zorlu. Yeni geliştirilen 'dağıtımsal olarak gürbüz olasılıksal tahmin' çerçevesi, en kötü senaryolar için bile garanti veren tahminler yapabilmekte. Matematiksel olarak karmaşık olan bu problem, fonksiyon uzaylarından Öklid uzaylarına dönüştürülerek çözülebilir hale getirildi. Bu yaklaşım, belirsizliklerle dolu ortamlarda daha güvenilir tahminler yapılmasına olanak sağlayarak, finans, iklim modelleme ve mühendislik uygulamaları için önemli gelişmeler sunuyor.
Yapay zeka modellerinin tahmin yetenekleri yeni test yöntemiyle ölçülecek
Araştırmacılar, büyük dil modellerinin sayısal tahmin yapma becerilerini değerlendirmek için QuantSightBench adlı yeni bir test sistemi geliştirdi. Mevcut değerlendirmeler genellikle basit evet-hayır sorularıyla sınırlı kalırken, gerçek hayatta ekonomi, halk sağlığı ve demografik analizler gibi alanlarda sürekli sayısal değerler üzerinden tahminler yapılması gerekiyor. Yeni sistem, yapay zekanın belirsizlik içinde karar verme ve ölçek farkındalığı gibi kritik yeteneklerini test ediyor.
Yapay zeka tahminlerinde belirsizlik ölçümü için yeni yöntem geliştirildi
Araştırmacılar, zaman serisi tahminlerinde belirsizliği ölçebilen yeni bir yapay zeka modeli geliştirdi. LbCNNM-MQR adlı bu yöntem, sadece gelecekteki değerleri tahmin etmekle kalmayıp, bu tahminlerin ne kadar güvenilir olduğunu da belirleyebiliyor. Geleneksel tahmin modelleri genellikle tek bir sayısal değer üretirken, yeni sistem tahminlerin hangi aralıkta olabileceğini gösteren güven aralıkları sunuyor. Bu özellik, özellikle kritik kararlarda belirsizliği hesaba katmak zorunda olan finans, sağlık ve enerji sektörlerinde büyük önem taşıyor. Sistem, evrişimli düşük-rank özelliklerini kullanan LbCNNM yöntemiyle, değiştirilmiş kantil regresyon tekniğini birleştirerek çok adımlı tahminler yapabiliyor.
Yeni Normalizasyon Tekniği Yapay Zeka Tahmin Modellerini Güçlendiriyor
Araştırmacılar, uzamsal-zamansal verilerdeki dağılım kaymasını çözmek için Tersine Çevrilebilir Artık Normalizasyon (RRN) adlı yenilikçi bir framework geliştirdi. Bu teknik, grafik yapılarında hem zamansal hem de mekansal boyutlarda ortaya çıkan veri dağılım değişikliklerini ele alarak, derin öğrenme modellerinin tahmin performansını önemli ölçüde artırıyor. Geleneksel yöntemler sadece zaman serisindeki değişimlere odaklanırken, RRN grafik konvolüsyon işlemlerini kullanarak ağ yapısının karmaşık özelliklerini de dikkate alıyor. Bu gelişme, trafik tahmini, hava durumu modelleme ve epidemiyoloji gibi birçok alanda uygulanabilir.
Siber güvenlik açıklarını önceden tahmin etmek mümkün mü?
Araştırmacılar, siber güvenlik açıklarının ne zaman ve nasıl ortaya çıkacağını önceden tahmin edebilecek yapay zeka modelleri geliştiriyor. Çalışma, güvenlik açıklarına ilişkin kanıtların, tartışmaların ve saldırı şablonlarının zaman içindeki dağılımını analiz ederek gelecekteki tehditleri öngörmeyi hedefliyor. Transformer tabanlı VLAI modeli ile geliştirilen sistem, güvenlik açıklarının önem derecelerini metinsel açıklamalardan çıkararak zaman serisi tahminlerini iyileştirmeye çalışıyor. Ancak siber güvenlik verilerinin seyrek, düzensiz ve ani patlamalar gösteren yapısı, geleneksel tahmin modellerinin etkinliğini sınırlıyor. Araştırma, SARIMAX gibi istatistiksel modellerin bu tür veriler için yetersiz kaldığını ve çok geniş güven aralıkları ürettiğini ortaya koyuyor.
Trafik tahminlerini olasılıklı hale getiren yeni yaklaşım geliştirildi
Araştırmacılar, mevcut trafik tahmin modellerini olasılıklı tahmin yapabilen sistemlere dönüştüren yenilikçi bir yöntem geliştirdi. Bu yaklaşım, modellerin yalnızca son katmanını değiştirerek belirsizlik ve rastlantısallık faktörlerini hesaba katmalarını sağlıyor. Gaussian Karışım Modeli kullanan sistem, mevcut eğitim süreçlerini değiştirmeden uygulanabiliyor ve sadece Negatif Log-Olabilirlik kaybı ile çalışıyor. Çoklu trafik veri setlerinde yapılan deneyler, yöntemin klasik ve modern model mimarilerine uyum sağladığını ve deterministik performansı koruduğunu gösteriyor. Kentsel ulaşım yönetiminde kritik öneme sahip trafik tahmini, bu sayede daha güvenilir ve belirsizlikleri içeren sonuçlar üretebilecek.
Öneri Sistemlerinde Yoğun Bağlantılar Yerine Seyrek Yapılar Daha Etkili
Araştırmacılar, öneri sistemlerinde yaygın kullanılan yoğun sinir ağı modellerinin aslında verimsiz olduğunu keşfetti. Endüstriyel tıklama oranı tahmin modellerinin analizi, öğrenilen bağlantı ağırlıklarının çoğunun sıfıra yaklaştığını ve sadece küçük bir kısmının önemli kaldığını gösteriyor. Bu durum, yoğun bağlantılı mimariler ile seyrek öneri verisi arasında yapısal bir uyumsuzluğa işaret ediyor. Geleneksel yaklaşımlar, modeli düşük faydalı bağlantıları işlemeye zorlarken gerçek sinyalleri gözden kaçırıyor. Araştırma ekibi, bu sorunu çözmek için açık seyreklik kullanan yeni bir çerçeve önerdi ve böylece öneri sistemlerinin ölçeklenebilirliğini artırmayı hedefliyor.
Zaman Serisi Tahminlerinde Devrim: TempusBench Değerlendirme Sistemi Geliştir
Araştırmacılar, zaman serisi tahmin modellerinin performansını değerlendirmek için yeni bir framework olan TempusBench'i geliştirdi. Mevcut değerlendirme sistemlerinin yetersizliklerini gidermek amacıyla tasarlanan bu sistem, güncel veri setleri kullanıyor ve modellerin istatistiksel özelliklerini daha kapsamlı analiz ediyor. TempusBench, özellikle son dönemde hızla gelişen temel zaman serisi modellerinin (TSFM) daha objektif karşılaştırılmasını sağlıyor. Bu gelişme, finans, enerji ve iklim tahminlerinde kullanılan yapay zeka modellerinin güvenilirliğini artırabilir.