UCLA araştırmacıları, deepfake videoları hızlı ve doğru biçimde belirlemek için ışık kullanan yeni bir optik-nöral işlemci geliştirdi. Geleneksel dijital sistemler videoları genellikle sırayla incelerken bu teknoloji, tek bir optik geçişte 15 veya daha fazla video akışını eşzamanlı analiz edebiliyor. Çalışma, “Scalable, Energy-Efficient Optical-Neural Architecture for Multiplexed Deepfake Video Detection” başlığıyla eLight’ta yayımlandı.
Sistemde hafif bir dijital kodlayıcı, videoların uzamsal, spektral ve zamansal özelliklerini kompakt bilgiye dönüştürüyor. Bu bilgi, programlanabilir bir uzamsal ışık modülatöründe faz desenine çevriliyor. Ardından optik dalga cephesi, serbest uzay tabanlı pasif optik kod çözücüden geçiyor ve eşleştirilmiş optik dedektörler her video için doğrudan gerçeklik skoru üretiyor. Böylece yoğun dijital hesaplama gerektiren kod çözme işleminin bir bölümü ışığın kırınımıyla gerçekleştiriliyor.
Görünür ışıkla yapılan deneylerde işlemci, her optik geçişte 15 Celeb-DF videosunu aynı anda inceledi. Ortalama doğruluk 97.79%, duyarlılık 99.86% ve özgüllük 95.72% oldu. Duyarlılık sonucuna karşılık yanlış negatif oranı yaklaşık %0,14 olarak hesaplandı. Kapasite 18 videoya çıkarıldığında doğruluk 96.13% seviyesinde kaldı. Daha zor deepfake manipülasyonlarında pasif optik kod çözücüye iki optimize edilmiş kırınımlı katman eklenmesi, doğruluğu yaklaşık %6.8 artırdı. Bu pasif yapılar ek elektrik gücü gerektirmeden optik hesaplama yapıyor.
Araştırmacılar sistemi, Google’ın VEO-3 modeliyle üretilen ve daha önce görülmemiş videolarda da denedi. Sınırlı ince ayarla doğruluk 94.80%, duyarlılık 97.61% oldu. İşlemci ayrıca kara-kutu karşıt saldırılarına direnç gösterdi ve beyaz-kutu saldırılarına karşı donanımsal koruma sağladı. Görüntü gürültüsü, bulanıklık, JPEG sıkıştırması ve deneysel hizalama hatalarında da çalışmayı sürdürdü.
UCLA ekibi, sistemi gelişmiş dijital dedektörlerin yerine geçecek bir araçtan çok, yüksek hacimli videoları tarayan ilk savunma katmanı olarak tasarladı. Şüpheli içerikler daha ayrıntılı dijital modellere aktarılabilecek. Yaklaşımın içerik denetimi, medya doğrulama, gözetim ve güvenlik odaklı yapay zekâ uygulamalarında kullanılabileceği belirtildi. Çalışmaya Parnian Ghapandar Kashani, Dr. Shiqi Chen ve Professor Aydogan Ozcan katkı sağladı.
Arka plan
Nearly, FikirPilot arşivinde yeni bir ad değil: son 90 günde bu adın geçtiği 4 haber yayımladık; en yenisi 29 Eylül 2026 tarihli.