Araştırmacılar, karmaşık zaman serilerindeki çok ölçekli yapıları analiz etmek için MF-toolkit adında yeni bir Python kütüphanesi geliştirdi. Bu araç, özellikle yerçekimi dalgası verilerindeki gizli desenleri otomatik olarak tespit edebiliyor. Geleneksel analiz yöntemlerinde araştırmacıların subjektif kararlar vermesi gereken durumları elimine eden kütüphane, tamamen otomatik algoritmalara sahip. Çoklu fraktal analiz olarak bilinen bu teknik, doğal sistemlerdeki karmaşık desenlerini anlamak için kritik öneme sahip. Yeni geliştirilen araç, veri analizi sürecindeki insan kaynaklı hataları minimize ederek daha güvenilir sonuçlar elde edilmesini sağlıyor. Paralel işlem desteğiyle yüksek performans sunan kütüphane, bilim insanlarının büyük veri setlerini daha hızlı analiz etmelerine olanak tanıyor.

Araştırmacılar, finansal verilerin gizlilik risklerini ortadan kaldırmak için yapay zeka kullanarak sentetik kripto para verisi üretme yöntemini geliştirdi. Çalışmada, Koşullu Üretken Çekişmeli Ağlar (CGAN) teknolojisi kullanılarak gerçek piyasa verilerine benzer ancak tamamen yapay olan zaman serileri oluşturuldu. LSTM tabanlı üretici ağ ve MLP ayırt edici ağın birleşiminden oluşan sistem, kripto para piyasalarının karmaşık dinamiklerini başarıyla taklit ediyor. Bu yaklaşım, gerçek finansal verileri paylaşmanın yaratacağı gizlilik sorunlarını çözerken, araştırma kurumlarına ve finansal kuruluşlara güvenli veri erişimi sağlıyor. Farklı kripto varlıklar üzerinde yapılan deneyler, modelin piyasa trendlerini ve zamansal kalıpları koruyarak istatistiksel olarak tutarlı sentetik veriler üretebilğini gösteriyor.

Araştırmacılar, matris üstel fonksiyonlarının hesaplanmasında devrim yaratacak yeni bir yöntem geliştirdi. Geleneksel yöntemlerin aksine, bu teknik belirli bir zaman aralığındaki tüm değerleri aynı anda hesaplayabiliyor. Yıldız-çarpım yaklaşımı olarak adlandırılan bu yöntem, ortogonal polinom serileri kullanarak hesaplamaları büyük ölçüde hızlandırıyor. Bilim insanları, bu tekniğin mühendislikten fiziğe kadar birçok alanda kullanılan diferansiyel denklem çözümlerini önemli ölçüde iyileştireceğini belirtiyor. Yapılan testlerde yeni yöntemin hem doğruluk hem de hız açısından mevcut teknikleri geride bıraktığı kanıtlandı.

Araştırmacılar, büyük dil modellerinin rehberliğinde evrimsel arama kullanarak basit ve anlaşılır algoritmalar keşfeden EVIL adlı yeni bir yaklaşım geliştirdi. Bu sistem, büyük veri setleri üzerinde sinir ağları eğitmek yerine, farklı veri setlerinde sıfır-atışlı çıkarım yapabilen saf Python/NumPy programları evrimleştiriyor. Sistem üç farklı alanda test edildi: zamansal nokta süreçlerinde bir sonraki olayı tahmin etme, Markov atlama süreçleri için oran matrisi tahmini ve zaman serisi tamamlama. Her durumda, evrimleşen tek bir algoritma tüm değerlendirme veri setlerinde veri seti başına özel eğitime ihtiyaç duymadan genelleme başarısı gösterdi. Bu çalışma, LLM destekli program evriminin dinamik sistemler problemleri için tek bir kompakt çıkarım fonksiyonu keşfedebileceğini gösteren ilk araştırma olma özelliği taşıyor.