Doğadaki pek çok sistem; atmosfer, okyanus akıntıları ya da biyolojik ritimler gibi, birbirine sıkıca bağlı ve çok ölçekli dinamikler sergiler. Bu örüntüleri matematiksel olarak modellemek, özellikle elimizde yalnızca kısa ve sınırlı gözlem verileri bulunduğunda son derece güçleşmektedir. Geleneksel sonlu boyutlu stokastik modeller ise bu tür zengin frekans içerikli davranışları yakalamakta yetersiz kalmaktadır.
Yeni çalışmada araştırmacılar, bu kısıtı aşmak amacıyla Çok Katmanlı Stokastik Hiyerarşik Gecikme Modelleri'ni (MSHGM) önerdi. Yöntemin özünde, sistemin geçmiş durumlarını da hesaba katan gecikmeli diferansiyel denklemler yatmaktadır. Bu yapı, modelin etkin olarak sonsuz boyutlu bir durum uzayında çalışmasını sağlamakta; böylece standart modellerin üretemediği yüksek spektral yoğunluğa ulaşılabilmektedir.
Modelin kalibrasyonu için ekip, çevrimdışı ve çevrimiçi aşamaları harmanlayan hibrit bir Bayesci optimizasyon algoritması geliştirdi. Algoritma, geleneksel yörünge eşleme yöntemlerinin tıkandığı noktalarda devreye girerek en uygun gizli koordinatları ve sürekli çerçeveleri özerk biçimde öğrenmektedir. Bu sayede hassas model yapıları, kısa gözlem serilerinden dahi güvenilir şekilde kalibre edilebilmektedir.
Çalışmanın öne çıkan bir diğer avantajı, derin sinir ağlarına olan bağımlılığı ortadan kaldırmasıdır. Büyük veri setleri gerektiren bu ağların aksine MSHGM, matematiksel yapısını veri verimliliği sağlayacak biçimde tasarlamaktadır. Bu özellik, gözlem kayıtlarının doğası gereği kısa ya da seyrek olduğu iklim bilimi, oşinografi ve benzeri disiplinler için özellikle değerli görünmektedir.
Araştırmacılar, yöntemi özellikle atmosfer ve okyanus bilimlerindeki salınımlı ve modüle edilmiş sinyallerin analizine yönelik konumlandırsa da çerçevenin evrensel yapısı, nörobilimden malzeme bilimine pek çok alanda uygulanabilir nitelik taşımaktadır. Sonuçlar, karmaşık sistemlerin matematiksel modellenmesinde hem teorik hem de hesaplamalı açıdan anlamlı bir adım olarak değerlendirilmektedir.