Bilim insanları karmaşık sistemleri anlamak için deney yaparken önemli bir sorunla karşılaşıyor: sınırlı kaynaklarla hangi parametreleri ölçmeliler ki en fazla bilgiyi elde etsinler? Bu soruya yanıt bulmak için kullanılan Bayesian deney tasarımı yöntemleri, hesaplama açısından oldukça zorlu.
Araştırmacılar bu problemi çözmek için yeni bir yaklaşım geliştirdi. Geleneksel yöntemler ikilemin karşısında kalıyor: ya her örnek için ayrı hesaplama yaparak yüksek doğruluk elde ediyorlar ama çok yavaş çalışıyorlar, ya da hızlı olmak için doğruluktan ödün veriyorlar.
Yeni teknik, 'gruplandırılmış geometrik havuzlama' yaklaşımını kullanıyor. Bu yöntemde, benzer özelliklere sahip örnekler gruplara ayrılıyor ve her grup için ortak bir model oluşturuluyor. Bu sayede hem hesaplama hızı korunuyor hem de doğruluk artırılıyor.
Ensemble Kalman yöntemleriyle desteklenen bu yaklaşım, özellikle fizik, mühendislik ve çevre bilimlerinde karmaşık sistemlerin analizinde kullanılabilir. Araştırmacılar artık daha az hesaplama gücüyle daha iyi deney tasarımları yapabilecek.