Badacze opracowali metodę zwaną Dimensional Balance, która usprawnia predykcję wieloskalowych procesów przestrzenno-czasowych. Technika polega na zrównoważeniu różnych wymiarów danych wejściowych w modelach deep learning, co zmniejsza błędy predykcji. Praca ma znaczenie dla aplikacji takich jak prognozy pogody, modelowanie klimatu i analiza ruchu — obszarów, gdzie dokładne przewidywanie zmiennych w czasie i przestrzeni jest kluczowe.