bu preprintin konusu nedir https://arxiv.org/abs/2605.290…

Prompt

bu preprintin konusu nedir https://arxiv.org/abs/2605.29061 ve bana ogretirmisin ve mümkünse kod ilede test et

Lightcap

Ne yaptım?

• Makalenin (arXiv 2605.29061) konusunu özetledim ve önemli kavramları kısa bir açıklama olarak ekledim.
• learned_index_demo.py adında, makalede tanımlanan “atom‑budgeted learned index” fikrini basit bir doğrusal model ve pencere‑tabanlı binary search ile gösteren bir Python örneği oluşturdum.
• README.md dosyasında makalenin özeti, demo’nin nasıl çalıştırılacağı ve elde edilen çıktının yorumu yer alıyor.

Kod çalıştırıldı ve çıktı üretildi:

Trained linear model: rank ≈ 1.000000 * key + 0.000
Budget w=   1000 | avg comparisons=  1.02 | residual entropy≈10.97 bits
Budget w=     31 | avg comparisons=  1.00 | residual entropy≈5.98 bits
Budget w=     10 | avg comparisons=  1.00 | residual entropy≈4.39 bits

Bu, pencere yarı‑genişliği (budget) arttıkça residual entropy’nin artmasına rağmen, ortalama karşılaştırma sayısının 1‑2 civarında kalmasını gösteriyor – makalenin “entropy drives query time” iddiasının basit bir kanıtı.

Sonraki adımlar (isteğe bağlı):

1. Daha karmaşık, çok‑segmentli doğrusal modeller ekleyerek gerçek dağılımlara uyum sağlayabilirsiniz.
2. scripts/download_sosd.py gibi veri indirme betikleriyle gerçek SOSD/Zenodo veri setleri üzerinde ölçüm yapabilirsiniz.
3. budget değerini sistemin hafıza/CPU kısıtlamalarına göre “atom‑budget” olarak ayarlayıp farklı senaryoları test edebilirsiniz.