💻 computer science

Multi-term fractional linear equations modeling oxygen subdiffusion through capillaries

यह शोध पत्र एक रेगुलराइज़र तकनीक को अनुकूलित करके केशिकाओं (कैपिलरीज) के माध्यम से ऑक्सीजन सबडिफ्यूजन को मॉडल करने वाले मल्टी-टर्म फ्रैक्शनल लीनियर समीकरणों की वैश्विक शास्त्रीय समाधान क्षमता (ग्लोबल क्लासिकल सॉल्वेबिलिटी) को स्थापित करता है, जिससे कनवल्शन कर्नेल पर मानक गैर-ऋणात्मकता (नॉन-नेगेटिविटी) की धारणा को हटाया जा सके, और साथ ही इस समस्या को संख्यात्मक दृष्टिकोण से भी संबोधित करता है।

मूल लेखक: Vittorino Pata, Sergii Siryk, Nataliya Vasylyeva

प्रकाशित 2026-02-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vittorino Pata, Sergii Siryk, Nataliya Vasylyeva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य चित्र: शरीर के राजमार्ग में ट्रैफिक जाम

कल्पना कीजिए कि आपका शरीर एक विशाल शहर है, और आपकी रक्त वाहिकाएं (blood vessels) राजमार्ग हैं। ऑक्सीजन एक डिलीवरी ट्रक की तरह है जो राजमार्ग (केशिका/capillary) से आपके मोहल्लों (आपकी कोशिकाओं) तक पहुँचने की कोशिश कर रहा है ताकि बत्तियाँ जलती रहें।

आमतौर पर, हम इस डिलीवरी को एक सुचारू, अनुमानित प्रवाह के रूप में देखते हैं। लेकिन वास्तव में, विशेष रूप से जटिल या क्षतिग्रस्त ऊतकों (tissues) में, यह डिलीवरी अव्यवस्थित होती है। ट्रक फंस जाते हैं, वे अलग-अलग गति से चलते हैं, और कभी-कभी ऐसा लगता है जैसे वे कुछ मिनट पहले कहाँ थे, उसे "याद" रख रहे हैं, जिससे उनकी वर्तमान गति धीमी हो जाती है। इस घटना को सबडिफ्यूजन (subdiffusion) कहा जाता है।

यह शोध पत्र एक नया, अत्यंत सटीक गणितीय मानचित्र बनाने के बारे में है जो यह अनुमान लगा सके कि ऑक्सीजन के ये ट्रक शहर में कैसे चलते हैं, तब भी जब ट्रैफिक के नियम अजीब हों और सड़कें ऊबड़-खाबड़ हों।

समस्या: ट्रैफिक की "याददाश्त" (Memory)

मानक भौतिकी (standard physics) में, यदि आप किसी गेंद को धक्का देते हैं, तो वह चलती है। यदि आप धक्का देना बंद कर देते हैं, तो वह रुक जाती है। यह "वर्तमान" में जीती है।

लेकिन ऊतकों में ऑक्सीजन अलग है। इसकी अपनी याददाश्त (memory) होती है। यदि एक ट्रक 10 मिनट पहले ट्रैफिक जाम में फंसा था, तो वह आज भी धीरे चल सकता है क्योंकि वह उस जाम का प्रभाव झेल रहा है। गणित में, इसे फ्रैक्शनल डेरिवेटिव (fractional derivative) कहा जाता है। यह कहने का एक तरीका है कि, "वर्तमान गति न केवल वर्तमान धक्के पर निर्भर करती है, बल्कि धक्के के पूरे इतिहास पर निर्भर करती है।"

लेखक एक विशिष्ट, जटिल परिदृश्य पर विचार कर रहे हैं:

दो प्रकार की याददाश्त: ऑक्सीजन केवल एक चीज़ को याद नहीं रख रही है; वह एक साथ दो अलग-अलग प्रकार की "याददाश्त" को संभाल रही है (जिसे दो अलग-अलग फ्रैक्शनल नंबरों, $\nu_1$ और $\nu_2$ द्वारा दर्शाया गया है)।
"घोस्ट" टर्म (The "Ghost" Term): आमतौर पर, गणितीय मॉडल यह मान लेते हैं कि "मेमोरी कर्नेल" (याददाश्त काम करने का नियम) हमेशा सकारात्मक (positive) होता है। लेकिन इस विशिष्ट जैविक मॉडल में, गणित एक "घोस्ट" टर्म बनाता है जो नकारात्मक (negative) हो सकता है।
- उपमा: कल्पना कीजिए कि एक ट्रैफिक नियम कहता है, "यदि आप कल फंसे थे, तो आपको आज इसकी भरपाई करने के लिए तेज़ चलना चाहिए।" यह एक "नकारात्मक" मेमोरी प्रभाव है। अधिकांश पिछले गणितीय ग्रंथों ने कहा था, "आप नकारात्मक मेमोरी नियमों को नहीं रख सकते; इससे गणित टूट जाएगा।" यह शोध पत्र कहता है, "वास्तव में, हम इन नकारात्मक नियमों को संभालने के लिए गणित को ठीक कर सकते हैं।"

समाधान: "रेगुलराइज़र" (जादुई इरेज़र)

लेखकों को यह सिद्ध करने की आवश्यकता थी कि उनका जटिल समीकरण वास्तव में एक समाधान रखता है और समाधान अद्वितीय (unique) है (अर्थात, ट्रैफिक पैटर्न अनुमानित है, अराजक नहीं)।

इसे करने के लिए, उन्होंने एक रेगुलराइज़र (Regularizer) तकनीक का उपयोग किया।

उपमा: कल्पना कीजिए कि आप हेडफ़ोन की एक बड़ी, उलझी हुई गांठ को सुलझाने की कोशिश कर रहे हैं। यह बहुत उलझा हुआ है जिसे एक साथ नहीं सुलझाया जा सकता।
तरीका: पूरी गांठ को खींचने के बजाय, आप एक छोटा, प्रबंधनीय हिस्सा लेते हैं, उसे पूरी तरह से सुलझाते हैं, और उसका उपयोग अगले हिस्से को सुलझाने के लिए एक "टेम्पलेट" या "गाइड" के रूप में करते हैं। आप इसे टुकड़ों में तब तक करते हैं जब तक कि पूरी गांठ मुक्त न हो जाए।
गणितीय शब्दों में, उन्होंने समय और स्थान के एक छोटे से हिस्से के लिए एक "लोकल इनवर्स" (एक उपकरण जो समीकरण को उलट देता है) बनाया। फिर, उन्होंने उस उपकरण का उपयोग पूरे शरीर और पूरे समय अवधि में समाधान को जोड़ने के लिए किया।

इसने उन्हें यह सिद्ध करने में सक्षम बनाया कि "नकारात्मक मेमोरी" नियमों के बावजूद, ऑक्सीजन का प्रवाह व्यवस्थित और हल करने योग्य है।

प्रमाण: कंप्यूटर सिमुलेशन

गणित को कागज पर सिद्ध करने के बाद, लेखकों ने यह देखना चाहा कि क्या यह वास्तविक दुनिया में काम करता है। उन्होंने ऑक्सीजन प्रवाह का अनुकरण (simulate) करने के लिए एक कंप्यूटर प्रोग्राम लिखा।

परीक्षण: उन्होंने 5 अलग-अलग परिदृश्य बनाए (जैसे अलग-अलग शहर के लेआउट और ट्रैफिक नियम)।
परिणाम: उन्होंने अपने कंप्यूटर के पूर्वानुमान की तुलना एक ज्ञात "परफेक्ट" उत्तर (जैसे उत्तर कुंजी के साथ एक टेस्ट प्रश्न) से की।
निष्कर्ष: कंप्यूटर का उत्तर परफेक्ट उत्तर के अविश्वसनीय रूप से करीब था। "त्रुटि" बहुत कम थी—जैसे न्यूयॉर्क से लंदन की दूरी को मापना और एक इंच से भी कम का अंतर होना। यह सिद्ध करता है कि उनका नया गणितीय मॉडल सटीक है और उनका कंप्यूटर कोड विश्वसनीय है।

यह क्यों महत्वपूर्ण है?

बेहतर मेडिकल मॉडल: हमारे शरीर में ऑक्सीजन कैसे चलती है, इसके वर्तमान मॉडल अक्सर बहुत सरल होते हैं। वे मानते हैं कि सब कुछ सुचारू और अनुमानित है। यह शोध पत्र एक अधिक यथार्थवादी मॉडल प्रदान करता है जो वास्तविक ऊतकों में ऑक्सीजन की "चिपचिपाहट" और "याददाश्त" को ध्यान में रखता है।
रोगों को समझना: जब रक्त का प्रवाह खराब होता है (जैसे मधुमेह या हृदय रोग में), तो नसों के करीब की कोशिकाएं दम घुटने लगती है (hypoxia)। यह नया मॉडल डॉक्टरों को यह अनुमान लगाने में मदद कर सकता है कि कोशिकाएं ठीक कब और कहाँ ऑक्सीजन से वंचित होंगी, जिससे बेहतर उपचार संभव हो सकेगा।
नियमों को तोड़ना: यह सिद्ध करके कि गणित "नकारात्मक" मेमोरी कर्नेल को संभाल सकता है, लेखकों ने उन अधिक जटिल भौतिक घटनाओं के अध्ययन का मार्ग खोल दिया है जिन्हें पहले बहुत कठिन माना जाता था।

एक वाक्य में सारांश

लेखकों ने एक नया गणितीय "जीपीएस" विकसित किया है जो हमारे शरीर के माध्यम से ऑक्सीजन की गति को सटीक रूप से ट्रैक कर सकता है, भले ही वह गति अव्यवस्थित, धीमी और जटिल "याददाश्त" नियमों द्वारा संचालित हो जिन्हें पिछला गणित संभालने में असमर्थ था, और उन्होंने सिद्ध किया है कि यह उन्नत तर्क और कंप्यूटर सिमुलेशन दोनों का उपयोग करके काम करता है।

यहाँ पाटा, सिरिक और वासिल्येवा के शोध पत्र "Multi-Term Fractional Linear Equations Modeling Oxygen Subdiffusion Through Capillaries" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र केशिकाओं (capillaries) के माध्यम से ऑक्सीजन परिवहन को मॉडल करने वाले एक विशिष्ट प्रकार के रैखिक समाकल-अवकल समीकरणों (integro-differential equations) की वैश्विक शास्त्रीय सुग्राह्यता (global classical solvability) और नियमितता (regularity) की जांच करता है। नियंत्रित समीकरण एक स्पेस-टाइम सिलेंडर $\Omega_T = \Omega \times (0, T)$ पर एक अज्ञात फलन $u(x,t)$ के लिए परिभाषित है:

$D^{\nu_1}_t (\varrho_1 u) - D^{\nu_2}_t (\varrho_2 u) - L_1 u - K * L_2 u = f$

मुख्य घटक:

फ्रैक्शनल डेरिवेटिव्स (Fractional Derivatives): $D^{\nu_i}_t$ क्रम $0 < \nu_2 < \nu_1 \leq 1$ के कैपूटो फ्रैक्शनल डेरिवेटिव्स (Caputo fractional derivatives) हैं।
परिवर्तनीय गुणांक (Variable Coefficients): $\varrho_1(x,t)$ और $\varrho_2(x,t)$ समय-निर्भर गुणांक हैं, जहाँ $\varrho_1 \geq \mu_0 > 0$ है।
इलिप्टिक ऑपरेटर्स (Elliptic Operators): $L_1$ और $L_2$ समय-निर्भर सुचारू गुणांकों वाले द्वितीय-क्रम के यूनिफॉर्म इलिप्टिक ऑपरेटर्स हैं।
मेमोरी टर्म्स (Memory Terms): $K$ एक समेबल कन्वोल्शन कर्नेल (summable convolution kernel) है जो स्मृति प्रभावों (memory effects) को दर्शाता है।
सीमा स्थितियाँ (Boundary Conditions): समस्या का विश्लेषण तीन प्रकार की सीमा स्थितियों के तहत किया गया है:
1. डिरिचलेट (Dirichlet - DBC)।
2. तृतीय-प्रकार (Third-kind/Robin-type - 3BC)।
3. फ्रैक्शनल डायनेमिक बाउंड्री कंडीशन (FDBC), जहाँ फ्रैक्शनल डेरिवेटिव सीमा पर प्रकट होता है।

प्रेरणा (Motivation):
यह समीकरण ऊतकों (tissues) में ऑक्सीजन सबडिफ्यूजन के उन्नत मॉडलों का सामान्यीकरण करता है। एक विशिष्ट मामला ( $D^{\nu_1}_t C - \tau D^{\nu_2}_t C = \dots$ ) ऑक्सीजन परिवहन को मॉडल करने के लिए प्रस्तावित किया गया था जहाँ शुद्ध प्रसार (net diffusion) में दो प्रतिस्पर्धी फ्रैक्शनल टाइम स्केल्स शामिल होते हैं। लेखक इन मॉडलों के लिए एक कठोर गणितीय आधार प्रदान करने का लक्ष्य रखते हैं, विशेष रूप से उन मामलों को संबोधित करते हैं जहाँ मानक धारणाएँ (जैसे कर्नेल की गैर-ऋणात्मकता) विफल हो जाती हैं।

2. कार्यप्रणाली (Methodology)

लेखक पैराबोलिक रेगुलराइज़ेशन तकनीकों (parabolic regularization techniques) को फ्रैक्शनल होल्डर स्पेस (fractional Hölder spaces) में ए प्रियोरी अनुमानों (a priori estimates) के साथ जोड़कर एक परिष्कृत विश्लेषणात्मक दृष्टिकोण अपनाते हैं।

A. कार्यात्मक ढांचा (Functional Framework)

विश्लेषण फ्रैक्शनल होल्डर स्पेस $C^{l+\alpha, \frac{l+\alpha}{2}\nu}(\bar{\Omega}_T)$ में किया गया है। ये स्पेस मानक पैराबोलिक होल्डर स्पेस का सामान्यीकरण करते हैं ताकि फ्रैक्शनल टाइम डेरिवेटिव्स को समायोजित किया जा सके। लेखक समाधान की नियमितता को नियंत्रित करने के लिए स्थानिक डेरिवेटिव्स और फ्रैक्शनल टाइम डेरिवेटिव्स को शामिल करने वाले नॉर्म्स (norms) को परिभाषित करते हैं।

B. रेगुलराइज़र तकनीक (The Regularizer Technique)

प्रमाण का मुख्य आधार रेगुलराइज़र विधि (regularizer method) को इस मल्टी-टर्म फ्रैक्शनल सेटिंग के अनुकूल बनाना है (जिसे मूल रूप से आइडेलमैन और अन्य द्वारा पैराबोलिक समीकरणों के लिए विकसित किया गया था)। रणनीति के चार मुख्य चरण हैं:

डोमेन कवरेज (Domain Covering): डोमेन $\Omega$ का स्थानीय समन्वय प्रणालियों (स्थानीय कोआर्डिनेट सिस्टम) के साथ एक परिमित कविंग (finite covering) बनाना (सीमा के पास $\partial\Omega$ को फ्लैट करना)।
गुणांकों को फ्रीज करना (Freezing Coefficients): छोटे समय अंतराल $[0, \tau]$ में, ऑपरेटर्स के परिवर्तनीय गुणांकों को विशिष्ट बिंदुओं पर "फ्रीज" किया जाता है ताकि मॉडल समस्याएं ( $\mathbb{R}^n$ या $\mathbb{R}^n_+$ पर स्थिर गुणांक वाले समीकरण) बनाई जा सकें।
इनवर्स का निर्माण (Construction of the Inverse): इन मॉडल समस्याओं की ज्ञात सुग्राह्यता का उपयोग करके, एक रेगुलराइज़र ऑपरेटर $R$ का निर्माण किया जाता है। यह ऑपरेटर मुख्य डिफरेंशियल ऑपरेटर $L$ के एक अनुमानित इनवर्स के रूप में कार्य करता है।
परटर्बेशन तर्क (Perturbation Argument): लेखक सिद्ध करते हैं कि पर्याप्त छोटे $\tau$ के लिए $L \circ R = I + T_1$ और $R \circ L = I + T_2$ है, जहाँ $T_1$ और $T_2$ कॉन्ट्रैक्शन ऑपरेटर्स हैं। यह न्यूमैन सीरीज़ (Neumann series) के माध्यम से $L$ के व्युत्क्रमण (inversion) की अनुमति देता है, जिससे स्थानीय सुग्राह्यता स्थापित होती है।
विस्तार (Extension): स्थानीय समाधान को चरण-दर-चरण पूरे अंतराल $[0, T]$ तक विस्तारित किया जाता है।

C. नेगेटिव कर्नेल को संभालना (Handling the Negative Kernel)

एक महत्वपूर्ण तकनीकी चुनौती यह है कि दो कैपूटो डेरिवेटिव्स का अंतर, $D^{\nu_1}_t (\varrho_1 u) - D^{\nu_2}_t (\varrho_2 u)$ , को $\frac{\partial}{\partial t}(N * u)$ के रूप में दर्शाया जा सकता है, जहाँ कर्नेल $N(t)$ अनिवार्य रूप से गैर-ऋणात्मक नहीं होता है।

पूर्ववर्ती साहित्य अक्सर अधिकतम सिद्धांतों (maximum principles) या ऊर्जा अनुमानों को लागू करने के लिए $N(t) \geq 0$ की आवश्यकता रखता था।
नवाचार: लेखक इस धारणा को हटा देते हैं। रेगुलराइज़र तकनीक और उत्पाद के फ्रैक्शनल डेरिवेटिव्स पर विशिष्ट अनुमानों (लेम्मा 5.1 और 5.2) का उपयोग करके, वे तब भी सुग्राह्यता स्थापित करते हैं जब कर्नेल $N$ अपना चिह्न बदलता है (जो तब होता है जब $\varrho_1 \leq \varrho_2$ और $t$ पर्याप्त बड़ा हो)।

3. मुख्य योगदान (Key Contributions)

सामान्यीकृत सुग्राह्यता (Generalized Solvability): परिवर्तनीय गुणांकों और मेमोरी टर्म्स वाले मल्टी-टर्म फ्रैक्शनल समीकरणों के लिए, बिना कर्नेल की गैर-ऋणात्मकता की धारणा के, एक वैश्विक शास्त्रीय समाधान की उपस्थिति और अद्वितीयता को सिद्ध करता है।
प्रोडक्ट रूल हैंडलिंग (Product Rule Handling): इस कठिनाई को संबोधित करता है कि फ्रैक्शनल डेरिवेटिव्स के लिए लीबनीज नियम (Leibniz rule) लागू नहीं होता है। लेखक $D^\beta_t (\varrho u)$ जैसे पदों के लिए विशिष्ट अनुमान प्राप्त करते हैं जहाँ $\varrho$ एक परिवर्तनीय गुणांक है, जो रेगुलराइज़र निर्माण के लिए आवश्यक है।

डायनेमिक बाउंड्री कंडीशंस (Dynamic Boundary Conditions): सिद्धांत को फ्रैक्शनल डायनेमिक बाउंड्री कंडीशंस (FDBC) को शामिल करने के लिए विस्तारित करता है, जहाँ फ्रैक्शनल डेरिवेटिव स्पष्ट रूप से सीमा पर प्रकट होता है, जो सतह इंटरैक्शन के भौतिक मॉडलों के लिए प्रासंगिक है।

शिथिल धारणाएं (Relaxed Assumptions): परिणाम $\varrho_2$ के लिए बिना किसी चिह्न प्रतिबंध के मान्य हैं, जो उन मामलों को कवर करते हैं जहाँ "मेमोरी" टर्म प्राथमिक डिफ्यूजन टर्म का विरोध कर सकता है या उस पर हावी हो सकता है।

4. मुख्य परिणाम (Main Results)

थ्योरम 4.1 (मुख्य थ्योरम):
मान्यताओं H1–H5 (गुणांकों की सुगमता, प्रारंभिक/सीमा डेटा की संगतता, और डेरिवेटिव के क्रम के संबंध में) के तहत, प्रारंभिक-सीमा मान समस्या एक अद्वितीय शास्त्रीय समाधान $u \in C^{2+\alpha, \frac{2+\alpha}{2}\nu_1}(\bar{\Omega}_T)$ स्वीकार करती है।

ए प्रियोरी अनुमान (A Priori Estimates): समाधान विशिष्ट नॉर्म अनुमानों को संतुष्ट करता है जो सोर्स टर्म $f$ $f$ , प्रारंभिक डेटा $u_0$ $u_{0}$ , और बाउंड्री डेटा $\psi$ $ψ$ के नॉर्म्स द्वारा सीमित हैं।
- DBC/3BC के लिए: $\|u\| + \|D^{\nu_2}_t u\| \leq C (\|f\| + \|u_0\| + \|\psi\|)$ ।
- FDBC के लिए: अनुमान में सीमा पर $D^{\nu_1}_t u$ के नॉर्म शामिल हैं।
सामान्यता (Generality): यह परिणाम $M$ -टर्म फ्रैक्शनल समीकरणों पर लागू होता है और इसमें वह मामला भी शामिल है जहाँ कन्वोल्शन कर्नेल $K \equiv 0$ है।

5. संख्यात्मक सिमुलेशन (Numerical Simulations)

सैद्धांतिक निष्कर्षों को 1D और 2D डोमेन में फाइनाइट-डिफरेंस स्कीम्स (finite-difference schemes) के माध्यम से सत्यापित किया गया है।

स्कीम: लेखक फ्रैक्शनल डेरिवेटिव्स के लिए ग्रौनवाल-लेटनिक (Grönwald-Letnikov) सन्निकटन (जिसे रिचर्डसन एक्सट्रपलेशन द्वारा सुधारा गया है) और कन्वोल्शन इंटीग्रल्स के लिए ट्रैपेज़ॉइडल नियम का उपयोग करते हैं।
सटीकता (Accuracy): स्कीम स्थान में द्वितीय-क्रम की सटीकता और समय में उच्च सटीकता प्राप्त करती है।
उदाहरण:
- उदाहरण 7.2 विशेष रूप से उस मामले का परीक्षण करता है जहाँ कर्नेल $N(t)$ अपना चिह्न बदलता है (गैर-धनात्मक), यह पुष्टि करते हुए कि संख्यात्मक समाधान स्थिर और सटीक रहता है, भले ही पिछले कार्यों की सैद्धांतिक धारणाओं (जिसमें $N \geq 0$ की आवश्यकता थी) का उल्लंघन होता हो।
- तालिका 1–6 विभिन्न फ्रैक्शनल ऑर्डर्स $\nu_1, \nu_2$ के लिए सटीक और संख्यात्मक समाधानों के बीच अभिसरण दर (convergence rates) और छोटे पूर्ण त्रुटि ( $\mathcal{E}$ ) को प्रदर्शित करती हैं।

6. महत्व (Significance)

गणितीय कठोरता (Mathematical Rigor): यह कार्य परिवर्तनीय गुणांकों और गैर-मानक कर्नेल्स वाले मल्टी-टर्म समीकरणों के लिए एक कठोर ढांचा प्रदान करके फ्रैक्शनल पार्शियल डिफरेंशियल इक्वेशंस (FPDEs) के सिद्धांत में एक कमी को पूरा करता है।
भौतिक प्रासंगिकता (Physical Relevance): यह बायोमेडिकल इंजीनियरिंग में उपयोग किए जाने वाले ऑक्सीजन परिवहन के उन्नत मॉडलों की गणितीय सुदृढ़ता को प्रमाणित करता है। इन मॉडलों में अक्सर जटिल अंतःक्रियाएं शामिल होती हैं (सबडिफ्यूजन, टाइम लैग्स) जिसके परिणामस्वरूप गैर-धनात्मक कर्नेल्स वाले समीकरण बनते हैं।
भावी दिशाएं (Future Directions): यह शोध पत्र इन समीकरणों के नॉन-लीनियर विस्तारों (जैसे सांद्रता-निर्भर प्रसार) और इनवर्स प्रॉब्लम्स (जैसे प्रयोगात्मक डेटा से डिफ्यूजन गुणांकों जैसे मापदंडों की पहचान करना) को हल करने के लिए एक आधार स्थापित करता है, जो चिकित्सा निदान और उपचार योजना के लिए अत्यंत महत्वपूर्ण हैं।

संक्षेप में, यह शोध पत्र सफलतापूर्वक जटिल भौतिक मॉडलों और कठोर गणितीय विश्लेषण के बीच के अंतर को पाटता है, रेगुलराइज़र तकनीकों के नवीन अनुप्रयोग के माध्यम से कर्नेल की गैर-ऋणात्मकता की सीमा को पार करता है।