🌀 nonlinear sciences

Operator theoretic causality analysis of fluid flows using linearized dynamics

यह शोध पत्र लीनियर ऑपरेटर कॉज़ैलिटी एनालिसिस (LOCA) प्रस्तुत करता है, जो एक ऑपरेटर-सैद्धांतिक ढांचा है जो फ्लूइड फ्लो में कारण संबंधी अंतःक्रियाओं (causal interactions) को मापने के लिए रैखिकीकृत गवर्निंग इक्वेशन्स (linearized governing equations) का लाभ उठाता है, जो डेटा-संचालित विधियों के लिए एक भौतिक रूप से व्याख्या योग्य विकल्प प्रदान करने के साथ-साथ प्रत्यक्ष टाइम-सीरीज़ विश्लेषण के लिए एक डेटा-संचालित सन्निकटन भी प्रदान करता है।

मूल लेखक: Ankit Srivastava, Victor Jimenez-Fernandez, Louis Cattafesta, Scott Dawson

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ankit Srivastava, Victor Jimenez-Fernandez, Louis Cattafesta, Scott Dawson

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

कल्पना कीजिए कि आप तरल कणों के एक अराजक नृत्य को देख रहे हैं, जैसे किसी कॉन्सर्ट में उमड़ी हुई भीड़। आप जानना चाहते हैं: नृत्य का नेतृत्व कौन कर रहा है, और कौन बस पीछे चल रहा है? क्या सामने वाली पंक्ति के व्यक्ति ने अपने पीछे वाले व्यक्ति को धक्का दिया, या वे दोनों बस एक ही तेज़ संगीत पर प्रतिक्रिया दे रहे थे?

लंबे समय तक, वैज्ञानिकों ने केवल भीड़ को देखकर और वीडियो में पैटर्न के आधार पर यह अनुमान लगाकर इसका उत्तर देने की कोशिश की कि किसने किसे प्रभावित किया। यह शोध पत्र (paper) इस नृत्य को देखने का एक नया, अधिक स्पष्ट तरीका पेश करता है, जिसे LOCA (लीनियर ऑपरेटर कॉज़ैलिटी एनालिसिस) कहा जाता है। वीडियो को सिर्फ देखने के बजाय, LOCA उस नियम पुस्तिका (rulebook) को देखता है जो इस नृत्य को नियंत्रित करती है।

नियम पुस्तिका बनाम फुटेज (The Rulebook vs. The Footage)

अधिकांश पुराने तरीके, जैसे कि ग्रेंजर कॉज़ैलिटी (Granger causality) या ट्रांसफर एंट्रॉपी (Transfer Entropy), ऐसे जासूसों की तरह हैं जिनके पास केवल एक धुंधला सुरक्षा कैमरा है। वे फुटेज देखते हैं और कहते हैं, "अरे, जब भी व्यक्ति A हिलता है, व्यक्ति B एक सेकंड बाद हिलता है, इसलिए A ने B को प्रभावित किया होगा।" लेकिन यहाँ एक पेंच है: यदि व्यक्ति A और व्यक्ति B दोनों तीसरे व्यक्ति C की प्रतिक्रिया दे रहे हैं, तो जासूस भ्रमित हो सकता है और सोच सकता है कि A ने B को प्रभावित किया।

लेखकों का तर्क है कि यदि आपके पास वास्तव में वे समीकरण (equations) हैं (नियम पुस्तिका) जो तरल के हिलने-डुलने का वर्णन करते हैं, तो आपको अनुमान लगाने की आवश्यकता नहीं है। आप सटीक रूप से गणना कर सकते हैं कि तरल के एक छोटे से हिस्से को दिए गए हल्के से झटके से पूरे सिस्टम में लहर कैसे चलेगी। वे इसे "ऑपरेटर-थ्योरेटिक कॉज़ैलिटी" कहते हैं। यह नृत्य के फर्श के सटीक भौतिकी को जानने जैसा है: यदि आप यहाँ एक डांसर को धक्का देते हैं, तो आप जानते हैं कि वह ठीक कहाँ और कब किसी दूसरे से टकराएगा।

"टाइम-ट्रैवल" मैट्रिक्स (The "Time-Travel" Matrix)

यह शोध पत्र एक विशेष गणितीय उपकरण का उपयोग करता है जिसे मैट्रिक्स एक्सपोनेंशियल (matrix exponential) कहा जाता है। इसे तरल के नियमों के लिए एक "टाइम-ट्रैवल मशीन" के रूप में सोचें।

तत्काल कारण (Immediate Causality): यदि आप अभी एक तरल कण को झटका देते हैं, तो क्या वह तुरंत अपने पड़ोसी को धक्का देता है? नियम पुस्तिका आपको यह तुरंत बता देती है।
विलंबित कारण (Delayed Causality): क्या होगा यदि आप 5 सेकंड प्रतीक्षा करते हैं? झटका अन्य कणों की एक श्रृंखला के माध्यम से यात्रा कर सकता है और फिर एक दूर स्थित कण तक पहुँच सकता है। गणित दिखाता है कि भले ही दो कण सीधे तौर पर एक-दूसरे को न छुएं, फिर भी वे दोस्तों की एक लंबी श्रृंखला के माध्यम से जुड़े हो सकते हैं।
वैश्विक दृष्टिकोण (The Global View): लेखकों ने एक "सुपर-मेट्रिक" बनाया (जिसे M कहा जाता है) जो सभी समय के दौरान होने वाले सभी संभावित कनेक्शनों को जोड़ता है। यह पूछने जैसा है कि, "यदि मैं यह बटन दबाता हूँ, तो क्या इससे कभी भी कहीं भी कोई प्रतिक्रिया होगी, चाहे मैं कितनी भी देर तक प्रतीक्षा करूँ?"

उन्होंने क्या खारिज किया (The "Don't Trust This" List)

यह शोध पत्र इस बारे में बहुत स्पष्ट है कि पूर्ण चित्र प्राप्त करने के लिए आपको किस पर भरोसा नहीं करना चाहिए:

कम समय के अनुमानों पर भरोसा न करें: यदि आप केवल समय के एक छोटे से हिस्से को देखते हैं, तो आप उस कनेक्शन को मिस कर सकते हैं जिसे विकसित होने में समय लगता है। शोध पत्र दिखाता है कि एक कनेक्शन 1 सेकंड पर अदृश्य लग सकता है लेकिन 20 सेकंड पर बहुत बड़ा हो सकता है।
"ट्रंकेटेड" (अधूरे) मॉडलों पर आँख बंद करके भरोसा न करें: यदि आप "शांत" डांसरों (कम ऊर्जा वाले मोड) को अनदेखा करके तरल नृत्य को सरल बनाने की कोशिश करते हैं, तो आप सबसे महत्वपूर्ण लीडर्स को मिस कर सकते हैं। लेखकों ने पाया कि कभी-कभी "शांत" मोड ही बाद में होने वाली बड़ी, शोर वाली गतिविधियों को चलाने वाले होते हैं।
यह न मानें कि सभी तरीके सहमत होंगे: यह शोध पत्र सिद्ध करता है कि "नियम पुस्तिका विधि" (LOCA) और "कैमरा विधि" (Granger) अलग-अलग उत्तर देते हैं जब डांसर आपस में जुड़े (correlated) होते हैं (एक साथ हिल रहे होते हैं)। कैमरा विधि "कोई प्रभाव नहीं" कह सकती है क्योंकि उसे लगता है कि हलचल अनुमानित थी, जबकि नियम पुस्तिका विधि "बड़ा प्रभाव" कहती है क्योंकि वह जानती है कि एक झटका एक विशिष्ट प्रतिक्रिया का कारण बनेगा।

प्रयोग: दो डांस फ्लोर (The Experiments: Two Dance Floors)

टीम ने अपने विचार का परीक्षण दो बहुत अलग परिदृश्यों पर किया:

1. स्मूथ स्लाइड (कौएट फ्लो - Couette Flow)
कल्पना कीजिए कि दो विशाल प्लेटें एक-दूसरे के बगल से फिसल रही हैं और उनके बीच तरल है। यह एक सहज, अनुमानित प्रवाह है।

परिणाम: उन्होंने अपने "नियम पुस्तिका" तरीके की तुलना "कैमरा" तरीके से की। जब उन्होंने कच्चे डेटा को देखा, तो दोनों तरीकों में असहमति थी। लेकिन जब उन्होंने डेटा को विशेष प्रकार के "अनकोरिलेटेड" चरणों (जिन्हें POD मोड कहा जाता है) में बदला, तो दोनों तरीके पूरी तरह से सहमत थे। इसने उनके सिद्धांत की पुष्टि की: तरीके तभी सहमत होते हैं जब चर (variables) भ्रमित करने वाले रूप से जुड़े न हों।
सबक: उन्होंने यह भी पाया कि यदि आप "शांत" मोड को काट देते हैं (केवल शीर्ष 5 या 10 का उपयोग करके), तो आप सबसे महत्वपूर्ण कारण संबंधी लिंक को मिस कर देते हैं। पूरी तस्वीर देखने के लिए आपको "शांत" वाले मोड की भी आवश्यकता है।

2. अराजक वेक (Two Plates - Chaotic Wake)
इसके बाद, उन्होंने दो झुकी हुई प्लेटों के पीछे एक अस्त-व्यस्त, अराजक प्रवाह को देखा। यह एक अव्यवस्थित, अनिश्चित भंवर है जहाँ भंवर (vortices) लगातार बन रहे हैं और टूट रहे हैं।

परिणाम: चूंकि उनके पास इस अव्यवจัด प्रवाह के लिए पूर्ण नियम पुस्तिका नहीं थी, इसलिए उन्होंने नियम पुस्तिका का अनुमान लगाने के लिए एक डेटा-संचालित ट्रिक (DMD) का उपयोग किया।
निष्कर्ष: इस अराजकता में भी, उनके तरीके ने स्पष्ट "लीडर्स" को खोज निकाला। उन्होंने पाया कि ऊपर वाली प्लेट के ठीक पीछे के विशिष्ट स्थान मुख्य स्रोत थे, जो सूचना को नीचे की ओर (downstream) भेज रहे थे। "कैमरा" विधि (Granger) बहुत कमजोर लिंक देखती थी क्योंकि वह सह-संबंधों (correlations) से भ्रमित थी, लेकिन "नियम पुस्तिका" विधि (LOCA-DMD) प्रभाव के मजबूत, संरचित प्रवाह को देख पा रही थी।

वे कितने आश्वस्त हैं?

लेखक गणित में बहुत आश्वस्त हैं। उन्होंने सिद्ध किया है कि उनका तरीका एक विशिष्ट प्रकार के "डायनेमिक कॉज़ल इफेक्ट" के गणितीय रूप से समकक्ष है और यह नियंत्रण क्षमता (controllability - क्या हम सिस्टम को नियंत्रित कर सकते हैं?) और अवलोकन क्षमता (observability - क्या हम देख सकते हैं कि क्या हो रहा है?) जैसी मौलिक अवधारणाओं से जुड़ता है।

हालाँकि, अराजक वेक फ्लो के लिए, वे परिणामों का सिमुलेशन (simulation) कर रहे हैं। उन्होंने यह सिद्ध नहीं किया है कि LOCA दुनिया के हर वास्तविक तरल पर काम करता है; उन्होंने दिखाया है कि यह उनके कंप्यूटर मॉडल (स्मूथ स्लाइड और अराजक वेक) में खूबसूरती से काम करता है। वे सुझाव देते हैं कि यह दृष्टिकोण एक शक्तिशाली नया उपकरण है, लेकिन यह या तो समीकरणों के होने या उन समीकरणों को बनाने के लिए बहुत अच्छे डेटा के होने पर निर्भर करता है।

मुख्य निष्कर्ष (The Takeaway)

यदि आप समझना चाहते हैं कि तरल जिस तरह से हिलता है वह क्यों होता है, तो केवल फिल्म को देखकर और अनुमान लगाकर यह न सोचें कि शुरुआत किसने की। स्क्रिप्ट को देखें। लेखक दिखाते हैं कि भौतिकी (स्क्रिप्ट) का उपयोग करके, आप नृत्य के असली लीडर्स को खोज सकते हैं, भले ही भीड़ एक अराजक, भ्रमित करने वाले तरीके से हिल रही हो। उन्होंने एक ऐसा उपकरण बनाया है जो उन कनेक्शनों को देख सकता है जिन्हें अन्य तरीके मिस कर देते हैं, विशेष रूप से तब जब सिस्टम जटिल हो और सभी डांसर एक साथ हिल रहे हों।

तकनीकी सारांश: रैखिकीकृत गतिकी (Linearized Dynamics) का उपयोग करके द्रव प्रवाह का ऑपरेटर थ्योरेटिक कॉज़ैलिटी विश्लेषण

समस्या विवरण
द्रव प्रवाह (Fluid flows) स्थानिक और कालिक पैमानों पर जटिल अंतःक्रियाएं प्रदर्शित करते हैं, जिससे अस्थिरता और विक्षोभ (turbulence) उत्पन्न होता है जो पूर्वानुमान लगाने और नियंत्रित करने में कठिन होता है। इन अंतःक्रियाओं को नियंत्रित करने वाले कारण संबंधी संबंधों (causal relationships) को समझना द्रव गति विज्ञान (fluid dynamics) को आगे बढ़ाने के लिए आवश्यक है। यद्यपि डेटा-संचालित पद्धतियां—जैसे ग्रेंजर कॉज़ैलिटी (Granger causality), ट्रांसफर एंट्रॉपी (transfer entropy), और विभिन्न सूचना-सैद्धांतिक मेट्रिक्स—कारणता (causality) को अनुमानित करने के लिए प्रचुर मात्रा में मौजूद हैं—ये दृष्टिकोण समय-श्रंखला (time-series) डेटा के सांख्यिकीय विश्लेषण पर निर्भर करते हैं। इन डेटा-संचालित तकनीकों की एक महत्वपूर्ण सीमा यह है कि सांख्यिकीय अभिसरण (statistical convergence) प्राप्त करने के लिए अक्सर विश्लेषण को सीमित संख्या में मापों या मोड तक ही सीमित करना पड़ता है, जिससे उच्च-आयामी प्रणालियों में निहित कारण पथ (causal pathways) ओझल हो सकते हैं। इसके अलावा, सह-संबंधित चरों (correlated variables) या अवस्था ट्रंकेशन (state truncation) के कारण मानक सांख्यिकीय विधियां भ्रामक निष्कर्ष दे सकती हैं। द्रव प्रणालियों के ज्ञात गवर्निंग समीकरणों (governing equations), विशेष रूप से रैखिकीकृत गतिकी (linearized dynamics) के लिए, सीधे कॉज़ैलिटी का विश्लेषण करने हेतु साहित्य में एक अंतराल है, ताकि एक भौतिकी-आधारित, व्याख्या योग्य विकल्प प्रदान किया जा सके।

कार्यप्रणाली
लेखक लीनियर ऑपरेटर कॉज़ैलिटी एनालिसिस (LOCA) का प्रस्ताव करते हैं, जो रैखिक और रैखिकीकृत गतिशील प्रणालियों में कॉज़ैलिटी को मापने के लिए एक ऑपरेटर-थ्योरेटिक ढांचा है। इसका मूल आधार यह है कि यदि कोई प्रणाली $\dot{\mathbf{u}} = \mathbf{A}\mathbf{u}$ द्वारा शासित है, तो मैट्रिक्स एक्सपोनेंशियल $e^{\mathbf{A}\tau}$ एक समय क्षितिज $\tau$ के दौरान एक अवस्था घटक का दूसरे पर कारण प्रभाव (causal influence) को एनकोड करता है।

कार्यप्रणाली तीन प्राथमिक परिभाषाओं के इर्द-गird संरचित है:

तत्काल कॉज़ैलिटी (Immediate Causality): इसे सिस्टम मैट्रिक्स $\mathbf{A}$ में गैर-शून्य ऑफ-डायगोनल तत्वों द्वारा परिभाषित किया गया है (अर्थात, $A_{ij} \neq 0$ ), जो प्रत्यक्ष युग्मन (direct coupling) का प्रतिनिधित्व करता है।
विलंबित कॉज़ैलिटी (Delayed Causality): इसे समय $t$ पर एक विक्षोभ (perturbation) के सापेक्ष समय $t+\tau$ पर अवस्था के आंशिक व्युत्पन्न (partial derivative) द्वारा मापा जाता है, जो स्पष्ट रूप से मैट्रिक्स एक्सपोनेंशियल तत्वों $[e^{\mathbf{A}\tau}]_{ij}$ द्वारा दिया गया है।
ग्लोबल कॉज़ैलिटी बाउंड (Global Causality Bound): $e^{\mathbf{A}\tau}$ की समय-निर्भरता को संबोधित करने और सभी समय क्षितिजों पर कारण पथों को पकड़ने के लिए, लेखक एक कैंसिलेशन-मुक्त मैट्रिक्स $\mathbf{M}_\alpha = (\alpha\mathbf{I} - |\mathbf{A}|)^{-1}$ पेश करते हैं, जहाँ $\alpha > \rho(|\mathbf{A}|)$ है। यह मैट्रिक्स घातीय रूप से कम किए गए (exponentially discounted), समय-एकीकृत परिमाण के कारण प्रतिक्रिया के ऊपरी स्तर (upper bound) के रूप में कार्य करता है। $\mathbf{M}_\alpha$ में एक शून्य प्रविष्टि (zero entry) यह प्रमाणित करती है कि किसी भी समय क्षितिज के लिए दो मोड के बीच कोई कारण प्रभाव मौजूद नहीं है।

यह ढांचा एक संशोधित $F$ -सांख्यिकी, $F_{j \to i} = [e^{\mathbf{A}\tau}]_{ij}^2 \sigma_j^2 / \sigma_{\epsilon, i}^2$ को परिभाषित करता है, जो कारण शक्ति (causal strength) को मापने के लिए अवस्था विचरण (state variances) और त्रुटि पदों को शामिल करता है। यह सूत्रण दिखाया गया है कि यह डायनामिकल कॉज़ल इफेक्ट्स (DCE) का एक विशिष्ट कार्यान्वयन है।

उन मामलों को संभालने के लिए जहाँ गवर्निंग समीकरण अज्ञात हैं, लेखक इसका डेटा-संचालित समकक्ष, LOCA-DMD विकसित करते हैं। यह दृष्टिकोण समय-श्रंखला डेटा से सीधे सिस्टम मैट्रिक्स $\mathbf{A}$ का अनुमान लगाने के लिए डायनेमिक मोड डिकम्पोजिशन (DMD) का उपयोग करता है, और फिर अनुमानित ऑपरेटर पर LOCA ढांचे को लागू करता है।

प्रमुख योगदान

भौतिकी-आधारित कॉज़ैलिटी मेट्रिक: यह शोध पत्र LOCA को सांख्यिकीय कॉज़ैलिटी उपायों के एक भौतिकी-आधारित विकल्प के रूप में स्थापित करता है, जो केवल अवलोकन संबंधी डेटा के बजाय सीधे रैखिक गवर्निंग समीकरणों से कारण संबंध निकालता है।
ग्लोबल इंडिकेटर: $\mathbf{M}_\alpha$ का परिचय एक कठोर, समय-स्वतंत्र प्रमाण प्रदान करता है, जो निश्चित-समय-लैग विश्लेषण की सीमाओं को दूर करता है जो अप्रत्यक्ष कारण पथों (जैसे, निलंबक/nilpotent प्रणालियों में) को मिस कर सकते हैं।
सैद्धांतिक संबंध: यह कार्य LOCA को निम्नलिखित से स्पष्ट रूप से जोड़ता है:
- डायनामिकल कॉज़ल इफेक्ट्स (DCE): LOCA को DCE के नियतात्मक, स्थानीय सीमा (deterministic, local limit) के रूप में स्थापित करना।
- ग्रेंजर कॉज़ैलिटी और ट्रांसफर एंट्रॉपी: यह स्पष्ट करना कि LOCA और सिंगल-लैग ग्रेंजर कॉज़ैलिटी केवल विशिष्ट स्थितियों के तहत (जैसे, जब स्रोत चर असंबद्ध हों और अवशेष ऑर्थोगोनल हों) मेल खाते हैं। सामान्यतः, LOCA एक स्वतंत्र रूप से निर्दिष्ट भिन्नता के प्रति प्रतिक्रिया को मापता है, जबकि ग्रेंजर अन्य चरों पर स्थितिजन्य (conditioning) होने के बाद अद्वितीय भविष्य कहने योग्य योगदान को मापता है।
- ग्राफ थ्योरी: $\mathbf{M}_\alpha$ को एक भारित ट्रांजिटिव क्लोजर (weighted transitive closure) के रूप में व्याख्यायित करना जो कैंसिलेशन प्रभावों के बिना अप्रत्यक्ष पथों को ध्यान में रखता है।
- कंट्रोल थ्योरी: यह प्रदर्शित करना कि $\mathbf{M}_\alpha$ में शून्य प्रविष्टियाँ कंट्रोलेबिलिटी और ऑब्जर्वेबिलिटी मैट्रिसेस में रैंक की कमी को दर्शाती हैं, जो सेंसर और एक्चुएटर प्लेसमेंट के लिए मार्गदर्शन प्रदान करती हैं।
डेटा-संचालित विस्तार: LOCA-DMD का विकास उन प्रणालियों के लिए LOCA के इन ऑपरेटर-थ्योरेटिक अंतर्दृष्टियों को लागू करने की अनुमति देता है जहाँ केवल समय-श्रंखला डेटा उपलब्ध है।

परिणाम
इस पद्धति का प्रदर्शन दो द्रव प्रवाह उदाहरणों पर किया गया था:

रैखिकीकृत कॉउट फ्लो (Linearized Couette Flow):
- ऑपरेटर-आधारित LOCA, LOCA-DMD, और सिंगल-लैग ग्रेंजर कॉज़ैलिटी के बीच तुलनाओं ने POD गुणांकों (जो असंबद्ध हैं) पर लागू होने पर अच्छा सामंजस्य दिखाया।
- भौतिक निर्देशांकों (जहाँ चर सह-संबंधित हैं) में, LOCA और ग्रेंजर के परिणाम काफी भिन्न थे। LOCA ने मजबूत कारण लिंक (जैसे, लिफ्ट-अप मैकेनिज्म) की पहचान की जिन्हें ग्रेंजर विश्लेषण ने सह-संबंधित चरों पर स्थितिजन्य होने के कारण कम महत्व दिया।
- अध्ययन ने रेखांकित किया कि ट्रंकेटेड POD मॉडल निम्न-ऊर्जा वाले मोड से जुड़े प्रमुख कारण अंतःक्रियाओं को मिस कर सकते हैं, जबकि बैलेंस्ड ट्रंकेशन (जो कंट्रोलेबिलिटी और ऑब्जर्वेबिलिटी को सुरक्षित रखता है) इन पथों को अधिक प्रभावी ढंग से बनाए रखता है।
- ग्लोबल कॉज़ैलिटी मेट्रिक $\mathbf{M}_\alpha$ ने रैखिकीकृत नेवियर-स्टोक्स ऑपरेटर की ब्लॉक-ट्राइएंगुलर संरचना को सही ढंग से पहचाना, जो भंवर (vorticity) से वॉल-नॉर्मल वेलोसिटी तक कोई कारण प्रभाव नहीं दिखाता है।
नॉनलीन वेक फ्लो (दो कोलीनियर प्लेट्स):
- केवल डेटा (LOCA-DMD और ग्रेंजर) का उपयोग करके एक अराजक (chaotic) वेक फ्लो पर लागू किया गया।
- POD स्पेस में, LOCK-DMD और ग्रेंजर के परिणाम समान थे, जो POD मोड की असंबद्ध प्रकृति के अनुरूप है।
- भौतिक स्थान (डिस्क्रीट बिंदुओं पर वेग माप का उपयोग करके) में, LOCA-DMD ने ग्रेंजर कॉज़ैलिटी की तुलना में अधिक स्पष्ट और स्थानिक रूप से संरचित कारण नेटवर्क प्रकट किया। LOCA-DMD ने विशिष्ट अपस्ट्रीम स्थानों (भंवर निर्माण के पास) की पहचान की जो विस्तारित समय क्षितिजों में डाउनस्ट्रीम क्षेत्रों को प्रभावित करने वाले प्रमुख कारण स्रोत थे, जबकि ग्रेंजर मान सह-संबंधित वेग मापों पर स्थितिजन्य होने के कारण काफी कम हो गए।

महत्व और दावे
शोध पत्र का दावा है कि LOCA एक "भौतिक रूप से प्रेरित और व्याख्या योग्य उपाय" प्रदान करता है जो डेटा-संचालित सांख्यिकीय तकनीकों का पूरक है। रैखिक गवर्निंग समीकरणों (या उनके डेटा-संचालित अनुमानों) का लाभ उठाकर, LOCA डेटा-संचालित विश्लेषण में होने वाली सामान्य समस्याओं को कम करता है, जैसे कि सह-संबंधित चरों के कारण भ्रामक निष्कर्ष या अवस्था ट्रंकेशन के कारण खोए हुए कारण पथ।

लेखक तर्क देते हैं कि LOCA, ग्रेंजर कॉज़ैलिटी से एक अलग दृष्टिकोण प्रदान करता है: यह केवल भविष्यवाणी सटीकता में सुधार को मापने के बजाय, एक विशिष्ट हस्तक्षेप (counterfactual causality) के प्रति प्रणाली की प्रतिक्रिया को मापता है। इस ढांचे को सांख्यिकीय विधियों के प्रतिस्थापन के रूप में नहीं, बल्कि एक पूरक उपकरण के रूप में प्रस्तुत किया गया है जो डेटा-संचालित विश्लेषण को निर्देशित कर सकता है और द्रव प्रवाह के संरचनात्मक तंत्रों, विशेष रूप से कंट्रोलेबिलिटी, ऑब्जर्वेबिलिटी और उच्च-आयामी प्रणालियों में इष्टतम कारण पथों की पहचान के बारे में गहरी अंतर्दृष्टि प्रदान कर सकता है। यह कार्य सुझाव देता है कि इन ऑपरेटर-आधारित कारण संरचनाओं को समझना द्रव प्रणालियों के पूर्वानुमान, नियंत्रण और डिजाइन के लिए अत्यंत महत्वपूर्ण है।