🔬 physics

Tomography for Plasma Imaging: a Unifying Framework for Bayesian Inference

यह शोध पत्र स्पार्स-व्यू प्लाज्मा टोमोग्राफी के लिए एक एकीकृत बेयसियन ढांचे (unifying Bayesian framework) को प्रस्तुत करता है जो डेटा लाइकलीहुड और प्रोफाइल प्रायर्स (profile priors) को एक पोस्टीरियर वितरण में एकीकृत करता है, जिससे एक स्टोकेस्टिक ग्रेडिएंट फ्लो एल्गोरिदम के माध्यम से कुशल अनिश्चितता परिमाणीकरण और सिद्धांतिक सांख्यिकीय विश्लेषण सक्षम होता है, जिसे TCV टोकामक सॉफ्ट एक्स-रे डेटा पर मान्य किया गया है।

मूल लेखक: D. Hamm, C. Theiler, M. Simeoni, B. P. Duval, T. Debarre, L. Simons, J. R. Queralt

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: D. Hamm, C. Theiler, M. Simeoni, B. P. Duval, T. Debarre, L. Simons, J. R. Queralt

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: अदृश्य को देखना

कल्पना कीजिए कि आप एक अंधेरे कमरे में हैं जहाँ बीच में एक चमकती हुई, अदृश्य जेलीफ़िश तैर रही है। आप जेलीफ़िश को सीधे नहीं देख सकते, लेकिन आपके कुछ दोस्त कमरे के चारों ओर टॉर्च लेकर खड़े हैं। प्रत्येक दोस्त जेलीफ़िश के माध्यम से प्रकाश की एक किरण भेजता है और मापता है कि दूसरी तरफ कितनी रोशनी रुक गई या कम हो गई।

वैज्ञानिक फ्यूजन प्लाज्मा (जैसे टोकामक के भीतर का अत्यधिक गर्म, चमकता हुआ गैस) के साथ बिल्कुल यही करते हैं। वे इसके अंदर कैमरा नहीं लगा सकते क्योंकि वह पिघल जाएगा। इसके बजाय, वे प्लाज्मा से आने वाले प्रकाश को मापने के लिए डिटेक्टरों (टॉर्च लिए दोस्तों) का उपयोग करते हैं।

समस्या:
एक अस्पताल के सीटी स्कैन में, आपको मरीज की सटीक तस्वीर पाने के लिए 1,000 एक्स-रे बीमों को घूमते हुए देखना पड़ सकता है। लेकिन एक फ्यूजन रिएक्टर में, हमारे पास केवल लगभग 100 डिटेक्टर होते हैं, और वे विशिष्ट स्थानों पर स्थिर होते हैं। यह कुछ ही कोणों से देखने वाले 100 दोस्तों के साथ उस जेलीफ़िश के आकार का अनुमान लगाने जैसा है। इसका परिणाम एक धुंधला, भ्रमित करने वाला दृश्य होता जो "भूतों" और आर्टिफ़ेक्ट्स से भरा होता है। इसे स्पार्स-व्यू टोमोग्राफी (sparse-view tomography) समस्या कहा जाता है।

पुराना तरीका बनाम नया तरीका

दशकों से, वैज्ञानिकों ने इस धुंधली तस्वीर को ठीक करने के लिए गणित का उपयोग करने की कोशिश की है।

पुराना तरीका (द "स्मूदी" अप्रोच): अधिकांश पुराने तरीकों ने तस्वीर को "स्मूथ" (चिकना) बनाने पर जोर दिया। उन्होंने माना कि प्लाज्मा एक शांत झील की तरह है, न कि ऊबड़-खाबड़ लहरों की तरह। यदि गणित उलझ जाता, तो वे इसे तब तक स्मूथ करते रहते जब जब तक कि यह अच्छा न दिखने लगे। यह ठीक-ठाक काम करता था, लेकिन यह अक्सर महत्वपूर्ण विवरणों (जैसे गर्मी के तीखे स्पाइक्स) को मिटा देता था और यह नहीं बताता था कि वे अपने परिणाम के बारे में कितने आश्वस्त हैं।
नया तरीका (द "डिटेक्टिव" अप्रोच): यह पेपर एक बेयसियन फ्रेमवर्क (Bayesian Framework) प्रस्तावित करता है। इसे एक सुपर-स्मार्ट जासूस के रूप में सोचें। केवल आकार का अनुमान लगाने के बजाय, जासूस दो चीजों को जोड़ता है:
1. सुराग (डेटा): जो डिटेक्टरों ने वास्तव में देखा।
2. पूर्वानुमान (द प्रायर): जो हम पहले से जानते हैं कि प्लाज्मा आमतौर पर कैसे व्यवहार करता है (जैसे, यह आमतौर पर चिकना होता है, लेकिन कभी-कभी इसमें स्पाइक्स भी हो सकते हैं)।

इन सुरागों और पूर्वानुमान को जोड़कर, जासूस एक पोस्टीरियर डिस्ट्रीब्यूशन (Posterior Distribution) बनाता है। यह केवल एक तस्वीर नहीं है; यह संभावित चित्रों का एक पूरा लाइब्रेरी है, जिन्हें उनकी संभावना के आधार पर रैंक किया गया है।

गुप्त नुस्खा: "वांडरिंग डिटेक्टिव" (भटकता हुआ जासूस)

आप लाखों संभावनाओं की लाइब्रेरी से एक एकल उत्तर कैसे प्राप्त करते हैं? लेखक एक चतुर एल्गोरिदम का उपयोग करते हैं जिसे अनएडजस्टेड लैंज़वेन एल्गोरिदम (Unadjusted Langevin Algorithm - ULA) कहा जाता है।

कल्पना कीजिए कि एक जासूस जेलीफ़िश के सबसे संभावित आकार को खोजने की कोशिश कर रहा है।

ग्रेडिएंट फ्लो (द मैप): गणित एक ढलान वाला नक्शा देता है। ढलान का निचला हिस्सा सबसे संभावित उत्तर है। यदि जासूस सीधे नीचे की ओर चलता है, तो वह "मैक्सिमम ए पोस्टेरीओरी" (MAP) पाता है—जो कि सबसे अच्छा एकल अनुमान है।
रैंडम वॉक (द एक्सप्लोरेशन): लेकिन क्या होगा यदि नक्शा पेचीदा है? क्या होगा यदि दो घाटियाँ समान दिखती हैं? लेखक एक "स्टोकेस्टिक" (यादृच्छिक) संस्करण का उपयोग करते हैं। कल्पना करें कि जासूस ढलान के नीचे चल रहा है, लेकिन हर कुछ कदमों के बाद, एक हल्की हवा उसे थोड़ा रास्ते से भटका देती है। यह उन्हें केवल सबसे गहरे बिंदु को खोजने के बजाय पूरी घाटी का पता लगाने की अनुमति देता है।

इन हजारों "रैंडम वॉक" चरणों को लेकर, जासूस एक सांख्यिकीय प्रोफाइल बना सकता है। वे कह सकते हैं: "मुझे 95% यकीन है कि हॉट स्पॉट यहाँ है, और मुझे 99% यकीन है कि कुल ऊर्जा X और Y के बीच है।"

यह क्यों मायने रखता है

पेपर ने नकली प्लाज्मा परिदृश्यों (जिन्हें फैंटम कहा जाता है) के एक विशाल डेटासेट पर इस नए "डिटेक्टिव" तरीके का परीक्षण किया। यहाँ उन्हें क्या मिला:

यह एक एकीकृत भाषा है: उन्होंने दिखाया कि वैज्ञानिकों ने 30 वर्षों से उपयोग किए जाने वाले लगभग सभी अलग-अलग गणितीय तरीके वास्तव में एक ही "बेयसियन भाषा" बोलने के अलग-अलग तरीके हैं। यह वैसा ही है जैसे यह महसूस करना कि फ्रेंच, स्पेनिश और इतालवी सभी रोमांस भाषाएं हैं; उनका एक साझा मूल है।
अनिश्चितता एक विशेषता है, दोष नहीं: अतीत में, वैज्ञानिक "मुझे नहीं पता" कहने से डरते थे। यह तरीका अनिश्चितता को पसंद करता है। यह आपको एक तस्वीर साथ ही एक "कॉन्फिडेंस मैप" देता है। आप देख सकते हैं कि तस्वीर कहाँ धुंधली है और कहाँ स्पष्ट है।
यह शोर (Noise) को संभालता है: वास्तविक डेटा अव्यवस्थित होता है। नया तरीका मजबूत है। भले ही डिटेक्टर थोड़े गलत हों या शोर अजीब हो, "डिटेक्टिव" अभी भी एक विश्वसनीय उत्तर दे सकता है जिसमें एक स्पष्ट चेतावनी लेबल हो: "इस इमेज का यह हिस्सा थोड़ा धुंधला है, इसलिए इसे सावधानी के साथ लें।"

सीमाएं (द "नो फ्री लंच" रूल)

लेखक अपनी सीमाओं के प्रति ईमानदार हैं। यदि आपके पास जेलीफ़िश को देखने के लिए केवल 100 दोस्त हैं, तो कोई भी गणित जादू से 4K HD तस्वीर नहीं बना सकता यदि डेटा वहां मौजूद नहीं है।

प्रायर (Prior) ही सर्वोपरि है: क्योंकि डेटा इतना कम है, "पूर्वानुमान" (प्रायर) जिसे आप जासूस को देते हैं, वह बहुत मायने रखता है। यदि आप जासूस को बताते हैं कि जेलीफ़िश गोल है, और वह वास्तव में वर्गाकार है, तो जासूस एक गोल जेलीफ़िश ही बनाएगा। आपको अपनी धारणाओं के बारे में बहुत सावधान रहना होगा।
स्मूथिंग (Smoothing): यह विधि चीजों को स्मूथ करने की प्रवृत्ति रखती है। यदि कोई छोटा, तीखा स्पाइक है, तो गणित उसे सुरक्षित रहने के लिए औसत (average) बना सकता है।

निचोड़

यह पेपर फ्यूजन वैज्ञानिकों के लिए एक टूलकिट है। यह "अदृश्य गर्म गैस के आकार का अनुमान लगाने" की अव्यवस्थित, भ्रमित करने वाली समस्या को एक कठोर, सांख्यिकीय प्रक्रिया में बदल देता है।

यह कहने के बजाय कि, "यहाँ प्लाज्मा की तस्वीर है," अब वे कह सकते हैं, "यहाँ सबसे संभावित तस्वीर है, यहाँ संभावनाओं की सीमा है, और यहाँ तक कि हम हर सिंगल पिक्सेल में कितने आश्वस्त हैं, यह भी हमें पता है।"

और सबसे अच्छी बात? उन्होंने अपना सारा कोड और डेटा ओपन सोर्स कर दिया है। यह ऐसा है जैसे उन्होंने केवल रेसिपी ही नहीं लिखी; बल्कि उन्होंने पूरी रसोई दुनिया को दे दी ताकि कोई भी बेहतर फ्यूजन डायग्नोस्टिक्स बना सके।

यहाँ शोध पत्र "Tomography for Plasma Imaging: a Unifying Framework for Bayesian Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फ्यूजन उपकरणों (जैसे टोकामक) में प्लाज्मा डायग्नोस्टिक्स, 2D एमिसिविटी प्रोफाइल्स (emissivity profiles) को लाइन-इंटीग्रेटेड मापों से पुनर्गठित करने के लिए कंप्यूटरीकृत टोमोग्राफी (CT) पर निर्भर करते हैं। हालाँकि, मेडिकल या इंडस्ट्रियल CT के विपरीत, जो लाखों व्यूज़ का उपयोग करते हैं, फ्यूजन डायग्नोस्टिक्स एक स्पार्स-व्यू (sparse-view), लिमिटेड-एंगल समस्या का सामना करते हैं:

डेटा की कमी (Data Scarcity): भौतिक बाधाओं (डायग्नोस्टिक पोर्ट्स) के कारण डिटेक्टरों के आसपास असमान रूप से वितरित लगभग $\approx 10^2$ माप ही उपलब्ध होते हैं।
इल-पोज़्डनेस (Ill-posedness): यह इनवर्स समस्या गंभीर रूप से अंडर-डिटरमाइंड (under-determined) है ( $N > M$ , जहाँ $N$ पिक्सेल की संख्या है और $M$ डिटेक्टरों की संख्या है), जिससे गैर-अद्वितीय समाधान (non-unique solutions), कम स्थानिक रिज़ॉल्यूशन और आर्टिफ़ेक्ट्स (artifacts) के प्रति उच्च संवेदनशीलता उत्पन्न होती है।
खंडित कार्यप्रणाली (Fragmented Methodology): मौजूदा पुनर्निर्माण तकनीकें (मैक्सिमम एंट्रॉपी, मिनिमम फिशर इंफॉर्मेशन, टिखोनोव रेगुलराइजेशन, गॉसियन प्रोसेस टोमोग्राफी) दशकों से स्वतंत्र रूप से विकसित की गई हैं। वे अक्सर अंतर्निहित संरचनाओं को साझा करती हैं, लेकिन उनमें एक एकीकृत सैद्धांतिक परिप्रेक्ष्य का अभाव है, जिससे उनकी तुलना करना या उन्हें व्यवस्थित रूप से सुधारना कठिन हो जाता है।

2. कार्यप्रणाली: एक एकीकृत बेयसियन ढांचा (Methodology: A Unifying Bayesian Framework)

लेखक एक सामान्य बेयसियन ढांचे का प्रस्ताव करते हैं जो अधिकांश अत्याधुनिक प्लाज्मा टोमोग्राफी तकनीकों को एकीकृत करता है। मुख्य दर्शन यह है कि पुनर्निर्माण समस्या को नियतात्मक (deterministic) के बजाय संभावabilistic (probabilistic) रूप से मॉडल किया जाए।

A. बेयसियन सूत्रीकरण (The Bayesian Formulation)

समस्या को एक लीनियर फॉरवर्ड मॉडल $y = Tx + \varepsilon$ के माध्यम से शोर युक्त मापों $y$ से एक सिग्नल $x$ (एमिसिविटी) को पुनः प्राप्त करने के रूप में परिभाषित किया गया है।

लाइकलीहुड ( $p(y|x)$ ): शोर मॉडल (आमतौर पर एडिटिव व्हाइट गॉसियन नॉइज़) से व्युत्पन्न, जो एक डेटा-फिडेलिटी टर्म की ओर ले जाता है जो नेगेटिव लॉग-लाइकलीहुड के समकक्ष है।
प्रायर ( $p(x)$ ): प्लाज्मा प्रोफाइल के बारे में धारणाओं को एनकोड करता है (जैसे, स्मूथनेस, पॉजिटिविटी, एनिसोट्रॉपी/anisotropy)।
पोस्टीरियर ( $p(x|y)$ ): लाइकलीहुड और प्रायर का गुणनफल, जो समाधान के पूर्ण संभाव्य ज्ञान का प्रतिनिधित्व करता है।
$p(x|y) \propto p(y|x)p(x)$

यह पेपर प्रदर्शित करता है कि शास्त्रीय रेगुलराइजेशन दृष्टिकोण (जैसे, टिखोनोव, MFI) मैक्सिमम ए पोस्टेरिओरी (MAP) अनुमान के गणितीय रूप से समकक्ष हैं, जहाँ रेगुलराइजेशन टर्म नेगेटिव लॉग-प्रायर के अनुरूप होता है।

B. इन्फरेंस एल्गोरिदम (Inference Algorithms)

उच्च-आयामी (high-dimensional) पोस्टीरियर से जानकारी निकालने के लिए, लेखक स्टोकेस्टिक ग्रेडिएंट फ्लो (Stochastic Gradient Flow) एल्गोरिदम का उपयोग करते हैं:

MAP अनुमान (ग्रेडिएंट फ्लो): नेगेटिव लॉग-पोस्टीरियर पर ग्रेडिएंट डिसेंट का उपयोग करके पोस्टीरियर के मोड (mode) को हल करता है। यह एक रिएक्शन-डिफ्यूजन समीकरण के स्टेडी-स्टेट समाधान के समकक्ष है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification - ULA): पोस्टीरियर वितरण से नमूने (samples) लेने के लिए अनएडजस्टेड लैंघवेन एल्गोरिदम (Unadjusted Langevin Algorithm - ULA) का उपयोग करता है।
- यह एल्गोरिदम एक ओवरडैम्प्ड लैंघवेन स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) का अनुकरण करता है:
  $dx_t = (\nabla \log p(y|x_t) + \nabla \log p(x_t))dt + \sqrt{2}dW_t$
- यह केवल एक सिंगल पॉइंट एस्टीमेट के बजाय सांख्यिकीय मात्राओं (मीन, वेरिएंस, क्रेडिबल इंटरवल्स) की गणना करने के लिए नमूनों $\{x_k\}$ को उत्पन्न करने की अनुमति देता है।
- प्रॉक्सिमल तकनीकें (Proximal Techniques): नॉन-स्मूथ बाधाओं (जैसे पॉजिटिविटी कंस्ट्रेंट $x \geq 0$ ) को संभालने के लिए, लेखक ग्रेडिएंट फ्लो और सैंपलिंग स्टेप्स के भीतर प्रॉक्सिमल ऑपरेटर्स का उपयोग करते हैं।

C. विशिष्ट अनुप्रयोग: TCV पर SXR इमेजिंग

इस ढांचे को TCV टोकामक पर सॉफ्ट एक्स-रे (SXR) इमेजिंग पर लागू किया गया है:

डेटा: 5 कैमरों में 100 डायोड।
मॉडल: एनिसोट्रोपिक डिफ्यूजन प्रायर जो मैग्नेटिक फ्लक्स सतहों का सम्मान करते हैं (फ्लक्स लाइनों के अनुदिश, उनके आर-पार की तुलना में अधिक स्मूथिंग)।
हाइपरपैरामीटर्स: एनिसोट्रॉपी स्ट्रेंथ ( $\alpha$ ) और रेगुलराइजेशन वेट ( $\lambda$ ) को क्रॉस-वैलिडेशन के माध्यम से ट्यून किया गया है।

3. प्रमुख योगदान (Key Contributions)

एकीकृत परिप्रेक्ष्य: यह पेपर स्थापित करता है कि विविध प्लाज्मा इमेजिंग तकनीकें (MFI, Tikhonov, Gaussian Process Tomography) विशिष्ट लाइकलीहुड और प्रायर के साथ बेयसियन इन्फरेंस के विशेष मामले हैं।
सांख्यिकीय रूप से सिद्धांतबद्ध पाइपलाइन: यह ULA का उपयोग करके पोस्टीरियर सैंपलिंग के लिए एक मजबूत पाइपलाइन पेश करता है, जो कठोर अनिश्चितता परिमाणीकरण (UQ) (जैसे, क्रेडिबल बाउंड्स, वेरिएंस मैप्स) को सक्षम बनाता है, जो पारंपरिक नियतात्मक विधियों में अक्सर गायब रहता है।
नॉन-स्मूथ बाधाओं को संभालना: प्रॉक्सिमल विधियों का एकीकरण ढांचे को पॉजिटिविटी कंस्ट्रेंट्स को स्वाभाविक रूप से संभालने की अनुमति देता है, जो प्लाज्मा भौतिकी के लिए एक सामान्य आवश्यकता है।
ओपन साइंस: लेखक पुनरुत्पादकता (reproducibility) सुनिश्चित करने के लिए पूर्ण ओपन-एक्सेस कोड (Pyxu और एक GitHub रिपॉजिटरी के माध्यम से) और 1,000 सिंथेटिक मॉडल फैंटम का एक बड़ा डेटासेट प्रदान करते हैं।

4. परिणाम (Results)

पाइपलाइन को 1,000 विविध सिंथेटिक फैंटम (विभिन्न प्लाज्मा प्रोफाइल, एसिमेट्री और नॉइज़ लेवल का अनुकरण करते हुए) के डेटासेट पर मान्य किया गया।

पुनर्निर्माण सटीकता (Reconstruction Accuracy): दोनों MAP और पोस्टीरियर मीन एस्टीमेटर्स ने कम रूट मीन स्क्वायर एरर (RMSE $\approx 3-4\%$ ) और सटीक टोटल रेडिएटेड पावर (सापेक्ष त्रुटि $< 1\%$ ) प्राप्त की।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification):
- पोस्टीरियर स्टैंडर्ड डेविएशन ( $\sigma_{ULA}$ ) ने प्रभावी रूप से उच्च अनिश्चितता वाले क्षेत्रों की पहचान की।
- क्रेडिबल बाउंड्स: लगभग 90% वास्तविक एमिसिविटी पिक्सेल मीन के एक मानक विचलन (standard deviation) के भीतर थे, और 98% दो मानक विचलन के भीतर थे, जो अनिश्चितता अनुमानों की विश्वसनीयता को प्रमाणित करते हैं।
- एनिसोट्रॉपी संवेदनशीलता: अनिश्चितता मैप्स एनिसोट्रॉपी पैरामीटर $\alpha$ के प्रति संवेदनशील पाए गए, जो डिफ्यूजन प्रायर के भौतिकी को दर्शाते हैं।
मजबूती (Robustness): यह विधि तब भी मजबूत रही जब नॉइज़ मॉडल मिसमैच हुआ (उदाहरण के लिए, सिग्नल-डिपेंडेंट नॉइज़ को सिग्नल-इंडिपेंडेंट के रूप में मॉडल किया गया) या जब पुनर्निर्माण ग्रिड फैंटम जनरेशन ग्रिड से मोटा (coarser) था।
स्पार्स-व्यू सीमाएँ (Sparse-View Limitations):
- स्पार्स-व्यू शासन (TCV का वास्तविक डायग्नोस्टिक) में, प्रायर (prior) समाधान पर हावी होता है। कम शोर के बावजूद, गलत हाइपरपैरामीटर चयन (विशेष रूप से एनिसोट्रॉपी $\alpha$ ) महत्वपूर्ण आर्टिफ़ेक्ट्स या ओवर-स्मूथिंग की ओर ले जाता है।
- इसके विपरीत, एक "आर्टिफिशियल" डायग्नोस्टिक जिसमें सघन कवरेज (overdetermined) था, ने प्रायर के बावजूद उच्च-गुणवत्ता वाले पुनर्निर्माण दिए, जिससे पुष्टि हुई कि प्लाज्मा टोमोग्राफी की सीमाएं डेटा की कमी के कारण हैं, न कि केवल एल्गोरिदम के कारण।

5. महत्व और भविष्य का दृष्टिकोण (Significance and Future Outlook)

पैराडाइम शिफ्ट: यह कार्य प्लाज्मा टोमोग्राफी को एक "ब्लैक-बॉक्स" ऑप्टिमाइज़ेशन समस्या से एक पारदर्शी, संभाव्य ढांचे में बदल देता है। यह कई डायग्नोस्टिक्स से डेटा के सिद्धांतबद्ध संयोजन की अनुमति देता है।
विश्वास का परिमाणीकरण: अनिश्चितता मेट्रिक्स प्रदान करके, यह ढांचा पुनर्निर्माण आर्टिफ़ेक्ट्स की अति-व्याख्या (over-interpretation) को रोकता है, जो फ्यूजन रिएक्टरों में सुरक्षा और परिचालन निर्णयों के लिए महत्वपूर्ण है।
भविष्य की दिशाएँ:
- अनुप्रयोग: अन्य डायग्नोस्टिक्स (बोलोमेट्री, विज़िबल लाइट) और वास्तविक प्रयोगात्मक डेटा तक इस ढांचे का विस्तार करना।
- उन्नत प्रायर (Advanced Priors): क्लासिकल स्मूथनेस प्रायर से आगे बढ़कर स्पैरसिटी-प्रमोटिंग प्रायर (L1-norm) और डीप लर्निंग-आधारित प्रायर का उपयोग करना, जो व्यापक कम्प्यूटेशनल इमेजिंग समुदाय की हालिया प्रगति का लाभ उठाता है।
- तुलनात्मक विश्लेषण: पहले से ही अलग-अलग विधियों (जैसे, ML बनाम बेयसियन) की कठोरता से तुलना करने के लिए एकीकृत ढांचे का उपयोग करना।

निष्कर्षतः, यह पेपर प्लाज्मा इमेजिंग के लिए एक कठोर गणितीय आधार प्रदान करता है, यह प्रदर्शित करता है कि स्टोकेस्टिक ग्रेडिएंट फ्लो के साथ बेयसियन इन्फरेंस, फ्यूजन अनुसंधान में निहित चुनौतीपूर्ण इनवर्स समस्याओं को हल करने के लिए एक शक्तिशाली, लचीला और सांख्यिकीय रूप से सुदृढ़ दृष्टिकोण प्रदान करता है।