💻 computer science

A Streaming Sparse Cholesky Method for Derivative-Informed Gaussian Process Surrogates Within Digital Twin Applications

यह शोध पत्र विमान संरचनाओं के लिए एक एंड-टू-एंड डिजिटल ट्विन फ्रेमवर्क प्रस्तुत करता है जो डायनेमिक गॉसियन प्रोसेस सरोगेट्स में डेरिवेटिव डेटा को कुशलतापूर्वक शामिल करने के लिए एक नवीन स्ट्रीमिंग स्पार्स चोलेस्की सॉल्वर का उपयोग करता है, जिससे डेरिवेटिव-संवर्धित मॉडलों से जुड़ी अत्यधिक कम्प्यूटेशनल लागतों के बिना वास्तविक समय में, उच्च-सटीक थकान दरार वृद्धि (फटीग क्रैक ग्रोथ) भविष्यवाणियां सक्षम होती हैं।

मूल लेखक: Shridhar Vashishtha, Krishna Prasath Logakannan, Jacob Hochhalter, Shandian Zhe, Robert M. Kirby

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shridhar Vashishtha, Krishna Prasath Logakannan, Jacob Hochhalter, Shandian Zhe, Robert M. Kirby

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

यहाँ इस शोध पत्र का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

बड़ी तस्वीर: "डिजिटल ट्विन" (Digital Twin)

कल्पना कीजिए कि आपके पास एक बहुत ही महंगी और जटिल मशीन है, जैसे कि एक हवाई जहाज का पंख। आप जानना चाहते हैं कि भविष्य में यह कैसा व्यवहार करेगा—क्या इसमें दरार आएगी? कब आएगी? इसका उत्तर देने के लिए, इंजीनियर एक "डिजिटल ट्विन" बनाते हैं।

डिजिटल ट्विन को अपने असली हवाई जहाज के पंख के एक परफेक्ट वीडियो गेम क्लोन की तरह समझें।

असली पंख (फिजिकल ट्विन): यह उड़ता है, हवा से टकराता है, और वर्षों के दौरान धीरे-धीरे इसमें सूक्ष्म दरारें विकसित होती हैं।
क्लोन (डिजिटल ट्विन): यह कंप्यूटर पर रहता है। इसका काम असली पंख के भविष्य की भविष्यवाणी करना है ताकि आप इसे टूटने से पहले ठीक कर सकें।

समस्या यह है: असली पंख बदलता रहता है। यह घिस जाता है, धातु कारखाने से थोड़ा अलग हो सकती है, और यह अलग-अलग मौसम का सामना करता है। यदि आपका कंप्यूटर क्लोन एक जैसा ही रहता है, तो वह अंततः वास्तविकता से मेल खाना बंद कर देगा। इसे उड़ते समय असली पंख से सीखने की आवश्यकता है।

समस्या: सीखना कठिन और धीमा है

क्लोन को सिखाने के लिए, इंजीनियर एक गणितीय उपकरण का उपयोग करते हैं जिसे गौसियन प्रोसेस (Gaussian Process - GP) कहा जाता है। GP को एक सुपर-स्मार्ट अंदाज़ा लगाने वाले (guesser) के रूप में सोचें। यह डेटा पॉइंट्स (जैसे "आज दरार का आकार") को देखता है और कल क्या होगा, इसका अनुमान लगाने के लिए एक स्मूथ कर्व (वक्र) खींचता है।

आमतौर पर, यह अंदाज़ा लगाने वाला केवल इस पर ध्यान देता है कि क्या हो रहा है (जैसे, "दरार 2mm लंबी है")।
लेकिन यह पेपर कहता है: "क्या होगा अगर हम अंदाज़ा लगाने वाले को यह भी बता दें कि यह कितनी तेजी से बदल रहा है और बदलाव की गति कैसे बदल रही है?"

सामान्य डेटा: "दरार 2mm लंबी है।"
डेरिवेटिव डेटा: "दरार 2mm लंबी है, हर उड़ान में 0.1mm बढ़ रही है, और बढ़ने की यह दर तेज हो रही है।"

यह अतिरिक्त "गति और त्वरण" (speed and acceleration) की जानकारी जोड़ने से अंदाज़ा लगाने वाला अविश्वसनीय रूप से सटीक हो जाता है। हालाँकि, एक पेंच है: इससे गणित बहुत जटिल (explode) हो जाता है।
कल्पना कीजिए कि आप एक पहेली सुलझाने की कोशिश कर रहे हैं। "गति" का डेटा जोड़ना एक 100-टुकड़ों वाली पहेली को 10,000-टुकड़ों वाली पहेली में बदलने जैसा है। कंप्यूटर अभिभूत हो जाता है, इसे हल करने में बहुत समय लेता है, और कभी-कभी क्रैश हो जाता है क्योंकि नंबर बहुत उलझ जाते हैं।

समाधान: "स्ट्रीमिंग स्पार्स चोलेस्की" (Streaming Sparse Cholesky) विधि

लेखकों ने कंप्यूटर को खराब किए बिना इस विशाल पहेली को हल करने का एक नया तरीका खोजा है। वे इसे "स्ट्रीमिंग स्पार्स चोलेस्की मेथड" कहते हैं। यहाँ इसकी उपमा दी गई है:

1. "स्पार्स" (Sparse) ट्रिक (लाइब्रेरी बनाम विश्वकोश)
आमतौर पर, मॉडल को अपडेट करने के लिए, कंप्यूटर हर बार नई जानकारी आने पर डेटा के पूरे विश्वकोश (encyclopedia) को पढ़ने की कोशिश करता है। यह धीमा है।
लेखकों ने महसूस किया कि एक लाइब्रेरी में, आपको अपनी जरूरत की किताब खोजने के लिए हर किताब पढ़ने की आवश्यकता नहीं होती। आपको केवल उस किताब के बगल वाली शेल्फ की किताबों को देखने की आवश्यकता है जिसे आप चाहते हैं।

उनकी विधि: वे डेटा को इस तरह व्यवस्थित करते हैं कि कंप्यूटर केवल "पड़ोसियों" (निकटवर्ती डेटा पॉइंट्स) को देखता है और बाकी को अनदेखा कर देता है। यह 10,000-टुकड़ों वाली पहेली को वापस एक प्रबंधनीय 100-टुकड़ों वाली पहेली में बदल देता है, लेकिन यह बड़े पहेली की उच्च सटीकता को बनाए रखता है।

2. "स्ट्रीमिंग" (Streaming) ट्रिक (असेंबली लाइन)
पुराने तरीके कहते हैं: "ठीक है, हमें नया डेटा मिल गया! सब कुछ रोक दो, पुराना काम फेंक दो, और पूरी पहेली को फिर से शुरू से हल करो।"
लेखकों की विधि एक असेंबली लाइन की तरह है।

जब नया डेटा आता है (जैसे एक नई उड़ान की रिपोर्ट), तो वे दोबारा शुरुआत नहीं करते। वे बस मौजूदा पहेली में एक नया टुकड़ा जोड़ देते हैं।
उनके पास पहेली का एक विशेष "डायनेमिक" (dynamic) हिस्सा है। यदि कोई नया टुकड़ा "डायनेमिक" ज़ोन में फिट बैठता है, तो वे बस उस छोटे क्षेत्र में बदलाव करते हैं। यदि नया टुकड़ा बहुत अजीब है (आउटलायर), तभी वे रुकते हैं और पूरी चीज़ को फिर से बनाते हैं।
यह डिजिटल ट्विन को विमान के उड़ते समय रियल-टाइम में अपडेट करने की अनुमति देता है, न कि रात भर के धीमे कैलकुलेशन का इंतज़ार करने की।

वास्तविक दुनिया का परीक्षण: हवाई जहाज की दरार

यह काम करता है, यह साबित करने के लिए उन्होंने एक विशिष्ट समस्या पर परीक्षण किया: एक विमान में थकान संबंधी दरारों (fatigue cracks) की भविष्यवाणी करना।

सेटअप: उन्होंने हजारों चक्रों तक उड़ने वाले हवाई जहाज के पंख का सिमुलेशन किया। "डिजिटल ट्विन" ने दरारें कैसे बढ़ती हैं, इसके बारे में एक सामान्य अनुमान के साथ शुरुआत की।
परीक्षण: हर कुछ हजार उड़ानों के बाद, वे "असली" पंख (सिमुलेशन में) की जाँच करते थे और उस डेटा को डिजिटल ट्विन को देते थे।
परिणाम:
- नई विधि के बिना: डिजिटल ट्विन शुरू में ठीक था, लेकिन जैसे-जैसे विमान पुराना हुआ, उसका अनुमान बदतर होता गया। यह एक ऐसे मौसम पूर्वानुमान की तरह था जो मौसम बदलने के लिए अपडेट होना भूल गया हो।
- नई विधि के साथ (डेरिवेटिव्स का उपयोग करके): डिजिटल ट्विन अविश्वसनीय रूप से सटीक रहा। दरार के बढ़ने की "गति" और "त्वरण" का उपयोग करके, इसने बहुत कम त्रुटि के साथ दरार की भविष्य की स्थिति की भविष्यवाणी की।
- गति: नई विधि पुराने तरीके की तुलना में 8 गुना तेज़ थी, जिससे इसे मानक कंप्यूटरों पर रियल-टाइम में चलाना संभव हो गया।

यह क्यों महत्वपूर्ण है

यह पेपर दिखाता है कि एक ऐसा डिजिटल ट्विन कैसे बनाया जाए जो वास्तव में विकसित (evolve) हो सके।

यह स्मार्ट है: "डेरिवेटिव्स" (परिवर्तन की दर) का उपयोग करके, यह भौतिकी (physics) को बेहतर समझता है।
यह तेज़ है: "स्पार्स" गणित का उपयोग करके, यह बहुत अधिक डेटा के कारण धीमा नहीं होता।
यह लाइव है: "स्ट्रीमिंग" अपडेट का उपयोग करके, यह मशीन के संचालन के दौरान निरंतर सीख सकता है, बजाय इसके कि हर बार इसे पूरी तरह से रीबूट करने की आवश्यकता हो।

संक्षेप में, उन्होंने एक ऐसी प्रणाली बनाई है जो कंप्यूटर क्लोन को उसके वास्तविक जीवन के जुड़वां (twin) से तुरंत, सटीक रूप से और कुशलता से सीखने देती है, जिससे यह सुनिश्चित होता है कि हमें पता हो कि मशीन के विफल होने से पहले उसे कब ठीक करना है।

तकनीकी सारांश: डिजिटल ट्विन अनुप्रयोगों के भीतर डेरिवेटिव-इन्फॉर्म्ड गॉसियन प्रोसेस सरोगेट्स के लिए एक स्ट्रीमिंग स्पार्स चोलेस्की विधि

समस्या विवरण

डिजिटल ट्विन (DT) ढांचे भौतिक संपत्तियों (फिजिकल ट्विन्स, PT) के व्यवहार को मॉडल करने के लिए डिज़ाइन किए गए हैं ताकि वास्तविक समय में पूर्वानुमान और स्थिति-आधारित रखरखाव सक्षम किया जा सके। DT विकास में एक केंद्रीय चुनौती मॉडल की सटीकता (fidelity) और कम्प्यूटेशनल दक्षता के बीच संतुलन बनाना है। जबकि पूर्ण-पैमाने के भौतिकी-आधारित सिमुलेशन उच्च सटीकता प्रदान करते हैं, वे अक्सर वास्तविक समय की बाधाओं से बाहर हो जाते हैं। इसके विपरीत, रिड्यूस्ड-ऑर्डर मॉडल व्यक्तिगत सटीकता खोने का जोखिम उठाते हैं। इसके अलावा, DT को अपने भौतिक समकक्षों के साथ विकसित होना चाहिए, जिसके लिए इन-सर्विस डेटा को मॉडल अपडेट करने के लिए ग्रहण करने की आवश्यकता होती है।

मानक गॉसियन प्रोसेस (GP) सरोगेट्स अनिश्चितता परिमाणीकरण (uncertainty quantification) के लिए प्रभावी हैं लेकिन डेरिवेटिव जानकारी के साथ उन्नत होने पर स्केलेबिलिटी संबंधी समस्याओं का सामना करते हैं। जबकि डेरिवेटिव डेटा (जैसे वेग, त्वरण, या संवेदनशीलता) को शामिल करना भविष्य कहनेवाला सटीकता को महत्वपूर्ण रूप से सुधारता है और स्थानीय संवेदनशीलता को कैप्चर करता है, यह सहप्रसरण मैट्रिक्स (covariance matrix) के आयाम को नाटकीय रूप से बढ़ा देता है। यह विस्तार मैट्रिक्स व्युत्क्रमण (inversion) के लिए अत्यधिक कम्प्यूटेशनल लागत और खराब संख्यात्मक अनुकूलन (numerical conditioning) की ओर ले जाता है, विशेष रूप से उच्च-क्रम के डेरिवेटिव और बड़े डेटासेट के मामले में। मौजूदा स्पार्स एप्रोक्सिमेशन विधियां अक्सर गतिशील, स्ट्रीमिंग संदर्भ में इन डेरिवेटिव-एन्हांस्ड संरचनाओं को कुशलतापूर्वक समायोजित करने में संघर्ष करती हैं।

कार्यप्रणाली

लेखक एक एंड-टू-एंड DT समाधान प्रस्तावित करते हैं जो तीन मुख्य प्रगतियों को एकीकृत करता है: डेरिवेटिव-इन्फॉर्म्ड GP मॉडलिंग, स्पार्स चोलेस्की गुणनखंड (factorization), और एक डायनेमिक स्ट्रीमिंग अपडेट एल्गोरिदम।

1. डेरिवेटिव-इन्फॉर्म्ड गॉसियन प्रोसेसेज:
यह अध्ययन मानक GP फॉर्मूलेशन को फंक्शन वैल्यूज और उनके डेरिवेटिव्स को एक मनमाने क्रम $d$ (विशेष रूप से इस कार्य में 4थी ऑर्डर तक) तक शामिल करने के लिए विस्तारित करता है। स्क्वेयर्ड-एक्सपोनेंशियल (SE) कर्नेल का उपयोग करते हुए—जो पर्याप्त अवकलनीयता (differentiability) सुनिश्चित करता है—लेखक एक संयुक्त सहप्रसरण मैट्रिक्स $K_{der}$ का निर्माण करते हैं जिसमें फंक्शन वैल्यूज और सभी डेरिवेटिव ऑर्डर्स के ब्लॉक्स शामिल हैं। सैद्धांतिक लेम्मा स्थापित करते हैं कि यह डेरिवेटिव-इन्फॉर्म्ड सहप्रसरण मैट्रिक्स सममित सकारात्मक-निश्चित (symmetric positive-definite) बना रहता है और उच्च-क्रम के डेरिवेटिव्स को शामिल करने से GP भविष्यवाणी की पोस्टीरियर वेरिएंस (अनिश्चितता) में निरंतर कमी आती है।

2. स्पार्स चोलेस्की गुणनखंड (Sparse Cholesky Factorization):
बड़े, घने $K_{der}$ मैट्रिक्स को इनवर्ट करने की कम्प्यूटेशनल जटिलता को संबोधित करने के लिए, लेखक प्रिसिजन मैट्रिक्स के स्पार्स चोलेस्की गुणनखंड का उपयोग करते हैं।

ऑर्डरिंग: वे प्रशिक्षण बिंदुओं को क्रमबद्ध करने के लिए मैक्सिमम-मिनिमम डिस्टेंस (MMD) ऑर्डरिंग का उपयोग करते हैं, जिससे यह सुनिश्चित होता है कि अनुक्रम में बिंदु एक-दूसरे के बहुत करीब न हों, जो स्पर्सिटी (sparsity) को बढ़ावा देता है।
स्पर्सिफिकेशन: एक स्पर्सिटी सेट को $\rho$ पैरामीटर और बिंदुओं के इंसर्शन रेडियस के आधार पर परिभाषित किया जाता है।
डेरिवेटिव एकीकरण: लेखक डेरिवेटिव अवलोकनों को संभालने के लिए स्पार्स चोलेस्की एल्गोरिदम का विस्तार करते हैं। वे एक "पॉइंट-वाइज ऑर्डरिंग एल्गोरिदम" पेश करते हैं जहाँ डेरिवेटिव मेजरमेंट्स को मैट्रिक्स संरचना में उनके संबंधित फंक्शन वैल्यूज के साथ समूहबद्ध किया जाता है। यह अनुमति देता है कि डेरिवेटिव ब्लॉक्स को शामिल करते हुए भी स्पार्स संरचना को बनाए रखा जा सके।

3. डायनेमिक स्ट्रीमिंग अपडेट एल्गोरिदम:
यह पहचानते हुए कि DTs को वास्तविक समय अनुकूलन की आवश्यकता होती है, पेपर दो डायनेमिक अपडेट दृष्टिकोण (SU-Approach1 और SU-Approach2) पेश करता है जो नया डेटा आने पर पूर्ण रिट्रेनिंग से बचते हैं:

फिक्स्ड/डायनेमिक स्प्लिट: प्रशिक्षण सेट को एक "फिक्स्ड" सेट (ऐतिहासिक डेटा) और एक "डायनेमिक" सेट (हालिया डेटा) में विभाजित किया गया है।
सुपरनोड प्रबंधन: एल्गोरिदम "सुपरनोड्स" (समान स्पर्सिटी पैटर्न वाले कॉलम के समूह) की पहचान करता है। जब नया डेटा आता है, तो उसे डायनेमिक सेट में जोड़ा जाता है। एल्गोरिदम केवल प्रभावित डायनेमिक सुपरनोड्स के लिए चोलेस्की फैक्टर्स को पुन: मूल्यांकित करता है, और फिक्स्ड सुपरनोड्स के फैक्टर्स का पुन: उपयोग करता है।
री-ट्रेनिंग मानदंड: सिस्टम में यह पता लगाने के लिए लॉजिक शामिल है कि कब डायनेमिक अपडेट अपर्याप्त हैं (जैसे, निरंतर विचलन, आउटलियर डिटेक्शन, या डेटा बजट तक पहुँचना)। ऐसे मामलों में, संचित डेटा के साथ पूर्ण री-ट्रेनिंग ट्रिगर की जाती है।

प्रमुख योगदान

डेरिवेटिव-एन्हांस्ड स्पार्स चोलेस्की: लेखक डेरिवेटिव-इन्फॉर्म्ड GPs को समायोजित करने के लिए स्पार्स चोलेस्की गुणनखंड का सामान्यीकरण करते हैं, जिससे सटीक व्युत्क्रमण की $O(N^3)$ लागत के बिना उच्च-क्रम डेरिवेटिव डेटा का उपयोग करना संभव हो जाता है।
डायनेमिक अपडेट फ्रेमवर्क: वे एक स्ट्रीमिंग एल्गोरिदम विकसित करते हैं जो स्पार्स चोलेस्की फैक्टर को वृद्धिशील (incrementally) रूप से अपडेट करता है। यह DT सरोगेट को शून्य से रिट्रेनिंग की तुलना में काफी कम कम्प्यूटेशनल ओवरहेड के साथ नए फिजिकल ट्विन डेटा के अनुकूल होने की अनुमति देता है।
इंजीनियर्ड DT सिस्टम: यह कार्य एक पूर्ण, एकीकृत DT डेमोंस्ट्रेटर प्रस्तुत करता है जो थकान दरार वृद्धि (fatigue crack growth) को मॉडल करने के लिए गणितीय प्रगतियों को एक कार्यात्मक प्रणाली में जोड़ता है।

परिणाम

संख्यात्मक सत्यापन:
Griewank और Rosenbrock फंक्शनों पर प्रयोगों ने प्रदर्शित किया कि डेरिवेटिव जानकारी को शामिल करने से भविष्यवाणी त्रुटि (prediction error) में काफी कमी आती है। 27 प्रशिक्षण बिंदुओं के साथ 3D Griewank फंक्शन के लिए, मीन स्क्वेयर्ड एरर (MSE) बिना डेरिवेटिव के $10^{-2}$ से गिरकर 4थी-ऑर्डर डेरिवेटिव के साथ $10^{-13}$ हो गया। उपयुक्त स्पर्सिफिकेशन पैरामीटर्स ( $\rho$ ) के साथ स्पार्स चोलेस्की एप्रोक्सिमेशन ने सटीक GP के समान सटीकता प्राप्त की।

डिजिटल ट्विन अनुप्रयोग (फटीग क्रैक ग्रोथ):
इस पद्धति को एक विमान संरचना में थकान दरार वृद्धि (fatigue crack growth) की भविष्यवाणी करने के लिए एक सेमी-एलिप्टिकल सरफेस क्रैक मॉडल पर लागू किया गया।

सटीकता: डेरिवेटिव-एन्हांस्ड मॉडल्स ने नॉमिनल मॉडल्स की तुलना में काफी बेहतर प्रदर्शन किया। अंतिम निरीक्षण बिंदु पर, अनुमानित और वास्तविक दरार वृद्धि दरों के बीच सापेक्ष प्रतिशत अंतर ( $\eta$ ) रिट्रेन किए गए सटीक GP के लिए ~1.8% (0थ-ऑर्डर) से घटकर ~0.2% (4थ-ऑर्डर) हो गया, और डायनेमिक स्पार्स दृष्टिकोण के लिए भी इसी तरह का परिणाम रहा।
दक्षता: डायनेमिक स्पार्स चोलेस्की विधि ने रिट्रेन किए गए सटीक GP के समान भविष्यवाणी सटीकता प्राप्त की, लेकिन इसकी कम्प्यूटेशनल लागत $O(Ms^2)$ ( $M$ डायनेमिक सेट का आकार और $s$ प्रति कॉलम औसत नॉन-जीरोस) रही, जबकि पूर्ण रिट्रेनिंग के लिए यह $O(N^3)$ थी। रनटाइम परीक्षणों में, डायनेमिक स्पार्स विधि ने पूर्ण रिट्रेनिंग दृष्टिकोण के ~25 मिनट के मुकाबले ~3 मिनट में सिमुलेशन पूरा किया।
मजबूती (Robustness): सिस्टम ने अंतर्निहित शोर (सामग्री के गुणों में मोंटे कार्लो विविधताओं के माध्यम से सिम्युलेटेड) और आंशिक डेरिवेटिव अवलोकनों के प्रति मजबूती प्रदर्शित की। निरीक्षण की आवृत्ति बढ़ाने से भविष्यवाणी सटीकता में और सुधार हुआ।

महत्व और दावे

पेपर का दावा है कि यह विशेष रूप से एयरोस्पेस और मैकेनिकल सिस्टम के लिए, जहाँ सटीकता और स्केलेबिलिटी दोनों महत्वपूर्ण हैं, अनुकूलित, डेरिवेटिव-इन्फॉर्म्ड GP सरोगेट्स को तैनात करने के लिए एक सिद्धांतपूर्ण और कम्प्यूटेशनल रूप से कुशल आधार प्रदान करता है।

लेखक इस बात पर जोर देते हैं कि उनका योगदान केवल डेरिवेटिव-इन्फॉर्म्ड GPs या स्पार्स चोलेस्की विधियों का आविष्कार नहीं है, बल्कि एक सुसंगत प्रणाली का इंजीनियरिंग है जो इन घटकों को डिजिटल ट्विन की विशिष्ट मांगों के लिए सफलतापूर्वक संरेखित करता है। प्रमुख व्यावहारिक टिप्पणियाँ निम्नलिखित हैं:

डेरिवेटिव-इन्फॉर्म्ड कोवेरिएंस मैट्रिसेस के कंडीशनिंग को प्रबंधित करने के लिए रेगुलराइजेशन (नगेट) और लेंथ स्केल पैरामीटर्स के सावधानीपूर्वक अनुकूलन की आवश्यकता।
प्राथमिक वेरिएबल्स के सापेक्ष डेरिवेटिव डेटा की इकाइयाँ और परिमाण का महत्व।
निरीक्षण आवृत्ति और कम्प्यूटेशनल लागत के बीच ट्रेड-ऑफ, यह नोट करते हुए कि उच्च अपडेट फ्रीक्वेंसी फिजिकल ट्विन के व्यवहार की ओर बेहतर अभिसरण (convergence) प्रदान करती है।

अध्ययन निष्कर्ष निकालता है कि प्रस्तावित स्ट्रीमिंग स्पार्स चोलेस्की विधि उच्च-फिडेलिटी डेरिवेटिव डेटा और वास्तविक समय के DT आवश्यकताओं के बीच के अंतर को प्रभावी ढंग से पाटती है, जिससे संपत्ति प्रबंधन के लिए अधिक सटीक, व्यक्तिगत और कम्प्यूटेशनल रूप से व्यवहार्य भविष्यवाणियाँ संभव होती हैं।