🌀 nonlinear sciences

Physics and causally constrained discrete-time neural models of turbulent dynamical systems

यह शोध पत्र भौतिकी और कारणत्मक रूप से बाधित डिस्क्रीट-टाइम न्यूरल मॉडल के निर्माण के लिए एक ढांचा प्रस्तुत करता है जो ऊर्जा-संरक्षण करने वाली गैर-रैखिकताओं को लागू करके और अवांछित अंतःक्रियाओं को दबाकर टर्बुलेंट डायनेमिकल सिस्टम के सांख्यिकी और फोर्सिंग रिस्पॉन्स को सटीक रूप से कैप्चर करते हैं।

मूल लेखक: Fabrizio Falasca, Laure Zanna

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fabrizio Falasca, Laure Zanna

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 एक रोबोट को मौसम की भविष्यवाणी करना सिखाने की कोशिश कर रहे हैं। आप उसे हजारों वर्षों के मौसम का डेटा दिखाते हैं। एक मानक AI उन पैटर्नों को पूरी तरह से याद कर सकता है, लेकिन यदि आप उससे पूछें, "क्या होगा यदि हम अचानक तापमान को दोगुना कर दें?" तो वह एक ऐसी दुनिया की कल्पना करने लगेगा जहाँ सूरज फट जाता है या समुद्र तुरंत जम जाता है। यह इसलिए विफल होता है क्योंकि वह भौतिकी के नियमों को नहीं समझता, केवल अतीत के पैटर्नों को जानता है।

यह शोध पत्र अराजक प्रणालियों (जैसे मौसम, समुद्री धाराएं, या विक्षोभ/टर्बुलेंस) के लिए AI मॉडल बनाने का एक नया तरीका प्रस्तुत करता है जो भौतिकी के नियमों को तोड़ नहीं सकते और कारण और प्रभाव (cause and effect) को समझते हैं।

यहाँ उनके "नुस्खे" का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "ब्लैक बॉक्स" बनाम "फिजिक्स-फर्स्ट" मॉडल

अधिकांश AI मॉडल ब्लैक बॉक्स की तरह होते हैं। आप डेटा डालते हैं, और वे अनुमान लगाते हैं कि क्या बाहर आएगा। वे अतीत की नकल करने में बहुत अच्छे होते हैं लेकिन भविष्य की भविष्यवाणी करने में खराब होते हैं यदि भविष्य अतीत से अलग दिखता है (जैसे अचानक आया तूफान या जलवायु परिवर्तन)। वे अक्सर बुनियादी नियमों का उल्लंघन करते हैं, जैसे "ऊर्जा न तो पैदा की जा सकती है और न ही नष्ट की जा सकती है," जिससे अजीब और असंभव भविष्यवाणियां होती हैं।

2. पहला घटक: "ऊर्जा-बचत नृत्य" (भौतिकी बाधाएं/Physics Constraints)

लेखकों ने पहले एक ऐसा मॉडल बनाया जो ऊर्जा के संरक्षण (Conservation of Energy) के नियम का सम्मान करता है।

उपमा: एक मंच पर नाचने वाले नर्तक की कल्पना करें। एक अराजक प्रणाली में, ऊर्जा लगातार इधर-उधर घूम रही होती है—जैसे एक नर्तक तेजी से घूम रहा है, फिर धीरे, फिर एक अलग दिशा में घूम रहा है। हालांकि, नर्तक की कुल ऊर्जा जादू से कहीं से प्रकट नहीं होनी चाहिए या हवा में गायब नहीं होनी चाहिए।
नवाचार: लेखकों ने एक न्यूरल नेटवर्क डिजाइन किया जो एक परफेक्ट कोरियोग्राफ किए गए नृत्य की तरह काम करता है। उन्होंने AI को मजबूर किया कि जब वह चरों (variables) के बीच ऊर्जा का आदान-प्रदान करे, तो वह एक विशिष्ट गणितीय "चाल" (ऑर्थोगोनल रोटेशन) का उपयोग करे।
- इसे एक बैंक ट्रांसफर की तरह समझें: आप अपने बचत खाते से अपने चालू खाते में पैसा स्थानांतरित कर सकते हैं, लेकिन पैसा स्थानांतरित करने मात्र से बैंक में कुल राशि नहीं बदलती है।
- यह सुनिश्चित करता है कि भले ही AI उथल-पुथल वाले, मोटे डेटा (जैसे मौसम को हर सेकंड के बजाय दिन में एक बार देखना) से सीख रहा हो, वह कभी भी "फट" नहीं जाएगा या अनंत ऊर्जा की भविष्यवाणी नहीं करेगा। यह स्थिर रहता है।

3. दूसरा घटक: कार्य-कारण का "सोशल नेटवर्क" (Causal Constraints)

भौतिकी के नियमों के साथ भी, एक AI अभी भी नकली संबंध बना सकता है। उसे लग सकता है कि "आइसक्रीम की बिक्री" से "तूफान" आता है क्योंकि दोनों गर्मियों में होते हैं।

उपमा: एक भीड़भाड़ वाले कमरे की कल्पना करें जहाँ लोग बातें कर रहे हैं। आप जानना चाहते हैं कि वास्तव में कौन किससे बात कर रहा है।
- पुराना तरीका: आप केवल शोर सुनते हैं और अनुमान लगाते हैं कि कौन जुड़ा हुआ है। आपको लग सकता है कि दो लोग इसलिए बात कर रहे हैं क्योंकि वे एक ही समय में हंसे, भले ही वे अजनबी हों।
- नया तरीका (FDT): लेखक फ्लक्चुएशन-डिसिपेशन थ्योरम (FDT) नामक एक उपकरण का उपयोग करते हैं। इसे एक "हल्का सा धक्का" (Gentle Nudge) परीक्षण के रूप में समझें।
  - आप व्यक्ति A को धीरे से थपथपाते हैं। यदि व्यक्ति B तुरंत प्रतिक्रिया देता है, तो वे जुड़े हुए हैं। यदि व्यक्ति C कोई प्रतिक्रिया नहीं देता है, तो वे A से नहीं जुड़े हैं।
  - AI इस "धक्का परीक्षण" का उपयोग ऐतिहासिक डेटा पर करता है ताकि सिस्टम के वास्तविक सोशल नेटवर्क का मानचित्र तैयार किया जा सके। यह सीखता है कि कौन से चर वास्तव में दूसरों में परिवर्तन का कारण बनते हैं।
परिणाम: AI को फिर "नकली दोस्तों" को अनदेखा करने के लिए मजबूर किया जाता है। यदि डेटा कहता है कि "चर A, चर B से बात नहीं करता है," तो AI को उनके बीच संबंध बनाने से भौतिक रूप से रोका जाता है। यह बेतुके संबंध बनाने से रोकता है।

4. जादुई ट्रिक: बिना बताए "क्या होगा अगर?" को सीखना

सबसे प्रभावशाली हिस्सा यह है कि AI यह सीखता है कि बड़े बदलावों (जैसे भीषण गर्मी) के प्रति कैसे प्रतिक्रिया दी जाए, भले ही उसे केवल सामान्य, शांत डेटा पर प्रशिक्षित किया गया हो।

उपमा: एक बच्चे को गाड़ी चलाना सिखाने की कल्पना करें। आप उसे केवल एक शांत, खाली सड़क पर गाड़ी चलाने देते हैं (अन擾ed डेटा)। आपने उसे कभी ट्रैफिक जाम या अचानक बारिश नहीं दिखाई।
- एक सामान्य AI अचानक सामने कार आने पर घबरा जाएगा और दुर्घटनाग्रस्त हो जाएगा।
- यह नया AI, क्योंकि यह भौतिकी (कार कैसे ब्रेक लगाती है) और कार्य-कारण (स्टीयरिंग मुड़ने का कारण बनती है) को समझता है, इसलिए यह तुरंत समझ सकता है कि ट्रैफिक जाम को कैसे संभालना है। यह जानता है कि कार क्यों व्यवहार करती है, न कि केवल यह कि वह अतीत में कैसी दिखती थी।

5. टेस्ट ड्राइव

लेखकों ने अपने "फिजिक्स + कॉजलिटी" रोबोट का परीक्षण दो प्रसिद्ध अराजक प्रणालियों पर किया:

चारनी-डेवोर मॉडल (Charney-DeVore Model): वायुमंडलीय परिसंचरण का एक सरलीकृत मॉडल (जैसे एक छोटा मौसम तंत्र)।
लोरेंज-96 सिस्टम (Lorenz-96 System): एक जटिल प्रणाली जिसका उपयोग अक्सर मौसम भविष्यवाणी मॉडल के परीक्षण के लिए किया जाता है।

परिणाम:

स्थिरता (Stability): AI कभी क्रैश नहीं हुआ और न ही इसने अनंत ऊर्जा की भविष्यवाणी की।
सटीकता (Accuracy): इसने वास्तविक सिस्टम के दीर्घकालिक सांख्यिकी (statistics) से पूरी तरह मेल खाया।
लचीलापन (Resilience): जब उन्होंने सिस्टम पर एक "झटका" (एक बड़ा बाहरी बल) लगाया, तो AI ने प्रतिक्रिया की लगभग सटीक भविष्यवाणी की, जबकि मानक AI मॉडल विफल हो गए या अस्थिर हो गए।

सारांश

लेखकों ने अराजक प्रणालियों के लिए एक स्मार्ट, नियम मानने वाला AI बनाया है।

उन्होंने इसे एक सख्त बजट (ऊर्जा संरक्षण) दिया ताकि यह ऊर्जा बना या नष्ट न कर सके।
उन्होंने इसे एक सत्य डिटेक्टर (Causal Constraints) दिया ताकि यह केवल उन्हीं चीजों को जोड़ सके जो वास्तव में एक-दूसरे को प्रभावित करती हैं।
परिणाम एक ऐसा मॉडल है जो स्थिर, सटीक और अप्रत्याशित की भविष्यवाणी करने में सक्षम है, जो जलवायु परिवर्तन, तरल गति विज्ञान (fluid dynamics) और अन्य जटिल प्राकृतिक घटनाओं को समझने के लिए एक शक्तिशाली उपकरण बनाता है।

यहाँ फैब्रिज़ियो फालास्का और लॉरे ज़ाना के शोध पत्र "Physics and causally constrained discrete-time neural models of turbulent dynamical systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जटिल विक्षुब्ध गतिशील प्रणालियों (जैसे जलवायु, द्रव गति विज्ञान) के मॉडलिंग के लिए अक्सर ऐसे रिड्यूस्ड-ऑर्डर मॉडल्स (ROMs) की आवश्यकता होती है जो सूक्ष्म विवरणों के बजाय मोटे तौर पर (coarse-grained) सांख्यिकीय विशेषताओं को पकड़ सकें। जबकि मशीन लर्निंग (ML) लचीले डेटा-संचालित आर्किटेक्चर प्रदान करता है, मानक न्यूरल नेटवर्क वैज्ञानिक अनुप्रयोगों में गंभीर सीमाओं का सामना करते हैं:

भौतिक असंगतता (Physical Inconsistency): वे अक्सर मौलिक संरक्षण नियमों (जैसे ऊर्जा संरक्षण) का उल्लंघन करते हैं, जिससे गैर-भौतिक दीर्घकालिक व्यवहार, समाधान का विस्फोट (blow-ups), या गलत स्थिर सांख्यिकी उत्पन्न होती है।
कारण संबंधी विफलता (Causal Failure): मानक मॉडल आमतौर पर कार्य-कारण संबंध (causality) के प्रति उदासीन होते हैं। फलस्वरूप, वे बाहरी बलों (perturbations) के प्रति प्रणाली की प्रतिक्रिया का सटीक अनुमान लगाने में विफल रहते हैं, जो "क्या-होगा" (what-if) परिदृश्यों और प्रक्रियात्मक समझ के लिए आवश्यक है।
डिस्क्रीट-टाइम बेमेल (Discrete-Time Mismatch): अधिकांश भौतिक बाधाएं निरंतर-समय (continuous-time) प्रणालियों के लिए व्युत्पन्न की जाती हैं। इन बाधाओं को सीधे समय के रूप में उप-नमूनाकृत (sub-sampled) डिस्क्रीट-टाइम अवलोकन संबंधी डेटा पर लागू करने से विसंगतियां और संख्यात्मक अस्थिरता पैदा होती है, विशेष रूप से जब डेटा को कम अंतराल पर लिया गया हो।

2. कार्यप्रणाली (Methodology)

लेखक ऐसे न्यूरल एमुलेटर्स बनाने के लिए एक दो-चरणीय ढांचे का प्रस्ताव करते हैं जो भौतिकी-प्रतिबंधित (physics-constrained) और कारण-प्रतिबंधित (causally constrained) दोनों हैं, जिन्हें विशेष रूप से डिस्क्रीट-टाइम डेटा के लिए डिज़ाइन किया गया है।

अ. भौतिक बाधाएं: ऊर्जा-संरक्षण करने वाले नॉनलीनियतियों के साथ फाइनाइट-टाइम फ्लो मैप

निरंतर भौतिकी और डिस्क्रीट डेटा के बीच बेमेल को संबोधित करने के लिए, लेखक एक डिस्क्रीट-टाइम फ्लो मैप तैयार करते हैं जो नॉनलीनियर टर्म्स में ऊर्जा को सख्ती से संरक्षित करता है।

डिस्क्रीट सूत्रीकरण (Discrete Formulation): प्रणाली का विकास इस प्रकार मॉडल किया जाता है:
$x_{t+1} = F + M Q(x_t)x_t + \Sigma \xi_t$
जहाँ:
- $F$ और $\Sigma \xi_t$ टाइम स्टेप के दौरान एकीकृत प्रभावी नियतत्ववादी (deterministic) और स्टोकेस्टिक बल हैं।
- $M$ एक रैखिक ऑपरेटर है जो विक्षेपण (dispersion) और अपव्यय (dissipation) का प्रतिनिधित्व करता है।
- $Q(x_t)$ एक सख्ती से ऑर्थोगोनल (orthogonal) मैट्रिक्स है ( $Q^\top Q = I$ ) जो रोटेशन का प्रतिनिधित्व करता है।
ऊर्जा संरक्षण: $Q(x_t)$ को ऑर्थोगोनल बनाकर, नॉनलीनियर टर्म $Q(x_t)x_t$ स्टेट वेक्टर के $L_2$ -नॉर्म (ऊर्जा) को संरक्षित करता है: $\|Q(x_t)x_t\|^2 = \|x_t\|^2$ । यह सुनिश्चित करता है कि नॉनलीनियर टर्म शुद्ध इंजेक्शन या अपव्यय के बिना ऊर्जा का पुनर्वितरण करता है, जो निरंतर टर्बुलेंस मॉडल्स के स्क्यू-सिमेट्रिक (skew-symmetric) क्वाड्रेटिक टर्म्स की नकल करता है।
न्यूरल आर्किटेक्चर:
- रैखिक टर्म्स ( $F, M$ ) को बेसलाइन लीनियर डायनेमिक्स को पकड़ने के लिए ऑर्डिनरी लीस्ट स्क्वेयर्स (OLS) का उपयोग करके इनिशियलाइज़ किया जाता है।
- नॉनलीनियर ऑपरेटर $Q(x_t)$ को एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) द्वारा पैरामीटराइज़ किया जाता है जो एक स्क्यू-सिमेट्रिक मैट्रिक्स $S(x_t)$ आउटपुट देता है। इसके बाद ऑर्थोगोनल मैट्रिक्स को मैट्रिक्स एक्सपोनेंशियल के माध्यम से कंप्यूट किया जाता है: $Q(x_t) = \exp(S(x_t))$ ।
- यह इनिशियलाइजेशन सुनिश्चित करता है कि प्रशिक्षण एक स्थिर लीनियर इनवर्स मॉडल (LIM) बेसलाइन से शुरू हो।

ब. फ्लक्चुएशन-डिसिपेशन थ्योरम (FDT) के माध्यम से कारण संबंधी बाधाएं

स्पूरियस इंटरैक्शन को दबाने और सही कारण संरचनाओं को लागू करने के लिए, लेखक FDT का लाभ उठाते हैं।

कारण अनुमान (Causal Inference): FDT बाहरी गड़बड़ी (perturbations) के प्रति एक प्रणाली की रैखिक प्रतिक्रिया को उसके प्राकृतिक स्थिर उतार-चढ़ाव (stationary fluctuations) से जोड़ता है। रिस्पॉन्स ऑपरेटर $R_{t}^{k,j}$ (परिवर्तित $j$ के प्रति चर $k$ की प्रतिक्रिया) को अनपरटर्बड डेटा का उपयोग करके इस प्रकार अनुमानित किया जाता है:
$R_{t}^{k,j} = -\langle x_t^{(k)} s(x_0) \rangle$
जहाँ $s(x) = \nabla \log \rho(x)$ स्कोर फंक्शन (लॉग-इनवेरिएंट डेंसिटी का ग्रेडिएंट) है।
स्कोर मैचिंग (Score Matching): गौसियन वितरण (क्वासी-गौसियन सन्निकटन) मानने के बजाय, लेखक सीधे डेटा से स्कोर फंक्शन $s(x)$ को सीखने के लिए स्कोर-आधारित जनरेटिव मॉडलिंग का उपयोग करते हैं, जिससे अत्यधिक नॉनलीनियर शासन में सटीक FDT अनुमान संभव होता है।
एडजसेंसी मैट्रिक्स निर्माण: शॉर्ट-टाइम रिस्पॉन्स $R_{1}^{k,j}$ का विश्लेषण किया जाता है। एक लॉगरिदमिक ट्रांसफॉर्मेशन और $k$ -मीन्स क्लस्टरिंग महत्वपूर्ण कारण लिंक को शोर (noise) से अलग करती है। यह एक बाइनरी एडजसेंसी मैट्रिक्स $A$ उत्पन्न करता है, जहाँ $A_{k,j}=1$ एक कारण लिंक $x^{(j)} \to x^{(k)}$ को दर्शाता है।
रेगुलराइजेशन (Regularization): प्रशिक्षण के दौरान, एक कारण दंड (causal penalty) जोड़ा जाता है ताकि गैर-कारण जोड़ों के ग्रेडिएंट्स को दबाया जा सके:
$L = L_{MSE} + \lambda \sum_{(k,j) \in S} \left( \frac{\partial f_k}{\partial x^{(j)}} \right)^2$
जहाँ $S$ उन जोड़ों का सेट है जहाँ $A_{k,j}=0$ है। एक रोबस्ट कैप्ड पेनल्टी (robust capped penalty) प्रस्तावित की गई है ताकि फॉल्स नेगेटिव्स को संभाला जा सके, जिससे मॉडल बहुत अधिक बाधित न हो यदि कारण खोज (causal discovery) त्रुटिपूर्ण हो।

3. मुख्य योगदान (Key Contributions)

डिस्क्रीट-टाइम ऊर्जा संरक्षण: यह पेपर एक नया डिस्क्रीट-टाइम सूत्रीकरण पेश करता है जहाँ नॉनलिनियतियाँ ऑर्थोगोनल ट्रांसफॉर्मेशन के माध्यम से सख्ती से ऊर्जा-संरक्षण करती हैं। यह निरंतर संरक्षण कानूनों को डिस्क्रीट डेटा पर लागू करने वाली विसंगति को हल करता है।
डेटा-संचालित कारण खोज: यह स्थिर, अनपरटर्बड डेटा से सीधे कारण संरचनाओं का अनुमान लगाने के लिए फ्लक्चुएशन-डिसिपेशन थ्योरम को आधुनिक स्कोर-आधारित जनरेटिव मॉडल्स के साथ एकीकृत करता है, जिससे महंगे परटर्बेशन प्रयोगों की आवश्यकता नहीं रहती।
अपूर्ण कारणता के प्रति मजबूती: फ्रेमवर्क में एक "रोबस्ट" लॉस फंक्शन शामिल है जो कारण दंड को सीमित करता है, यह सुनिश्चित करता है कि मॉडल स्थिर और सटीक बना रहे, भले ही अनुमानित कारण ग्राफ में त्रुटियां हों।
सामान्यीकरण (Generalizability): यह दृष्टिकोण किसी भी विक्षुब्ध गतिशील प्रणाली के लिए लागू करने योग्य है जहाँ एक मार्कोवियन कोर्स-ग्रेन्ड प्रतिनिधित्व बनाया जा सकता है, जो डेटा-संचालित ML और भौतिक सिद्धांत के बीच के अंतर को पाटता है।

4. परिणाम (Results)

फ्रेमवर्क का परीक्षण दो बेंचमार्क पर किया गया: एक स्टोकेस्टिक Charney–DeVore (CdV) मॉडल (6D) और एक सिमेट्री-ब्रोकन Lorenz–96 (L96) सिस्टम (20D)।

स्थिर सांख्यिकी (Stationary Statistics): "फिजिक्स-ओनली" और "फिजिक्स एंड कॉज़ल" दोनों एमुलेटरों ने ग्राउंड ट्रुथ सिस्टम के इनवेरिएंट प्रोबेबिलिटी डेंसिटी फंक्शन्स (PDFs) और ऑटोकोरिलेशन फंक्शन्स (ACFs) को सटीक रूप से पुनरुत्पादित किया।
रैखिक प्रतिक्रिया (Linear Response): कारण-प्रतिबंधित मॉडल छोटे विक्षोभों (perturbations) के प्रति रैखिक प्रतिक्रिया (इम्पल्स रिस्पॉन्स) की भविष्यवाणी करने में फिजिक्स-ओनली मॉडल्स से बेहतर रहे। उन्होंने एन्सेम्बल मीन और वेरिएंस प्रतिक्रियाओं को सही ढंग से कैप्चर किया।
नॉनलीनियर प्रतिक्रिया (Forcing):
- मॉडल्स का परीक्षण बड़े स्टेप-फंक्शन फोर्सिंग्स और अट्रैक्टर के समय-निर्भर बदलावों के विरुद्ध किया गया।
- स्थिरता: वैनिला MLPs (जो परटर्बेशन के तहत अस्थिर हो गए या फट गए) और निरंतर-समय मॉडल्स (जो सब-सैंपल्ड डेटा पर विफल रहे) के विपरीत, प्रस्तावित डिस्क्रीट मॉडल्स स्थिर रहे।
- सटीकता: "फिजिक्स एंड कॉज़ल" मॉडल्स ने मजबूत बाहरी फोर्सिंग्स के प्रति सिस्टम की प्रतिक्रिया, जिसमें स्टेट स्पेस में अट्रैक्टर का शिफ्ट शामिल है, के लिए सबसे सटीक भविष्यवाणियाँ प्रदान कीं।
सब-सैंपल्ड डेटा: CdV प्रयोगों में, फ्रेमवर्क ने 100 और 500 के कारकों द्वारा सब-सैंपल किए गए डेटा से भी स्थिर एमुलेटर सफलतापूर्वक सीखे, एक ऐसा क्षेत्र जहाँ मानक संख्यात्मक इंटीग्रेटर्स और निरंतर-समय डेटा-संचालित मॉडल अस्थिरता के कारण विफल हो जाते हैं।

5. महत्व (Significance)

यह कार्य जटिल प्रणालियों के लिए वैज्ञानिक मशीन लर्निंग (SciML) में एक महत्वपूर्ण प्रगति है:

विश्वसनीयता: यह भौतिक संरक्षण नियमों और कारण संरचनाओं को एम्बेड करके न्यूरल नेटवर्क्स की "ब्लैक बॉक्स" समस्या को हल करता है, जिससे दीर्घकालिक स्थिरता और भौतिक तर्क सुनिश्चित होता है।
"क्या-होगा" परिदृश्यों के लिए भविष्य कहने की शक्ति: कारणता को लागू करके, मॉडल बाहरी हस्तक्षेपों (जैसे जलवायु फोर्सिंग, नीति परिवर्तन) के प्रति प्रतिक्रिया की विश्वसनीय भविष्यवाणी कर सकते हैं, बिना उन विशिष्ट परटर्बेशंस के लिए प्रशिक्षण डेटा की आवश्यकता के।
वास्तविक दुनिया के डेटा को संभालना: डिस्क्रीट-टाइम सूत्रीकरण इस फ्रेमवर्क को अवलोकन संबंधी डेटा (जो स्वाभाविक रूप से कोर्स-ग्रेन्ड और अक्सर विरल होता है) के लिए अद्वितीय रूप से उपयुक्त बनाता है, जो जलवायु और द्रव गति विज्ञान में ML को लागू करने में एक बड़ी बाधा को दूर करता है।
जलवायु एमुलेटर्स के लिए आधार: लेखक जलवायु भविष्यवाणी और अनिश्चितता मात्रा निर्धारण के लिए कुशल, स्थिर रिड्यूस्ड-ऑर्डर एमुलेटर्स बनाने हेतु वैश्विक वायुमंडलीय और महासागरीय डेटा पर इस फ्रेमवर्क को लागू करने की क्षमता को रेखांकित करते हैं।