🔢 mathematics

Pointwise Convergence Analysis for Approximations of Optimal Transport Problems with a Target Measure that Has Unbounded Support

यह शोध पत्र एक कटऑफ त्रिज्या के माध्यम से अनबाउंडेड सपोर्ट वाली लक्षित माप (target measure) को सन्निकट करने पर अनुकूलतम परिवहन मानचित्रों (optimal transport maps) और विभव फलनों (potential functions) के बिंदुवार अभिसरण (pointwise convergence) का विश्लेषण करता है, जो मोंगे-एम्पियर समीकरणों (Monge-Ampère equations) के संख्यात्मक समाधानों को न्यायसंगत ठहराने के लिए रेडियली सममित और गैर-रेडियली सममित दोनों मामलों के लिए मात्रात्मक गैर-अनंतस्पर्शी दरें (quantitative non-asymptotic rates) व्युत्पन्न करता है।

मूल लेखक: Axel G. R. Turnquist

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Axel G. R. Turnquist

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 विशाल शिपिंग कंपनी के लॉजिस्टिक्स मैनेजर हैं। आपके पास एक छोटे, अच्छी तरह से परिभाषित शहर के ब्लॉक में स्थित एक गोदाम (Source) है जो पैकेटों से भरा हुआ है। आपका लक्ष्य इन पैकेटों को पूरे ब्रह्मांड (Target) में बिखरे हुए ग्राहकों तक पहुँचाना है।

समस्या यह है कि आपके ग्राहक हर जगह हैं—कुछ आपके ठीक बगल में ही हैं, लेकिन कुछ बहुत दूर, आकाशगंगाओं में रह रहे हैं। गणितीय शब्दों में, आपके "सोर्स" (Source) का सपोर्ट बाउंडेड (bounded support) है (यह एक बॉक्स के भीतर सीमित है), लेकिन आपके "टारगेट" (Target) का सपोर्ट अनबाउंडेड (unbounded support) है (यह अनंत तक फैला हुआ है)।

यह शोध पत्र, एक्सल टर्नक्विस्ट (Axel Turnquist) द्वारा, एक बहुत ही पेचीदा सवाल का समाधान करता है: जब गंतव्य अनंत हो, तो हम पैकेटों को ले जाने का सबसे कुशल तरीका कैसे निकाल सकते हैं?

मुख्य समस्या: "अनंत" ग्राहक सूची

वास्तविक दुनिया में, आप अनंत तक जाने वाले रूट की योजना नहीं बना सकते। कंप्यूटर अनंत सूचियों को नहीं संभाल सकते। इसलिए, गणितज्ञ और इंजीनियर आमतौर पर एक "कटऑफ" (cutoff) का उपयोग करते हैं। वे कहते हैं, "ठीक है, हम उन सभी को अनदेखा कर देंगे जो 1,000 मील से अधिक दूर रह रहे हैं। हम केवल इस विशाल गोले के भीतर रहने वाले लोगों के लिए शिपिंग करेंगे।"

इसे कटऑफ एप्रोक्सिमेशन (Cutoff Approximation) कहा जाता है। आप अपनी अनंत ग्राहक सूची लेते हैं, उसकी पूंछ (tail) को काट देते हैं, और शेष बची हुई सीमित सूची के लिए समस्या को हल करते हैं।

बड़ा सवाल: यदि हम पूंछ को काट देते हैं, तो हमारी शिपिंग योजना में कितना बदलाव आता है? क्या "परिमित" (finite) सूची के लिए बनाई गई योजना, "अनंत" (infinite) सूची वाली योजना के समान दिखेगी? और यदि हम कटऑफ रेडियस (cutoff radius) को बड़ा और बड़ा करते जाते हैं, तो क्या हमारा समाधान अंततः पूर्ण हो जाएगा?

"रेडियल" शॉर्टकट (बुल्सआई (Bullseye) का रूपक)

सबसे पहले, लेखक एक विशेष, आसान मामले को देखते हैं: रेडियल सिमेट्री (Radial Symmetry)।

कल्पना कीजिए कि आपका गोदाम एक आदर्श वृत्त (circle) है, और आपके ग्राहक आपके चारों ओर पूर्ण संकेंद्रित छल्लों (concentric rings) में वितरित हैं, जैसे कि एक निशाना लगाने वाला बोर्ड (target board)।

रूपक: क्योंकि सब कुछ पूरी तरह से गोल है, गणित बहुत सरल हो जाता है। आपको जटिल 3D रास्तों की गणना करने की आवश्यकता नहीं है; आपको बस पैकेटों के छल्लों को ग्राहकों के छल्लों तक ले जाने का तरीका पता लगाना है।
परिणाम: इस पूर्ण गोलाकार दुनिया में, यह शोध पत्र सिद्ध करता है कि यदि आप कटऑफ रेडियस बढ़ाते हैं (यानी टारगेट बोर्ड को बड़ा करते हैं), तो आपकी शिपिंग योजना बहुत तेज़ी से पूर्ण योजना की ओर अग्रसर होती है। यह एक हाई-डेफिनिशन फोटो को ज़ूम करने जैसा है; इमेज बहुत जल्दी स्पष्ट हो जाती है।

सामान्य मामला (अव्यवस्थित शहर)

अधिकांश दुनिया एक आदर्श वृत्त नहीं होती है। आपका गोदाम एक अजीब आकार का हो सकता है, और आपके ग्राहक कुछ मोहल्लों में केंद्रित और अन्य स्थानों पर विरल हो सकते हैं। यह सामान्य मामला (General Case) है।

यहाँ गणित जटिल हो जाता है। "शिपिंग मैप" (जिसे ऑप्टिमल मैप कहा जाता है) और "लागत मार्गदर्शक" (जिसे पोटेंशियल फंक्शन कहा जाता है) जटिल आकृतियाँ हैं।

लेखक एक पिछले अध्ययन (डेलालैंड और मेरिगोट द्वारा) के एक शक्तिशाली उपकरण का उपयोग करते हैं, जो एक स्थिरता गारंटी (stability guarantee) के रूप में कार्य करता है। यह कहता है: "यदि आपकी ग्राहक सूची थोड़ी सी बदल जाती है, तो आपकी शिपिंग योजना नाटकीय रूप से नहीं बदलेगी।"

इस स्थिरता को "कटऑफ" पद्धति के साथ जोड़कर, लेखक सिद्ध करते हैं:

पॉइंटवाइज कन्वर्जेंस (Pointwise Convergence): यदि आप अपने गोदाम के किसी भी विशिष्ट बिंदु को देखते हैं, तो उस बिंदु के लिए शिपिंग निर्देश, कटऑफ रेडियस बढ़ाने पर, "वास्तविक" अनंत निर्देश से मेल खा जाएगा।
लगभग हर जगह (Almost Everywhere): निर्देश कुछ अजीब, टेढ़े-मेढ़े किनारों (गणितीय सीमाओं) पर थोड़े गलत हो सकते हैं, लेकिन 99.9% पैकेटों के लिए, योजना सही है।

"लॉग-कॉन्केव" (Log-Concave) सुपरपावर

शोध पत्र तब और भी रोमांचक हो जाता है जब यह विशिष्ट प्रकार के ग्राहक वितरणों को देखता है, जिन्हें लॉग-कॉन्केव (Log-Concave) कहा जाता है।

रूपक: एक बेल कर्व (जैसे नॉर्मल डिस्ट्रीब्यूशन) के बारे में सोचें। अधिकांश लोग केंद्र के पास होते हैं, और जैसे-जैसे आप बाहर की ओर बढ़ते हैं, लोगों की संख्या बहुत तेज़ी से कम होती जाती है।
परिणाम: यदि आपके ग्राहक इस तरह से वितरित हैं (जिसमें गॉसियन/नॉर्मल डिस्ट्रीब्यूशन शामिल है), तो पूंछ को काटने से होने वाली त्रुटि केवल धीरे-धीरे कम नहीं होती; यह एक्सपोनेंशियल (exponentially) रूप से गायब हो जाती है।
- रूपक: यह एक शांत कमरे में फुसफुसाहट सुनने जैसा है। यदि आप थोड़ा सा शोर (कटऑफ) जोड़ते हैं, तो आप इसे मुश्किल से नोटिस करते हैं। लेकिन यदि शोर एक्सपोनेंशियल रूप से गिरता है, तो कमरा लगभग तुरंत शांत हो जाता है।

कंप्यूटर के लिए यह क्यों मायने रखता है (संख्यात्मक भाग)

हम इस गणित की परवाह क्यों करते हैं? क्योंकि कंप्यूटर को ये चीजें करने के लिए इन समस्याओं को हल करने की आवश्यकता होती है:

इमेज प्रोसेसिंग: एक चेहरे को दूसरे चेहरे में बदलना।
क्लाइमेट मॉडलिंग: एक ग्रिड से दूसरे ग्रिड में गर्मी या नमी को स्थानांतरित करना।
मशीन लर्निंग: वास्तविक डेटा उत्पन्न करना।

कंप्यूटर सीधे "अनंत" समस्या को हल नहीं कर सकते। उन्हें "कटऑफ" संस्करण को हल करना होता है। यह शोध पत्र हमें गणितीय प्रमाण देता है कि हम इन कंप्यूटर समाधानों पर भरोसा कर सकते हैं। यह हमें बताता है:

"हाँ, आप सुरक्षित रूप से दूर के ग्राहकों को अनदेखा कर सकते हैं।"
"यहाँ बताया गया है कि एक विशिष्ट स्तर की सटीकता प्राप्त करने के लिए आपका कटऑफ कितना बड़ा होना चाहिए।"
"यदि आपका डेटा एक बेल कर्व की तरह दिखता है, तो आप एक आश्चर्यजनक रूप से छोटे कटऑफ के साथ बहुत उच्च सटीकता प्राप्त कर सकते हैं।"

निष्कर्ष (The Takeaway)

यह शोध पत्र अनंत शिपिंग समस्याओं को एक सीमित कंप्यूटर पर हल करने के लिए क्वालिटी कंट्रोल मैनुअल है।

यह हमें बताता है कि "कटऑफ" (दूर की पूंछ को अनदेखा करके) का उपयोग करके, हम एक ऐसा समाधान प्राप्त कर सकते हैं जो गणितीय रूप से सत्य के बहुत करीब होने की गारंटी देता है। कई सामान्य परिदृश्यों में (जैसे नॉर्मल डिस्ट्रीब्यूशन), यह सन्निकटन (approximation) इतना अच्छा है कि यह व्यावहारिक रूप से पूर्ण है, जिससे हम उन समस्याओं को हल करने के लिए शक्तिशाली संख्यात्मक सॉल्वर का उपयोग कर सकते हैं जिन्हें पहले बहुत अधिक जटिल या अनंत माना जाता था।

यहाँ एक्सल जी. आर. टर्नक्विस्ट (Axel G. R. Turnquist) के शोध पत्र "Pointwise Convergence Analysis for Approximations of Optimal Transport Problems with a Target Measure that Has Unbounded Support" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र यूक्लिडियन स्पेस $\mathbb{R}^n$ में मोंज ऑप्टिमल ट्रांसपोर्ट (Monge optimal transport) समस्या को संबोधित करता है जहाँ:

स्रोत माप (Source Measure - $\mu$ ): इसका सीमित (compact) सपोर्ट $\Omega \subset \mathbb{R}^n$ है और एक एब्सोल्यूटली कंटीन्यूअस डेंसिटी $f_\mu$ है।
लक्ष्य माप (Target Measure - $\nu$ ): इसका $\mathbb{R}^n$ पर असीमित (unbounded) सपोर्ट है जिसकी डेंसिटी $f_\nu$ है।
लागत फलन (Cost Function): मुख्य रूप से स्क्वेर्ड यूक्लिडियन डिस्टेंस $c(x,y) = \frac{1}{2}|x-y|^2$ पर ध्यान केंद्रित करता है, हालांकि रेडियल सेक्शन सामान्य लागत $c(x,y) = h(|x-y|)$ पर भी विचार करता है।

मुख्य चुनौती:
मोन-एम्पेयर समीकरण (जो ऑप्टिमल ट्रांसपोर्ट मैप को अभिलक्षणित करता है) के लिए मानक संख्यात्मक सॉल्वर (numerical solvers) आमतौर पर कॉम्पैक्ट डोमेन की आवश्यकता रखते हैं। जब लक्ष्य माप का सपोर्ट असीमित होता है, तो सीधा संख्यात्मक समाधान असंभव हो जाता है। यह शोध पत्र एक कटऑफ सन्निकटन (cutoff approximation) की वैधता और अभिसरण दरों (convergence rates) की जांच करता है, जहाँ असीमित लक्ष्य $\nu$ को त्रिज्या $R$ वाले एक गोले (या घन) पर समर्थित एक ट्रंकेटेड माप $\nu_R$ द्वारा प्रतिस्थापित किया जाता है।

2. कार्यप्रणाली (Methodology)

लेखक दो-आयामी दृष्टिकोण का उपयोग करते हैं: अभिसरण दरों का सैद्धांतिक विश्लेषण और संख्यात्मक कार्यान्वयन (numerical implementation) पर चर्चा।

A. कटऑफ सन्निकटन (The Cutoff Approximation)

असीमित लक्ष्य $\nu$ को एक संभाव्यता माप $\nu_R$ द्वारा सन्निकटित किया जाता है जिसे इस प्रकार परिभाषित किया गया है:
$\nu_R(E) = \frac{\nu(E \cap B_R(0))}{\nu(B_R(0))}$
जहाँ $B_R(0)$ त्रिज्या $R$ वाला एक गोला है। शोध पत्र $\nu_R$ से जुड़े ऑप्टिमल मैप्स ( $T_{\mu;R}, T_{\nu;R}$ ) और पोटेंशियल फंक्शन्स ( $\phi_{\mu;R}, \phi_{\nu;R}$ ) के वास्तविक समकक्षों की ओर $R \to \infty$ होने पर अभिसरण का विश्लेषण करता है।

B. विश्लेषणात्मक ढांचा (Analytical Framework)

रेडियल समरूपता (Radial Symmetry - Section 3):
- यह मानता है कि $\mu$ और $\nu$ रेडियली सिमेट्रिक हैं।
- यह 1D ऑप्टिमल ट्रांसपोर्ट (संचयी वितरण फलनों के माध्यम से) के स्पष्ट सूत्र का उपयोग $\mathbb{R}^n$ में विस्तार के साथ करता है।
- टारगेट डिस्ट्रीब्यूशन के टेल डिके (tail decay) के आधार पर मैप्स और पोटेंशियल्स के लिए स्पष्ट $L^\infty$ अभिसरण दरें व्युत्पन्न करता है।
सामान्य मामला (General Case - Section 4):
- रेडियल समरूपता को हटा देता है, यह मानते हुए कि $\mu$ और $\nu$ के पास डेंसिटीज हैं।
- डेलालैंड और मेरिगोट [7] द्वारा स्थापित $L^2$ स्थिरता सीमाओं (stability bounds) पर निर्भर करता है, जो टारगेट मेजर्स के बीच ऑप्टिमल मैप्स की $L^2$ दूरी को वासरस्टीन-1 दूरी ( $W_1$ ) से जोड़ते हैं।
- मुख्य चरण: दो श्रेणियों के वितरणों के लिए $W_1(\nu, \nu_R)$ $W_{1} (ν, ν_{R})$ का अनुमान लगाना:
  - फाइनाइट $p$ -थ मोमेंट (Finite $p$ -th Moment): $W_1(\nu, \nu_R) = O(R^{1-p})$ ।
  - लॉग-कॉन्केव डिस्ट्रीबशंस (Log-Concave Distributions): $W_1(\nu, \nu_R) = O(R^n e^{-aR})$ (एक्सपोनेंशियल अभिसरण)।
- पॉइंटवाइज अभिसरण (Pointwise Convergence): ब्रेनियर पोटेंशियल्स की कॉनवेक्सिटी और $L^2$ बाउंड्स का उपयोग करके वीक कन्वर्जेंस को सपोर्ट के इंटीरियर पर पॉइंटवाइज कन्वर्जेंस और मैप्स के लिए लगभग-हर जगह (a.e.) कन्वर्जेंस में अपग्रेड करता है।
- स्पष्ट दरें: पोटेंशियल्स के $L^1$ कन्वर्जेंस को होल्डर निरंतरता (Hölder continuity) गुणों (जब $p > n$ ) के साथ जोड़कर पोटेंशियल्स के लिए स्पष्ट, नॉन-एसिम्प्टोटिक यूनिफॉर्म कन्वर्जेंस दरें प्राप्त करता है।
इनवर्स प्रॉब्लम (Inverse Problem):
- इनवर्स ऑप्टिमल ट्रांसपोर्ट ( $\nu$ से $\mu$ की ओर) का विश्लेषण करता है।
- सिद्ध करता है कि इनवर्स ब्रेनियर पोटेंशियल लिप्सिट्ज़ निरंतर (Lipschitz continuous) है (फॉरवर्ड पोटेंशियल के विपरीत, जो अनबाउंडेड हो सकता है)।
- इनवर्स पोटेंशियल और मैप के लिए अभिसरण दरें स्थापित करता है, जो कॉनवेक्स फंक्शन्स के सब-डिफरेंशियल की स्थिरता का लाभ उठाता है।

C. संख्यात्मक निहितार्थ (Numerical Implications - Section 5)

मोन-एम्पेयर PDE के लिए मोनोटोन फाइनाइट-डिफरेंस स्कीम्स का उपयोग करके परिणामी कटऑफ समस्या को हल करने के बारे में चर्चा करता है, और हैमफेल्ट [10] के कन्वर्जेंस फ्रेमवर्क का संदर्भ देता है।
इनवर्स प्रॉब्लम को संख्यात्मक रूप से हल करने का प्रस्ताव देता है (जिसका डोमेन बाउंडेड होता है) और फॉरवर्ड मैप को खोजने के लिए इंटरपोलेशन का उपयोग करता है, क्योंकि फॉरवर्ड पोटेंशियल अनबाउंडेड डोमेन के पास ब्लो-अप हो सकता है।

3. मुख्य योगदान (Key Contributions)

मात्रात्मक पॉइंटवाइज कन्वर्जेंस दरें (Quantitative Pointwise Convergence Rates):
यह शोध पत्र कटऑफ के माध्यम से अनबाउंडेड टारगेट को सन्निकटित करने पर ऑप्टिमल ट्रांसपोर्ट मैप्स और पोटेंशियल्स के लिए पहली स्पष्ट, नॉन-एसिम्प्टोटिक पॉइंटवाइज कन्वर्जेंस दर प्रदान करता है।
- लॉग-कॉन्केव टारगेट के लिए, अभिसरण $R$ में एक्सपोनेंशियल है।
- फाइनाइट $p$ -थ मोमेंट्स वाले टारगेट के लिए, दर पॉलिनोमियल है, जो $p$ पर निर्भर करती है।
स्थिरता सिद्धांत का सामान्यीकरण (Generalization of Stability Theory):
यह डेलालैंड और मेरिगोट के $L^2$ स्थिरता परिणामों को (जो मूल रूप से कॉम्पैक्ट डोमेन के लिए थे) $\nu$ और उसके कटऑफ सन्निकटन के बीच $W_1$ दूरी को कड़ाई से बाउंड करके अनबाउंड सपोर्ट केस तक विस्तारित करता है।
इनवर्स पोटेंशियल विश्लेषण (Inverse Potential Analysis):
यह सिद्ध करता है कि इनवर्स ब्रेनियर पोटेंशियल लिप्सिट्ज़ निरंतर है और इसके लिए अभिसरण दरें स्थापित करता है, जो कुछ स्थितियों में फॉरवर्ड समस्या के लिए अधिक स्थिर संख्यात्मक विकल्प प्रदान करता है।
मैप्स के लिए लगभग-हर जगह अभिसरण (Almost-Everywhere Convergence for Maps):
जबकि मैप $T$ के लिए पॉइंटवाइज कन्वर्जेंस सामान्यतः विच्छेदन (discontinuities) के कारण असंभव है, यह शोध पत्र हल्के रेगुलैरिटी एसेम्पशन (जैसे डेंसिटी जीरो से दूर हो) के तहत फॉरवर्ड और इनवर्स दोनों मैप्स के लिए लगभग-हर जगह (a.e.) अभिसरण सिद्ध करता है।

4. मुख्य परिणाम (Main Results)

थ्योरम 16 और 17 (रेडियल केस): रेडियल मैप्स और पोटेंशियल्स के लिए स्पष्ट $O(1 - F_\nu(R))$ अभिसरण दरें।
थ्योरम 23 और 24 ( $L^2$ बाउंड्स): स्थापित करता है कि $\|T_{\mu} - T_{\mu;R}\|_{L^2} \leq C W_1(\nu, \nu_R)^\alpha$ ।
थ्योरम 39 और 41 (स्पष्ट यूनिफॉर्म दरें): $p > n$ और $p \geq 4$ के लिए, ब्रेनियर पोटेंशियल में यूनिफॉर्म एरर इस प्रकार बाउंड है:
$\|\phi_{\mu;R} - \phi_\mu\|_\infty \leq C (W_1(\nu, \nu_R))^{\frac{1 - n/p}{1 + n/q}}$
यह लॉग-कॉन्केव डिस्ट्रीब्यूशन के लिए एक्सपोनेंशियल दर प्रदान करता है।
थ्योरम 45 और 51 (इनवर्स कन्वर्जेंस): सिद्ध करता है कि यदि फॉरवर्ड पोटेंशियल अभिसरित होता है, तो इनवर्स पोटेंशियल (जो लिप्सिट्ज़ है) उसी दर से अभिसरित होता है, और इनवर्स मैप लगभग-हर जगह अभिसरित होता है।
प्रपोजिशन 29: सिद्ध करता है कि लॉग-कॉन्केव डिस्ट्रीब्यूशन के लिए, $W_1(\nu, \nu_R) \leq C R^n e^{-aR}$ ।

5. महत्व और अनुप्रयोग (Significance and Applications)

संख्यात्मक विधियों का औचित्य (Justification of Numerical Methods): ये परिणाम अनबाउंडेड टारगेट वाले समस्याओं के लिए (जैसे मोन-एम्पेयर सॉल्वर) कटऑफ सन्निकटन का उपयोग करने के लिए एक कठोर सैद्धांतिक आधार प्रदान करते हैं। इन बाउंड्स के बिना, डोमेन को ट्रंकेट करना एक एड-हॉक ह्यूरिस्टिक (ad-hoc heuristic) होगा; यह शोध पत्र सिद्ध करता है कि यह एक कन्वर्जेंट एप्रोक्सिमेशन है जिसके साथ मात्रात्मक त्रुटि (quantifiable error) भी ज्ञात है।
उच्च आयामों में दक्षता (Efficiency in High Dimensions): लॉग-कॉन्केव डिस्ट्रीब्यूशन (सांख्यिकी और मशीन लर्निंग में सामान्य, जैसे गॉसियन, सब-गॉसियन) के लिए एक्सपोनेंशियल कन्वर्जेंस दर यह दर्शाती है कि उच्च सटीकता के लिए अपेक्षाकृत छोटे कटऑफ रेडियस $R$ पर्याप्त हैं, जिससे यह दृष्टिकोण कम्प्यूटेशनल रूप से व्यवहार्य हो जाता है।
इनवर्स प्रॉब्लम उपयोगिता (Inverse Problem Utility): यह दिखाने के बाद कि इनवर्स पोटेंशियल व्यवहार्य (लिप्सिट्ज़) है, यह शोध पत्र एक व्यावहारिक संख्यात्मक रणनीति का सुझाव देता है: बाउंडेड डोमेन पर इनवर्स समस्या को हल करें और फॉरवर्ड मैप को रिकवर करें, जिससे अनबाउंडेड फॉरवर्ड पोटेंशियल से जुड़ी संख्यात्मक अस्थिरता से बचा जा सके।
व्यापक प्रयोज्यता (Broad Applicability): इसकी कार्यप्रणाली विभिन्न क्षेत्रों में लागू होती है जिन्हें अनबाउंड सपोर्ट वाले ऑप्टिमल ट्रांसपोर्ट की आवश्यकता होती है, जिसमें सैंपलिंग मेथड्स, मेश जनरेशन, जेनरेटिव मॉडलिंग, और फ्लुइड डायनेमिक्स शामिल हैं।

संक्षेप में, टर्नक्विस्ट का कार्य अनबाउंड डोमेन पर ऑप्टिमल ट्रांसपोर्ट के सैद्धांतिक पक्ष और व्यावहारिक संख्यात्मक गणना के बीच के अंतर को पाटता है, यह सिद्ध करते हुए कि सरल ट्रंकेशन (कटऑफ) एक विस्तृत श्रेणी के संभाव्यता वितरणों के लिए तीव्र और मात्रात्मक अभिसरण प्रदान करता है।