🤖 machine learning

Tokenised Flow Matching for Hierarchical Simulation Based Inference

यह शोध पत्र टोकनाइज्ड फ्लो मैचिंग फॉर पोस्टीरियर एस्टीमेशन (TFMPE) को प्रस्तुत करता है, जो एक नवीन पदानुक्रमित सिमुलेशन-आधारित अनुमान पद्धति है जो लाइक्लीहुड फैक्टराइजेशन और टोकनाइज्ड फ्लो मैचिंग का लाभ उठाती है ताकि सिंगल-साइट सिमुलेशन पर प्रशिक्षण दिया जा सके, जिससे संक्रामक रोग और फ्लूइड डायनेमिक्स मॉडलों में सुव्यवस्थित पोस्टीरियर अनुमानों को बनाए रखते हुए कम्प्यूटेशनल लागतों को महत्वपूर्ण रूप से कम किया जा सके।

मूल लेखक: Giovanni Charles, Cosmo Santoni, Seth Flaxman, Elizaveta Semenova

प्रकाशित 2026-04-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giovanni Charles, Cosmo Santoni, Seth Flaxman, Elizaveta Semenova

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 जासूस हैं जो एक बहुत बड़े रहस्य को सुलझाने की कोशिश कर रहे हैं: क्यों एक बीमारी 100 अलग-अलग शहरों में अलग तरह से फैल रही है? या शायद, क्यों 16 अलग-अलग मरीजों में रक्त का प्रवाह अजीब तरह से हो रहा है?

इस रहस्य को सुलझाने के लिए, आपके पास एक सुपर-पावरफुल कंप्यूटर सिम्युलेटर है। यह वास्तविक दुनिया के एक "डिजिटल जुड़वां" (digital twin) की तरह है। यदि आप इसे नियमों (पैरामीटर्स) का एक सेट देते हैं, तो यह सटीक रूप से भविष्यवाणी कर सकता है कि क्या होगा। लेकिन पेच यह है: यह सिम्युलेटर अविश्वसनीय रूप से धीमा है। इसे एक बार चलाने में घंटों लगते हैं। इसे दस लाख बार चलाना (जिसकी पारंपरिक तरीकों को आवश्यकता होती है) ब्रह्मांड की आयु से भी अधिक लंबा समय ले लेगा।

यह सिमुलेशन-बेस्ड इन्फरेंस (SBI) की समस्या है। हमें देखे गए डेटा के आधार पर छिपे हुए नियमों (पैरामीटर्स) को समझना है, लेकिन हम पुराने तरीके से सिम्युलेटर को इतनी बार नहीं चला सकते।

यह शोध पत्र एक नई, चतुर जासूसी विधि पेश करता है जिसे टोकेनाइज्ड फ्लो मैचिंग फॉर पोस्टीरियर एस्टीमेशन (TFMPE) कहा जाता है। यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) के माध्यम से बताया गया है।

1. पुराना तरीका: "ग्रुप फोटो" की समस्या

कल्पना कीजिए कि आपके पास 100 शहर हैं, और आप उन सभी के लिए मौसम के पैटर्न जानना चाहते हैं।

पारंपरिक दृष्टिकोण: अपने AI को प्रशिक्षित करने के लिए, आपको हर एक अभ्यास रन के लिए एक साथ सभी 100 शहरों के लिए मौसम का अनुकरण (simulate) करना होगा। यदि आप AI को 1,000 बार प्रशिक्षित करना चाहते हैं, तो आपको सिम्युलेटर को 100,000 बार चलाना होगा। यह हर बार एक 100-परत वाला केक बनाने की कोशिश करने जैसा है ताकि आप केक बनाना सीख सकें। यह बहुत महंगा और धीमा है।

2. नई रणनीति: "लाइकलीहुड फैक्टरइज़ेशन" (एक-शहर वाली ट्रिक)

लेखकों ने महसूस किया कि कुछ शानदार बात: नियमों को सीखने के लिए आपको पूरे समूह का अनुकरण करने की आवश्यकता नहीं है।

हर बार 100-परत वाला केक बनाने के बजाय, आप एक एकल-परत वाला केक (केवल एक शहर का अनुकरण) बनाते हैं ताकि यह सीखा जा सके कि सामग्री कैसे काम करती है।

चरण 1 (द सरोगेट): आप एक "मिनी-AI" (न्यूरल सरोगेट) को एक समय में केवल एक शहर पर प्रशिक्षित करते हैं। आप उसे दिखाते हैं: "यहाँ शहर A के लिए मौसम का नियम है, और यहाँ उसका परिणाम है।" आप ऐसा कई अलग-अलग शहरों के लिए करते हैं। यह मिनी-AI सिम्युलेटर की नकल करना सीख जाता है लेकिन यह अविश्वसनीय रूप से तेज़ है।
चरण 2 (द असेंबली): एक बार जब मिनी-AI प्रशिक्षित हो जाता है, तो आप इसका उपयोग सभी 100 शहरों के लिए तुरंत नकली मौसम डेटा उत्पन्न करने के लिए करते हैं। आप इस "सिंथेटिक ग्रुप डेटा" को अपने मुख्य जासूसी AI को खिलाते हैं।
परिणाम: आपको सभी 100 शहरों को देखने का लाभ मिलता है, लेकिन प्रशिक्षण के दौरान आपको केवल एक बार प्रति शहर धीमे, महंगे सिम्युलेटर को चलाना पड़ा। यह एक एकल परत को सीखने के बाद, पूरे केक को तुरंत असेंबल करने के लिए फूड प्रोसेसर का उपयोग करने जैसा है।

3. "टोकेन" सिस्टम: सार्वभौमिक अनुवादक

अब, कल्पना कीजिए कि डेटा अव्यवस्थित है।

शहर A में हर घंटे दर्ज किया गया मौसम का डेटा है।
शहर B में डेटा हर 3 घंटे में दर्ज किया गया है।
शहर C में मंगलवार को डेटा गायब है।
कुछ शहरों में 5 सेंसर हैं; दूसरों में 50।

पारंपरिक AI इस अव्यवस्था से भ्रमित हो जाता है। यह एक ऐसी किताब पढ़ने की कोशिश करने जैसा है जहाँ हर पन्ना अलग भाषा और अलग फ़ॉन्ट आकार में लिखा गया है।

लेखक टोकेनाइजेशन (Tokenisation) का उपयोग करते हैं। इसे हर डेटा को नाम टैग और सीट नंबर देने के रूप में सोचें।

नाम टैग: AI को बताता है कि डेटा क्या है (जैसे, "तापमान," "हवा की गति")।
सीट नंबर: AI को बताता है कि वह किस शहर से संबंधित है और टाइमलाइन में कहाँ फिट बैठता है।
जादू: AI (एक ट्रांसफॉर्मर) इन सभी नाम टैगों और सीट नंबरों को एक साथ देखता है। उसे इस बात से फर्क नहीं पड़ता कि डेटा अव्यवस्थित या अनियमित है; वह केवल टोकन का एक क्रम देखता है। यह एक ऐसे अनुवादक की तरह है जो वाक्य को तब भी पढ़ सकता है जब शब्द क्रम से बाहर हों या गायब हों, जब तक कि उनके पास सही संदर्भ संकेत (context clues) हों।

4. "फ्लो" (नदी की उपमा)

AI वास्तव में उत्तर कैसे खोजता है?
कल्पना कीजिए कि "उत्तर" (सही पैरामीटर्स) धुंधले समुद्र में एक छिपा हुआ द्वीप है।

पुराने तरीके बेतरतीब ढंग से जाल फेंकने की कोशिश करते हैं जब तक कि वे द्वीप को पकड़ न लें। इसमें बहुत समय लगता है और अक्सर वे चूक जाते हैं।
फ्लो मैचिंग (Flow Matching) एक नदी को बहना सिखाने जैसा है। AI धारा का आकार सीखता है। यह एक यादृच्छिक बूंद (रैंडम गेस) से शुरू होता है और बिल्कुल यह सीखता है कि धुंध के बीच से होकर सीधे द्वीप पर उतरने के लिए कैसे रास्ता बनाना है। यह यादृच्छिक छलांगों के बजाय एक सहज, निरंतर यात्रा है। यह प्रशिक्षण को बहुत अधिक स्थिर और सटीक बनाता है।

यह क्यों मायने रखता है?

इस शोध पत्र का परीक्षण दो वास्तविक दुनिया की कठिन परिस्थितियों पर किया गया:

संक्रामक रोग: यह भविष्यवाणी करना कि एक वायरस 100 अलग-अलग क्षेत्रों में कैसे फैलता है, जहाँ डेटा अनियमित है।
रक्त प्रवाह (हेमोडायनामिक्स): यह गणना करना कि 16 अलग-अलग रोगियों के धमनियों में रक्त कैसे बहता है, जिसके लिए जटिल भौतिकी समीकरणों को हल करने की आवश्यकता होती है।

परिणाम:

गति: रक्त प्रवाह प्रयोग में, यह नया तरीका पुराने तरीके की तुलना में प्रति रोगी 1,850 गुना तेज़ था।
सटीकता: यह केवल तेज़ ही नहीं हुआ; इसने सही उत्तर भी दिए। इसने वही "द्वीप" खोजा जिसे धीमे, पूर्ण विधि ने खोजा था।
स्केलेबिलिटी: यह तब भी काम करता है जब आपके पास सैकड़ों साइटें (शहर या मरीज) और अव्यवस्थित, अनियमित डेटा हो।

निचोड़ (The Bottom Line)

यह शोध पत्र कड़ी मेहनत करने के बजाय स्मार्ट तरीके से काम करने के बारे में है।
महंगे सिमुलेशन को लाखों बार चलाकर समाधान खोजने के बजाय, लेखकों ने एक तेज़, लचीला "प्रॉक्सि" (proxy) सिस्टम बनाया। वे एक छोटे, तेज़ AI को धीमे सिम्युलेटर की नकल करना सिखाते हैं, फिर उस तेज़ AI का उपयोग करके बड़े, जटिल पहेली को हल करते हैं।

यह हर ईंट को हाथ से रखने (धीमा, महंगा) के बजाय एक 3D प्रिंटर का उपयोग करने जैसा है जो ब्लूप्रिंट जानता है और मिनटों में पूरी संरचना प्रिंट कर सकता है (तेज़, कुशल और सटीक)।

यहाँ शोध पत्र "Tokenised Flow Matching for Hierarchical Simulation Based Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सिमुलेशन-आधारित अनुमान (Simulation Based Inference - SBI) एक ऐसा ढांचा है जो बेयसियन पैरामीटर अनुमान (Bayesian parameter estimation) के लिए उपयोग किया जाता है जब लाइक्लीहुड फंक्शन $p(y|\theta)$ अज्ञात होता है लेकिन एक सिम्युलेटर उपलब्ध होता है। मानक समस्याओं के लिए प्रभावी होने के बावजूद, SBI पदानुक्रमित सेटिंग्स (hierarchical settings) में एक महत्वपूर्ण बाधा का सामना करता है।

पदानुक्रमित मॉडलों में, डेटा कई साइटों (जैसे, देश, रोगी) से उत्पन्न होता है जो वैश्विक मापदंडों (global parameters) ( $\theta_g$ ) को साझा करते हैं, लेकिन उनके अपने विशिष्ट स्थानीय मापदंड (local parameters) ( $\eta_s$ ) होते हैं।

बाधा (The Bottleneck): पारंपरिक एमोर्टाइज्ड (amortized) SBI विधियों को प्रत्येक प्रशिक्षण नमूने के लिए सभी $n_s$ साइटों को सिमुलेट करने की आवश्यकता होती है ताकि एक पूर्ण अवलोकन वेक्टर $y = (y_1, \dots, y_{n_s})$ बनाया जा सके। जैसे-जैसे साइटों की संख्या बढ़ती है, प्रशिक्षण की कम्प्यूटेशनल लागत अत्यधिक बढ़ जाती है।
मौजूदा सीमाएँ: वर्तमान पदानुक्रमित दृष्टिकोण अक्सर पोस्टीरियर (posterior) को विभाजित (factorize) करते हैं (उदाहरण के लिए, डेटा के उपसमुच्चयों पर एक वैश्विक एस्टिमेटर को प्रशिक्षित करना)। हालांकि इससे प्रति प्रशिक्षण नमूना सिमुलेशन कॉल कम हो जाते हैं, फिर भी इसके लिए प्रत्येक प्रशिक्षण इंस्टेंस के लिए कई सिमुलेशन की आवश्यकता होती है या शोर वाले स्थानीय अनुमानों से वैश्विक मापदंडों के अनुमान में त्रुटि प्रसार (error propagation) की समस्या होती है।
जटिल डेटा: कई वैज्ञानिक अनुप्रयोगों में फंक्शन-वैल्यूड ऑब्जर्वेशन (जैसे, टाइम-सीरीज, अनियमित रूप से सैंपल किए गए डेटा) शामिल होते हैं, जिन्हें मानक फिक्स्ड-डायमेंशनल वेक्टर इनपुट के साथ संभालना कठिन होता है।

2. कार्यप्रणाली (Methodology)

लेखक पोस्टीरियर एस्टीमेशन के लिए टोकनाइज्ड फ्लो मैचिंग (Tokenised Flow Matching for Posterior Estimation - TFMPE) प्रस्तावित करते हैं, जो तीन प्रमुख घटकों को जोड़ता है: लाइक्लीहुड फैक्टराइजेशन, टोकनाइजेशन और फ्लो मैचिंग।

A. लाइक्लीहुड फैक्टराइजेशन (LF) सैंपलिंग

पोस्टीरियर को विभाजित करने के बजाय, लेखक लाइक्लीहुड (likelihood) को विभाजित करने का प्रस्ताव देते हैं।

अवधारणा: कंडीशनल इंडिपेंडेंस के कारण, $p(y|\theta_g, \eta) = \prod p(y_s|\theta_g, \eta_s)$ ।
दो-चरणीय प्रशिक्षण (Two-Stage Training):
1. चरण 1 (सरोगेट ट्रेनिंग): सिंगल-साइट सिमुलेशन का उपयोग करके एक प्रति-साइट न्यूरल सरोगेट $q_{\phi_l}(y_s | \theta_g, \eta_s)$ को प्रशिक्षित करें। इसके लिए प्रत्येक प्रशिक्षण नमूने के लिए केवल एक सिम्युलेटर कॉल की आवश्यकता होती है, चाहे कुल साइटों की संख्या कितनी भी हो।
2. चरण 2 (पोस्टीरियर ट्रेनिंग): सरोगेट $q_{\phi_l}$ द्वारा उत्पन्न सिंथेटिक मल्टी-साइट अवलोकनों का उपयोग करके एक पोस्टीरियर एस्टिमेटर $q_{\phi_p}(\theta_g, \eta | y)$ को प्रशिक्षित करें।
लाभ: यह सिमुलेशन लागत को साइटों की संख्या ( $n_s$ ) से अलग (decouple) कर देता है, जिससे मॉडल बिना पूरे सिस्टम को हर प्रशिक्षण चरण के लिए पुन: सिमुलेट किए सैकड़ों या हजारों साइटों तक स्केल हो सकता है।

B. टोकनाइजेशन (Tokenization)

वेरिएबल संख्या और फंक्शन-वैल्यूड ऑब्जर्वेशन (अनियमित समय/स्थान निर्देशांक) को संभालने के लिए, लेखक सभी वेरिएबल्स को टोकन की एक श्रृंखला में एम्बेड करते हैं।

टोकन संरचना (Token Structure): प्रत्येक टोकन में शामिल है:
- वैल्यू ( $v_i$ ): पैरामीटर या ऑब्जर्वेशन वैल्यू।
- वेरिएबल ID ( $\ell_i$ ): वेरिएबल के प्रकार की पहचान करता है (जैसे, $\beta, A$ )।
- पोजीशन ( $p_i$ ): मल्टी-डायमेंशनल वेरिएबल के भीतर इंडेक्स।
- ग्रुप ID ( $g_i$ ): स्पष्ट रूप से इंगित करता है कि टोकन किस साइट से संबंधित है (साइटों के बीच स्थानीय मापदंडों को अलग करने के लिए महत्वपूर्ण है)।
- फंक्शनल इनपुट ( $\xi_i$ ): फंक्शन-वैल्यूड डेटा के लिए निरंतर निर्देशांक (जैसे, समय)।
आर्किटेक्चर: एक एन्कोडर-ओनली ट्रांसफॉर्मर (Encoder-only Transformer) सेल्फ-अटेंशन के माध्यम से इन टोकनों को प्रोसेस करता है। यह मॉडल को स्वाभाविक रूप से अनिश्चित संख्या में साइटों और अनियमित ऑब्जर्वेशन शेड्यूल्स को संभालने की अनुमति देता है।

C. फ्लो मैचिंग (Flow Matching)

इन्फरेंस इंजन पोस्टीरियर वितरण को सीखने के लिए फ्लो मैचिंग (विशेष रूप से कंडीशनल फ्लो मैचिंग) का उपयोग करता है।

तंत्र: स्कोर फंक्शन (जैसा कि डिफ्यूजन मॉडल में होता है) सीखने के बजाय, नेटवर्क एक वेक्टर फील्ड $v_t$ सीखता है जो बेस डिस्ट्रीब्यूशन (जैसे, गॉसियन) से लक्ष्य पोस्टीरियर $p(\theta|y)$ तक नमूनों को ले जाता है।
लाभ: फ्लो मैचिंग अधिक स्थिर और तेज़ प्रशिक्षण के लिए सरल प्रोबेबिलिटी पाथ (जैसे, ऑप्टिमल ट्रांसपोर्ट) प्रदान करता है, जबकि नॉर्मलाइजिंग फ्लो के सैद्धांतिक गारंटियों को बनाए रखता है।

3. मुख्य योगदान (Key Contributions)

लाइक्लीहुड फैक्टराइजेशन (LF) सैंपलिंग: एक ऐसी प्रशिक्षण रणनीति जो एकल-साइट सरोगेट सीखकर प्रति प्रशिक्षण नमूना सिमुलेशन बजट को कम करती है। यह तब विशेष रूप से फायदेमंद है जब सिमुलेशन महंगे हों।
TFMPE आर्किटेक्चर: यह हाइरार्किकल SBI के लिए टोकनाइजेशन (अनियमित/फंक्शनल डेटा के लिए) को फ्लो मैचिंग के साथ जोड़ने वाला पहला तरीका है। यह एक ही एमोर्टाइज्ड एस्टिमेटर के भीतर फंक्शन-वैल्यूड ऑब्जर्वेशन और वेरिएबल साइट काउंट को सपोर्ट करता है।
हाइरार्किकल SBI बेंचमार्क: लेखक एक समर्पित बेंचमार्क पेश करते हैं, जो मौजूदा कार्यों (Gaussian Linear, SIR, Two Moons, आदि) को हाइरार्किकल स्ट्रक्चर के अनुकूल बनाता है। यह व्यवस्थित मूल्यांकन को सक्षम बनाता है।
वास्तविक दुनिया का सत्यापन: वास्तविक, उच्च-लागत वाले मॉडलों पर प्रदर्शन किया गया:
- सीजनल SEIR: 100 साइटों में अनियमित टाइम-सीरीज डेटा के साथ संक्रामक रोग मॉडलिंग।
- कंप्यूटेशनल फ्लूइड डायनेमिक्स (CFD): हेमोडायनामिक्स कैलिब्रेशन के लिए 1D ब्लड फ्लो नेटवर्क, जहाँ सिम्युलेटर कॉल कम्प्यूटेशनल रूप से भारी होते हैं।

4. परिणाम (Results)

पेपर में TFMPE का गैर-हाइरार्किकल बेसलाइन्स (NPE, SNPE, Simformer, FMPE) और हाइरार्किकल बेसलाइन्स (पोस्टीरियर फैक्टराइजेशन) के विरुद्ध मूल्यांकन किया गया है।

सैंपल एफिशिएंसी (Sample Efficiency): हाइरार्किकल बेंचमार्क पर, LF सैंपलिंग के साथ TFMPE, गैर-हाइरार्किकल विधियों की तुलना में काफी बेहतर प्रदर्शन करता है, जो साइटों की संख्या ( $n_s$ ) बढ़ने पर विफल हो जाते हैं क्योंकि वे मल्टी-साइट सैंपलिंग पर अपना सिमुलेशन बजट खर्च कर देते हैं।
पोस्टीरियर फैक्टराइजेशन (PF) के साथ तुलना:
- TFMPE आमतौर पर PF विधियों की तुलना में बेहतर सैंपल एफिशिएंसी प्राप्त करता है, विशेष रूप से तब जब प्रति-साइट ऑब्जर्वेशन मॉडल, ग्लोबल-टू-ऑब्जर्वेशन मैपिंग की तुलना में आसान हो।
- जटिल नॉन-लीनियर ऑब्जर्वेशन मैप्स (जैसे, Two Moons) वाले कार्यों में, PF थोड़ा बेहतर प्रदर्शन करता है, जो एक ट्रेड-ऑफ को दर्शाता है: LF तब बेहतर है जब सरोगेट एप्रोक्सिमेशन एरर कम हो; PF तब सुरक्षित है जब ग्लोबल इन्फरेंस समस्या स्थानीय सरोगेट से सरल हो।
स्केलेबिलिटी (Scalability):
- SEIR मॉडल: TFMFE ने 100 साइटों के लिए वेल-कैलिब्रेटेड पोस्टीरियर प्राप्त किया, जबकि MCMC कम्प्यूटेशनल कठिनाई के कारण 5 साइटों के बाद भी अभिसरण (converge) करने में विफल रहा।
- CFD मॉडल: TFMPE ने 2 रोगियों के लिए प्रशिक्षण की कम्प्यूटेशनल लागत को 2.0x कम किया और रोगियों की संख्या के साथ रैखिक रूप से स्केलिंग दिखाने वाला स्पीडअप दिखाया। रॉ CFD सिम्युलेटर की तुलना में न्यूरल सरोगेट के माध्यम से प्रति-पेशेंट सैंपलिंग स्पीडअप ~1850x था।
एब्लेशन स्टडीज (Ablation Studies):
- ग्रुप एम्बेडिंग: स्पष्ट ग्रुप ID टोकन को हटाने से प्रदर्शन गिर गया, जिससे सिद्ध हुआ कि ट्रांसफॉर्मर को स्थानीय मापदंडों को अलग करने के लिए साइट मेंबरशिप प्रदान करना महत्वपूर्ण है।
- आर्किटेक्चर: हालांकि ट्रांसफॉर्मर शक्तिशाली हैं, एक MLP-आधारित संस्करण ने भी अच्छा प्रदर्शन किया, जो यह सुझाव देता है कि प्राथमिक लाभ केवल आर्किटेक्चर के बजाय LF सैंपलिंग रणनीति से आता है।

5. महत्व (Significance)

यह कार्य वैज्ञानिक कंप्यूटिंग में एक प्रमुख व्यावहारिक बाधा को संबोधित करता है: जटिल पदानुक्रमित प्रणालियों को सिमुलेट करने की उच्च लागत।

व्यवहार्यता (Tractability): यह बेयसियन इन्फरेंस को सैकड़ों साइटों और महंगे सिम्युलेटर (जैसे CFD या महामारी विज्ञान मॉडल) वाले समस्याओं के लिए संभव बनाता है जहाँ पारंपरिक MCMC या मानक SBI असंभव है।
लचीलापन (Flexibility): टोकनाइजेशन का उपयोग करके, यह विधि वास्तविक दुनिया के विज्ञान (जैसे, रोग निगरानी में परिवर्तनशील अवलोकन समय) में सामान्य अनियमित, फंक्शन-वैल्यूड डेटा को स्वाभाविक रूप से संभालती है।
दक्षता (Efficiency): लाइक्लीहुड फैक्टराइजेशन दृष्टिकोण एक अलग प्रतिमान (paradigm) प्रदान करता है जो सरोगेट एप्रोक्सिमेशन एरर के थोड़े से हिस्से के बदले सिमुलेशन दक्षता में भारी लाभ देता है, जिससे उन पैमानों पर "एमोर्टाइज्ड" इन्फरेंस संभव होता है जो पहले अप्राप्य थे।

संक्षेप में, TFMPE पदानुक्रमित बेयसियन इन्फरेंस के लिए एक मजबूत, स्केलेबल और सैंपल-एफिशिएंट फ्रेमवर्क प्रदान करता है, जो जटिल वैज्ञानिक सिम्युलेटर और आधुनिक डीप लर्निंग इन्फरेंस तकनीकों के बीच के अंतर को पाटता है।