⚡ electrical engineering

Sequential Monte Carlo for Resilient Networks: Assessment, Mitigation, and Generative Modeling

यह शोधपत्र एक अनुक्रमिक मोंटे कार्लो ढांचे का प्रस्ताव करता है जो भविष्य के वायरलेस नेटवर्क में दुर्लभ लचीलापन विफलताओं (resilience failures) का कुशलतापूर्वक आकलन करने, उन्हें कम करने और मॉडल करने के लिए फिक्स्ड-लेवल स्प्लिटिंग को बजट-जागरूक जनसंख्या नियंत्रण और जनरेटिव सरोगेट्स के साथ जोड़ता है।

मूल लेखक: Onel L. A. López, Amirhossein Azarbahram

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Onel L. A. López, Amirhossein Azarbahram

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 (paper) का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: अप्रत्याशित की भविष्यवाणी करना

कल्पना कीजिए कि आप एक व्यस्त हाईवे का प्रबंधन कर रहे हैं। अधिकांश समय, यातायात सुचारू रूप से चलता है। लेकिन कभी-कभी, एक छोटी सी टक्कर होती है, जो एक लहर जैसा प्रभाव पैदा करती है, जिससे एक बड़ा जाम लग जाता है जो कभी खत्म नहीं होता। यह एक "रेज़िलिएंस फेलियर" (resilience failure) है।

समस्या यह है कि ये बड़े जाम दुर्लभ होते हैं। यदि आप केवल कुछ दिनों तक हाईवे को देखते हैं (मानक सिमुलेशन), तो आप हज़ारों कारों को गुजरते हुए देख सकते हैं लेकिन कभी भी पूर्ण जाम (total gridlock) नहीं देख पाएंगे। यदि आप इसे होते हुए कभी नहीं देखते, तो आप इसे रोकने का तरीका कैसे सीख सकते हैं?

यह शोध पत्र इन दुर्लभ आपदाओं का अध्ययन करने का एक स्मार्ट तरीका प्रस्तावित करता है। साधारण कारों को देखने के बजाय, वे सीक्वेंशियल मोंटे कार्लो (Sequential Monte Carlo - SMC) नामक विधि का उपयोग करते हैं। इसे परेशानी वाले स्थानों के लिए एक "आवर्धक लेंस" (magnifying glass) के रूप में समझें।

मुख्य विचार: मुसीबत की सीढ़ी चढ़ना

लेखक किसी सिस्टम की विफलता को चरणों में तोड़ते हैं, जैसे कि एक सीढ़ी चढ़ना जहाँ प्रत्येक पायदान स्वास्थ्य की एक बदतर स्थिति का प्रतिनिधित्व करता है।

पायदान 1: हल्का तनाव (यातायात थोड़ा धीमा हो जाता है)।
पायदान 2: गिरावट (Degradation) (कारें फंसी हुई हैं)।
पायदान 3: महत्वपूर्ण विफलता (Critical failure) (जाम लगना शुरू हो जाता है)।
पायदान 4: पूर्ण पतन (Total collapse) (कोई रिकवरी नहीं)।

मानक सिमुलेशन (एक "अंधा" दृष्टिकोण):
कल्पive कि आप एक बोर्ड पर एक बहुत छोटे लक्ष्य (बुलआई) को हिट करने के लिए 1,000 डार्ट्स फेंक रहे हैं। आप 1,000 डार्ट्स फेंक सकते हैं और कुछ भी हिट नहीं कर पाते। आप यह नहीं सीख पाएंगे कि बुलआई को कैसे हिट करना है क्योंकि आप पैटर्न देखने के लिए कभी उसके करीब ही नहीं पहुँच पाए।

शोध पत्र का दृष्टिकोण (SMC):
डार्ट्स को बेतरतीब ढंग से फेंकने के बजाय, SMC विधि कहती है: "आइए केवल उन डार्ट्स पर ध्यान केंद्रित करें जो बुलआई के करीब पहुँचते हैं।"

वे 1,000 सिमुलेशन के साथ शुरुआत करते हैं।
वे देखते हैं कि कौन से पायदान 1 तक पहुँचते हैं। वे उन्हें रखते हैं और उन्हें हटा देते हैं जो स्वस्थ बने रहे।
वे जीवित बचे लोगों को "क्लोन" करते हैं (उनकी प्रतियां बनाते हैं) यह देखने के लिए कि क्या वे पायदान 2 तक पहुँच सकते हैं।
वे इस प्रक्रिया को दोहराते हैं, लगातार "उभरते हुए" आपदा पथों को क्लोन करते हैं और "बोरिंग" स्वस्थ पथों को हटाते जाते हैं।

जब तक वे सीढ़ी के शीर्ष पर पहुँचते हैं, उनके पास इस बात की स्पष्ट तस्वीर होती है कि आपदा वास्तव में कैसे विकसित होती है, भले ही वह आपदा अविश्वसनीय रूप से दुर्लभ हो।

"डिजिटल ट्विन" और "AI क्लोन"

यह शोध पत्र एक दूसरी समस्या का भी समाधान करता है: क्या होगा यदि हमारे पास हाईवे का सटीक मॉडल नहीं है? क्या होगा यदि वास्तविक दुनिया इतनी जटिल है कि उसे पूरी तरह से सिम्युलेट करना कठिन है?

लेखक जेनरेटिव AI (विशेष रूप से 'डिफ्यूजन मॉडल्स' प्रकार का) को एक "डिजिटल ट्विन" के रूप में पेश करते हैं।

उपमा: कल्पना कीजिए कि आपके पास कार दुर्घटना का एक वीडियो है। धातु के मुड़ने की भौतिकी (physics) को शून्य से सिम्युलेट करने के बजाय, आप एक AI को वह वीडियो देखने के लिए प्रशिक्षित करते हैं और फिर उसे "कल्पना" करने के लिए कहते है कि आगे क्या होगा।
नवाचार: आमतौर पर, AI केवल अगले कुछ सेकंड की भविष्यवाणी करता है। यह शोध पत्र AI को एक "रीस्टार्टेबल" सिम्युलेटर बनना सिखाता है। यदि सिस्टम किसी महत्वपूर्ण बिंदु (जैसे सीढ़ी पर पायदान 2) पर पहुँचता है, तो AI रुक सकता है, वर्तमान स्थिति को देख सकता है, और उसी क्षण से कई अलग-अलग संभावित भविष्य उत्पन्न कर सकता है।
परिणाम: आप "आवर्धक लेंस" (SMC) को "AI क्लोन" (जेनरेटिव मॉडल) के साथ जोड़ सकते हैं। AI भविष्य के परिदृश्य प्रदान करता है, और SMC यह सुनिश्चित करता है कि हम केवल उन्हीं पर ध्यान दें जो आपदा की ओर ले जाते हैं।

यह समस्याओं को ठीक करने में कैसे मदद करता है (मिटिगेशन)

यह शोध पत्र दिखाता है कि यह तरीका केवल आपदाओं को गिनने के लिए नहीं है; यह उन्हें रोकने के लिए भी है।

कल्पना कीजिए कि आप ट्रैफिक कंट्रोलर हैं। जब सिस्टम पायदान 2 (गिरावट) पर पहुँचता है, तो SMC विधि रुक जाती है। यह AI से पूछती है: "यदि हम क्रिया A (Action A) करते हैं, तो क्या हम उबर पाएंगे? यदि हम क्रिया B (Action B) करते हैं, तो क्या यह और खराब हो जाएगा?"

सिस्टम उस सटीक चेकपॉइंट से सेकंडों में हजारों "क्या-होगा-अगर" (what-if) परिदृश्य चलाता है। फिर यह सबसे अच्छा कार्य चुनता है (जैसे नया लेन खोलना या ट्रैफिक को डायवर्ट करना) ताकि सीढ़ी चढ़ने की प्रक्रिया को रोका जा सके। इसे पॉलिसी सिलेक्शन (policy selection) कहा जाता है।

वास्तविक दुनिया का परीक्षण

लेखकों ने इसका परीक्षण एक वायरलेस नेटवर्क (जैसे आपके सेल फोन कनेक्शन) पर किया।

परिदृश्य: एक नेटवर्क तनाव महसूस करता है, जिससे डेटा में देरी (delay) होती है। यदि देरी बहुत अधिक समय तक बनी रहती है, तो सेवा विफल हो जाती है और रिकवर नहीं हो पाती।
परिणाम:
- मानक तरीकों ने कुल विफलता के जोखिम का अनुमान लगाने में विफलता दिखाई क्योंकि ऐसी घटनाएं बहुत दुर्लभ थीं।
- SMC विधि ने विफलता की संभावना एक मिलियन में एक होने के बावजूद, विफलता के जोखिम की सफलतापूर्वक गणना की।
- AI संस्करण भौतिक मॉडल (physics model) के समान ही प्रभावी रहा, जिससे यह सिद्ध हुआ कि आप बिना किसी सटीक भौतिक इंजन के इन आपदाओं को सिम्युलेट करने के लिए एक स्मार्ट AI का उपयोग कर सकते हैं।

सारांश

यह शोध पत्र जटिल प्रणालियों (जैसे वायरलेस नेटवर्क) में दुर्लभ, विनाशकारी विफलताओं को खोजने और उन्हें ठीक करने के लिए एक टूलकिट प्रस्तुत करता है।

SMC एक स्पॉटलाइट की तरह काम करता है, केवल उन पथों पर ध्यान केंद्रित करता है जो आपदा की ओर ले जाते हैं ताकि हम उनका अध्ययन कर सकें।
जेनरेटिव AI एक लचीले सिम्युलेटर के रूप में कार्य करता है जो किसी भी समय से भविष्य के परिदृश्यों की कल्पना कर सकता है।
साथ मिलकर, वे इंजीनियरों को दुर्लभ विफलताओं की भविष्यवाणी करने और विभिन्न रिकवरी रणनीतियों का परीक्षण करने में सक्षम बनाते हैं, जिससे यह सुनिश्चित होता है कि नेटवर्क लचीला बना रहे, भले ही चीजें गलत हो जाएं।

तकनीकी सारांश: लचीले नेटवर्क (Resilient Networks) के लिए अनुक्रमिक मोंटे कार्लो (Sequential Monte Carlo)

1. समस्या विवरण

भविष्य के वायरलेस नेटवर्क को ऐसे महत्वपूर्ण बुनियादी ढांचे के रूप में कार्य करना चाहिए जो दुर्लभ लेकिन संभावित रूप से श्रृंखलाबद्ध (cascading) व्यवधानों का सामना करने, अनुकूलन करने और उनसे उबरने में सक्षम हों। लचीलेपन (Resilience) को केवल विफलता की घटना के रूप में नहीं, बल्कि सामान्य संचालन, क्षरण (degradation), महत्वपूर्ण सेवा प्रभाव और संभावित गैर-रिकवरी के चरणों के माध्यम से सिस्टम के प्रक्षेपवक्र (trajectory) के रूप में परिभाषित किया गया है।

मुख्य चुनौती दुर्लभ, पथ-निर्भर विफलता घटनाओं (rare, path-dependent failure events) के कुशल अनुमान को संबोधित करना है। लचीलेपन के विश्लेषण में, एक विफलता को अक्सर एक सरल टर्मिनल अवस्था के बजाय एक ऐसे प्रक्षेपवक्र के रूप में परिभाषित किया जाता है जो एक दोष सेट (जैसे निरंतर सेवा क्षरण या रिकवरी समय सीमा चूकना) में प्रवेश करता है। क्लासिकल मोंटे कार्लो (MC) सिमुलेशन दुर्लभ घटनाओं ( $p \ll 1$ ) के अनुमान के लिए अत्यधिक अक्षम है क्योंकि पूर्ण-प्रक्षेपवक्र सिमुलेशन की आवश्यक संख्या $O(1/p)$ के रूप में स्केल करती है। इसके अलावा, जबकि सिंथेटिक डेटा जनरेशन और पूर्वानुमान के लिए जेनरेटिव एआई (genAI) का उपयोग उभरा है, मौजूदा अनुप्रयोग अक्सर उस विशिष्ट पथ-निर्भर सैंपलिंग संरचना को संबोधित करने में विफल रहते हैं जो लचीलेपन के लिए आवश्यक है, जिसमें केवल टेल सांख्यिकी (tail statistics) या सामान्य पूर्वानुमान को पुनरुत्पादित करने के बजाय मध्यवर्ती महत्वपूर्ण अवस्थाओं से स्टोकेस्टिक प्रक्षेपवक्र निरंतरता (stochastic trajectory continuations) उत्पन्न करने की आवश्यकता होती है।

2. कार्यप्रणाली

यह शोध पत्र लचीलेपन के आकलन, नियंत्रण और डेटा-संचालित डिजिटल ट्विन्स (DTs) के साथ एकीकरण के लिए विशेष रूप से तैयार किए गए अनुक्रमिक मोंटे कार्लो (SMC) ढांचे का प्रस्ताव करता है।

A. लचीलेपन के लिए SMC ढांचा

कार्यप्रणाली लचीलेपन की विफलता को एक पथ-निर्भर दुर्लभ घटना $\xi$ के रूप में स्वरूपित करती है और इसे एक रिएक्शन कोऑर्डिनेट $g(\cdot)$ का उपयोग करके कम दुर्लभ सशर्त घटनाओं के अनुक्रम में विभाजित करती है।

रिएक्शन कोऑर्डिनेट: एक फलन $g: \mathcal{X} \to \mathbb{R}$ विफलता की ओर प्रगति (जैसे बैकलॉग स्तर, संचित तनाव, या रिकवरी स्लैक) को मापता है। इसमें विफलता की ओर अपेक्षित एकतलता (monotonicity), प्रारंभिक चेतावनी क्षमता और परिचालन व्याख्यात्मकता प्रदर्शित करनी चाहिए।
फिक्स्ड-लेवल स्प्लिटिंग (Fixed-Level Splitting): स्टेट स्पेस को नेस्टेड सेट्स $L_k$ में विभाजित किया गया है जो थ्रेशोल्ड $\ell_k$ द्वारा परिभाषित हैं। दुर्लभ घटना की संभावना को $P(\xi) = \prod_{k=0}^{K-1} p_k$ के रूप में गुणनखंडित किया जाता है, जहाँ $p_k = P(\xi_{k+1} | \xi_k)$ स्तर $k$ से $k+1$ में संक्रमण की सशर्त संभावना है।
बजट-जागरूक जनसंख्या नियंत्रण: स्तरों को गतिशील रूप से समायोजित करने वाले अनुकूलन विधियों के विपरीत, यह दृष्टिकोण अर्थपूर्ण लचीलापन चरणों (जैसे क्षरण, गैर-रिकवरी) द्वारा परिभाषित फिक्स्ड लेवल्स का उपयोग करता है। कण विलुप्ति (particle extinction) या अक्षमता से निपटने के लिए, एल्गोरिदम एक बजट-अनुकूलित सैंपलिंग रणनीति का उपयोग करता है:
- एक कुल कम्प्यूटेशनल बजट $C_T$ निश्चित है।
- प्रत्येक स्तर पर, प्रक्षेपवक्रों को तब तक प्रसारित किया जाता है जब तक कि लक्ष्य सफल क्रॉसिंग ( $S_{tar}$ ) या प्रयास ( $A_{tar}$ ) की संख्या तक नहीं पहुँच जाता, या बजट समाप्त नहीं हो जाता।
- अगले स्तर के लिए पूल का आकार ( $M_{k+1}$ ) अनुमानित संक्रमण संभावना $\hat{p}_k$ के आधार पर समायोजित किया जाता है: कठिन संक्रमण (छोटा $\hat{p}_k$ ) बड़े बाद के जनसंख्या को ट्रिगर करते हैं, जबकि आसान संक्रमणों को कम कणों की आवश्यकता होती है।
- यह कम्प्यूटेशनल प्रयास को अनुकूलित करते हुए फिक्स्ड लेवल्स की व्याख्यात्मकता को सुरक्षित रखता है।

B. न्यूनीकरण नीति मूल्यांकन (Mitigation Policy Evaluation)

यह ढांचा SMC चेकपॉइंट्स (वे अवस्थाएं जहां एक प्रक्षेपवक्र पहली बार एक स्तर $L_k$ को हिट करता है) को स्टेट-कंटीजेंट पॉलिसी चयन के लिए प्रतिनिधि शुरुआती बिंदुओं के रूप में उपयोग करता है।

क्रिटिकल चेकपॉइंट $x^*_k$ तक पहुँचने पर, एक आंतरिक सिमुलेशन उम्मीदवार पॉलिसियों $u_i$ के तहत कई प्रक्षेपवक्र निरंतरता को ब्रांच करता है।
एक निर्णय मानदंड $J(u_i | x^*_k)$ , जो अनुमानित भविष्य की विफलता संभावनाओं और कार्यान्वयन लागतों को संतुलित करता है, इष्टतम नीति का चयन करता है।
यह वैश्विक इष्टतम नियंत्रण समस्या को हल करने के बजाय, निकट-महत्वपूर्ण ऑपरेटिंग पॉइंट्स पर स्थानीय, सिमुलेशन-संचालित अनुकूलन की अनुमति देता है।

C. सीखे गए सरोगेट्स (डिजिटल ट्विन्स) के साथ एकीकरण

उन परिदृश्यों को संबोधित करने के लिए जहाँ भौतिक सिम्युलेटर उपलब्ध नहीं हैं या बहुत जटिल हैं, यह शोध पत्र जेनरेटिव सीक्वेंस मॉडल्स का उपयोग करके डेटा-संचालित डिजिटल ट्विन्स के लिए इस ढांचे का विस्तार करता है।

जेनरेटिव मॉडलिंग: एक स्टोकेस्टिक सरोगेट सशर्त निरंतरता नियम $p_\theta(x^f_j | x^h_j, z_j)$ सीखता है, जहाँ $x^h$ इतिहास है, $x^f$ भविष्य का ब्लॉक है, और $z_j$ साइड इन्फॉर्मेशन (जैसे ऑपरेटिंग रिजीम, क्रिटिकैलिटी) है।
मॉडलिंग विकल्प: शोध पत्र सिंगल कंडीशनल जनरेटर, रिजीम-विशिष्ट जनरेटर और मिक्सचर-ऑफ-एक्सपर्ट्स आर्किटेक्चर पर चर्चा करता है।
क्रिटिकैलिटी-अवेयर डेटा रिप्रेजेंटेशन: यह सुनिश्चित करने के लिए कि सरोगेट दुर्लभ क्षरण और रिकवरी पथों को कैप्चर करे, प्रशिक्षण डेटासेट को लेवल-अवेयर सैंपलिंग का उपयोग करके बनाया गया है। विंडोज़ को क्रिटिकैलिटी स्तरों के आधार पर समूहीकृत किया जाता है, और उच्च-क्रिटिकैलिटी विंडोज़ को ओवरसैंपल किया जाता है ताकि मॉडल निम्न-क्रिटिकैलिटी सामान्य डेटा द्वारा हावी न हो।
कार्यान्वयन: लेखक एक डिनोइजिंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल (DDPM) का उपयोग करते हैं जिसमें कुशल इन्फरेंस के लिए DDIM-शैली का सैम्पर है, जो मध्यवर्ती चेकपॉइंट्स से विविध प्रक्षेपवक्र निरंतरता उत्पन्न करने की अनुमति देता है।

3. मुख्य योगदान

एक SMC ढांचे का औपचारिककरण: शोध पत्र फिक्स्ड-लेवल स्प्लिटिंग के साथ बजट-जागरूक जनसंख्या नियंत्रण का उपयोग करके लचीलेपन के आकलन को एक पथ-निर्भर दुर्लभ-घटना अनुमान समस्या के रूप में औपचारिक रूप देता है। यह परिणामी एस्टीमेटर के लिए बायस और वेरिएंस स्केलिंग लॉ प्रदान करता है, जो यह दर्शाता है कि सांख्यिकीय दक्षता और अर्थपूर्ण लचीलापन स्तरों की व्याख्यात्मकता के बीच संतुलन कैसे बनाया जाए।
जेनरेटिव सरोगेट्स का विस्तार: यह जेनरेटिव एआई के साथ SMC के जुड़ाव को पेश करता है, जहाँ सीखे गए जेनरेटिव मॉडल 'रीस्टार्टेबल स्टोकेस्टिक सरोगेट्स' के रूप में कार्य करते हैं। यह डेटा-संचालित DTs के भीतर मध्यवर्ती क्षय अवस्थाओं से प्रशंसनीय भविष्य की निरंतरता उत्पन्न करने में सक्षम बनाता है, जो मानक पूर्वानुमान या सिंथेटिक डेटा जनरेशन से अलग एक क्षमता है।
नीति मूल्यांकन तंत्र: यह कार्य दिखाता है कि कैसे SMC चेकपॉइंट्स का उपयोग सिमुलेशन-आधारित नीति चयन के लिए किया जा सकता है, जिससे क्रिटिकल डिग्रेडेशन स्तरों पर सिस्टम की विशिष्ट अवस्था के अनुकूल स्थानीय न्यूनीकरण रणनीतियों को सक्षम बनाया जा सके।
अनुभवजन्य सत्यापन: ढांचे को एक विलंब-महत्वपूर्ण (delay-critical) वायरलेस नेटवर्क उपयोग के मामले पर मान्य किया गया है। परिणाम दिखाते हैं कि SMC दुर्लभ-घटना शासन (rare-event regimes) में नेटिव MC की तुलना में काफी बेहतर प्रदर्शन करता है (संभावनाओं को $10^{-8}$ तक अनुमानित करना), और सीखा गया डिफ्यूजन सरोगेट भौतिक सिम्युलेटर को प्रभावी ढंग से बदल सकता है जब इसे SMC के साथ जोड़ा जाता है।

4. परिणाम

दक्षता: विलंब सेवा और बैकलॉग से जुड़े एक वायरलेस नेटवर्क उपयोग के मामले में, SMC ने विफलता की संभावनाओं के लिए लगभग $10^{-8}$ का रेजोल्यूशन स्केल प्राप्त किया, जबकि नेटिव MC समान कम्प्यूटेशनल बजट के तहत $2.4 \times 10^{-4}$ से अधिक की संभावनाओं तक सीमित था।
नीति चयन: ढांचे ने तनाव स्तरों के आधार पर इष्टतम रिकवरी पॉलिसियों की सफलतापूर्वक पहचान की। कम तनाव के तहत, कम लागत वाली पॉलिसियों को प्राथमिकता दी गई; उच्च तनाव के तहत, गैर-रिकवरी को रोकने के लिए अधिक आक्रामक (उच्च-लागत) रिकवरी पॉलिसियों को चुना गया।
सरोगेट सटीकता: एक DDPM-आधारित सरोगेट, जिसे क्रिटिकैलिटी-अवेयर डेटा रिप्रेजेंटेशन के साथ प्रशिक्षित किया गया था, ने विलंब सांख्यिकी के टेम्पोरल इवोल्यूशन और थ्रेशोल्ड-एक्सीडेंस ड्यूरेशन के वितरण को सटीक रूप से पुनरुत्पादित किया। जब इसे SMC के साथ जोड़ा गया, तो सरोगेट-आधारित एस्टीमेटर भौतिक मॉडल के बेसलाइन्स के करीब रहा, जो दुर्लभ-घटना लचीलापन मूल्यांकन के लिए सीखे गए मॉडलों के उपयोग की व्यवहार्यता को सिद्ध करता है।

5. महत्व और दावे

शोध पत्र का दावा है कि इसकी प्राथमिक महत्ता शास्त्रीय दुर्लभ-घटना सिमुलेशन पद्धतियों और लचीलेपन-जागरूक सिस्टम डिज़ाइन की गतिशील आवश्यकताओं के बीच के अंतर को पाटने में निहित है।

यह तर्क देता है कि लचीलापन स्वाभाविक रूप से एक प्रक्षेपवक्र-स्तरीय गुण है जिसमें चरणबद्ध क्षरण और रिकवरी शामिल है, जिसे मानक MC कुशलतापूर्वक कैप्चर नहीं कर सकता है।
यह प्रतिपादित करता है कि जबकि genAI शक्तिशाली है, प्रभावी होने के लिए इसे SMC जैसे संरचित सैंपलिंग तंत्र के साथ जोड़ा जाना चाहिए, क्योंकि gen-AI अकेले उन विशिष्ट सशर्त निरंतरताओं को उत्पन्न करने में विफल रहता है जो निकट-महत्वपूर्ण अवस्थाओं से आवश्यक हैं।
प्रस्तावित ढांचा दुर्लभ गैर-रिकवरी संभावनाओं के कुशल अनुमान और पथ-निर्भर घटनाओं के प्रभुत्व वाले क्षेत्रों में सिमुलेशन-आधारित नियंत्रण के लिए एक सिद्धांतयुक्त तंत्र प्रदान करता है, जो औसत ऑपरेटिंग स्थितियों के लिए डिज़ाइन किए गए विश्लेषणात्मक अनुकूलन और लर्निंग-आधारित दृष्टिकोणों द्वारा प्रतिस्थापित होने के बजाय उनके पूरक के रूप में कार्य करता है।