Bu tədqiqatın mərkəzində çox əsas, lakin dərin bir sual var: Bir ehtimal paylanmasını başqa ehtimal paylanmasına ən təbii, ən ehtimal olunan və ya ən nizamlı şəkildə necə daşıya bilərik? Bu sual ilk baxışda mücərrəd görünür; lakin müasir süni intellekt, Bayes statistikası, diffuziya modelləri, optimal daşıma, stoxastik idarəetmə və məlumat generasiyası kimi bir çox sahənin mərkəzində dayanır.

Gündəlik bir bənzətmə ilə başlayaq. Əlimizdə bulud kimi səpələnmiş hissəciklər olduğunu düşünək. Başlanğıcda bu hissəciklərin müəyyən paylanması var. Bir müddət sonra onların başqa paylanmada müşahidə edildiyini fərz edək. Aradakı yol birbaşa məlum deyilsə, belə bir sual yaranır: Bu hissəcik buludu məlum təsadüfi hərəkət qanunlarına mümkün qədər sadiq qalaraq başlanğıc paylanmasından son paylanmaya ən ehtimal olunan şəkildə necə keçmiş ola bilər?

Schrödinger körpüsü problemi məhz belə bir sualdan yaranır. Erwin Schrödinger Brown hərəkəti edən müstəqil hissəciklərin başlanğıc və son paylanmaları verildikdə bu iki müşahidəni ən ehtimal olunan hansı stoxastik proseslə birləşdirə biləcəyimizi soruşmuşdu. Yalnız başlanğıc paylanması məlum olsaydı, hissəciklərin Brown hərəkəti ilə yayılması gözlənərdi. Lakin son paylanma da sabitləndikdə, təsadüfi hərəkətin bütün mümkün yolları içində son müşahidəyə ən uyğun, eyni zamanda referens Brown hərəkətindən ən az yayınan yol axtarılır.

Tədqiqatda Schrödinger körpüsü problemi dinamik yol ölçüsü formasında belə yazılır:

\[ P^\star = \arg\min_{P \in \mathcal{P}(\Omega)} \left\{ KL(P \Vert W_\varepsilon) : P_0 = \rho_0, P_1 = \rho_1 \right\} \]

Bu düsturda P^★, axtarılan optimal yol ölçüsüdür. Ω, bütün mümkün davamlı yollar fəzasıdır. W_ε, referens diffuziyanın, adətən Brown hərəkətinin yol qanunudur. KL(P||W_ε), P yol ölçüsünün referens prosesdən nisbi entropiya mənasında nə qədər yayındığını ölçür. P₀ = ρ₀ başlanğıc paylanmasının, P₁ = ρ₁ isə terminal paylanmanın sabitləndiyini ifadə edir.

Bu düsturun mənası budur: başlanğıc və son paylanma şərtlərini ödəyən bütün mümkün stoxastik proseslər arasından Brown hərəkətinə informasiya-nəzəri məsafəsi ən az olan prosesi seç. Başqa sözlə, sistem iki paylanmanı birləşdirərkən referens təsadüfi dinamikanı lazımsız yerə pozmur.

Referens proses tədqiqatda aşağıdakı diffuziya ilə müəyyən edilir:

\[ dX_t = b_0(t,X_t)dt + \sqrt{\varepsilon}dW_t,\quad X_0 \sim m_0 \]

Burada X_t, t zamanındakı vəziyyət dəyişənidir. b₀(t,X_t), referens prosesin drift terminidir. Tədqiqatda əksər hallarda Brown hərəkəti üçün b₀ ≡ 0 götürülür. √ε, təsadüfiliyin böyüklüyünü müəyyən edən diffuziya əmsalıdır. W_t, Brown hərəkətidir. m₀, başlanğıc qanunudur.

Buradakı ε parametri çox vacibdir. O həm referens diffuziyanın səs-küy səviyyəsini, həm də entropik optimal daşıma problemindəki nizamlayıcı ağırlığı təmsil edir. ε böyük olduqda daşıma daha yayılmış, daha stoxastik və daha yumşaq olur. ε kiçildikdə proses deterministik optimal daşıma davranışına yaxınlaşır. Tədqiqatın GBC ilə qurduğu əlaqədə də ε generativ xəritənin nə qədər yumşaq və ya nə qədər kəskin olacağını müəyyən edən əsas idarəetmə parametridir.

Schrödinger körpüsü problemi dinamik yol problemi kimi görünsə də, tədqiqat bunun statik son-nöqtə uyğunlaşdırma probleminə endirilə biləcəyini xatırladır. Yol ölçüsü son nöqtə uyğunlaşmasına və son nöqtələr arasındakı referens körpünün şərti qanununa ayrılır. Beləliklə problem başlanğıc və son paylanmalar arasında coupling, yəni uyğunlaşma tapmaq məsələsinə çevrilir:

\[ \pi^\star = \arg\min_{\pi \in \Pi(\rho_0,\rho_1)} KL(\pi \Vert R_{01}) \]

Burada π^★, başlanğıc və son nöqtələri birlikdə paylayan optimal couplingdir. Π(ρ₀,ρ₁), marjinalları ρ₀ və ρ₁ olan bütün couplinglərin çoxluğudur. R₀₁, referens diffuziya altında başlanğıc və son nöqtələrin birgə qanunudur.

Bu çevrilmə vacibdir. Çünki dinamik yoldakı bütün mürəkkəblik son nöqtələrin necə uyğunlaşdırılacağı problemində cəmlənir. Optimal coupling məlum olduqda aradakı yollar referens Brown körpüləri ilə nümunələnə bilər. Tədqiqatda bu əlaqə belə ifadə edilir:

\[ P^\star(\cdot) = \pi^\star(dx_0,dx_1) W_\varepsilon(\cdot \mid X_0=x_0, X_1=x_1) \]

Bu düsturda W_ε(·|X₀=x₀,X₁=x₁), başlanğıc nöqtəsi x₀ və son nöqtəsi x₁ sabitlənmiş referens Brown körpüsüdür. Yəni əvvəlcə optimal coupling ilə son nöqtələr seçilir; sonra bu iki nöqtə arasında Brown körpüsü nümunələnir. Bu quruluş tədqiqatın ədədi sxeminin əsasını təşkil edir.

Brown hərəkəti referensi altında statik Schrödinger problemi entropik optimal daşıma probleminə çevrilir:

\[ \pi^\star = \arg\min_{\pi \in \Pi(\rho_0,\rho_1)} \int \frac{\|x-y\|^2}{2}d\pi(x,y) - \varepsilon H(\pi) + const \]

Burada ilk termin x nöqtəsindəki kütləni y nöqtəsinə daşımağın kvadratik xərcidir. H(π), couplingin entropiyasıdır. εH(π) termini daşımanın həddən artıq sərt və deterministik olmasının qarşısını alaraq daha yumşaq, nizamlanmış həll yaradır. Buna görə problem həm optimal daşıma, həm də ehtimallı diffuziya kimi oxuna bilər.

Tədqiqatda Schrödinger factorization aşağıdakı formada verilir:

\[ \pi^\star(dx,dy) = \phi(x)\psi(y)R_{01}(dx,dy) \]

Bu düsturda φ(x) və ψ(y), başlanğıc və terminal uclardakı potensiallardır. Bu potensiallar optimal couplingin referens couplingi necə yenidən çəkiləndirdiyini göstərir. Bu iki potensial Schrödinger sistemini təmin edir:

\[ \phi(x)\int p_1^\varepsilon(y|x)\psi(y)dy = \rho_0(x) \]

\[ \psi(y)\int p_1^\varepsilon(y|x)\phi(x)dx = \rho_1(y) \]

Burada p₁^ε(y|x), referens Brown diffuziyasının keçid sıxlığıdır. Bu sistemin diskret şəbəkə üzərində həlli Sinkhorn və ya IPF adlanan iterativ proporsional uyğunlaşdırma alqoritmi ilə aparılır. Klassik formada kernel matrisi:

\[ K_{ij} = \exp\left(-\frac{\|x_i-y_j\|^2}{2\varepsilon}\right) \]

şəklində yazılır. Başlanğıc və hədəf diskret çəkiləri a və b olduqda Sinkhorn iterasiyası aşağıdakı sabit nöqtə fikrinə əsaslanır:

\[ u \odot (Kv) = a,\quad v \odot (K^\top u)=b \]

Bu ifadə sətir və sütun miqyaslamaları ilə coupling matrisinin hər iki marjinalı saxlayacaq şəkildə tənzimlənməsini təsvir edir. Tədqiqatın mühüm tərəfi bu klassik həlli sıxlıq və ya PDE həll etmək məcburiyyətindən çıxarıb simulyasiya və reqressiya məntiqi ilə birləşdirməsidir.

Schrödinger körpüsünün stoxastik idarəetmə forması da tədqiqatın əsas əlaqələrindən biridir. Dinamik problem aşağıdakı idarəetmə problemi kimi yazılır:

\[ P^\star \leftrightarrow \min_u \frac{1}{2\varepsilon}E\int_0^1 \|u(t,X_t)\|^2dt \quad \text{s.t. } X_1 \sim \rho_1 \]

Burada u(t,X_t), idarə olunan diffuziyanın drift sahəsidir. Bu düstur sistemi başlanğıc paylanmasından hədəf paylanmasına daşımaq üçün lazım olan idarəetmə enerjisini minimuma endirməyi təsvir edir. 1/(2ε) əmsalı səs-küy səviyyəsi ilə idarəetmə xərci arasındakı əlaqəni qurur.

Bu mərhələdə tədqiqatın ən kritik düsturlarından biri gəlir. Optimal drift sahəsi sıxlıq və ya score funksiyası hesablamadan şərti gözlənti kimi yazıla bilər:

\[ u^\star(t,x) = E_{\pi^\star}\left[\frac{X_1-X_t}{1-t}\mid X_t=x\right],\quad 0 \leq t < 1 \]

Bu düsturda u^★(t,x), t zamanında x vəziyyətindəki optimal driftdir. (X₁-X_t)/(1-t), cari nöqtədən terminal nöqtəyə doğru gedən körpü sürətidir. Şərti gözlənti eyni t və x nöqtəsində mümkün terminal hədəflərin orta istiqamətləndirici təsirini verir.

Bu düsturun praktiki mənası çox böyükdür. Əgər simulyasiya olunmuş trayektoriyalarınız varsa, hər trayektoriyada t zamanındakı X_t vəziyyəti və terminal hədəf X₁ məlumdur. O zaman hədəf sürət hesablana bilər. Sonra reqressiya modeli bu hədəf sürəti t və X_t girişlərindən proqnozlaşdırmağı öyrənir. Beləliklə optimal drift sahəsi sıxlıq qiymətləndirilməsi, score öyrənməsi və ya PDE həlli olmadan öyrənilə bilər.

Tədqiqatın GBC ilə əlaqəsi məhz burada qurulur. Generative Bayesian Computation Bayes posterior nümunələməsini daşıma xəritəsi öyrənmə problemi kimi nəzərdən keçirir. Klassik Bayes çıxarımında posterior paylanma:

\[ p(\theta|y) \propto p(y|\theta)p(\theta) \]

şəklindədir. Bir çox real problemdə bu paylanmadan birbaşa nümunə götürmək çətindir. GBC yanaşması sadə təsadüfi dəyişəni posterior nümunəsinə çevirən xəritə öyrənir:

\[ \theta = H(\tau,y),\quad \tau \sim U(0,1)^k \]

Burada τ, uniform və ya Gaussian kimi sadə baza təsadüfi dəyişənidir. H, müşahidə olunan y məlumatına şərtlənmiş şəkildə τ-nu posterior nümunəsinə çevirən öyrənilmiş xəritədir. Xəritə elə öyrənilir ki, H(·,y) baza ölçünü p(θ|y) posterioruna daşısın.

GBC-nin fərqləndirici cəhəti posterior sıxlığını birbaşa hesablamaq məcburiyyətinin olmamasıdır. Əvəzində modeldən simulyasiya aparılır:

\[ \theta^{(i)} \sim p(\theta),\quad y^{(i)} \sim p(y|\theta^{(i)}) \]

Bu simulyasiya cədvəli üzərində dərin kvantil şəbəkəsi və ya generativ şəbəkə θ ilə y arasındakı şərti əlaqəni öyrənir. Müşahidə olunan y^★ gəldikdə yeni τ dəyərləri şəbəkəyə verilir və posterior nümunələri yaradılır. Bu, likelihood-free, yəni likelihood qiymətləndirilməsi tələb etməyən yanaşmadır.

Schrödinger körpüsü tərəfində drift düsturunun şərti gözlənti olması GBC-nin təbii reqressiya məntiqi ilə birləşir. Buna görə tədqiqat “GBC Schrödinger körpüsünü həll edir” deyərkən belə bir məna nəzərdə tutur: IPF/Sinkhorn yarım-körpü addımlarındakı drift simulyasiya olunmuş körpü sürətlərinin şərti gözləntisidir; bu gözlənti də GBC tipli reqressiya ilə öyrənilə bilər.

Tədqiqatda bu fikir GBC–IPF alqoritmi kimi verilir. Alqoritmin əsas addımları belədir: ρ₀ və ρ₁ üçün nümunələyicilər götürülür, zaman şəbəkəsi qurulur, başlanğıc drift Brown hərəkəti üçün sıfır seçilir. Hər iterasiyada əvvəl terminal marjinalını məcbur edən geriyə yarım-körpü, sonra başlanğıc marjinalını məcbur edən irəli yarım-körpü öyrənilir. Hər addımda simulyasiya olunan sürətlər şəbəkə tərəfindən reqressiya ilə proqnozlaşdırılır.

Geriyə yarım-körpüdə hədəf sürət aşağıdakı quruluşdadır:

\[ v = \frac{X_1-X_t}{1-t} \]

İrəli yarım-körpüdə isə zamanın tərsindən başlanğıca doğru hədəf sürət belə yazılır:

\[ v = \frac{X_0-X_t}{t} \]

Bu iki hədəf də sıxlıq hesablamır; yalnız simulyasiya olunmuş trayektoriya üzərindəki nöqtələrə əsaslanır. Buna görə tədqiqat üsulu “simulation-only”, yəni yalnız simulyasiya ilə işləyən Schrödinger körpüsü həlledicisi kimi təqdim edir.

Tədqiqat score-əsaslı diffuziya modelləri ilə mühüm fərq də qoyur. Score-əsaslı üsullar adətən ∇logρ_t kimi sıxlıq score-larını öyrənir. Bu tədqiqatdakı yanaşma isə birbaşa şərti gözlənti olan drifti öyrənir. Bu bəzi hallarda daha praktik ola bilər; çünki hədəf müşahidə edilə bilən simulyasiya sürətlərinin reqressiyasıdır.

Əks istiqamətdə Schrödinger körpüsü GBC-ni həndəsi cəhətdən işıqlandırır. GBC-nin öyrəndiyi daşıma xəritəsi baza ölçüdən hədəf posteriora gedən körpünün zaman-bir axını kimi görülə bilər. Tədqiqatda bu fikir belə ifadə olunur:

\[ (F_{0\to1}^{\varepsilon})_\#\rho_0 = \rho_1 \]

Burada F_0→1^ε, Schrödinger körpüsünün axın xəritəsidir. # simvolu pushforward əməliyyatını ifadə edir; yəni ρ₀ paylanmasındakı nümunələri xəritədən keçirdikdə ρ₁ paylanması əldə olunur. GBC baxımından ρ₀ sadə baza paylanması, ρ₁ isə hədəf posterior ola bilər.

Deterministik sərhəddə, yəni:

\[ \varepsilon \to 0 \]

Schrödinger körpüsü Monge–Brenier optimal daşıma xəritəsinə cəmlənir:

\[ T = \nabla \varphi,\quad T_\#\rho_0 = \rho_1 \]

Bir ölçüdə bu xəritə monoton kvantil xəritəsidir:

\[ T = Q_{\rho_1}\circ F_{\rho_0} \]

Burada F_ρ0, başlanğıc paylanmasının paylanma funksiyası; Q_ρ1, hədəf paylanmanın kvantil funksiyasıdır. Bu, GBC-nin bir ölçüdə birbaşa öyrəndiyi xəritədir. Buna görə tədqiqat GBC-nin deterministik daşıma hədəfinin Schrödinger körpüsünün ε → 0 sərhədi olduğunu müdafiə edir.

Bu əlaqə Bayes çıxarımı baxımından da maraqlıdır. Başlanğıc paylanma prior, terminal potensial isə likelihood ilə əlaqələndirilərsə, posterior paylanma prior-to-posterior Schrödinger körpüsünün terminal marjinalı kimi şərh oluna bilər. Bu, Bayes qaydasını yalnız statik yenidən çəkiləndirmə kimi deyil, prior-dan posteriora gedən entropik və stoxastik yol kimi görməyə imkan verir.

Lakin tədqiqat burada mühüm məhdudiyyət də qoyur. Alqoritm 1 hədəf paylanma ρ₁-dən nümunələyici tələb edir. Generative modeling nümunələrində bu problem deyil; çünki hədəf paylanma açıq şəkildə məlumdur. Lakin Bayes posterioru üçün ρ₁-dən nümunə götürmək artıq həll edilmək istənən problemdir. Buna görə prior-to-posterior körpü əlaqəsi alqoritmik deyil, daha çox həndəsi və nəzəri şərhdir. Praktikada GBC posteriora birbaşa nümunələyici fərziyyə etmədən, birgə model simulyasiyası üzərindən amortized inversiya aparır.

Tədqiqatın ədədi doğrulama bölməsi üç nümunədən ibarətdir. İlk nümunə Gaussian-dan Gaussian-a Schrödinger körpüsüdür. Başlanğıc paylanma:

\[ \rho_0 = N(0,0.7^2) \]

hədəf paylanma isə:

\[ \rho_1 = N(3,1.1^2) \]

kimi seçilir. Diffuziya əmsalı ε = 0.5 olduqda simulyasiya olunan körpü trayektoriyaları dar Gaussian-dan başlayır, arada referens səs-küy altında yayılır və sonda daha geniş terminal Gaussian-a yenidən sıxlaşır. Şəkil 1-in sol paneli bu trayektoriyaları və orta trayektoriyanı göstərir; sağ panel isə t = 0, t = 0.5 və t = 1 marjinallarının analitik Gauss–Markov marjinalları ilə uyğun olduğunu göstərir.

Gaussian xüsusi halda qapalı formalı coupling mövcuddur. Tədqiqatda skalyar Gaussian bridge üçün çarpaz kovariasiya belə verilir:

\[ c = \frac{1}{2}\left(\sqrt{4\sigma_0^2\sigma_1^2+\varepsilon^2}-\varepsilon\right) \]

Optimal coupling kovariasiya matrisi isə:

\[ \Sigma^\star = \begin{pmatrix} \sigma_0^2 & c \\ c & \sigma_1^2 \end{pmatrix} \]

Burada σ₀ və σ₁, başlanğıc və hədəf Gaussian paylanmalarının standart sapmalarıdır. c, başlanğıc və son nöqtələr arasındakı çarpaz kovariasiyadır. ε kiçildikcə c deterministik optimal daşımanın comonotone coupling dəyərinə yaxınlaşır. ε böyüdükcə c sıfıra yaxınlaşır; bu da başlanğıc və son nöqtələrin daha müstəqil olması deməkdir.

Tədqiqatın doğrulama cədvəlində Sinkhorn/IPF ilə öyrənilən çarpaz kovariasiya dəyərləri qapalı formalı həll ilə müqayisə edilir. ε = 0.50 üçün dəyər 0.5596, ε = 0.20 üçün 0.6765, ε = 0.05 üçün 0.7454 kimi bildirilir. Hər üç halda mütləq xəta 10^-4-dən kiçikdir. Bu, bir ölçülü Gaussian testində ədədi üsulun analitik həlli çox yüksək dəqiqliklə tutduğunu göstərir.

Şəkil 2-nin sol paneli Sinkhorn/IPF marjinal pozuntusunun iterasiya sayı ilə həndəsi şəkildə azaldığını göstərir. Lakin ε kiçildikcə yaxınlaşma yavaşlayır. Səbəb kernelin daha kəskin olması və entropik daşıma probleminin ədədi baxımdan daha sərt hala gəlməsidir. Sağ paneldə öyrənilən coupling çarpaz kovariasiya nöqtələri qapalı formalı əyri ilə demək olar üst-üstə düşür.

İkinci nümunə Gaussian-dan iki zirvəli qarışıq paylanmaya keçiddir:

\[ \rho_0 = N(0,1) \]

\[ \rho_1 = \frac{1}{2}N(-3,0.55^2)+\frac{1}{2}N(3,0.55^2) \]

Bu nümunə generativ modelləşdirmə baxımından daha maraqlıdır. Çünki sadə və tək zirvəli səs-küy paylanması iki ayrı moda malik strukturlu hədəf paylanmaya daşınır. Diffuziya əmsalı ε = 0.15 seçildikdə körpü trayektoriyaları başlanğıcdakı tək Gaussian buludundan çıxır və zaman daxilində iki ayrı terminal moda ayrılır. Şəkil 3 bunu aydın göstərir: sol paneldə trayektoriyalar iki qola bölünür; sağ paneldə t = 0 və t = 1 endpoint marjinalları simulyasiya histogramları və analitik sıxlıq əyriləri ilə göstərilir.

Bu nümunədə mühüm məqam hədəf paylanmanın multimodal olmasıdır. Multimodal paylanmalar generativ modellərdə çətindir; çünki model kütləni tək orta sahəyə yığmadan iki və ya daha çox moda bölməlidir. Schrödinger körpüsü bunu entropik və stoxastik daşıma kimi edir. Tədqiqatda ε = 0.15 yolları kifayət qədər yumşaq saxlayaraq mod ayrımını qoruyan tarazlıq kimi təqdim olunur.

Üçüncü nümunə multimodal hədəf üçün drift sahəsinin simulyasiya ilə öyrənilməsidir. Tədqiqatda hədəf sürət:

\[ \frac{X_1-X_t}{1-t} \]

simulyasiya olunmuş trayektoriyalardan hesablanır və X_t üzərinə reqressiya aparılır. Bu nümunədə 5-ci dərəcəli polinom bazisi və ridge nizamlaması istifadə olunur. Daha mürəkkəb və ya yüksək ölçülü hədəflərdə bunun əvəzinə dərin kvantil şəbəkəsindən istifadə edilə biləcəyi bildirilir.

Şəkil 4-də öyrənilmiş drift sahəsi göstərilir. Bu qrafik tədqiqatın ən izahlı vizuallarından biridir. Drift x = 0 ətrafında ayırıcı xətt kimi davranır. Mənşənin yuxarısındakı sahələrdə drift müsbət istiqamətdə, yəni yuxarı terminal moda yönəldir. Mənşənin aşağısındakı sahələrdə drift mənfi istiqamətdə, yəni aşağı terminal moda itələyir. x = 0 ətrafı isə iki hövzəni ayıran qeyri-sabit silsilə və ya saddle xətti kimi davranır.

Bu budaqlanan drift sahəsi generativ modelin əslində nə öyrənməli olduğunu göstərir. Sadə başlanğıc səs-küyünü iki zirvəli hədəfə çevirmək üçün model kütləni təsadüfi deyil, vəziyyətdən asılı şəkildə iki qola bölməlidir. Bu tədqiqat həmin istiqamətləndirici sahənin yalnız simulyasiya olunmuş trayektoriyalar və reqressiya ilə əldə edilə bildiyini göstərir.

Tədqiqatın elmi əhəmiyyəti bir neçə səviyyədə qiymətləndirilə bilər. Birincisi, Schrödinger körpüsü ilə GBC arasında konseptual birlik qurur. Bir tərəfdə entropik optimal daşıma və stoxastik idarəetmə, digər tərəfdə Bayes simulyasiya-əsaslı daşıma var. Tədqiqat bu iki sahənin eyni şərti gözlənti və transport ideyası ətrafında birləşə biləcəyini göstərir.

İkincisi, sıxlıq və ya PDE həll etmədən Schrödinger körpüsünü öyrənmək fikrini vurğulayır. Bu, müasir generativ modellər üçün vacibdir. Çünki real məlumat paylanmalarında sıxlıqlar çox vaxt məlum olmur; yalnız nümunələr və ya simulyasiyalar olur. Əgər körpü drifti şərti gözlənti kimi öyrənilə bilirsə, yüksək ölçülü və implicit modellər üçün daha çevik üsullar hazırlana bilər.

Üçüncüsü, Bayes çıxarımına yeni həndəsi baxış verir. Posterior yalnız prior ilə likelihoodun hasilindən ibarət deyil, prior-dan posteriora gedən entropik daşıma yolunun terminal paylanması kimi də görülə bilər. Bu, xüsusilə annealed sampling, diffuziya-əsaslı posterior nümunələmə və amortized çıxarım sahələrində faydalı ola bilər.

Gündəlik həyatla əlaqələndirildikdə bu tədqiqat birbaşa tətbiq cihazı və ya proqram aləti təqdim etmir; lakin süni intellekt sistemlərinin məlumat generasiya etmə və qeyri-müəyyənlik altında çıxarım aparma üsullarını daha möhkəm riyazi əsaslara bağlayır. Bu gün istifadə olunan bir çox generativ model sadə səs-küydən mürəkkəb məlumat yaradır. Tədqiqat bu çevrilmənin entropik optimal daşıma və Schrödinger körpüsü dili ilə necə anlaşıla biləcəyini göstərir.

Tədqiqatın tarixi baxımdan əhəmiyyəti Schrödingerin 1930-cu illərdə irəli sürdüyü hissəcik buludu problemini müasir diffuziya modelləri və Bayes generativ hesablaması ilə birləşdirməsidir. Bu gün üçün əhəmiyyəti score-based diffusion, flow matching, Sinkhorn və GBC kimi fərqli görünən üsulları eyni riyazi daşıma ailəsində oxumağa imkan verməsidir. Gələcək üçün əhəmiyyəti isə yüksək ölçülü posterior nümunələmə və multimodal generativ modelləşdirmə üçün simulation-only alqoritmlərin inkişafına yol aça bilməsidir.

Tədqiqatın güclü tərəflərinə aydın riyazi uyğunlaşdırma, qapalı formalı Gaussian nümunəsi ilə doğrulama, multimodal hədəfdə budaqlanan drift sahəsinin göstərilməsi və üsulun sıxlıq/PDE tələb etməyən simulyasiya-reqressiya quruluşunun dəqiq təsviri daxildir. Bundan əlavə tədqiqat ε parametrinin sadəcə texniki nizamlayıcı deyil, deterministik daşıma ilə stoxastik körpü arasında mənalı keçid idarəedicisi olduğunu aydın göstərir.

Məhdudiyyətlər də aydındır. Ədədi nümunələr yalnız bir ölçülüdür. İstifadə olunan diskret Sinkhorn şəbəkəsi və polinom drift bazisi yüksək ölçülərə miqyaslanmır. Müəlliflər bunu açıq qeyd edir və yüksək ölçülər üçün log-domain Sinkhorn stabilləşdirilməsi ilə dərin şəbəkələrin lazım olduğunu bildirirlər. Bundan əlavə Bayes posterioru üçün birbaşa hədəf paylanmadan nümunə götürmə fərziyyəsi alqoritmik baxımdan dövrəvi ola bilər; tədqiqat bu nöqtəni nəzəri şərh ilə praktiki GBC təlimi arasında ayırır.

Tədqiqatın demədiyi məqamlar da aydın ayrılmalıdır. Tədqiqat bütün yüksək ölçülü Bayes problemlərini həll etməyib. Dərin şəbəkələrlə miqyaslanmış tam tətbiq təqdim etmir. Real məlumat üzərində geniş benchmark vermir. Gaussian və bimodal bir ölçülü nümunələr üsulun məntiqini göstərmək üçündür; ümumi uğur zəmanəti kimi oxunmamalıdır. Tədqiqatın əsas töhfəsi Schrödinger körpüləri ilə generativ Bayes hesablaması arasındakı riyazi əlaqəni aydınlaşdırmaq və bu əlaqənin simulyasiya-əsaslı alqoritmə necə çevrilə biləcəyini göstərməkdir.

Tədqiqatın Metodu və Nəticələri

Tədqiqatın metodu Schrödinger körpüsü problemini üç səviyyədə formalaşdırır: dinamik yol ölçüsü problemi, statik coupling problemi və stoxastik idarəetmə problemi. Sonra bu quruluşu GBC-nin simulyasiya əsaslı daşıma xəritəsi öyrənmə yanaşması ilə birləşdirir.

1. Dinamik Schrödinger körpüsü problemi

Referens diffuziya:

\[ dX_t = b_0(t,X_t)dt+\sqrt{\varepsilon}dW_t,\quad X_0\sim m_0 \]

Dinamik problem:

\[ P^\star = \arg\min_{P \in \mathcal{P}(\Omega)} \left\{ KL(P \Vert W_\varepsilon) : P_0=\rho_0,\; P_1=\rho_1 \right\} \]

Bu problem başlanğıc və terminal marjinalları sabit qalarkən referens Brown hərəkətinə ən yaxın yol ölçüsünü tapır.

2. Statik coupling problemi

Dinamik problem son nöqtələr arasındakı optimal coupling probleminə endirilir:

\[ \pi^\star = \arg\min_{\pi \in \Pi(\rho_0,\rho_1)} KL(\pi \Vert R_{01}) \]

Optimal dinamik körpü belə yenidən qurulur:

\[ P^\star(\cdot) = \pi^\star(dx_0,dx_1)W_\varepsilon(\cdot|X_0=x_0,X_1=x_1) \]

3. Entropik optimal daşıma forması

Brown referensi altında problem bu formaya gəlir:

\[ \pi^\star = \arg\min_{\pi \in \Pi(\rho_0,\rho_1)} \int \frac{\|x-y\|^2}{2}d\pi(x,y)-\varepsilon H(\pi)+const \]

Burada ε daşıma planının nə qədər yayılmış və entropik olacağını idarə edir. ε → 0 olduqda həll deterministik optimal daşımaya yaxınlaşır; ε böyüdükcə coupling daha yayılmış hala gəlir.

4. Schrödinger sistemi və Sinkhorn/IPF

Schrödinger faktorizasiyası:

\[ \pi^\star(dx,dy)=\phi(x)\psi(y)R_{01}(dx,dy) \]

Potensiallar sistemi:

\[ \phi(x)\int p_1^\varepsilon(y|x)\psi(y)dy=\rho_0(x) \]

\[ \psi(y)\int p_1^\varepsilon(y|x)\phi(x)dx=\rho_1(y) \]

Diskret şəbəkədə kernel:

\[ K_{ij}=\exp\left(-\frac{\|x_i-y_j\|^2}{2\varepsilon}\right) \]

Sinkhorn/IPF sabit nöqtəsi:

\[ u\odot(Kv)=a,\quad v\odot(K^\top u)=b \]

Bu quruluş tədqiqatın statik coupling doğrulamalarında istifadə olunur.

5. Stoxastik idarəetmə və drift düsturu

İdarəetmə problemi:

\[ \min_u \frac{1}{2\varepsilon}E\int_0^1\|u(t,X_t)\|^2dt\quad \text{s.t. } X_1\sim \rho_1 \]

Optimal driftin şərti gözlənti təsviri:

\[ u^\star(t,x)=E_{\pi^\star}\left[\frac{X_1-X_t}{1-t}\mid X_t=x\right] \]

6. GBC-nin daşıma xəritəsi

GBC posterior nümunələməni bu xəritə ilə yazır:

\[ \theta = H(\tau,y),\quad \tau\sim U(0,1)^k \]

Simulyasiya cədvəli:

\[ \theta^{(i)}\sim p(\theta),\quad y^{(i)}\sim p(y|\theta^{(i)}) \]

Bu quruluş posterior sıxlığını qiymətləndirmədən, simulyasiya ilə şərti daşıma xəritəsi öyrənməyə imkan verir.

7. GBC–IPF alqoritminin mahiyyəti

8. GBC xəritəsinin Schrödinger körpüsü şərhi

Körpü axın xəritəsi:

\[ (F_{0\to1}^{\varepsilon})_\#\rho_0=\rho_1 \]

Deterministik sərhəd:

\[ \varepsilon\to0 \]

Monge–Brenier xəritəsi:

\[ T=\nabla\varphi,\quad T_\#\rho_0=\rho_1 \]

Bir ölçüdə kvantil xəritəsi:

\[ T=Q_{\rho_1}\circ F_{\rho_0} \]

Bu nəticə GBC-nin öyrəndiyi deterministik daşıma xəritəsinin Schrödinger körpüsünün sıfır-səs-küy sərhədi olduğunu göstərir.

9. Gaussian bridge doğrulaması

İstifadə olunan paylanmalar:

\[ \rho_0=N(0,0.7^2),\quad \rho_1=N(3,1.1^2) \]

Qapalı formalı çarpaz kovariasiya:

\[ c=\frac{1}{2}\left(\sqrt{4\sigma_0^2\sigma_1^2+\varepsilon^2}-\varepsilon\right) \]

Bu doğrulama bir ölçülü Gaussian halda üsulun analitik coupling-i çox yüksək dəqiqliklə tuta bildiyini göstərir.

10. Multimodal hədəf nümunəsi

Başlanğıc paylanma:

\[ \rho_0=N(0,1) \]

Hədəf paylanma:

\[ \rho_1=\frac{1}{2}N(-3,0.55^2)+\frac{1}{2}N(3,0.55^2) \]

Diffuziya parametri:

\[ \varepsilon=0.15 \]

11. Drift sahəsinin simulyasiya ilə öyrənilməsi

Reqressiya hədəfi:

\[ \frac{X_1-X_t}{1-t} \]

12. Şəkillərin elmi mənası

• Gaussian bridge şəkli: ρ₀ = N(0,0.7²) paylanmasından ρ₁ = N(3,1.1²) paylanmasına gedən nümunə trayektoriyalarını və t = 0, 0.5, 1 marjinallarını göstərir. Körpü başlanğıcdan hədəfə doğru yumşaq Gauss–Markov təkamülü yaradır.
• Sinkhorn/IPF yaxınlaşma şəkli: Marjinal pozuntunun iterasiyalarla həndəsi şəkildə azaldığını, lakin ε kiçildikcə yaxınlaşmanın yavaşladığını göstərir. Eyni şəkil öyrənilmiş çarpaz kovariasiyanın qapalı formalı həllə uyğunluğunu vizuallaşdırır.
• Multimodal körpü şəkli: Tək zirvəli Gaussian başlanğıc paylanmanın iki zirvəli qarışıq hədəfə ayrıldığını göstərir. Bu, generativ modelləşdirmədə sadə səs-küydən strukturlu məlumat yaratma problemini təmsil edir.
• Drift sahəsi şəkli: Öyrənilmiş driftin x = 0 ətrafında budaqlandığını, yuxarıda müsbət moda, aşağıda mənfi moda yön verdiyini göstərir. Bu sahə multimodal hədəfə gedən generativ sampler-in öyrənməli olduğu əsas istiqamətləndirmədir.

13. Tədqiqatın əsas nəticələri

• Schrödinger körpüsü drifti şərti gözlənti kimi yazıla bilər.
• Bu şərti gözlənti simulyasiya olunmuş trayektoriyalar üzərindən reqressiya ilə öyrənilə bilər.
• GBC-nin simulyasiya əsaslı daşıma xəritəsi öyrənmə yanaşması Schrödinger körpüsünü həll etmək üçün təbii alətdir.
• GBC-nin deterministik kvantil/daşıma xəritəsi Schrödinger körpüsünün ε → 0 sərhədi kimi şərh oluna bilər.
• Gaussian bridge nümunəsində Sinkhorn/IPF nəticələri qapalı formalı çarpaz kovariasiya ilə dörd mənalı rəqəm səviyyəsində uyğundur.
• Gaussian-to-bimodal nümunədə üsul kütlənin iki moda ayrıldığı budaqlanan drift sahəsini simulyasiya ilə öyrənə bilər.

14. Güclü tərəflər və məhdudiyyətlər

Mənbə və Metod Qeydi

Bu məqalə Nicholas G. Polson və Vadim Sokolov tərəfindən hazırlanmış “Generative Bayesian Computation for Schrödinger Bridges” adlı tədqiqata əsaslanaraq hazırlanıb. Tədqiqatda Polson-un University of Chicago Booth School of Business, Sokolov-un isə George Mason University Department of Systems Engineering and Operations Research ilə əlaqəsi göstərilib. Mətndə “First draft: May 2026” və “This version: June 1, 2026” məlumatı var.

Mənbə növü mətnin quruluşu və tarix məlumatı nəzərə alınaraq akademik tədqiqat qeydi / preprint xarakterli nəzəri və ədədi iş kimi qiymətləndirilməlidir. Mətndə resenziyalı jurnal qəbulu, DOI, konfrans qəbulu və ya açıq resenziya məlumatı təsdiqlənmədiyi üçün bu tədqiqat üçün resenziyası mətn üzərindən təsdiqlənə bilməyən iş ifadəsi istifadə edilməlidir.

Bu məzmun hazırlanarkən tədqiqatda verilən Schrödinger körpüsü formulyasiyaları, entropik optimal daşıma əlaqəsi, Schrödinger sistemi, Sinkhorn/IPF iterasiyası, stoxastik idarəetmə şərhi, şərti gözlənti drift düsturu, GBC daşıma xəritəsi, GBC–IPF alqoritmi, Gaussian bridge qapalı formalı doğrulaması, multimodal hədəf nümunəsi, drift sahəsi vizualı və müzakirə bölməsindəki məhdudiyyətlər əsas götürülüb. Mətndə olmayan yüksək ölçülü tətbiq uğuru, real məlumat benchmark nəticəsi, tamamlanmış dərin şəbəkə tətbiqi, bütün posterior nümunələmə problemlərini həll etmə iddiası və ya resenziyalı nəşr qəbulu kimi ifadələr əlavə edilməyib.

Tədqiqat Schrödinger körpüləri ilə generativ Bayes hesablaması arasında güclü nəzəri əlaqə təklif edir; lakin ədədi nümayişlər bir ölçülü nümunələrlə məhduddur. Buna görə nəticələr üsulun yüksək ölçülü generativ modelləşdirmə və ya mürəkkəb Bayes posteriorlarında birbaşa uğur zəmanəti verdiyi kimi deyil, bu sahələr üçün riyazi və alqoritmik əsas yaratdığı kimi oxunmalıdır.