Дар маркази ин таҳқиқот як саволи хеле бунёдӣ, вале амиқ қарор дорад: як эҳтимолият тақсимот-ро ба эҳтимолият тақсимот-и дигар чӣ гуна метавон ба табиӣ, эҳтимолӣ ё мунтазамтарин тарз интиқол дод? Дар назари аввал ин савол абстрактӣ менамояд; аммо он дар маркази соҳаҳои зиёде, аз ҷумла modern AI, Bayesian statistics, diffusion моделҳо, optimal transport, stochastic назорат ва додаҳо generation қарор дорад.

Бо як ташбеҳи рӯзмарра оғоз кунем. Тасаввур кунед, ки маҷмӯи particles мисли абр паҳн шудаанд. Дар оғоз ин particles тақсимот-и муайян доранд. Пас аз муддате онҳо дар тақсимот-и дигар мушоҳида мешаванд. Агар роҳи байни ин ду ҳолат маълум набошад, савол чунин мешавад: ин абри particles бо риояи ҳарчи бештари қонунҳои маълумии тасодуфӣ motion чӣ гуна метавонист аз ибтидоӣ тақсимот ба ниҳоӣ тақсимот бо эҳтимолияти баландтарин гузарад?

Schrödinger bridge масъала маҳз аз чунин савол ба вуҷуд омадааст. Erwin Schrödinger пурсид: агар ибтидоӣ ва terminal тақсимотҳо-и independent particles, ки Brownian motion мекунанд, дода шаванд, кадом stochastic раванд ин ду observation-ро бо эҳтимолияти бештар мепайвандад? Агар танҳо ибтидоӣ тақсимот маълум мебуд, particles бояд бо Brownian motion паҳн мешуданд. Аммо вақте ниҳоӣ тақсимот низ fixed аст, дар байни ҳамаи possible paths роҳи ҷустуҷӯшуда бояд ба terminal observation мувофиқтарин бошад ва ҳамзамон аз марҷаъ Brownian motion камтарин deviation дошта бошад.

Дар таҳқиқот Schrödinger bridge масъала дар dynamic path-measure form чунин навишта шудааст:

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

Дар ин формула P^★ optimal path measure-и ҷустуҷӯшуда мебошад. Ω фазои ҳамаи possible continuous paths аст. W_ε path law-и марҷаъ diffusion, одатан Brownian motion, мебошад. KL(P||W_ε) чен мекунад, ки path measure-и P аз марҷаъ раванд аз нигоҳи relative entropy то чӣ андоза дур шудааст. P₀ = ρ₀ fixed ибтидоӣ тақсимот ва P₁ = ρ₁ fixed terminal тақсимот-ро ифода мекунанд.

Маънои формула чунин аст: дар байни ҳамаи stochastic равандҳо, ки ибтидоӣ ва ниҳоӣ тақсимот constraints-ро қонеъ мекунанд, раванд-еро интихоб кунед, ки аз Brownian motion аз ҷиҳати information-theoretic distance камтарин фарқ мекунад. Ба ибораи дигар, система ҳангоми пайваст кардани ду тақсимот марҷаъ тасодуфӣ dynamics-ро бе зарурат вайрон намекунад.

Reference раванд дар таҳқиқот бо diffusion-и зерин таъриф мешавад:

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

Дар ин ҷо X_t ҳолат тағйирёбанда дар вақт t мебошад. b₀(t,X_t) дрейф term-и марҷаъ раванд мебошад. Барои Brownian motion дар бисёр ҳолатҳо b₀ ≡ 0 гирифта мешавад. √ε diffusion коэффисиент-и муайянкунандаи тасодуфият magnitude мебошад. W_t Brownian motion ва m₀ ибтидоӣ law мебошад.

Parameter-и ε дар ин ҷо хеле муҳим аст. Он ҳам ғавғо сатҳ-и марҷаъ diffusion ва ҳам regularization вазн-ро дар entropic optimal transport масъала нишон медиҳад. Вақте ε калон аст, transport паҳнтар, stochasticтар ва smoothтар мешавад. Вақте ε хурд мешавад, раванд ба deterministic optimal-transport behavior наздик мешавад. Дар connection бо GBC низ ε knob-и асосиест, ки муайян мекунад generative map то чӣ андоза smooth ё sharp бошад.

Schrödinger bridge масъала dynamic path масъала менамояд, аммо таҳқиқот хотиррасон мекунад, ки онро метавон ба static endpoint-matching масъала коҳиш дод. Path measure ба endpoint пайвастшавӣ ва conditional марҷаъ-bridge law байни endpoints ҷудо мешавад. Ҳамин тавр масъала ба ёфтани пайвастшавӣ байни ибтидоӣ ва terminal тақсимотҳо табдил меёбад:

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

Дар ин ҷо π^★ optimal пайвастшавӣ мебошад, ки ибтидоӣ ва ниҳоӣ нуқтаҳо-ро якҷо тақсим мекунад. Π(ρ₀,ρ₁) маҷмӯи ҳамаи couplings бо marginals-и ρ₀ ва ρ₁ мебошад. R₀₁ joint law-и ибтидоӣ ва ниҳоӣ нуқтаҳо дар марҷаъ diffusion мебошад.

Ин transformation муҳим аст, зеро тамоми complexity-и dynamic path ба масъалаи чӣ гуна match кардани endpoints ҷамъ мешавад. Вақте optimal пайвастшавӣ маълум аст, paths байни endpoints метавонанд бо марҷаъ Brownian bridges sampled шаванд. Дар таҳқиқот ин робита чунин ифода шудааст:

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

Дар ин формула W_ε(·|X₀=x₀,X₁=x₁) марҷаъ Brownian bridge бо fixed ибтидоӣ нуқта x₀ ва endpoint x₁ мебошад. Яъне аввал endpoints бо optimal пайвастшавӣ интихоб мешаванд, баъд Brownian bridge байни онҳо sampled мешавад. Ин сохтор foundation-и numerical scheme-и таҳқиқот аст.

Зери Brownian марҷаъ, static Schrödinger масъала ба entropic optimal-transport масъала табдил меёбад:

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

Дар ин ҷо term-и аввал quadratic хароҷот-и интиқоли mass аз x ба y мебошад. H(π) entropy-и пайвастшавӣ аст. Term-и εH(π) ба transport имкон медиҳад, ки аз ҳад deterministic ва сахт набошад ва solution-и smooth ва regularized ҳосил шавад. Аз ҳамин сабаб масъала ҳам ҳамчун optimal transport ва ҳам ҳамчун probabilistic diffusion хонда мешавад.

Schrödinger factorization дар таҳқиқот чунин дода шудааст:

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

Дар ин формула φ(x) ва ψ(y) potentials дар ибтидоӣ ва terminal endpoints мебошанд. Ин potentials нишон медиҳанд, ки optimal пайвастшавӣ марҷаъ пайвастшавӣ-ро чӣ гуна reweight мекунад. Ду potential Schrödinger система-ро қонеъ мекунанд:

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

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

Дар ин ҷо p₁^ε(y|x) гузариш зичӣ-и марҷаъ Brownian diffusion мебошад. Дар discrete grid solution-и система бо iterative proportional fitting, ки Sinkhorn ё IPF ном дорад, иҷро мешавад. Classic ядро matrix чунин навишта мешавад:

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

Агар ибтидоӣ ва ҳадаф discrete вазнҳо a ва b бошанд, Sinkhorn итератсия ба fixed-нуқта idea-и зерин такя мекунад:

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

Ин expression мефаҳмонад, ки бо row ва column scaling пайвастшавӣ matrix чӣ гуна ба ҳолате оварда мешавад, ки ҳар ду marginal-ро қонеъ кунад. Ҷиҳати муҳим он аст, ки таҳқиқот ин classical solution-ро аз зарурати зичӣ ё PDE solution бароварда, бо simulation ва regression logic якҷо мекунад.

Stochastic-назорат form-и Schrödinger bridge низ яке аз connections-и асосии таҳқиқот аст. Dynamic масъала бо назорат масъала-и зерин навишта мешавад:

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

Дар ин ҷо u(t,X_t) дрейф майдон-и controlled diffusion мебошад. Formula мегӯяд, ки назорат energy-и лозима барои интиқоли система аз ибтидоӣ тақсимот ба ҳадаф тақсимот бояд minimum шавад. Coefficient-и 1/(2ε) робита байни ғавғо сатҳ ва назорат хароҷот-ро месозад.

Дар ҳамин stage яке аз critical формулаҳо-и таҳқиқот меояд. Optimal дрейф майдон метавонад бе зичӣ ё score-function calculation ҳамчун conditional expectation навишта шавад:

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

Дар ин формула u^★(t,x) optimal дрейф дар ҳолат x ва вақт t мебошад. (X₁-X_t)/(1-t) bridge velocity аз ҷорӣ нуқта ба terminal нуқта аст. Conditional expectation миёна guiding таъсир-и possible terminal targets-ро дар same t ва x медиҳад.

Practical маъно-и формула хеле калон аст. Агар simulated trajectories дошта бошед, дар ҳар trajectory ҳолат X_t ва terminal ҳадаф X₁ маълуманд. Пас ҳадаф velocity ҳисоб карда мешавад. Баъд regression модел меомӯзад, ки ин ҳадаф velocity-ро аз inputs t ва X_t predict кунад. Ҳамин тавр optimal дрейф майдон метавонад бе зичӣ estimation, score омӯзиш ё PDE solving омӯхта шавад.

Connection бо GBC маҳз дар ҳамин ҷо сохта мешавад. Generative Bayesian Computation постериор намунагирӣ-ро ҳамчун transport-map омӯзиш масъала мебинад. Дар classical Bayesian inference постериор тақсимот чунин аст:

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

Дар бисёр real масъалаҳо намуна кардани ин тақсимот мустақиман душвор аст. GBC равиш харитаеро меомӯзад, ки сода тасодуфӣ тағйирёбанда-ро ба постериор намуна табдил медиҳад:

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

Дар ин ҷо τ сода base тасодуфӣ тағйирёбанда чун uniform ё Gaussian аст. H омӯхташуда map мебошад, ки conditioned on мушоҳидашуда y, τ-ро ба постериор намуна табдил медиҳад. Map тавре омӯхта мешавад, ки H(·,y) base measure-ро ба p(θ|y) постериор pushforward кунад.

Distinctive хусусият-и GBC ин аст, ки постериор зичӣ-ро мустақиман ҳисоб кардан шарт нест. Ба ҷойи ин аз модел simulation анҷом дода мешавад:

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

Дар ин simulation ҷадвал deep quantile шабака ё generative шабака conditional робита байни θ ва y-ро меомӯзад. Вақте мушоҳидашуда y^★ меояд, new τ қиматҳо ба шабака дода мешаванд ва постериор намунаҳо ҳосил мешаванд. Ин эҳтимолият-free равиш мебошад.

Азбаски дрейф формула дар Schrödinger bridge conditional expectation аст, он бо natural regression logic-и GBC якҷо мешавад. Вақте таҳқиқот мегӯяд “GBC Schrödinger bridge-ро ҳал мекунад”, маънояш ин аст: дрейф дар IPF/Sinkhorn half-bridge қадамҳо conditional expectation-и simulated bridge velocities мебошад ва ин expectation метавонад бо GBC-style regression омӯхта шавад.

Ин идея дар таҳқиқот ҳамчун GBC–IPF algorithm дода шудааст. Main қадамҳо чунинанд: намунагирҳо барои ρ₀ ва ρ₁ гирифта мешаванд, вақт grid сохта мешавад ва ибтидоӣ дрейф барои Brownian motion zero интихоб мешавад. Дар ҳар итератсия аввал backward half-bridge, ки terminal marginal-ро enforce мекунад, баъд forward half-bridge, ки ибтидоӣ marginal-ро enforce мекунад, омӯхта мешавад. Дар ҳар қадам simulated velocities аз шабака тавассути regression predict мешаванд.

Дар backward half-bridge ҳадаф velocity чунин сохтор дорад:

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

Дар forward half-bridge, ҳадаф velocity ба ибтидоӣ нуқта бо reversed вақт чунин навишта мешавад:

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

Ҳар ду ҳадаф зичӣ calculation намекунанд; танҳо ба нуқтаҳо дар simulated trajectories такя мекунанд. Аз ин рӯ таҳқиқот усул-ро “simulation-only” Schrödinger bridge solver муаррифӣ мекунад.

Таҳқиқот инчунин distinction-и муҳим бо score-based diffusion моделҳо мегузорад. Score-based усулҳо одатан зичӣ scores чун ∇logρ_t-ро меомӯзанд. Approach дар ин таҳқиқот бошад дрейф, ки conditional expectation аст, мустақим меомӯзад. Дар баъзе ҳолатҳо ин practicalтар аст, зеро ҳадаф regression ба simulated observable velocities мебошад.

Аз тарафи дигар, Schrödinger bridge ба GBC geometric тафсир медиҳад. Transport map-и GBC метавонад ҳамчун вақт-one flow-и bridge аз base measure ба ҳадаф постериор дида шавад. Таҳқиқот ин идеяро чунин медиҳад:

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

Дар ин ҷо F_0→1^ε Schrödinger-bridge flow map мебошад. Symbol-и # pushforward operation-ро ифода мекунад; яъне намунаҳо аз ρ₀ тавассути map гузаронида шуда, ρ₁ гирифта мешавад. Аз GBC perspective, ρ₀ метавонад сода base тақсимот ва ρ₁ ҳадаф постериор бошад.

Дар deterministic limit, яъне:

\[ \varepsilon \to 0 \]

Schrödinger bridge ба Monge–Brenier optimal-transport map concentrate мекунад:

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

Дар one андоза ин map monotone quantile map мебошад:

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

Дар ин ҷо F_ρ0 CDF-и ибтидоӣ тақсимот ва Q_ρ1 quantile function-и ҳадаф тақсимот аст. Ин ҳамон map аст, ки GBC дар one андоза мустақим меомӯзад. Аз ҳамин сабаб таҳқиқот мегӯяд deterministic transport объективӣ-и GBC ε → 0 limit-и Schrödinger bridge аст.

Ин connection барои Bayesian inference низ ҷолиб аст. Агар ибтидоӣ тақсимот приор ва terminal potential бо эҳтимолият алоқаманд бошад, постериор тақсимот метавонад terminal marginal-и приор-to-постериор Schrödinger bridge тафсир шавад. Ин имкон медиҳад Bayes rule на танҳо static reweighting, балки entropic ва stochastic path аз приор ба постериор дида шавад.

Аммо таҳқиқот дар ин ҷо маҳдудият-и муҳим мегузорад. Algorithm 1 намунагир аз ҳадаф тақсимот ρ₁-ро талаб мекунад. Дар generative-modeling examples ин масъала нест, зеро ҳадаф тақсимот explicit маълум аст. Вале барои Bayesian постериор, намуна аз ρ₁ худи масъала-и ҳалшаванда аст. Аз ин рӯ приор-to-постериор bridge connection algorithmic не, бештар geometric ва theoretical тафсир мебошад. Дар practice, GBC бе assumption-и direct постериор намунагир тавассути joint-модел simulation amortized inversion мекунад.

Numerical-validation section се example дорад. Example-и аввал Gaussian-to-Gaussian Schrödinger bridge аст. Initial тақсимот:

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

ва ҳадаф тақсимот:

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

интихоб мешаванд. Вақте diffusion коэффисиент ε = 0.5 аст, simulated bridge trajectories аз tight Gaussian оғоз мешаванд, дар intermediate вақт under марҷаъ ғавғо паҳн мешаванд ва дар ниҳоӣ broader Gaussian боз concentrate мешаванд. Left panel-и Figure 1 trajectories ва миёна path-ро нишон медиҳад; right panel нишон медиҳад, ки marginals дар t = 0, t = 0.5 ва t = 1 бо analytic Gauss–Markov marginals мувофиқанд.

Дар Gaussian special case closed-form пайвастшавӣ мавҷуд аст. Барои scalar Gaussian bridge cross-covariance чунин дода мешавад:

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

Optimal пайвастшавӣ covariance matrix бошад:

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

Дар ин ҷо σ₀ ва σ₁ standard deviations-и ибтидоӣ ва ҳадаф Gaussian тақсимотҳо мебошанд. c cross-covariance байни ибтидоӣ ва ниҳоӣ нуқтаҳо мебошад. Вақте ε кам мешавад, c ба comonotone пайвастшавӣ қимат-и deterministic optimal transport наздик мешавад. Вақте ε зиёд мешавад, c ба zero наздик мешавад; яъне ибтидоӣ ва ниҳоӣ нуқтаҳо independentтар мешаванд.

Дар validation ҷадвал cross-covariance қиматҳо, ки бо Sinkhorn/IPF омӯхта шудаанд, бо closed-form solution муқоиса мешаванд. Барои ε = 0.50 қимат 0.5596, ε = 0.20 0.6765, ε = 0.05 0.7454 гузориш мешаванд. Дар ҳар се ҳолат absolute error аз 10^-4 камтар аст. Ин нишон медиҳад, ки numerical усул дар one-dimensional Gaussian санҷиш analytic solution-ро бо баланд precision мегирад.

Left panel-и Figure 2 нишон медиҳад, ки Sinkhorn/IPF marginal violation бо итератсия count geometrically кам мешавад. Аммо бо кам шудани ε наздикшавӣ сусттар мешавад. Сабаб ин аст, ки ядро sharpтар ва entropic-transport масъала numerically stiffer мешавад. Right panel нишон медиҳад, ки омӯхташуда пайвастшавӣ cross-covariance нуқтаҳо қариб бо closed-form curve overlap мекунанд.

Example-и дуюм Gaussian-to-bimodal mixture тақсимот мебошад:

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

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

Ин example барои generative modeling ҷолибтар аст, зеро сода unimodal ғавғо тақсимот ба structured ҳадаф тақсимот бо ду мод интиқол дода мешавад. Вақте ε = 0.15 интихоб мешавад, bridge trajectories аз ибтидоӣ single Gaussian cloud оғоз мешаванд ва дар вақт ба two terminal модҳо ҷудо мешаванд. Figure 3 инро равшан нишон медиҳад: left panel trajectories ба ду branch ҷудо мешаванд; right panel endpoint marginals дар t = 0 ва t = 1 бо simulated histograms ва analytic зичӣ curves нишон дода мешаванд.

Дар ин example ҳадаф тақсимот multimodal аст. Multimodal тақсимотҳо барои generative моделҳо душворанд, зеро модел бояд mass-ро ба як миёна region collapse накунад ва ба ду ё бештар модҳо ҷудо кунад. Schrödinger bridge инро ҳамчун entropic ва stochastic transport мекунад. ε = 0.15 ҳамчун balance пешниҳод мешавад, ки paths-ро smooth нигоҳ медорад ва мод separation-ро ҳифз мекунад.

Example-и сеюм омӯзиш дрейф майдон from simulation барои multimodal ҳадаф аст. Target velocity:

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

аз simulated trajectories ҳисоб мешавад ва ба X_t regression карда мешавад. Дар example degree-5 polynomial basis ва ridge regularization истифода шудаанд. Барои бештар мураккаб ё баланд-dimensional targets deep quantile шабака тавсия мешавад.

Figure 4 омӯхташуда дрейф майдон-ро нишон медиҳад. Ин яке аз explanatory шаклҳо-и муҳим аст. Drift дар атрофи x = 0 мисли separation line рафтор мекунад. Дар region above origin дрейф positive direction ба upper terminal мод мебарад. Дар region below origin дрейф negative direction ба пасттар terminal мод тела медиҳад. Атрофи x = 0 бошад мисли unstable ridge ё saddle line байни ду basin аст.

Ин bifurcating дрейф майдон нишон медиҳад, ки generative модел бояд воқеан чӣ омӯзад. Барои табдил додани сода ибтидоӣ ғавғо ба bimodal ҳадаф, модел бояд mass-ро тасодуфӣ не, балки ҳолат-dependent ба two branches тақсим кунад. Таҳқиқот нишон медиҳад, ки ин guiding майдон метавонад танҳо аз simulated trajectories ва regression ба даст ояд.

Scientific importance-и таҳқиқот дар чанд сатҳ арзёбӣ мешавад. Якум, conceptual unity байни Schrödinger bridges ва GBC месозад. Як тараф entropic optimal transport ва stochastic назорат, тарафи дигар Bayesian simulation-based transport аст. Таҳқиқот нишон медиҳад, ки ин ду майдон метавонанд around same conditional-expectation ва transport idea муттаҳид шаванд.

Дуюм, он идеяи омӯзиш Schrödinger bridges without зичӣ ё PDE solution-ро таъкид мекунад. Ин барои modern generative моделҳо муҳим аст, зеро дар real додаҳо тақсимотҳо densities аксаран unknown ва танҳо намунаҳо ё simulations дастрасанд. Агар bridge дрейф ҳамчун conditional expectation омӯхта шавад, барои баланд-dimensional ва implicit моделҳо усулҳо-и flexibleтар таҳия кардан мумкин аст.

Сеюм, таҳқиқот ба Bayesian inference geometric view медиҳад. Posterior танҳо product-и приор ва эҳтимолият нест; онро ҳамчун terminal тақсимот-и entropic transport path from приор to постериор ҳам дидан мумкин аст. Ин барои annealed намунагирӣ, diffusion-based постериор намунагирӣ ва amortized inference муфид буда метавонад.

Аз perspective-и daily life, таҳқиқот direct application device ё software tool намедиҳад; аммо додаҳо generation ва inference under номуайянӣ дар AI системаҳо-ро ба mathematical foundations-и мустаҳкамтар мепайвандад. Бисёр generative моделҳо-и имрӯзӣ мураккаб додаҳо-ро аз сода ғавғо истеҳсол мекунанд. Ин таҳқиқот нишон медиҳад, ки transformation-ро бо language-и entropic optimal transport ва Schrödinger bridge чӣ гуна фаҳмидан мумкин аст.

Аз historical perspective, таҳқиқот масъала-и particle cloud-и Schrödinger-ро аз 1930 бо modern diffusion моделҳо ва Bayesian generative computation мепайвандад. Барои имрӯз аҳамияташ дар он аст, ки score-based diffusion, flow matching, Sinkhorn ва GBC, ки усулҳо-и гуногун менамоянд, метавонанд дар same mathematical transport family хонда шаванд. Барои оянда, он метавонад ба simulation-only algorithms барои баланд-dimensional постериор намунагирӣ ва multimodal generative modeling роҳ кушояд.

Strengths аз explicit mathematical mapping, closed-form Gaussian validation, нишон додани bifurcating дрейф майдон дар multimodal ҳадаф ва clear simulation-regression сохтор бе зичӣ/PDE requirement иборатанд. Ҳамчунин ε на танҳо technical regularizer, балки meaningful назорат knob байни deterministic transport ва stochastic bridge нишон дода мешавад.

Limitations равшананд. Numerical examples танҳо one-dimensional мебошанд. Discrete Sinkhorn grid ва polynomial дрейф basis ба баланд андозаҳо миқёс намешаванд. Муаллифон инро explicit мегӯянд ва барои баланд андозаҳо log-domain Sinkhorn stabilization ва deep шабакаҳо-ро зарур медонанд. Илова бар ин, direct ҳадаф-тақсимот намунагир assumption барои Bayesian постериор метавонад algorithmically circular бошад; таҳқиқот theoretical тафсир-ро аз practical GBC омӯзиш ҷудо мекунад.

Он чизе, ки таҳқиқот намегӯяд, низ бояд равшан бошад. Он ҳамаи баланд-dimensional Bayesian масъалаҳо-ро ҳал накардааст. Full deep-шабака scaled implementation пешниҳод намекунад. Extensive real-додаҳо меъёри озмоишӣ надорад. Gaussian ва bimodal якандоза examples барои нишон додани logic мебошанд ва набояд ҳамчун general success guarantee хонда шаванд. Main contribution равшан кардани mathematical connection байни Schrödinger bridges ва generative Bayesian computation ва нишон додани он аст, ки ин connection чӣ гуна ба simulation-based algorithm табдил дода мешавад.

Усул ва Натиҷаҳои Таҳқиқот

Methodology Schrödinger bridge масъала-ро дар three сатҳҳо formulation мекунад: dynamic path-measure масъала, static пайвастшавӣ масъала ва stochastic-назорат масъала. Баъд ин сохтор бо GBC simulation-based transport-map омӯзиш равиш якҷо мешавад.

1. Dynamic Schrödinger bridge масъала

Reference diffusion:

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

Dynamic масъала:

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

Ин масъала closest path measure to марҷаъ Brownian motion-ро бо fixed ибтидоӣ ва terminal marginals меёбад.

2. Static пайвастшавӣ масъала

Dynamic масъала ба optimal endpoint пайвастшавӣ масъала коҳиш меёбад:

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

Optimal dynamic bridge чунин барқарор мешавад:

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

3. Entropic optimal transport form

Зери Brownian марҷаъ масъала чунин мешавад:

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

Дар ин ҷо ε transport plan-ро аз deterministic collapse нигоҳ медорад. Вақте ε → 0 solution ба deterministic optimal transport наздик мешавад; вақте ε зиёд аст пайвастшавӣ spread мешавад.

4. Schrödinger система ва Sinkhorn/IPF

Schrödinger factorization:

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

Potential система:

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

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

Kernel дар discrete grid:

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

Sinkhorn/IPF fixed нуқта:

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

Ин сохтор дар static-пайвастшавӣ validations истифода мешавад.

5. Stochastic назорат ва дрейф формула

Control масъала:

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

Conditional-expectation representation-и optimal дрейф:

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

6. Transport map-и GBC

GBC постериор намунагирӣ-ро чунин менависад:

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

Simulation ҷадвал:

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

Ин сохтор имкон медиҳад бе постериор-зичӣ evaluation conditional transport map аз simulation омӯхта шавад.

7. Essence-и GBC–IPF algorithm

8. GBC map ҳамчун Schrödinger bridge

Bridge flow map:

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

Deterministic limit:

\[ \varepsilon\to0 \]

Monge–Brenier map:

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

One-dimensional quantile map:

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

Ин натиҷа нишон медиҳад, ки deterministic transport map-и GBC ε → сифр limit-и Schrödinger bridge мебошад.

9. Gaussian bridge validation

Distributions:

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

Closed-form cross-covariance:

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

Ин validation нишон медиҳад, ки усул дар one-dimensional Gaussian case analytic пайвастшавӣ-ро бо баланд дақиқӣ мегирад.

10. Multimodal ҳадаф example

Initial тақсимот:

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

Target тақсимот:

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

Diffusion параметр:

\[ \varepsilon=0.15 \]

11. Learning дрейф майдон from simulation

Regression ҳадаф:

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

12. Scientific маъно of шаклҳо

• Gaussian bridge шакл: Sample trajectories аз ρ₀ = N(0,0.7²) ба ρ₁ = N(3,1.1²) ва marginals дар t = 0, 0.5, 1 нишон дода мешаванд. Bridge smooth Gauss–Markov evolution аз ибтидоӣ ба ҳадаф месозад.
• Sinkhorn/IPF наздикшавӣ шакл: Marginal violation бо итератсияҳо geometrically кам мешавад, вале ε хурд шавад наздикшавӣ сусттар мешавад. Ҳамчунин омӯхташуда cross-covariance бо closed-form solution match мекунад.
• Multimodal bridge шакл: Unimodal Gaussian ибтидоӣ тақсимот ба bimodal mixture ҳадаф тақсим мешавад; ин generative modeling-ро аз сода ғавғо ба structured додаҳо нишон медиҳад.
• Drift-майдон шакл: Learned дрейф around x = 0 bifurcates; upper region ба positive мод ва пасттар region ба negative мод роҳнамоӣ мешавад. Ин fundamental guidance-ест, ки multimodal намунагир бояд омӯзад.

13. Main натиҷаҳо

• Schrödinger bridge дрейф метавонад ҳамчун conditional expectation навишта шавад.
• Ин conditional expectation аз simulated trajectories бо regression омӯхта мешавад.
• GBC simulation-based transport-map омӯзиш равиш барои Schrödinger bridge solution natural tool аст.
• Deterministic quantile/transport map-и GBC ҳамчун ε → 0 limit-и Schrödinger bridge interpreted мешавад.
• Дар Gaussian bridge example Sinkhorn/IPF натиҷаҳо бо closed-form cross-covariance to four аҳамиятнок digits мувофиқанд.
• Дар Gaussian-to-bimodal example усул метавонад bifurcating дрейф майдон-ро аз simulation омӯзад.

14. Strengths ва маҳдудиятҳо

Ёддошт оид ба Манбаъ ва Усул

Ин мақола дар асоси таҳқиқоти Nicholas G. Polson ва Vadim Sokolov бо унвони “Generative Bayesian Computation for Schrödinger Bridges” таҳия шудааст. Дар таҳқиқот affiliation-и Polson ҳамчун University of Chicago Booth School of Business ва Sokolov ҳамчун George Mason University Department of Systems Engineering and Operations Research дода шудааст. Матн маълумоти “First draft: May 2026” ва “This version: June 1, 2026” дорад.

Бо назардошти source type, сохтор ва date information, он бояд ҳамчун academic research note / preprint-like theoretical and numerical study арзёбӣ шавад. Азбаски peer-reviewed journal acceptance, DOI, conference acceptance ё explicit peer-review information дар text тасдиқ намешавад, барои таҳқиқот ибораи коре, ки peer review-и он аз рӯи матн тасдиқ намешавад бояд истифода шавад.

Дар таҳияи ин мундариҷа Schrödinger bridge formulations, entropic optimal-transport робита, Schrödinger система, Sinkhorn/IPF итератсия, stochastic-назорат тафсир, conditional-expectation дрейф формула, GBC transport map, GBC–IPF algorithm, Gaussian bridge closed-form validation, multimodal ҳадаф example, дрейф-майдон шакл ва discussion маҳдудиятҳо-и таҳқиқот истифода шудаанд. Иддаоҳои дар source набуда, мисли баланд-dimensional application success, real-додаҳо меъёри озмоишӣ натиҷа, completed deep-шабака implementation, solving all постериор-намунагирӣ масъалаҳо ё peer-reviewed publication acceptance илова нашудаанд.

Study theoretical connection-и қавӣ байни Schrödinger bridges ва generative Bayesian computation пешниҳод мекунад, аммо numerical demonstrations бо one-dimensional examples маҳдуданд. Аз ин рӯ натиҷаҳо бояд на ҳамчун guarantee of direct success дар баланд-dimensional generative modeling ё мураккаб Bayesian posteriors, балки ҳамчун mathematical ва algorithmic foundation барои ин domains хонда шаванд.