本文介绍的是 arXiv 论文《MST-Direct at Scale: Multivariate and Conditional Geostatistical Simulation via Sinkhorn Optimal Transport》，作者为 Tcharlies Bachmann Schmitz，于 2026 年 5 月 26 日提交，预印本编号 arXiv:2606.07578v1，属于机器学习（cs.LG）分类，同时涉及统计方法学（stat.ME）与统计机器学习（stat.ML）。
MST-Direct 的核心思路是“基于 Sinkhorn 最优传输的匹配”（Matching-via-Sinkhorn-Transport），用于多变量地质统计模拟。此前的方法只适用于两变量、无条件、小网格的设定。这次的工作针对原研究识别出的三项主要限制分别给出解决方案，从而把方法扩展到多变量、带条件以及大网格的情形。
第一项限制是可扩展性。原方法在节点数超过数千个时就难以处理，新方法采用稀疏的、受候选集约束的 Sinkhorn 匹配器，内存复杂度为 O(nC)，使计算能够覆盖远大于以往规模的网格。
第二项限制是变量维度。新方法通过把目标值元组匹配到一个独立的 FFT-MA 高斯骨架上，从而支持多个变量，而该骨架能够复现预先给定的变差函数（variogram）。
第三项限制是硬数据条件化。方法将观测到的数据元组固定在其空间位置上，同时通过克里金（kriging）对骨架进行条件化，从而把实测样点作为硬约束纳入模拟。
一个关键性质是：由于传输计划始终是目标元组的一个置换，多变量联合分布得以被精确保留，而不是近似拟合。这是该方法在理论上的重要优势。
在验证方面，作者采用了与 Direct Multivariate Simulation（DMS）相同的参考分布——一个六变量、异方差、强非线性的分布——并设置了两种场景：无条件的 200×200 网格，以及带条件的 100×100 网格（包含 200 个硬数据样本）。基准对照方法为 Projection Pursuit Multivariate Transform（PPMT）。
结果显示，MST-Direct 能够以零直方图误差复现联合分布，精确满足硬数据约束，并准确复现规定的空间相关结构；相比之下，PPMT 仍然只是一种近似方法。论文关键词包括最优传输、Sinkhorn 算法、地质统计模拟与多变量模拟。
从应用角度看，这项工作对需要同时刻画多个相关变量空间分布的地质建模、储层表征以及环境与资源评估等场景具有潜在意义，因为在这些任务中，既保持变量之间的联合依赖关系、又严格遵从实测数据点，一直是方法学上的难点。