🤖 AI

LightCode: Light Analytical and Neural Codes for Channels with Feedback

यह शोध पत्र LightCode प्रस्तुत करता है, जो एक उच्च-SNR-अनुकूलित विश्लेषणात्मक योजना PowerBlast और एक हल्के, व्याख्या योग्य न्यूरल कोड का प्रस्ताव देकर फीडबैक के साथ विश्वसनीय और कुशल चैनल कोडिंग को आगे बढ़ाता है, जो काफी कम कम्प्यूटेशनल लागत के साथ निम्न-SNR क्षेत्रों में अत्याधुनिक प्रदर्शन प्राप्त करता है।

मूल लेखक: Sravan Kumar Ankireddy, Krishna Narayanan, Hyeji Kim

प्रकाशित 2026-02-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sravan Kumar Ankireddy, Krishna Narayanan, Hyeji Kim

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 बहुत ही शोर वाले कमरे में अपने दोस्त को फुसफुसाकर एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। एक सामान्य बातचीत में, आप शायद बस ज़ोर से चिल्लाएंगे या संदेश को दोहराएंगे। लेकिन इस शोध पत्र में, लेखक एक विशेष प्रकार की बातचीत के बारे में बात कर रहे हैं जहाँ आपका दोस्त आपके द्वारा हर शब्द बोलने के तुरंत बाद आपको वापस फुसफुसाकर जवाब दे सकता है, यह बताते हुए, "मैंने वह सुना, लेकिन वह थोड़ा धुंधला था," या "मुझे वह हिस्सा पूरी तरह समझ आ गया।"

इसे एक फीडबैक चैनल (feedback channel) कहा जाता है। लक्ष्य यह है कि उस "वापस फुसफुसाने" का उपयोग गलतियों को पूरा संदेश भेजने से पहले ठीक करने के लिए किया जाए, ताकि गुप्त संदेश पूरी तरह से पहुँच सके।

यह शोध पत्र दो नए तरीके पेश करता है: एक चतुर गणितीय ट्रिक (जिसे POWERBLAST कहा जाता है), और दूसरा एक छोटा, अत्यंत बुद्धिमान AI (जिसे LIGHTCODE कहा जाता है)।

यहाँ उनके काम का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "भारी" AI बनाम "पुराना" गणित

लंबे समय से, वैज्ञानिकों ने इसे हल करने के लिए दो तरीकों का उपयोग किया है:

पुराना गणित (एनालिटिकल कोड्स): इसे एक कठोर, नियम-आधारित खेल की तरह समझें। आप त्रुटियों को सुधारने के लिए एक सख्त फॉर्मूले का पालन करते हैं। यह तेज़ और हल्का है, लेकिन यह एक "कांच की छत" (glass ceiling) से टकरा जाता है जहाँ यह कितना भी प्रयास करने के बावजूद बेहतर नहीं हो पाता।
भारी AI (डीप लर्निंग): रहा है: हाल ही में, लोगों ने विशाल, जटिल AI दिमागों (जैसे बड़े ट्रांसफॉर्मर्स) का उपयोग करना शुरू किया है जो फुसफुसाने का तरीका सीख सकते हैं। ये AI अविश्वसनीय रूप से स्मार्ट होते हैं और त्रुटियों को बेहतर ढंग से ठीक कर सकते हैं, लेकिन वे एक अकेले पत्र को डिलीवर करने के लिए एक सेमी-ट्रक चलाने जैसा है। वे बहुत बड़े, धीमे हैं, और बहुत अधिक बैटरी (कंप्यूटिंग पावर) खर्च करते हैं। वे आपके फोन या सैटेलाइट के भीतर मौजूद छोटे चिप्स के लिए बहुत भारी हैं।

लेखकों ने पूछा: "क्या हम भारी AI की दिमागी शक्ति को उसके वजन के बिना प्राप्त कर सकते हैं?"

2. पहला समाधान: POWERBLAST (एक "स्मार्ट मैथ" ट्रिक)

एक नया AI बनाने से पहले, लेखकों ने पुराने गणित के नियमों को देखा और उन्हें अपग्रेड करने का एक तरीका खोजा।

उपमा: कल्पना कीजिए कि आप एक डार्टबोर्ड पर निशाना साधने की कोशिश कर रहे हैं।
- पुरानी विधि (SK स्कीम): आप एक डार्ट फेंकते हैं, दोस्त आपको बताता है कि आप लक्ष्य से कितनी दूर थे, और फिर आप उस दूरी को ठीक करने के लिए दूसरा डार्ट फेंकते हैं। आप ऐसा करते रहते हैं, और करीब आते जाते हैं।
- अपग्रेड (POWERBLAST): लेखकों ने महसूस किया कि एक बार जब आप लक्ष्य के बहुत करीब (उच्च सिग्नल गुणवत्ता) पहुँच जाते हैं, तो आपको सूक्ष्म दूरी को मापने की आवश्यकता नहीं होती है। इसके बजाय, आपको बस यह जानने की आवश्यकता है कि क्या आप "एक कदम बाएँ," "एक कदम दाएँ," या "परफेक्ट" से हट गए हैं।
यह कैसे काम करता है: POWERBLAST खेल के अधिकांश हिस्से के लिए मानक गणित का उपयोग करता है, लेकिन बहुत अंतिम दौर में, यह "डिस्क्रीट" (discrete) मोड में बदल जाता है। यह सूक्ष्म दूरियों को मापना बंद कर देता है और बस पूछता है, "क्या मैं एक कदम चूक गया?" यह छोटा सा बदलाव इसे अविश्वसनीय रूप से सटीक बनाता है, जो पुराने गणित को मात देता है और अच्छी स्थितियों में भारी AI के साथ प्रतिस्पर्धा भी करता है।

3. दूसरा समाधान: LIGHTCODE (एक "छोटा जीनियस")

जब कमरा बहुत शोर वाला होता है (कम सिग्नल), तो गणित की ट्रिक्स पर्याप्त नहीं होती हैं। आपको एक AI की आवश्यकता होती है। लेकिन एक सेमी-ट्रक बनाने के बजाय, उन्होंने एक स्कूटर बनाया है।

उपमा: कल्पना कीजिए कि एक भारी AI (जैसे GBAF) एक विशाल पुस्तकालय है जो आपके फुसफुसाने के संदर्भ को समझने के लिए कमरे की हर किताब को पढ़ता है। यह विस्तृत है लेकिन धीमा है।
LIGHTCODE का दृष्टिकोण: लेखकों ने महसूस किया कि इस विशिष्ट कार्य के लिए, आपको पूरी लाइब्रेरी पढ़ने की आवश्यकता नहीं है। आपको बस तत्काल फुसफुसाहट और तत्काल सुधार को सुनने की आवश्यकता है।
"लाइटवेट" जादू:
- नो ब्लॉक कोडिंग: 17 शब्दों को एक साथ समूहबद्ध करने के बजाय (जो भारी होता है), LIGHTCODE एक समय में एक शब्द को प्रोसेस करता है।
- सीक्रेट सॉस (Secret Sauce): उन्होंने इस छोटे AI को भारी मात्रा में डेटा (एक साथ 100,000 उदाहरणों) पर प्रशिक्षित किया। यह एक छात्र को एक दोपहर में पूरे सेमेस्टर का अभ्यास कराने जैसा है। क्योंकि AI इतना छोटा है, यह क्रैश हुए बिना इस भारी कार्यभार को संभाल सकता है।
परिणाम: यह छोटा AI (LIGHTCODE) विशाल AI की तुलना में 10 गुना छोटा और 10 गुना तेज़ है, फिर भी शोर वाले कमरों में त्रुटियों को ठीक करने में उतना ही अच्छा, या उससे भी बेहतर प्रदर्शन करता है।

4. "अहा!" क्षण: भारी AI क्यों ज़रूरत से ज़्यादा था (Overkill)

लेखकों ने यह देखने के लिए विशाल AI (GBAF) पर "सर्जरी" की कि वास्तव में कौन से हिस्से काम कर रहे थे।

उन्होंने जटिल "अटेंशन" वाले हिस्सों को हटा दिया (वे हिस्से जो एक साथ पूरे संदेश को देखते हैं)।
चौंकाने वाली बात: प्रदर्शन में कोई गिरावट नहीं आई!
सबक: विशाल AI बहुत सारी ऐसी फैंसी हरकतें कर रहा था जो वास्तव में मदद नहीं कर रही थीं। सरल, शब्द-दर-शब्द दृष्टिकोण 99% भारी काम कर रहा था। इसने साबित कर दिया कि इस समस्या को हल करने के लिए आपको एक अति-जटिल मस्तिष्क की आवश्यकता नहीं है; आपको बस एक केंद्रित, कुशल मस्तिष्क की आवश्यकता है।

5. AI ने क्या सीखा? (व्याख्या)

आमतौर पर, AI एक "ब्लैक बॉक्स" है—हमें पता है कि यह काम करता है, लेकिन हमें नहीं पता कि क्यों। लेखकों ने LIGHTCODE के दिमाग के अंदर झाँका:

शुरुआती दौर: AI एक साधारण गणितीय सूत्र (लीनियर) की तरह कार्य करता है, ठीक पुराने नियमों की तरह।
बाद के दौर: जैसे-जैसे संदेश पूर्ण होने के करीब पहुँचता है, AI कुछ अजीब और नॉन-लीनियर करने लगता है। वह समझ जाता है कि यदि त्रुटि बहुत छोटी है, तो उसे चिल्लाने की आवश्यकता नहीं है; उसे बस एक विशिष्ट सुधार फुसफुसानाने की आवश्यकता है।
संबंध: उन्होंने पाया कि छोटा AI (LIGHTCODE) स्वाभाविक रूप से उसी "डिस्क्रीट स्टेप" (discrete step) वाली ट्रिक को सीख रहा था जिसका उपयोग मैन्युअल रूप से गणितीय ट्रिक (POWERBLAST) द्वारा किया जाता था। AI ने गणित के नियम को खुद ही सीख लिया!

सारांश

यह शोध पत्र संचार की एक लंबे समय से चली आ रही समस्या को हल करता है: हम बिना सुपरकंप्यूटर की आवश्यकता के फीडबैक के साथ पूर्ण संदेश कैसे भेज सकते हैं?

POWERBLAST एक चतुर गणितीय अपग्रेड है जो तब बहुत अच्छा काम करता है जब कनेक्शन अच्छा होता है।
LIGHTCODE एक छोटा, कुशल AI है जो खराब कनेक्शन में भी बहुत अच्छा काम करता है।
साथ मिलकर, वे दिखाते हैं कि बेहतर परिणाम प्राप्त करने के लिए हमें "बड़े" और "भारी" AI की आवश्यकता नहीं है; हमें अधिक स्मार्ट, सरल और कुशल डिजाइनों की आवश्यकता है।

यह एक अखरोट तोड़ने के लिए हथौड़े (पुराना भारी AI) के उपयोग और एक सटीक, हल्के नटक्रैकर (LIGHTCODE) के उपयोग के बीच का अंतर है।

यहाँ पेपर "LIGHTCODE: Light Analytical and Neural Codes for Channels with Feedback" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फीडबैक वाले संचार चैनलों (communication channels) के लिए विश्वसनीय और कुशल कोडिंग स्कीम्स का डिज़ाइन एक महत्वपूर्ण चुनौती बना हुआ है। हालाँकि फीडबैक रिसीवर की जानकारी के आधार पर ट्रांसमीटर को सुधार करने की अनुमति देता है, लेकिन मौजूदा समाधानों में कुछ ट्रेड-ऑफ (trade-offs) होते हैं:

एनालिटिकल स्कीम्स (जैसे Schalkwijk-Kailath, Gallager-Nakibo˘glu): ये सैद्धांतिक गारंटी (doubly exponential error exponents) प्रदान करते हैं, लेकिन इनके लिए अक्सर उच्च संख्यात्मक सटीकता (high numerical precision), अत्यधिक फीडबैक राउंड्स और उन्हें व्यावहारिक, संसाधन-सीमित प्रणालियों में ढालना कठिन होता है। वे आमतौर पर कम सिग्नल-टू-नॉइज़ रेश्यो (SNR) पर खराब प्रदर्शन करते हैं।
डीप लर्निंग स्कीम्स (जैसे Deepcode, GBAF): ये जटिल गैर-रैखिक मैपिंग (non-linear mappings) को सीखने के लिए न्यूरल नेटवर्क (RNNs, Transformers) का लाभ उठाते हैं, जिससे स्टेट-ऑफ-द-आर्ट ब्लॉक एरर रेट (BLER) प्रदर्शन प्राप्त होता है। हालाँकि, वे उच्च कम्प्यूटेशनल जटिलता, भारी मेमोरी आवश्यकताएं (हिडन स्टेट्स या सेल्फ-अटेंशन मैकेनिज्म के कारण) और व्याख्यात्मकता (interpretability) की कमी से ग्रस्त हैं। वे सीमित ऑनबोर्ड संसाधनों वाले अगली पीढ़ी के ट्रांससीवर्स के लिए अक्सर अव्यावहारिक होते हैं।

लक्ष्य: ऐसी कोडिंग स्कीम्स विकसित करना जो कम-जटिलता (low-complexity) वाली, व्याख्या योग्य (interpretable) और उच्च एवं निम्न दोनों SNR क्षेत्रों में अत्यधिक विश्वसनीय हों, जो व्यावहारिक तैनाती के अनुकूल हों।

2. कार्यप्रणाली (Methodology)

लेखक एक दोहरी पद्धति का प्रस्ताव करते हैं: एनालिटिकल कोडिंग को उन्नत करना और एक हल्का (lightweight) न्यूरल आर्किटेक्चर डिजाइन करना।

A. एनालिटिकल उन्नति: POWERBLAST

लेखक POWERBLAST पेश करते हैं, जो एक हाइब्रिड एनालिटिकल कोडिंग स्कीम है जो Schalkwijk-Kailath (SK) और Gallager-Nakibo˘glu (GN) स्कीम्स की खूबियों को जोड़ती है।

तंत्र (Mechanism): यह $D$ $D$ राउंड्स में दो चरणों में कार्य करता है।
- चरण 1 (राउंड $1 $से$ D-1$ तक): ट्रांसमिट किए गए सिंबल के लीनियर मिनिमम मीन स्क्वायर एरर (LMMSE) अनुमान को पुनरावृत्ति (iteratively) से परिष्कृत करने के लिए एक SK-जैसे रणनीति का उपयोग करता है।
- चरण 2 (अंतिम राउंड $D$ ): $D-1$ राउंड्स के बाद प्राप्त उच्च प्रभावी SNR का लाभ उठाता है। निरंतर त्रुटि (continuous error) प्रसारित करने के बजाय, यह अनुमानित PAM इंडेक्स और वास्तविक PAM इंडेक्स के बीच के डिस्क्रीट इंटीजर डिफरेंस (discrete integer difference) को प्रसारित करता है।
तर्क (Rationale): अंतिम राउंड में, त्रुटि विरल (sparse) होती है (संभवतः $\{-1, 0, 1\}$ )। इस डिस्क्रीट इंडेक्स को प्रसारित करने से मैक्सिमम ए पोस्टेरिओरी (MAP) डिटेक्शन संभव होता है, जो मानक SK या GN स्कीम्स की तुलना में त्रुटि की संभावना को काफी कम कर देता है।

B. न्यूरल उन्नति: LIGHTCODE

लेखक LIGHTCODE प्रस्तावित करते हैं, जो एक हल्का, सिंबल-बाय-सिंबल न्यूरल कोडिंग स्कीम है जिसे भारी ब्लॉक-कोडिंग आर्किटेक्चर को बदलने के लिए डिज़ाइन किया गया है।

आर्किटेक्चर:
- सिंबल-बाय-सिंबल: भारी ब्लॉक-कोडिंग स्कीम्स (जैसे GBAF) के विपरीत, जो बिट्स के ब्लॉक्स को एक साथ प्रोसेस करती हैं, LIGHTCODE प्रत्येक राउंड में एक सिंगल सिंबल में $K$ बिट्स को एनकोड करता है। यह जटिल ब्लॉक-स्तरीय सेल्फ-अटेंशन की आवश्यकता को समाप्त करता है।
- फीचर एक्सट्रैक्टर: DEEPPOLAR से प्रेरित, स्किप कनेक्शंस (skip connections) के साथ एक हल्का फीड-फॉरवर्ड नेटवर्क और कम हिडन डायमेंशन (GBAF के 64 के मुकाबले 32)।
- एनकोडर/डिकोडर: सरल मल्टी-लेयर पर्सेप्ट्रॉन्स (MLPs) का उपयोग करता है। एनकोडर फीचर्स को 1D में प्रोजेक्ट करता है; डिकोडर $2^K$ क्लासेस में मैप करता है।
प्रशिक्षण रणनीति (Training Strategy):
- बड़ा बैच साइज (Large Batch Size): इसे $10^5$ के अत्यंत बड़े बैच साइज के साथ प्रशिक्षित किया गया है, जो भारी ट्रांसफार्मर मॉडल के लिए असंभव है। यह मॉडल को त्रुटियों के वितरण का सटीक अनुमान लगाने और गैर-शून्य त्रुटियों वाले सिम्बल्स को गतिशील रूप से पावर आवंटित करने की अनुमति देता है (जो एनालिटिकल स्कीम्स के पावर एलोकेशन लॉजिक की नकल करता है)।
- इनपुट फीचर्स: शोर वाले फीडबैक के लिए, मॉडल में कच्चे फीडबैक के बजाय संचयी शोर अनुमान (cumulative noise estimates) शामिल होते हैं, जो मजबूती (robustness) में सुधार करते हैं।

3. मुख्य योगदान (Key Contributions)

POWERBLAST स्कीम: एक नवीन एनालिटिकल स्कीम जो SK और GN दोनों स्कीम्स से बेहतर प्रदर्शन करती है, विशेष रूप से उच्च-SNR क्षेत्रों में, अंतिम राउंड में डिस्क्रीट-सिंबल रणनीति का लाभ उठाकर। यह क्लासिकल थ्योरी और न्यूरल परफॉरमेंस के बीच के अंतर को पाटती है।
LIGHTCODE आर्किटेक्चर: एक हल्का न्यूरल कोड जो मौजूदा डीप लर्निंग कोड्स (जैसे GBAF और Robust Coding) के < 1/10वें पैरामीटर्स और कम्प्यूटेशनल जटिलता का उपयोग करके स्टेट-ऑफ-द-आर्ट (SOTA) BLER प्रदर्शन प्राप्त करता है।
व्यवस्थित विश्लेषण और व्याख्यात्मकता (Systematic Analysis & Interpretability):
- एब्लेशन स्टडीज (Ablation Studies): प्रदर्शित किया कि ट्रांसफार्मर-आधारित कोड्स (GBAF) में सेल्फ-अटेंशन और पोजीशनल एनकोडिंग मॉड्यूल इस विशिष्ट रिजीम में प्रदर्शन में नगण्य योगदान देते हैं, जो सिंबल-बाय-सिंबल प्रोसेसिंग की ओर बदलाव को सही ठहराता है।
- लीनियर रिग्रेशन विश्लेषण: दिखाया कि जबकि शुरुआती संचार राउंड रैखिक संबंध (SK के समान) प्रदर्शित करते हैं, बाद के राउंड अत्यधिक गैर-रैखिक (non-linear) हो जाते हैं, जो डीप लर्निंग की आवश्यकता को न्यायसंगत ठहराते हैं।
- पावर एलोकेशन: खुलासा किया कि LIGHTCODE, POWERBLAST की तरह ही पावर आवंटित करना सीखता है, जो बाद के राउंड में विरल त्रुटियों (sparse errors) वाले सिम्बल्स पर ऊर्जा केंद्रित करता है।
स्केलेबिलिटी (Scalability): प्रस्तावित किया कि लंबे ब्लॉक लेंथ को स्वतंत्र सब-ब्लॉक्स के रूप में मानकर LIGHTCODE को स्केल किया जा सकता है, जिससे डायरेक्ट ब्लॉक-लेंथ स्केलिंग से जुड़ी "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) से बचा जा सके।

4. परिणाम (Results)

पेपर AWGN चैनलों पर नॉइज़लेस और नॉइज़ी फीडबैक के साथ प्रदर्शन का मूल्यांकन करता है, जिसमें रेट $R=3/9$ (ब्लॉक लेंथ $K=3$ , राउंड्स $D=9$ ) पर ध्यान केंद्रित किया गया है।

एनालिटिकल स्कीम्स के विरुद्ध प्रदर्शन:
- POWERBLAST BLER में SK और GN स्कीम्स की तुलना में काफी बेहतर प्रदर्शन करता है। उच्च-SNR क्षेत्रों में, यह डीप लर्निंग कोड्स के बराबर या उनसे बेहतर है।
डीप लर्निंग स्कीम्स के विरुद्ध प्रदर्शन:
- LIGHTCODE विभिन्न दरों ( $3/9$ से $3/5$ ) और SNR स्तरों में GBAF (पिछले SOTA) को लगातार पछाड़ता है।
- SNR $-1.0$ dB पर, LIGHTCODE $\approx 4.5 \times 10^{-10}$ का BLER प्राप्त करता है, जो GBAF ( $7 \times 10^{-10}$ ) के तुल्य है, लेकिन बहुत कम जटिलता के साथ।
- थ्रूपुट (Throughput): भारी अटेंशन मैकेनिज्म और हिडन स्टेट्स को हटाने के कारण, LIGHTCODE भारी/रोबस्ट कोडिंग की तुलना में 10 गुना अधिक थ्रूपुट और Robust Coding की तुलना में 171 गुना अधिक डिकोडिंग थ्रूपुट प्राप्त करता है (CPU मोड में)।
जटिलता (Complexity):
- पैरामीटर्स: LIGHTCODE $\approx 7.3 \times 10^3$ पैरामीटर्स का उपयोग करता है, जबकि GBAF $\approx 9.1 \times 10^4$ का उपयोग करता है (एक >10x की कमी)।
- मेमोरी: सिंबल-बाय-सिंबल दृष्टिकोण ट्रांसफॉर्मर की $O(n^2)$ मेमोरी जटिलता से बचता है।

5. महत्व (Significance)

व्यावहारिकता (Practicality): LIGHTCODE विश्वसनीयता से समझौता किए बिना मेमोरी और कंप्यूट आवश्यकताओं को नाटकीय रूप से कम करके, संसाधन-सीमित हार्डवेयर (जैसे IoT, 6G एज डिवाइसेस) में डीप लर्निंग कोड्स को तैनात करने की महत्वपूर्ण बाधा को दूर करता है।
सिद्धांत और व्यवहार को जोड़ना: POWERBLAST दिखाता है कि एनालिटिकल स्कीम्स को न्यूरल नेटवर्क्स के साथ प्रतिस्पर्धा करने के लिए बेहतर बनाया जा सकता है, जबकि LIGHTCODE दिखाता है कि न्यूरल नेटवर्क्स को एनालिटिकल दक्षता के करीब पहुँचने के लिए सरल बनाया जा सकता है।
लर्निंग में अंतर्दृष्टि: पेपर महत्वपूर्ण अंतर्दृष्टि प्रदान करता है कि फीडबैक चैनलों के लिए डीप लर्निंग क्यों काम करता है। यह पुष्टि करता है कि जबकि शुरुआती चरण रैखिक होते हैं, बाद के चरणों के लिए विरल त्रुटियों को कुशलतापूर्वक संभालने के लिए गैर-रैखिक प्रसंस्करण की आवश्यकता होती है। यह जटिल ट्रांसफार्मर आर्किटेक्चर की आवश्यकता को भी चुनौती देता है, यह सुझाव देते हुए कि बड़े बैच ट्रेनिंग के साथ सरल फीड-फॉरवर्ड नेटवर्क पर्याप्त हैं।
भविष्य की दिशा: यह कार्य सुझाव देता है कि भविष्य के कोडिंग डिज़ाइन को केवल मॉडल की गहराई या अटेंशन मैकेनिज्म को बढ़ाने के बजाय, हाइब्रिड दृष्टिकोण (एनालिटिकल इनसाइट्स द्वारा निर्देशित न्यूरल आर्किटेक्चर) और कुशल प्रशिक्षण रणनीतियों (बड़े बैच साइज) पर ध्यान केंद्रित करना चाहिए।