⚛️ quantum physics

High-Order Hermite Optimization: Fast and Exact Gradient Computation in Open-Loop Quantum Optimal Control using a Discrete Adjoint Approach

यह शोध पत्र हाई-ऑर्डर हर्मिट ऑप्टिमाइज़ेशन (HOHO) विधि प्रस्तुत करता है, जो कि जूलिया पैकेज QuantumGateDesign.jl में कार्यान्वित एक नवीन ओपन-लूप डिस्क्रीट एडजॉइंट दृष्टिकोण है, जो हाई-ऑर्डर हर्मिट रनगे-कुट्टा इंटीग्रेटर्स का उपयोग करके क्वांटम ऑप्टिमल कंट्रोल के लिए कुशल, सटीक ग्रेडिएंट गणना को सक्षम बनाता है, और Juqbox.jl जैसे मौजूदा टूल्स की तुलना में 775x तक की गति वृद्धि प्राप्त करता है।

मूल लेखक: Spencer Lee, Daniel Appelo

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Spencer Lee, Daniel Appelo

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

एक बड़ी तस्वीर: एक क्वांटम कार को चलाना

कल्पना कीजिए कि आप एक बहुत ही नाजुक, हाई-स्पीड क्वांटम कार को बिंदु A से बिंदु B तक चलाने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, "ड्राइविंग" का अर्थ है ऊर्जा के सटीक पल्स (जैसे माइक्रोवेव या लेजर) लागू करना ताकि एक क्वांटम सिस्टम को नियंत्रित किया जा सके ताकि वह एक विशिष्ट कार्य, जैसे कि एक लॉजिक गेट (एक स्विच) को पूरा कर सके।

समस्या यह है कि कार अविश्वसनीय रूप से संवेदनशील है। यदि आप बहुत ज़ोर से, बहुत तेज़ी से, या गलत समय पर स्टीयरिंग घुमाते हैं, तो आप दुर्घटनाग्रस्त हो जाते हैं (गणना विफल हो जाती है)। सबसे सटीक स्टीयरिंग पथ खोजने के लिए, वैज्ञानिक क्वांटम ऑप्टिमल कंट्रोल (QOC) का उपयोग करते हैं। वे हजारों अलग-अलग स्टीयरिंग पथों को आज़माते हैं ताकि वह रास्ता मिल सके जो कार को न्यूनतम त्रुटि के साथ गंतव्य तक पहुँचा दे।

समस्या: "अंधा" बनाम "नक्शा"

सबसे अच्छा रास्ता खोजने के लिए, आपको यह जानने की आवश्यकता है कि किस दिशा में मुड़ना है। गणितीय शब्दों में, आपको ग्रेडिएंट (एक नक्शा जो बताता है कि कौन सी दिशा परिणाम में सुधार करती है) की आवश्यकता होती है।

पुराने तरीके ("अंधा" दृष्टिकोण): पारंपरिक तरीके अक्सर यह मान लेते हैं कि स्टीयरिंग व्हील छोटे, ऊबड़-खाबड़ अंतराल के लिए एक जगह स्थिर रहता है। यह हर मिलीसेकंड में स्टीयरिंग व्हील को बाएँ और दाएँ झटके देने जैसा है। यह काम तो करता है, लेकिन यह अव्यवस्थित है, ऐसे "झटकेदार" रास्ते बनाता है जिन्हें वास्तविक जीवन में बनाना कठिन है, और हर झटके के लिए नक्शा बनाने के लिए भारी मात्रा में कंप्यूटर पावर की आवश्यकता होती है।
"फॉरवर्ड-मोड" दृष्टिकोण: कुछ नए तरीके इस तरीके से नक्शा बनाने की कोशिश करते हैं कि प्रत्येक स्टीयरिंग पैरामीटर के लिए सिमुलेशन को एक बार चलाया जाए। यदि आपके पास घुमाने के लिए 1,000 नॉब्स (knobs) हैं, तो केवल एक नक्शा प्राप्त करने के लिए आपको सिमुलेशन को 1,000 बार चलाना होगा। यह अविश्वसनीय रूप से धीमा है।

समाधान: हाई-ऑर्डर हर्मिट ऑप्टिमाइज़ेशन (HOHO)

लेखकों ने हाई-ऑर्डर हर्मिट ऑप्टिमाइज़ेशन (HOHO) नामक एक नया तरीका पेश किया है। इसे एक सुपर-स्मार्ट जीपीएस (GPS) के रूप में समझें जो न केवल सामने की सड़क को देखता है; बल्कि यह सड़क के घुमाव, ढलान और भविष्य के प्रक्षेपवक्र (trajectory) को भी एक साथ देखता है।

यह कैसे काम करता है, यहाँ विस्तार से दिया गया है:

स्मूथ स्टीयरिंग (निरंतर पल्स): झटकेदार, ऊबड़-खाबड़ गतिविधियों के बजाय, HOHO सुचारू, बहती हुई वक्र रेखाओं (जैसे कि एक B-spline) का उपयोग करता है। यह एक स्पोर्ट्स कार को स्मूथ स्टीयरिंग व्हील के साथ चलाने जैसा है, न कि उस स्टिक-शिफ्ट की तरह जो केवल गियर में क्लिक होता है। यह नियंत्रण पल्स को वास्तविक हार्डवेयर में बनाना बहुत आसान बनाता है।
"एडजॉइंट" ट्रिक (रिवर्स कैमरा): यह पेपर डिस्क्रीट एडजॉइंट मेथड (Discrete Adjoint Method) नामक एक गणितीय तकनीक का उपयोग करता है। कल्पना कीजिए कि आप गंतव्य तक पहुँचने के लिए आगे बढ़ रहे हैं, लेकिन आपके पास एक "रिवर्स कैमरा" भी है जो गंतव्य से शुरूआती बिंदु की ओर पीछे चलता है। यह देखते हुए कि आपको कहाँ होना चाहिए था और आप वास्तव में कहाँ थे, यह रिवर्स कैमरा तुरंत आपको पूरे सफर के लिए स्टीयरिंग को कैसे समायोजित करना है, यह बता देता है।
- यह जादुई क्यों है: चाहे आपके पास घुमाने के लिए 10 नॉब्स हों या 10,000, इस "रिवर्स कैमरा" को सभी के लिए सटीक नक्शा देने के लिए केवल एक बार चलने की आवश्यकता होती है। यह वही "सटीक ग्रेडिएंट" है जिसके बारे में पेपर बात करता है।
हाई-ऑर्डर सटीकता (ज़ूम लेंस): अधिकांश तरीके कम-रिज़ॉल्यूशन वाले लेंस (लो-ऑर्डर मैथ) का उपयोग करते हैं, जिससे उन्हें विवरणों को मिस करने से बचने के लिए बहुत छोटे कदम लेने पड़ते हैं। HOHO एक हाई-रिज़ॉल्यूशन लेंस (हाई-ऑर्डर मैथ) का उपयोग करता है। यह सड़क के हर छोटे से छोटे उभार को पूरी तरह से देखते हुए बड़े कदम उठा सकता है।
- परिणाम: क्योंकि यह कम कदम लेता है और बड़े कदम उठाता है, यह समाधान की गणना बहुत तेज़ी से करता है।

परिणाम: गति और मेमोरी

लेखकों ने अपने इस नए तरीके (जिसे QuantumGateDesign.jl नामक सॉफ्टवेयर पैकेज में लागू किया गया है) का वर्तमान मानक (एक विधि जिसे Juqbox.jl कहा जाता है) के विरुद्ध परीक्षण किया।

स्पीड बूस्ट (गति में वृद्धि): अपने प्रयोगों में, नया तरीका पुराने तरीके की तुलना में 775 गुना तक तेज़ था।
- उपमा: यदि पुराने तरीके को रूट प्लान करने में 12 घंटे लगते, तो नया तरीका इसे लगभग 1 मिनट में कर सकता था।
मेमोरी की बचत: चूंकि नया तरीका कम कदम लेता है, इसलिए इसे "इतिहास" को याद रखने की उतनी आवश्यकता नहीं होती है। इसने कंप्यूटर मेमोरी की भारी बचत की (कुछ मामलों में 44,000 गुना तक कम)।
- उपमा: पुराने तरीके को अपने नोट्स स्टोर करने के लिए एक गोदाम की आवश्यकता थी; नया तरीका अपने सभी नोट्स एक सिंगल स्टिकी नोट पर फिट कर सकता है।

यह क्यों मायने रखता है (पेपर के अनुसार)

पेपर का दावा है कि यह पहली बार है जब इस विशिष्ट संयोजन—स्मूथ कंट्रोल और हाई-स्पीड, सटीक ग्रेडिएंट कैलकुलेशन—को हासिल किया गया है।

रियल-वर्ल्ड हार्डवेयर: क्योंकि नियंत्रण सुचारू (smooth) हैं, उन्हें वास्तविक माइक्रोवेव जनरेटर और लेजर के साथ बनाना आसान है।
स्टिफ सिस्टम्स (Stiff Systems): कुछ क्वांटम सिस्टम "स्टिफ" होते हैं (वे बहुत तेज़ी से बदलते हैं)। लो-रिज़ॉल्यूशन वाले तरीके यहाँ संघर्ष करते हैं, लेकिन HOHO इसे आसानी से संभाल लेता है।
लंबे सफर: पेपर नोट करता है कि क्वांटम सिस्टम की एक "स्पीड लिमिट" (क्वांटम स्पीड लिमिट) होती है, जिसका अर्थ है कि कुछ कार्यों को पूरा करने में लंबा समय लगता है। चूंकि HOHO लंबे समय तक सटीक रहता है और रास्ते से भटकता नहीं है, इसलिए यह लंबे समय के कार्यों के लिए एकदम सही है।

सारांश

लेखकों ने एक नया गणितीय इंजन (HOHO) बनाया है जो वैज्ञानिकों को पहले की तुलना में बहुत तेज़ी से और अधिक सटीकता के साथ क्वांटम कंट्रोल डिज़ाइन करने की अनुमति देता है। यह सबसे अच्छा रास्ता तुरंत निकालने के लिए "रिवर्स कैमरा" ट्रिक का उपयोग करता है, झटकेदार कदमों के बजाय स्मूथ कर्व्स का उपयोग करता है, और समय के माध्यम से बड़े, सटीक छलांग लगाता है। परिणाम यह है कि यह वर्तमान उपकरणों की तुलना में सैकड़ों गुना तेज़ है और बहुत कम मेमोरी का उपयोग करता है, जिससे उन जटिल क्वांटम गेट्स को डिज़ाइन करना संभव हो जाता है जिन्हें पहले कंप्यूट करना बहुत कठिन था।

तकनीकी सारांश: क्वांटम ऑप्टिमल कंट्रोल के लिए उच्च-क्रम हर्मिट अनुकूलन (High-Order Hermite Optimization)

समस्या विवरण
क्वांटम ऑप्टिमल कंट्रोल (QOC) का लक्ष्य विशिष्ट लॉजिक गेट्स को लागू करने के लिए क्वांटम सिस्टमों को नियंत्रित करना है, जिसके लिए कंट्रोल पल्स (जैसे माइक्रोवेव या लेजर आयाम) को अनुकूलित किया जाता है। QOC में एक केंद्रीय चुनौती ऑब्जेक्टिव फंक्शन (आमतौर पर गेट इनफिडेलिटी) के लिए ग्रेडिएंट्स की कुशल और सटीक गणना करना है, ताकि L-BFGS जैसे ऑप्टिमाइज़ेशन एल्गोरिदम को संचालित किया जा सके।

मौजूदा विधियाँ सटीकता और कम्प्यूटेशनल लागत के बीच एक ट्रेड-ऑफ का सामना करती हैं:

पिसवाइस-कॉन्स्टेंट दृष्टिकोण (जैसे GRAPE): ये मानते हैं कि कंट्रोल पल्स समय के चरणों (timesteps) पर स्थिर रहती है। हालांकि यह एनालिटिक ग्रेडिएंट व्युत्पत्ति की अनुमति देता है, लेकिन इसके परिणामस्वरूप बड़ी संख्या में कंट्रोल पैरामीटर (टाइमस्टेप्स की संख्या के बराबर) और "हाई-बैंडविड्थ" पल्स प्राप्त होती हैं, जिन्हें प्रयोगों में लागू करना कठिन होता है।
स्मूथ, पैरामीटराइज्ड दृष्टिकोण (जैसे GOAT, CRAB): ये निरंतर बेसिस फंक्शन्स (जैसे स्प्लाइन्स) का उपयोग करके कंट्रोल पल्स को स्मूथ बनाने और पैरामीटर्स की संख्या कम करने के लिए करते हैं। हालांकि, मानक ग्रेडिएंट-आधारित विधियों के लिए अक्सर प्रत्येक कंट्रोल पैरामीटर के लिए एक इनिशियल वैल्यू प्रॉब्लम को हल करना आवश्यक होता है (फॉरवर्ड-मोड डिफरेंशिएशन), जिससे ग्रेडिएंट गणना अक्षम ( $O(N_{params})$ ) हो जाती है।
ऑटोमैटिक डिफरेंशिएशन (AD): जबकि रिवर्स-मोड AD कुशलता से ग्रेडिएंट कंप्यूट कर सकता है, इसके लिए पूरे कम्प्यूटेशनल ग्राफ और इंटरमीडिएट वेरिएबल्स को स्टोर करने की आवश्यकता होती है। बड़े क्वांटम सिस्टमों (विशेष रूप से ओपन सिस्टम) के लिए, यह मेमोरी उपयोग सिस्टम के आकार और टाइमस्टेप्स की संख्या के साथ खराब तरीके से स्केल करता है, जिससे बड़े सिस्टमों का ऑप्टिमल कंट्रोल करना अव्यवहारिक हो जाता है।

कार्यप्रणाली: हाई-ऑर्डर हर्मिट ऑप्टिमाइज़ेशन (HOHO)
लेखक हाई-ऑर्डर हर्मिट ऑप्टिमाइज़ेशन (HOHO) पद्धति पेश करते हैं, जो एक ओपन-लूप डिस्क्रीट एडजॉइंट दृष्टिकोण है। इसे निरंतर, पैरामीटराइज्ड कंट्रोल पल्स के लिए सटीक ग्रेडिएंट कंप्यूट करने के लिए डिज़ाइन किया गया है, जबकि यह फॉरवर्ड इक्वेशंस को हल करने के लिए अनिश्चित रूप से उच्च-क्रम (arbitrarily high-order) संख्यात्मक विधियों का उपयोग करता है।

कार्यप्रणाली के मुख्य घटक:

हर्मिट रनगे-कुट्टा (HRK) इंटीग्रेशन: फॉरवर्ड इक्वेशंस को HRK विधियों का उपयोग करके हल किया जाता है। मानक रनगे-कुट्टा विधियों के विपरीत, HRK विधियाँ हर्मिट इंटरपोलेशन का उपयोग करती हैं, जो समय अंतराल के प्रारंभ और अंत में नोड्स को मिला देती हैं। यह विधि को स्टिफ (stiff) क्वांटम सिस्टमों के अनुकूल एक A-स्टेबल संरचना बनाए रखते हुए उच्च-क्रम सटीकता ( $2p$ के लिए $p=q$ ) प्राप्त करने की अनुमति देती है।
डिस्क्रीट एडजॉइंट फॉर्मुलेशन: लेखक HRK स्कीम के लिए विशेष रूप से एक डिस्क्रीट एडजॉइंट विधि व्युत्पन्न करते हैं। लैग्रेंजियन फ्रेमवर्क में टाइमस्टेपिंग नियम को एक बाधा (constraint) के रूप में मानकर, वे एडजॉइंट स्टेट ( $\lambda$ ) के लिए बैकवर्ड इवोल्यूशन समीकरण व्युत्पन्न करते हैं। यह सुनिश्चित करता है कि कंप्यूट किए गए ग्रेडिएंट्स विशिष्ट संख्यात्मक विविक्तकरण (numerical discretization) के संबंध में सटीक हैं, जो कि क्वाज़ी-न्यूटन ऑप्टिमाइज़र के अभिसरण (convergence) के लिए महत्वपूर्ण है।
कुशल ग्रेडिएंट एकत्रीकरण (Efficient Gradient Accumulation): एक नवीन योगदान के रूप में, लेखक ग्रेडिएंट एकत्रीकरण (एडजॉइंट विधि का अंतिम चरण) को कंप्यूट करने की तकनीक विकसित करते हैं ताकि मैट्रिक्स-वेक्टर गुणन की संख्या कंट्रोल पैरामीटर्स ( $N_P$ ) से स्वतंत्र हो। कंट्रोल हैमिल्टोनियन ( $H(t) = H_d + \sum c_j(t) H_j$ ) की रैखिक संरचना का लाभ उठाकर, यह विधि ग्रेडिएंट एकत्रीकरण की कम्प्यूटेशनल लागत को कुल पैरामीटर्स के बजाय केवल कंट्रोल चैनल्स ( $N_C$ ) पर निर्भर करती है।
मेमोरी प्रबंधन: सटीक ग्रेडिएंट सुनिश्चित करने के लिए विधि पूर्ण स्टेट हिस्ट्री को स्टोर करती है। मेमोरी लागत को कम करने के लिए, लेखक एक "मेमोरी-लीन" विकल्प (एडजॉइंट पास के दौरान फॉरवर्ड इक्वेशंस को पुनः हल करना) या चेकपॉइंटिंग का उपयोग करते हैं, हालांकि उनके प्राथमिक प्रयोग ग्रेडिएंट की सटीकता सुनिश्चित करने के लिए पूर्ण स्टोरेज का उपयोग करते हैं।
प्रीकंडीशनिंग: इम्पलिसिट टाइमस्टेपिंग के दौरान हल किए जाने वाले लीनियर सिस्टमों के लिए, लेखक ड्रिफ्ट हैमिल्टोनियन ( $H_d$ ) पर आधारित एक लेफ्ट प्रीकंडीशनर प्रस्तावित करते हैं, जो अक्सर डायगोनल होता है। यह फॉरवर्ड और एडजॉइंट इवोल्यूशन दोनों में उपयोग किए जाने वाले इटरेटिव सॉल्वर (जैसे GMRES) के अभिसरण को काफी तेज कर देता है।

मुख्य योगदान

प्रथम श्रेणी का कार्य: HOHO निरंतर, पैरामीटराइज्ड कंट्रोल पल्स के लिए सटीक डिस्क्रीट ग्रेडिएंट्स को कुशलतापूर्वक कंप्यूट करने वाली पहली विधि है, जो फॉरवर्ड इक्वेशंस को हल करने के लिए अनिश्चित रूप से उच्च-क्रम संख्यात्मक विधियों का उपयोग करती है।
एल्गोरिद्मिक व्युत्पत्ति: यह पेपर अनिश्चित रूप से उच्च-क्रम की विधियों के लिए डिस्क्रीट एडजॉइंट समीकरणों का एक कठोर व्युत्पन्न प्रदान करता है, जिसमें उच्च-क्रम डेरिवेटिव्स के लिए रिकर्सिव फॉर्मूला और कुशल ग्रेडिएंट एकत्रीकरण रणनीतियाँ शामिल हैं।
सॉफ्टवेयर कार्यान्वयन: इस पद्धति को QuantumGateDesign.jl नामक एक ओपन-सोर्स जूलिया (Julia) पैकेज में लागू किया गया है।
स्केलेबिलिटी: दृष्टिकोण ग्रेडिएंट कंप्यूटेशन की लागत को कंट्रोल पैरामीटर्स की संख्या से अलग करता है और रिवर्स-मोड AD की तुलना में मेमोरी ओवरहेड को कम करता है, जिससे बड़े और स्टिफ क्वांटम सिस्टमों का अनुकरण संभव हो पाता है।

परिणाम
लेखक संख्यात्मक प्रयोगों के माध्यम से पद्धति को मान्य करते हैं:

सटीकता (Correctness): एक राबी ऑसिलेटर समस्या पर, डिस्क्रीट एडजॉइंट ग्रेडिएंट्स टाइमस्टेप के आकार के घटने के साथ एनालिटिक ग्रेडिएंट्स के साथ मशीन प्रिसिजन तक अभिसरित होते हैं, जो व्युत्पत्ति की सटीकता की पुष्टि करते हैं।
अभिसरण (Convergence): HRK विधियाँ श्रोडिंगर समीकरण को हल करने में अपने सैद्धांतिक अभिसरण क्रम (क्रम 2 से 12 तक) प्रदर्शित करती हैं।
प्रदर्शन (स्पीडअप): एक रेज़ोनेटर से जुड़े दो क्वुडिट्स (qudits) पर CNOT गेट के लिए गेट डिज़ाइन समस्या में:
- Störmer-Verlet विधि (Juqbox.jl में कार्यान्वित) की तुलना में, HOHO ने 3x से 775x तक की गति वृद्धि (speedup) प्राप्त की, जो विधि के उपयोग किए गए क्रम और लक्षित सटीकता पर निर्भर करती है।
- $10^{-7}$ के लक्षित सापेक्ष अंतिम-अवस्था त्रुटि के लिए, सबसे समय-कुशल कॉन्फ़िगरेशन (12वीं-क्रम की विधि) ने 775x स्पीडअप प्राप्त किया।
- मेमोरी दक्षता: उच्च-क्रम विधियों को समान सटीकता प्राप्त करने के लिए काफी कम टाइमस्टेप्स की आवश्यकता थी, जिससे कम-क्रम की विधियों की तुलना में मेमोरी में 44,520x तक की कमी आई, जिन्हें बहुत लंबी स्टेट हिस्ट्री को स्टोर करने की आवश्यकता होती।
ऑप्टिमाइज़ेशन दक्षता: ग्रेडिएंट को तेजी से कंप्यूट करने की क्षमता ने ऑप्टिमाइज़र (IPOPT) को एक निश्चित वॉल-क्लॉक समय के भीतर अधिक इटरेशन करने की अनुमति दी, जिससे कम-क्रम की विधियों की तुलना में कम गेट इनफिडेलिटी तक अभिसरण हुआ।

महत्व और दावे
यह पेपर दावा करता है कि HOHO डिस्क्रीट एडजॉइंट QOC के लिए अत्याधुनिक (state-of-the-art) में एक महत्वपूर्ण प्रगति है। निरंतर, स्मूथ, पैरामीटराइज्ड कंट्रोल्स के साथ उच्च-क्रम संख्यात्मक विधियों का उपयोग सक्षम करके, यह विधि क्वांटम सिस्टम की "स्टिफनेस" और कंट्रोल पल्स बैंडविड्थ की प्रयोगात्मक बाधाओं को संबोधित करती है।

लेखक जोर देते हैं कि उनकी पद्धति विशेष रूप से उपयोगी है:

स्टिफ सिस्टम्स के लिए: व्यापक रूप से भिन्न समय-पैमानों (timescales) को सटीक रूप से सिम्युलेट करने के लिए उच्च-क्रम विधियाँ आवश्यक हैं।
लंबी अवधि के नियंत्रण के लिए: यह विधि उन समस्याओं के लिए उपयुक्त है जो क्वांटम स्पीड लिमिट (QSL) या न्यूनतम नियंत्रण समय (MCT) द्वारा बाधित हैं, जहाँ लंबे सिमुलेशन समय की आवश्यकता होती है। उच्च-क्रम विधियाँ उन लंबी अवधियों में सटीकता बनाए रखती हैं जहाँ निम्न-क्रम विधियाँ भटक (drift) सकती हैं।
सटीक ग्रेडिएंट्स के लिए: सटीक डिस्क्रीट ग्रेडिएंट्स का प्रावधान दूसरे-क्रम के ऑप्टिमाइज़ेशन एल्गोरिदम की स्थिरता और अभिसरण के लिए महत्वपूर्ण है, जो अनुमानित ग्रेडिएंट्स के कारण होने वाले कर्वेचर (curvature) सूचना के नुकसान को रोकता है।

यह कार्य यह दावा नहीं करता है कि यह क्वांटम डिकोहेरेंस की मौलिक भौतिकी को हल करता है या एक्सपेरिमेंटल क्लोज्ड-लूप कंट्रोल को बदल देता है, बल्कि यह क्वांटम गेट्स के डिज़ाइन चरण के लिए एक अत्यधिक कुशल कम्प्यूटेशनल टूल प्रदान करता है, जो सैद्धांतिक मॉडल और प्रयोगात्मक व्यवहार्यता के बीच के अंतर को पाटता है।