⚡ electrical engineering

Geometric SSM: LTI State Space Models for Selective Tasks

यह शोधपत्र 'जियोमेट्रिक एसएसएम' (Geometric SSM) को पेश करके इस प्रचलित धारणा को चुनौती देता है कि स्टेट स्पेस मॉडल्स (State Space Models) में चयनात्मकता के लिए समय-परिवर्तनीय गतिकी (time-varying dynamics) की आवश्यकता होती है, जो चयनात्मक पैटर्न पहचान और इंडक्शन कार्यों पर बेहतर प्रदर्शन प्राप्त करने के लिए ज्यामितिक नियंत्रण सिद्धांत (geometric control theory) का लाभ उठाता है और साथ ही कुशल लीनियर टाइम-इनवेरिएंट (LTI) गुणों को भी बनाए रखता है।

मूल लेखक: Umberto Casti, Giacomo Baggio, Sandro Zampieri, Fabio Pasqualetti

प्रकाशित 2026-03-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Umberto Casti, Giacomo Baggio, Sandro Zampieri, Fabio Pasqualetti

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

यहाँ "Geometric SSMs with LTI Dynamics for Selective Sequence Modeling" पेपर का एक सरल भाषा में अनुवाद दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।

मुख्य विचार: "नियम पुस्तिका" को तोड़ना

कल्पना कीजिए कि आप एक रोबट को कहानी पढ़ना सिखा रहे हैं। रोबट को यह जानने की जरूरत है कि उसे क्या याद रखना है और किसे अनदेखा करना है। यदि कोई पात्र कहता है "एक समय की बात है," तो रोबट को इसे याद रखना चाहिए। यदि कोई पात्र छींकता है, तो रोबट को शायद इसे तुरंत भूल जाना चाहिए।

AI की दुनिया में, चुनने और छोड़ने की इस क्षमता को Selectivity (चयनात्मकता) कहा जाता है।

हाल ही में, Mamba नामक एक लोकप्रिय AI मॉडल ने दावा किया कि इस "selectivity" को पाने के लिए, रोबोट के मस्तिष्क को अभी जो वह पढ़ रहा है, उसके आधार पर अपने आंतरिक नियमों को लगातार बदलना होगा। उन्होंने तर्क दिया कि यदि नियम स्थिर (एक "static" या LTI सिस्टम) रहते हैं, तो रोबोट शोर (noise) को छानने के लिए बहुत मंद होगा।

यह पेपर कहता है: "इतना भी जल्दी मत मानिए!"

लेखक, जो इंजीनियरों और गणितज्ञों की एक टीम है, का तर्क है कि स्मार्ट होने के लिए आपको अपनी नियम पुस्तिका को लगातार फिर से लिखने की आवश्यकता नहीं है। आपको बस शुरुआत से ही अपनी नियम पुस्तिका को बहुत चतुराई से डिजाइन करने की आवश्यकता है। उन्होंने एक नया मॉडल बनाया जिसे Geometric SSM कहा जाता है, जो यह सिद्ध करता है कि एक "स्थिर" मस्तिष्क एक "गतिशील" (dynamic) मस्तिष्क जितना ही चयनात्मक हो सकता है, लेकिन यह तेज़ और प्रशिक्षित करने में आसान है।

उपमा: बाउंसर बनाम स्मार्ट फिल्टर

अंतर को समझने के लिए, आइए एक नाइट क्लब की कल्पना करें।

1. Mamba का दृष्टिकोण (गतिशील बाउंसर - The Dynamic Bouncer)

Mamba मॉडल में, दरवाजे पर खड़ा बाउंसर हर सेकंड अपना मन बदल देता है कि उसके सामने कौन खड़ा है।

यह कैसे काम करता है: यदि कोई VIP आता है, तो बाउंसर अपनी लिस्ट चेक करता है, VIP को देखता है, और कहता है, "ठीक है, आप अंदर आ सकते हैं!" यदि कोई आम आदमी आता है, तो वह कहता है, "नहीं।"
समस्या: बाउंसर को हर एक व्यक्ति के लिए तुरंत रुकना, सोचना और अपना निर्णय फिर से कैलकुलेट करना पड़ता है। वह उस व्यक्ति के इतिहास या उनके समूह को नहीं देख सकता; वह केवल उसी व्यक्ति को देखता है जो अभी वहां खड़ा है।
खामी: यदि VIP ने वेश बदल रखा है और दोस्तों के समूह के साथ आया है, तो बाउंसर भ्रमित हो सकता है क्योंकि वह समूह के पैटर्न को याद नहीं रख पाता। उसे हर बार सब कुछ शून्य से फिर से जांचना पड़ता है।

2. Geometric SSM का दृष्टिकोण (स्मार्ट फिल्टर - The Smart Filter)

लेखक एक अलग प्रणाली का प्रस्ताव करते हैं। एक ऐसे बाउंसर के बजाय जो अपना मन बदलता रहता है, वे एक हाई-टेक सुरक्षा गेट का उपयोग करते हैं जिसमें एक पूर्व-निर्धारित, अपरिवर्तनीय नियम पुस्तिका होती है।

यह कैसे काम करता है: गेट को विशिष्ट "लेन" (गणितीय स्थान) के साथ डिजाइन किया गया है।
- यदि आप लाल टोपी पहनकर आते हैं (डेटा), तो गेट स्वचालित रूप से एक लाल लेन खोल देता है।
- यदि आप नीली टोपी पहनकर आते हैं (शोर/noise), तो गेट आपको स्वचालित रूप से एक डेड-एंड लेन की ओर निर्देशित कर देता है जहाँ आप गायब हो जाते हैं।
जादू: गेट स्वयं अपने नियम कभी नहीं बदलता। यह एक स्थिर मशीन है। हालाँकि, क्योंकि इस मशीन को Geometric Control Theory (गणित की एक उन्नत शाखा) का उपयोग करके डिजाइन किया गया है, यह जानता है कि विभिन्न पैटर्न को कैसे रूट (route) करना है।
याददाश्त: महत्वपूर्ण बात यह है कि इस गेट में एक "मेमोरी लेन" है। यदि कोई VIP एक समूह के साथ आता है, तो गेट पिछले कुछ सेकंड के समूह के पैटर्न को याद रखता है। यह केवल दरवाजे पर खड़े व्यक्ति को नहीं देखता; यह लोगों के अनुक्रम (sequence) को देखता है।

यह क्यों मायने रखता है?

यह पेपर AI के एक बड़े अनुमान को चुनौती देता है: "स्मार्ट होने के लिए, आपको अराजक/परिवर्तनशील होना चाहिए।"

लेखक दिखाते हैं कि व्यवस्था (LTI) उतनी ही शक्तिशाली हो सकती है जितनी कि अराजकता (Time-Varying), यदि आप ज्यामिति (geometry) का उपयोग करते हैं।

यहाँ उनके नए Geometric SSM की तीन मुख्य जीतें दी गई हैं:

"मल्टी-टोकन" टेस्ट (विस्तारित इंडक्शन हेड):
- चुनौती: एक गुप्त कोड की कल्पना करें जहाँ आपको दरवाजा खोलने के लिए 4-शब्दों वाले वाक्यांश (जैसे, "लाल सेब नीला आकाश") को याद रखना है।
- Mamba की विफलता: क्योंकि Mamba केवल वर्तमान शब्द को देखता है, वह भटक जाता है। वह "लाल" देखता है, फिर "सेब", फिर "नीला", और फिर वह वाक्यांश की शुरुआत भूल जाता है। वह टेस्ट में विफल हो जाता है।
- Geometric SSM की सफलता: क्योंकि इसमें एक अंतर्निहित "रेसिड्यूअल जनरेटर" (याद रखने वाला घटक) है, यह पूरे वाक्यांश को याद रखता है। यह पैटर्न को पहचान लेता है और दरवाजा पूरी तरह से खोल देता है।
गति और दक्षता (FFT सुपरहाइवे):
- Mamba के बदलते नियम डेटा को समानांतर (parallel) रूप से प्रोसेस करने की क्षमता को तोड़ देते हैं (जैसे एक फैक्ट्री असेंबली लाइन)। इसे चीजों को एक-एक करके प्रोसेस करना पड़ता है, जो धीमा है।
- Geometric SSM अपने नियमों को स्थिर रखता है। यह इसे FFT (Fast Fourier Transform) का उपयोग करने की अनुमति देता है—एक गणितीय शॉर्टकट जो इसे पूरी कहानी को एक साथ प्रोसेस करने देता है, जैसे कि एक सुपर-फास्ट असेंबली लाइन। यह तेज़ है और कम कंप्यूटर मेमोरी का उपयोग करता है।
सरलता:
- इन कार्यों में कुशल होने के लिए Mamba को भारी मात्रा में पैरामीटर्स (मेमोरी) की आवश्यकता होती है।
- Geometric SSM ने अपने टेस्ट पर 50 पैरामीटर्स के साथ लगभग सटीक स्कोर प्राप्त किया, जबकि Mamba को 700 की आवश्यकता थी और फिर भी वह कठिन टेस्ट में पीछे रह गया। यह 700 टुकड़ों के बजाय 50 टुकड़ों के साथ पहेली सुलझाने जैसा है।

निष्कर्ष (Takeaway)

यह पेपर मूल रूप से कह रहा है: "हमें AI को स्मार्ट बनाने के लिए पहिये का पुनरुद्धार करने की आवश्यकता नहीं है। हमें बस एक बेहतर पहिया बनाने की आवश्यकता है।"

पुराने स्कूल के, कठोर गणित (Geometric Control Theory) का उपयोग करके, बजाय इसके कि वे सिस्टम को लगातार बदलते रहने दें, उन्होंने एक ऐसा मॉडल बनाया जो:

पैटर्न को बेहतर तरीके से याद रखता है।
शोर (noise) को अधिक प्रभावी ढंग से छानता है।
तेज़ी से प्रशिक्षित होता है और कम ऊर्जा का उपयोग करता है।

यह एक अनुस्मारक है कि कभी-कभी, सबसे उन्नत समाधान एक अराजक, निरंतर बदलने वाली प्रणाली नहीं होता, बल्कि एक पूर्णतः इंजीनियर की गई, स्थिर प्रणाली होती है जो जानती है कि सूचना के प्रवाह को कैसे संभालना है।

यहाँ "Geometric SSMs with LTI Dynamics for Selective Sequence Modeling" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्टेट स्पेस मॉडल्स (SSMs), विशेष रूप से Mamba आर्किटेक्चर में हालिया प्रगति ने चयनात्मकता (selectivity) को—अर्थात प्रासंगिक जानकारी पर ध्यान केंद्रित करने और अप्रासंगिक इनपुट को फ़िल्टर करने की क्षमता को—सीक्वेंस मॉडलिंग के लिए एक महत्वपूर्ण क्षमता के रूप में स्थापित किया है। Mamba इसे लीनियर टाइम-वेरिंग (LTV) डायनेमिक्स पेश करके प्राप्त करता है, जहाँ सिस्टम मैट्रिसेस वर्तमान इनपुट पर निर्भर हो जाते हैं।

क्षेत्र में प्रचलित धारणा (विशेष रूप से Gu & Dao, 2023 में) यह है कि चयनात्मकता के लिए मौलिक रूप से लीनियर टाइम-इनवेरिएंट (LTI) गुण को तोड़ना आवश्यक है। लेखक तर्क देते हैं कि LTI सिस्टम समय-परिवर्तित मापदंडों (time-varying parameters) के बिना चयनात्मक रूप से इनपुट को प्रोसेस नहीं कर सकते। इस धारणा के महत्वपूर्ण निहितार्थ हैं:

गणना लागत (Computational Cost): LTV डायनेमिक्स पारंपरिक SSMs की कनवल्शनल संरचना को तोड़ देते हैं, जिससे फास्ट फूरियर ट्रांसफॉर्म (FFT) जैसे कुशल समानांतर प्रशिक्षण (parallel training) विधियों का उपयोग करना असंभव हो जाता है और अनुक्रमिक गणना (sequential computation) को मजबूर होना पड़ता है।
सैद्धांतिक सीमा (Theoretical Limitation): यह सुझाव देता है कि कंटेंट-डिपेंडेंट रीजनिंग प्राप्त करने के लिए, आपको LTI सिस्टम की गणितीय सुंदरता और दक्षता का त्याग करना होगा।

यह शोध पत्र इस दावे को चुनौती देता है, और पूछता है: क्या LTI सिस्टम, समय-परिवर्तित डायनेमिक्स के बिना भी चयनात्मकता प्राप्त कर सकते हैं?

2. कार्यप्रणाली: ज्योमेट्रिक SSM (Methodology: Geometric SSM)

लेखक ज्योमेट्रिक SSM (Geometric SSM) प्रस्तावित करते हैं, जो ज्यामितीय नियंत्रण सिद्धांत (geometric control theory) (विशेष रूप से इनवेरिएंट सबस्पेस और फॉल्ट डिटेक्शन) के सिद्धांतों का लाभ उठाकर सख्ती से LTI डायनेमिक्स का उपयोग करते हुए चयनात्मकता प्राप्त करता है।

मुख्य अवधारणा: इनवेरिएंट सबस्पेस (Core Concept: Invariant Subspaces)

इनपुट मॉड्यूलेशन (जैसा कि Mamba करता है) के बजाय, ज्योमेट्रिक SSM सिस्टम को इस तरह से डिज़ाइन करता है कि विभिन्न इनपुट पैटर्न स्टेट स्पेस के विशिष्ट इनवेरिएंट सबस्पेस (distinct invariant subspaces) को उत्तेजित (excite) करते हैं।

तंत्र (Mechanism): विशिष्ट इनपुट वेक्टर्स (जैसे, "डेटा" टोकन) को एक ऐसे सबस्पेस को उत्तेजित करने के लिए इंजीनियर किया जाता है जो गैर-शून्य आउटपुट उत्पन्न करता है, जबकि अन्य वेक्टर्स (जैसे, "ब्लैंक" टोकन) एक ऐसे सबस्पेस को उत्तेजित करते हैं जिसके परिणामस्वरूप शून्य आउटपुट (या नल रिस्पॉन्स) होता है।
परिणाम: सिस्टम बिना किसी समय-परिवर्तित मापदंडों की आवश्यकता के, अपने ज्यामितीय गुणों के आधार पर इनपुट को स्वाभाविक रूप से फ़िल्टर करता है।

आर्किटेक्चर डिज़ाइन (Architecture Design)

ज्योमेट्रिक SSM चयन तंत्र (selection mechanism) को कोर रिकरेंट डायनेमिक्स से बाहर ले जाता है। इसमें चार मुख्य घटक शामिल हैं:

सिग्नेचर सिस्टम ( $\Sigma_f$ ): एक LTI सिस्टम जो इनपुट $u(t)$ को प्रोसेस करके एक फीचर "सिग्नेचर" $f(t)$ उत्पन्न करता है।
मेन प्रोसेसिंग सिस्टम ( $\Sigma_M$ ): एक LTI सिस्टम जो कच्चे इनपुट और सिग्नेचर दोनों को प्रोसेस करके एक कैंडिडेट आउटपुट $y_s(t)$ बनाता है।
रेसिडुअल जनरेटर ( $\Sigma_r$ ): एक डायनेमिक LTI सिस्टम जो कैंडिडेट आउटपुट और इनपुट ( $y_s(t) - u(t)$ ) के बीच रेसिड्यूल (residual) की गणना करता है। महत्वपूर्ण रूप से, यह सिस्टम पिछले इनपुट्स की टेम्पोरल मेमोरी (temporal memory) बनाए रखता है।
गेटिंग मैकेनिज्म ( $\Sigma_g$ ): एक नॉन-लीनियर गेट (सिग्मॉइड फंक्शन का उपयोग करके) जो पिछले स्टेट $y(t)$ $y (t)$ और नए कैंडिडेट $y_s(t)$ $y_{s} (t)$ के बीच इंटरपोलेशन करने के लिए रेसिड्यूल सिग्नल $s(t)$ $s (t)$ का उपयोग करता है।
- यदि $s(t) \approx 1$ , तो सिस्टम अपडेट होता है (नई जानकारी पर ध्यान देता है)।
- यदि $s(t) \approx 0$ , तो सिस्टम इतिहास को सुरक्षित रखता है (इनपुट को फ़िल्टर करता है)।

कुशल कार्यान्वयन (I/O रिप्रेजेंटेशन) (Efficient Implementation)

Mamba के विपरीत, जो समानांतरकरण (parallelization) सक्षम करने के लिए डायगोनल बाधाओं के साथ स्टेट-स्पेस रिकर्सन पर निर्भर करता है, ज्योमेट्रिक SSM LTI सिस्टम के इनपुट-आउटपुट (I/O) रिप्रेजेंटेशन का उपयोग करता है।

ट्रांसफर फंक्शन्स: सिस्टम को स्टेट मैट्रिसेस के बजाय रेशनल ट्रांसफर फंक्शन्स (Z-ट्रांसफॉर्म के माध्यम से) द्वारा दर्शाया जाता है।
समानांतर प्रशिक्षण (Parallel Training): यह मॉडल को फ्रीक्वेंसी डोमेन में FFT-आधारित कन्वल्यूशन का उपयोग करके प्रशिक्षित करने की अनुमति देता है।
जटिलता (Complexity): प्रशिक्षण पूरी तरह से समानांतर योग्य है जिसकी जटिलता $O(\ell \log \ell)$ है (जहाँ $\ell$ सीक्वेंस लेंथ है) और इसकी मेमोरी आवश्यकताएं Mamba के स्टेट-आधारित प्रशिक्षण के विपरीत, स्टेट साइज से स्वतंत्र होती हैं।

3. मुख्य योगदान (Key Contributions)

LTI सीमा का खंडन: यह शोध पत्र एक सैद्धांतिक और अनुभवजन्य प्रमाण प्रदान करता है कि LTI सिस्टम चयनात्मकता प्राप्त कर सकते हैं, जो इस धारणा को चुनौती देता है कि कंटेंट-डिपेंडेंट प्रोसेसिंग के लिए समय-परिवर्तित डायनेमिक्स आवश्यक हैं।
ज्यामितीय नियंत्रण ढांचा (Geometric Control Framework): यह मशीन लर्निंग में ज्यामितीय नियंत्रण सिद्धांत (इनवेरिएंट सबस्पेस) का एक अभिनव अनुप्रयोग पेश करता है, जो चयनात्मक आर्किटेक्चर को डिजाइन करने का एक सिद्धांतपूर्ण तरीका प्रदान करता है।
ज्योमेट्रिक SSM आर्किटेक्चर: यह एक नया मॉडल पेश करता है जो फीचर एक्सट्रैक्शन, प्रोसेसिंग और सिलेक्शन को मॉड्यूलर LTI घटकों में अलग करता है, जिससे कन्वलशनल ट्रेनिंग की दक्षता बनी रहती है और जटिल सिलेक्शन लॉजिक संभव होता है।
मेमोरी-कुशल प्रशिक्षण: I/O रिप्रेजेंटेशन का उपयोग करके, यह मॉडल समय-परिवर्तित मॉडल्स के साथ जुड़े स्टेट ट्राजेक्टरीज को स्टोर करने के मेमोरी बॉटलनैक से बचता है, जिससे बड़े स्टेट डायमेंशन को बिना अत्यधिक मेमोरी लागत के प्रशिक्षित करना संभव होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन सिंथेटिक बेंचमार्क पर एक सरलीकृत Mamba सिलेक्टिव SSM के विरुद्ध ज्योमेट्रिक SSM का मूल्यांकन किया:

स्टैंडर्ड इंडक्शन हेड टास्क (Standard Induction Head Task):
- कार्य: एक सिंगल ट्रिगर टोकन के बाद आने वाले टोकन को याद रखना।
- परिणाम: ज्योमेट्रिक SSM ने केवल 50 पैरामीटर्स के साथ सभी सीक्वेंस लेंथ (up to $2^{10}$ ) में ~99% सटीकता प्राप्त की। Mamba (700 पैरामीटर्स) में सीक्वेंस लेंथ बढ़ने के साथ महत्वपूर्ण गिरावट देखी गई।
एक्सटेंडेड इंडक्शन हेड टास्क (मल्टी-टोकन ट्रिगर) (Extended Induction Head Task):
- कार्य: एक टारगेट को याद करने के लिए $N$ टोकन के अनुक्रम को ट्रिगर के रूप में पहचानना। इसके लिए पैटर्न की पहचान करने हेतु टेम्पोरल मेमोरी की आवश्यकता होती है।
- परिणाम: Mamba पूरी तरह विफल रहा (सटीकता <20% तक गिर गई) क्योंकि इसका सिलेक्शन मैकेनिज्म "मेमोरीलेस" है (केवल वर्तमान इनपुट पर निर्भर है)। ज्योमेट्रिक SSM ने ~99% सटीकता बनाए रखी क्योंकि इसका रेसिड्यूल जनरेटर ( $\Sigma_r$ ) स्वाभाविक रूप से टेम्पोरल कॉन्टेक्स्ट को संचित करता है।
सीक्वेंशियल MNIST (sMNIST):
- कार्य: एक सामान्य सीक्वेंस मॉडलिंग कार्य (पिक्सेल-दर-पिक्सेल इमेज क्लासिफिकेशन) जहाँ चयनात्मकता उतनी केंद्रीय नहीं है।
- परिणाम: ज्योमेटरिक SSM ने 81% सटीकता प्राप्त की, जो Mamba के 11% से काफी बेहतर है। लेखकों ने Mamba के खराब प्रदर्शन का कारण इसके स्टेट-आधारित प्रशिक्षण की उच्च मेमोरी लागत को बताया, जिसने मॉडल के आकार को सीमित कर दिया।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक बदलाव: यह कार्य चयनात्मक सीक्वेंस मॉडलिंग की समझ को मौलिक रूप से बदल देता है, यह सिद्ध करता है कि समय-परिवर्तन (time-variance) चयनात्मकता के लिए पूर्व-आवश्यकता नहीं है। चयनात्मकता को LTI ढांचे के भीतर ज्यामितीय डिजाइन और डायनेमिक गेटिंग के माध्यम से प्राप्त किया जा सकता है।
दक्षता बनाम अभिव्यक्तकता (Efficiency vs. Expressiveness): ज्योमेट्रिक SSM प्रदर्शित करता है कि Mamba की अभिव्यक्तकता प्राप्त करने के लिए आपको LTI सिस्टम के समानांतरकरण लाभों (FFT ट्रेनिंग) का त्याग करने की आवश्यकता नहीं है। यह सघन, नॉन-डायगोनल सिस्टम मैट्रिसेस के लिए एक मार्ग प्रदान करता है जो अभी भी कुशलतापूर्वक प्रशिक्षित किए जा सकते हैं।
स्केलेबिलिटी (Scalability): ज्योमेट्रिक SSM का मेमोरी-स्वतंत्र प्रशिक्षण यह सुझाव देता है कि यह Mamba की तुलना में बहुत बड़े स्टेट डायमेंशन तक बेहतर स्केल कर सकता है, जो ट्रेनिंग के दौरान स्टेट ट्राजेक्टरीज को स्टोर करने की आवश्यकता से बाधित है।
भविष्य की दिशाएं: हालांकि वर्तमान परिणाम सिंथेटिक और सरल बेंचमार्क पर हैं, यह आर्किटेक्चर एक आशाजनक दिशा का सुझाव देता है जो कंट्रोल थ्योरी की सैद्धांतिक कठोरता को बड़े पैमाने पर लैंग्वेज मॉडलिंग के लिए आवश्यक व्यावहारिक दक्षता के साथ जोड़ता है।

निष्कर्षतः, यह शोध पत्र तर्क देता है कि ज्यामितीय नियंत्रण सिद्धांत (geometric control theory) चयनात्मक SSMs को डिजाइन करने के लिए एक बेहतर ढांचा प्रदान करता है, जो उच्च-प्रदर्शन, मेमोरी-कुशल और सैद्धांतिक रूप से सुदृढ़ मॉडल का मार्ग प्रशस्त करता है जो समय-परिवर्तित डायनेमिक्स के कम्प्यूटेशनल ओवरहेड पर निर्भर नहीं हैं।