🤖 machine learning

Understanding Generalization in Diffusion Distillation via Probability Flow Distance

यह शोध पत्र प्रोबेबिलिटी फ्लो डिस्टेंस (PFD) को प्रस्तुत करता है, जो एक सैद्धांतिक रूप से सुदृढ़ और कुशल मीट्रिक है जो डिफ्यूजन डिस्टिलेशन के सामान्यीकरण (जनरलाइजेशन) के मूल्यांकन में मौजूद अंतराल को पाटता है, जिससे स्केलिंग लॉज़, डबल डिसेंट डायनेमिक्स और बायस-वैरिएंस डिकंपोजिशन जैसे प्रमुख व्यवहारों की खोज संभव हो पाती है।

मूल लेखक: Huijie Zhang, Zijian Huang, Siyi Chen, Jinfan Zhou, Zekai Zhang, Peng Wang, Qing Qu

प्रकाशित 2026-02-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Huijie Zhang, Zijian Huang, Siyi Chen, Jinfan Zhou, Zekai Zhang, Peng Wang, Qing Qu

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

🎨 मुख्य चित्र: एक कलाकार को तेज़ी से पेंटिंग करना सिखाना

कल्प Imagine कीजिए कि आपके पास एक विश्व प्रसिद्ध कलाकार (शिक्षक/Teacher) है जो अविश्वसनीय रूप से यथार्थवादी परिदृश्य (landscapes) पेंट कर सकता है। हालाँकि, यह कलाकार धीमा है; उन्हें एक पेंटिंग पूरी करने में 100 घंटे लगते हैं। आप एक छात्र (Student) चाहते हैं जो उतना ही अच्छा पेंट कर सके लेकिन केवल 5 मिनट में।

यही डिफ्यूजन डिस्टिलेशन (Diffusion Distillation) करता है। यह एक छोटे, तेज़ AI मॉडल को एक बड़े, धीमे, उच्च-गुणवत्ता वाले AI मॉडल की नकल करना सिखाने की कोशिश करता है।

लेकिन समस्या यह है: हमें कैसे पता चलेगा कि छात्र ने वास्तव में पेंटिंग की कला सीखी है, या उसने केवल उन विशिष्ट पेंटिंग्स को रट लिया है जो उसे दिखाई गई थीं?

सामान्यीकरण (Generalization): छात्र प्रकाश, छाया और परिप्रेक्ष्य (perspective) के नियमों को सीखता है ताकि वह उन नए परिदृश्यों को पेंट कर सके जिन्हें उसने पहले कभी नहीं देखा है।
रटना (Memorization): छात्र केवल उन्हीं सटीक चित्रों की नकल करता है जिन पर उसे प्रशिक्षित किया गया था। यदि आप उससे एक नई तस्वीर मांगते हैं, तो वह या तो ऐसा नहीं कर पाता, या वह किसी पुराने चित्र की थोड़ी बदली हुई प्रति निकाल देता है।

लंबे समय तक, हमारे पास यह मापने के लिए कोई अच्छा पैमाना नहीं था कि एक 'सीखने वाले' छात्र और एक 'नकल करने वाले' छात्र के बीच क्या अंतर है। यह शोध पत्र उस पैमाने को पेश करता है।

📏 नया पैमाना: "प्रोबेबिलिटी फ्लो डिस्टेंस" (PFD)

लेखकों ने प्रोबेबिलिटी फ्लो डिस्टेंस (PFD) नामक एक नया मीट्रिक बनाया है।

उपमा: "रिवर्स वीडियो" टेस्ट
कल्पना कीजिए कि दुनिया का हर चित्र एक रिवर्स में चलने वाला वीडियो है।

फॉरवर्ड प्रोसेस (Forward Process): आप एक बिल्ली की स्पष्ट फोटो से शुरू करते हैं। आप धीरे-धीरे इसमें शोर (static/noise) जोड़ते हैं जब तक कि यह सफेद टीवी स्नो (TV snow) जैसा न दिखने लगे।
रिवर्स प्रोसेस (The Magic): एक डिफ्यूजन मॉडल उस वीडियो को उल्टा चलाने की कोशिश करता है, यानी उस बर्फ (noise) को वापस बिल्ली में बदलने की कोशिश करता है।

लेखकों ने महसूस किया कि यदि दो मॉडल (शिक्षक और छात्र) दुनिया को समझने के तरीके में वास्तव में "करीब" हैं, तो उन्हें बिल्कुल एक ही बर्फ (noise) को बिल्कुल एक ही बिल्ली में बदलना चाहिए।

PFD कैसे काम करता है:

यादृच्छिक बर्फ (noise) की एक बाल्टी लें।
इसे शिक्षक की "रिवर्स वीडियो" मशीन से गुजारें।
उसी बर्फ को छात्र की मशीन से गुजारें।
परिणामी बिल्लियों की तुलना करें।

यदि बिल्लियाँ अलग दिखती हैं: तो छात्र भ्रमित है या उसने गलत चीजें रट ली हैं। "दूरी" (distance) अधिक है।
यदि बिल्लियाँ बिल्कुल समान दिखती हैं: तो छात्र ने वास्तव में अंतर्निहित नियमों को सीख लिया है। "दूरी" कम है।

यह पुराने तरीकों (जैसे FID) से बेहतर है क्योंकि पुराने तरीके केवल यह पूछते हैं, "क्या चित्र सुंदर दिखता है?" PFD पूछता है, "क्या छात्र ने चित्र बनाने की प्रक्रिया को समझा है?"

🔍 उन्होंने क्या खोजा?

इस नए पैमाने का उपयोग करके, लेखकों ने तीन दिलचस्प रहस्य खोजे कि ये AI मॉडल कैसे सीखते हैं।

1. "स्वीट स्पॉट" अनुपात (Scaling Behavior)

उपमा: कल्पना कीजिए कि आप एक कक्षा को पढ़ा रहे हैं।

यदि आपके पास एक बहुत छोटी कक्षा (छोटा डेटासेट) है लेकिन एक जीनियस शिक्षक (विशाल मॉडल) है, तो छात्र शिक्षक के नोट्स को शब्द-दर-शब्द रट लेंगे (Memorization)।
यदि आपके पास एक बहुत बड़ी कक्षा (विशाल डेटासेट) है और एक छोटा शिक्षक (छोटा मॉडल) है, तो शिक्षक सब कुछ नहीं समझा पाएगा, और छात्र कुछ भी नहीं सीख पाएंगे (Underfitting)।
खोज: यहाँ एक आदर्श संतुलन है। शोध पत्र ने पाया कि सामान्यीकरण (generalization) डेटा के आकार और मॉडल के आकार के अनुपात पर निर्भर करता है। यह एक रेसिपी की तरह है: यदि आप सामग्री (डेटा) को दोगुना करते हैं, तो आप बर्तन (मॉडल) का आकार भी दोगुना कर सकते हैं और फिर भी एक बेहतरीन सूप प्राप्त कर सकते हैं। यह इंजीनियरों को एक स्पष्ट फॉर्मूला देता है कि उन्हें एक विशिष्ट AI आकार के लिए कितने डेटा की आवश्यकता है।

2. "डबल डिसेंट" रोलरकोस्टर (Double Descent)

उपमा: साइकिल चलाना सीखने के बारे में सोचें।

चरण 1 (शुरुआत): आप डगमगाते हैं, फिर आप जीत जाते हैं! आप सुचारू रूप से सवारी कर रहे हैं। (सामान्यीकरण अच्छा है)।
चरण 2 (गिरावट): आप बहुत आत्मविश्वासी हो जाते हैं, आप करतब दिखाने की कोशिश करते हैं, और गिर जाते हैं। आप बहुत अधिक सोचने लगते हैं और संतुलन बनाना भूल जाते हैं। (सामान्यीकरण अस्थायी रूप से खराब हो जाता है)।
चरण 3 (रिकवरी): आप शांत होते हैं, बुनियादी बातें फिर से सीखते हैं, और अब आप एक उस्ताद हैं। (सामान्यीकरण फिर से अच्छा हो जाता है)।

शोध पत्र ने पाया कि AI मॉडल भी ऐसा ही करते हैं! जैसे-जैसे वे लंबे समय तक प्रशिक्षण लेते हैं, वे केवल बेहतर होते ही नहीं जाते। वे अच्छे होते हैं, फिर भ्रमित होकर खराब हो जाते हैं, और फिर से अद्भुत हो जाते हैं। यह "डबल डिसेंट" पहले अन्य प्रकार के AI में देखा गया था, लेकिन इस शोध पत्र ने साबित किया कि यह इमेज जेनरेटर में भी होता है।

3. बायस-वैरिएंस ट्रेड-ऑफ (The Goldilocks Zone)

उपमा: एक समूह के छात्रों के टेस्ट देने के बारे में सोचें।

उच्च बायस (High Bias - Underfitting): छात्र बहुत सरल हैं। वे हर उत्तर के लिए "C" का अनुमान लगाते हैं। वे सुसंगत हैं, लेकिन गलत हैं।
उच्च वैरिएंस (High Variance - Overfitting): छात्र बहुत संवेदनशील हैं। यदि शिक्षक टेस्ट पर फॉन्ट बदल देता है, तो वे घबरा जाते हैं और फेल हो जाते हैं। उन्होंने विशिष्ट प्रश्नों को रट लिया है लेकिन अवधारणाओं को नहीं सीखा है।
खोज: शोध पत्र ने दिखाया कि जैसे-जैसे आप AI मॉडल को बड़ा बनाते हैं, यह कम "बायस्ड" (यह अधिक विवरण सीखता है) लेकिन अधिक "वैरिएंस" (यह उतार-चढ़ाव वाला और संवेदनशील हो जाता है) होता है। लक्ष्य उस मध्य मार्ग को खोजना है जहाँ मॉडल स्मार्ट भी हो और स्थिर भी।

🚀 यह क्यों मायने रखता है?

बेहतर AI सुरक्षा: यदि हम "रटने" (Memorization) बनाम "सीखने" (Generalization) को माप सकते हैं, तो हम AI को अनजाने में निजी फोटो या कॉपीराइट वाली कला को लीक करने से रोक सकते हैं।
पैसे की बचत: अब हम यह गणना कर सकते हैं कि एक अच्छा मॉडल बनाने के लिए हमें कितने डेटा और कंप्यूटिंग पावर की आवश्यकता है, बजाय इसके कि हम केवल अनुमान लगाएं और पैसा बर्बाद करें।
तेज़ जनरेशन: यह समझकर कि ये मॉडल कैसे सीखते हैं, हम उन्हें 50 स्टेप्स के बजाय 1 स्टेप में इमेज जेनरेट करने के लिए बना सकते हैं, जिससे AI टूल्स सभी के लिए तेज़ और सस्ते हो जाएंगे।

🏁 संक्षेप में

इस शोध पत्र ने हमें एक नया, वैज्ञानिक तरीका दिया है जिससे यह मापा जा सके कि एक AI वास्तव में "सीख" रहा है या केवल रटकर "चीटिंग" कर रहा है। इमेज को शोर (noise) में बदलने और फिर से वापस बदलने की एक चतुर गणितीय तकनीक का उपयोग करके, उन्होंने AI के सीखने के रहस्यों को खोल दिया है, जिससे हमें स्मार्ट, सुरक्षित और अधिक कुशल इमेज जेनरेटर बनाने में मदद मिल रही है।

यहाँ शोध पत्र "Understanding Generalization in Diffusion Distillation via Probability Flow Distance" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डिफ्यूजन डिस्टिलेशन (Diffusion distillation) डिफ्यूजन मॉडल्स को कुशलतापूर्वक तैनात करने के लिए एक महत्वपूर्ण तकनीक है, जो हल्के, कम-चरणों वाले जनरेशन (few-step generation) को सक्षम बनाती है। हालाँकि, डिस्टिल्ड मॉडल्स की सामान्यीकरण क्षमता (generalization ability) का मूल्यांकन करना एक बड़ी चुनौती बनी हुई है क्योंकि ऐसे मेट्रिक्स का अभाव है जो सैद्धांतिक रूप से कठोर और गणनात्मक रूप से व्यावहारिक दोनों हों।

मौजूदा मेट्रिक्स की सीमाएँ:
- व्यावहारिक मेट्रिक्स (जैसे FID, IS): ये जनरेशन की गुणवत्ता पर ध्यान केंद्रित करते हैं लेकिन मेमोराइजेशन (memorization) (प्रशिक्षण डेटा की नकल करना) और जनरलाइजेशन (generalization) (अंतर्निहित डेटा वितरण को सीखना) के बीच अंतर करने में विफल रहते हैं। दोनों ही उच्च-गुणवत्ता वाले आउटपुट दे सकते हैं।
- सैद्धांतिक मेट्रिक्स (जैसे KL Divergence, Wasserstein Distance): हालांकि ये सैद्धांतिक रूप से सुदृढ़ हैं, लेकिन ये उच्च-आयामी डेटा (जैसे चित्र) के लिए अक्सर गणनात्मक रूप से अव्यवहार्य होते हैं या सटीक अनुमान के लिए अत्यधिक नमूनों (samples) की आवश्यकता होती है।
- सैंपल-स्तरीय मेट्रिक्स: प्रशिक्षण सेट के निकटतम पड़ोसी (nearest neighbor) से दूरी मापने वाले दृष्टिकोण भ्रामक हो सकते हैं (उदाहरण के लिए, शुद्ध शोर (pure noise) को भी जनरलाइज्ड आउटपुट के रूप में गलत वर्गीकृत करना)।

लेखक इस अंतर को पाटने के लिए एक ऐसा मेट्रिक पेश करने का लक्ष्य रखते हैं जो डिफ्यूजन डिस्टिलेशन में मेमोराइजेशन से जनरलाइजेशन की ओर संक्रमण को मात्रात्मक रूप से माप सके।

2. कार्यप्रणाली: प्रोबेबिलिटी फ्लो डिस्टेंस (Methodology: Probability Flow Distance - PFD)

मुख्य योगदान प्रोबेबिलिटी फ्लो डिस्टेंस (PFD) है, जो प्रोबेबिलिटी फ्लो ऑर्डिनरी डिफरेंशियल इक्वेशन (PF-ODE) पर आधारित एक नवीन मेट्रिक है।

सैद्धांतिक आधार:
- डिफ्यूजन मॉडल्स एक फॉरवर्ड प्रोसेस (शोर जोड़ना) और एक बैकवर्ड PF-ODE (डेटा उत्पन्न करने के लिए शोर हटाना) का उपयोग करते हैं।
- PF-ODE एक मानक गॉसियन शोर वितरण ( $\mathcal{N}(0, T^2\mathbf{I})$ ) से डेटा वितरण $p$ तक एक अद्वितीय, नियत (deterministic) मैपिंग $\Phi_p$ प्रेरित करता है।
- PFD दो वितरणों $p$ और $q$ के बीच की दूरी को एक ही शोर इनपुट से शुरू होने वाले उनके संबंधित शोर-से-डेटा मैपिंग ( $\Phi_p$ और $\Phi_q$ ) की तुलना करके मापता है।
परिभाषा:
$\text{PFD}(p, q) = \left( \mathbb{E}_{\mathbf{x}_T} \left[ \| \Psi \circ \Phi_p(\mathbf{x}_T) - \Psi \circ \Phi_q(\mathbf{x}_T) \|_2^2 \right] \right)^{1/2}$
जहाँ:
- $\mathbf{x}_T$ प्रारंभिक शोर है।
- $\Phi_p(\mathbf{x}_T)$ शोर $\mathbf{x}_T$ से मॉडल $p$ द्वारा जनरेट किया गया सैंपल है।
- $\Psi(\cdot)$ एक इमेज डिस्क्रिप्टर (जैसे DINOv2, SSCD) है ताकि धारणात्मक गुणवत्ता (perceptual quality) को कैप्चर किया जा सके, हालांकि सैद्धांतिक विश्लेषण एक आइडेंटिटी मैपिंगिंग मानता है।
विशेषताएँ:
- मेट्रिक एक्सिओम्स (Metric Axioms): PFD पॉजिटिविटी, आइडेंटिटी, सिमिट्री और ट्राएंगल इनइक्वेलिटी (triangle inequality) का पालन करता है।
- दक्षता (Efficiency): Wasserstein डिस्टेंस ( $O(M^2)$ जटिलता) या KL डाइवर्जेंस (घनत्व अनुमान की आवश्यकता) के विपरीत, PFD की $O(M)$ गणना जटिलता है और सटीक अनुमान के लिए बहुत कम नमूनों की आवश्यकता होती है।
- सैद्धांतिक गारंटी: स्कोर फंक्शन्स की लिप्सचिट्ज़ निरंतरता (Lipschitz continuity) की मान्यताओं के तहत, PFD का एम्पिरिकल अनुमान उच्च संभाव्यता के साथ वास्तविक मान की ओर अभिसरित (converge) होता है।

3. मुख्य योगदान (Key Contributions)

PFD का प्रस्ताव: एक सैद्धांतिक रूप से सुदृढ़, गणनात्मक रूप से कुशल मेट्रिक जो डिफ्यूजन मॉडल्स में जनरलाइजेशन को स्पष्ट रूप से मापता है और इसे मेमोराइजेशन से अलग करता है।
क्वांटिटेटिव स्केलिंग लॉज़ (Quantitative Scaling Laws): लेखक एक सार्वभौमिक स्केलिंग व्यवहार की पहचान करते हैं जो मेमोराइजेशन से जनरलाइजेशन के संक्रमण को नियंत्रित करता है, जो $N / \sqrt{|\theta|}$ अनुपात द्वारा संचालित होता है, जहाँ $N$ डेटासेट का आकार है और $|\theta|$ मॉडल के पैरामीटर्स की संख्या है।
लर्निंग डायनेमिक्स विश्लेषण:
- एपॉक-वाइज डबल डिसेंट (Epoch-wise Double Descent): जनरलाइजेशन रिजीम (पर्याप्त डेटा) में, प्रशिक्षण के दौरान जनरलाइजेशन एरर एक "डबल डिसेंट" वक्र (घटना $\to$ बढ़ना $\to$ घटना) प्रदर्शित करता है, जो एक ऐसी घटना है जिसे पहले सुपरवाइज्ड लर्निंग में देखा गया था, लेकिन डिफ्यूजन डिस्टिलेशन में इसकी पुष्टि नहीं हुई थी।
- अर्ली लर्निंग (Early Learning): सीमित डेटा वाले रिजीम में, मॉडल "अर्ली लर्निंग" प्रदर्शित करते हैं, जहाँ वे शुरू में जनरलाइज करते हैं लेकिन जैसे-जैसे प्रशिक्षण आगे बढ़ता है, वे मेमोराइजेशन की ओर संक्रमण करते हैं।
बायस-वैरिएंस डिकंपोजिशन (Bias-Variance Decomposition): यह पेपर क्लासिकल स्टैटिस्टिकल लर्निंग थ्योरी को डिफ्यूजन मॉडल्स तक विस्तारित करता है, जो जनरलाइजेशन एरर को बायस और वेरिएंस घटकों में विभाजित करता है, जिससे एक U-आकार का एरर कर्व प्राप्त होता है जो सुपरवाइज्ड लर्निंग के अनुरूप है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विभिन्न U-Net आर्किटेक्चर (0.9M से 295.9M पैरामीटर्स तक) और विभिन्न डिस्टिलेशन सैंपल साइज ( $N$ $2^6$ से $2^{16}$ तक) का उपयोग करके CIFAR-10 और ImageNet डेटासेट पर PFD का मूल्यांकन किया।

मौजूदा मेट्रिक्स पर श्रेष्ठता:
- "मेमोराइजेशन-टू-जनरलाइजेशन" (MtoG) संक्रमण में, पारंपरिक मेट्रिक्स जैसे FID, IS और ट्रेनिंग लॉस संक्रमण को सटीक रूप से ट्रैक करने में विफल रहे। वे अक्सर संक्रमण चरण के दौरान विजुअल क्वालिटी में गिरावट के कारण खराब प्रदर्शन करते हैं या वितरण बदलाव (distributional shifts) के प्रति असंवेदनशील होते हैं।
- PFD एकमात्र मेट्रिक था जिसने लगातार संक्रमण को ट्रैक किया: मेमोराइजेशन एरर ( $\mathcal{E}_{mem}$ ) $N$ के साथ बढ़ा, जबकि जनरलाइजेशन एरर ( $\mathcal{E}_{gen}$ ) घटा, जिससे दोनों रिजीम स्पष्ट रूप से अलग हो गए।
स्केलिंग व्यवहार (Scaling Behavior):
- जब एरर को $\log_2(N)$ के विरुद्ध प्लॉट किया गया, तो विभिन्न मॉडल आकारों के लिए कर्व्स अलग-अलग थे।
- जब $\log_2(N / \sqrt{|\theta|})$ के विरुद्ध प्लॉट किया गया, तो सभी कर्व्स एक ही यूनिवर्सल कर्व में समाहित हो गए, जो स्केलिंग लॉ की पुष्टि करता है।
लर्निंग डायनेमिक्स:
- डबल डिसेंट: बड़े $N$ ( $2^{16}$ ) के लिए, $\mathcal{E}_{gen}$ गिरा, बढ़ा (मध्यवर्ती एपॉक्स में), और फिर से गिरा, जबकि मानक लॉस फंक्शन्स निरंतर रूप से घटते रहे।
- अर्ली लर्निंग: छोटे $N$ ( $2^6$ ) के लिए, $\mathcal{E}_{gen}$ शुरू में गिरा लेकिन जैसे ही मॉडल ओवरफिट/मेमोराइज हुआ, यह तेजी से बढ़ गया।
बायस-वैरिएंस ट्रेड-ऑफ:
- मॉडल कैपेसिटी बढ़ाने से बायस कम हुआ लेकिन वेरिएस बढ़ गया।
- डेटासेट का आकार बढ़ाने से बायस और वेरिएस दोनों कम हुए।

5. महत्व और प्रभाव (Significance and Impact)

सैद्धांतिक सेतु (Theoretical Bridge): PFD डिफ्यूजन मॉडल्स पर स्टैटिस्टिकल लर्निंग थ्योरी (बायस-वैरिएंस, स्केलिंग लॉ) लागू करने के लिए पहला कठोर ढांचा प्रदान करता है, जो कि यह क्षेत्र पहले केवल अनुभवजन्य अवलोकनों (empirical observations) द्वारा संचालित था।
व्यावहारिक मार्गदर्शन: स्केलिंग लॉ ( $N / \sqrt{|\theta|}$ ) अभ्यासकर्ताओं को अनावश्यक ओवर-पैरामीट्राइजेशन के बिना इष्टतम जनरलाइजेशन प्राप्त करने के लिए मॉडल साइज और डेटा वॉल्यूम को संतुलित करने हेतु कार्रवाई योग्य मार्गदर्शन प्रदान करता है।
सुरक्षा और कॉपीराइट: मेमोराइजेशन को जनरलाइजेशन से अलग करके, PFD गोपनीयता लीक और कॉपीराइट उल्लंघन से जुड़े जोखिमों को कम करने में मदद करता है, क्योंकि यह पता लगा सकता है कि मॉडल केवल प्रशिक्षण डेटा की नकल कर रहा है या वास्तव में अंतर्निहित वितरण को सीख रहा है।
डिस्टिलेशन से परे: हालांकि डिस्टिलेशन के लिए डिज़ाइन किया गया है, लेखक तर्क देते हैं कि PFD को शून्य से डिफ्यूजन मॉडल को प्रशिक्षित करने के लिए भी लागू किया जा सकता है, विशेष रूप से यह देखते हुए कि आधुनिक बड़े पैमाने के डेटासेट्स में अक्सर सिंथेटिक डेटा शामिल होता है, जो प्रभावी रूप से एक टीचर-स्टूडेंट डायनेमिक को स्पष्ट रूप से बनाता है।

संक्षेप में, यह कार्य प्रोबेबिलिटी फ्लो डिस्टेंस को डिफ्यूजन मॉडल्स की जनरलाइजेशन क्षमताओं को समझने, मूल्यांकन करने और अनुकूलित करने के लिए एक मौलिक उपकरण के रूप में स्थापित करता है, जो इस क्षेत्र को गुणात्मक मूल्यांकन से मात्रात्मक, सिद्धांत-संचालित विश्लेषण की ओर ले जाता है।