📊 statistics

Actively Learning Joint Contours of Multiple Computer Experiments

यह शोध पत्र एक "जॉइंट कॉन्टूर लोकेशन" (jCL) ढांचे को प्रस्तुत करता है जो विशिष्ट अधिग्रहण योजनाओं के माध्यम से अन्वेषण (exploration) और दोहन (exploitation) को रणनीतिक रूप से संतुलित करके, विभिन्न अधिग्रहण योजनाओं के माध्यम से अन्वेषण और दोहन को संतुलित करते हुए, कई कंप्यूटर प्रयोगों में एक साथ पूर्व-निर्धारित प्रतिक्रिया मान प्राप्त करने वाले इनपुट विन्यासों की कुशलतापूर्वक पहचान करता है, जो मौजूदा एकल-प्रतिक्रिया और अनुकूलन-आधारित विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Shih-Ni Prim, Kevin R. Quinlan, Paul Hawkins, Jagadeesh Movva, Annie S. Booth

प्रकाशित 2026-08-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shih-Ni Prim, Kevin R. Quinlan, Paul Hawkins, Jagadeesh Movva, Annie S. Booth

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

फ्लाइट डायनेमिक्स (उड़ान गतिशीलता) की उच्च-दांव वाली दुनिया में, इंजीनियरों के सामने एक निरंतर चुनौती होती है: बिना अनगिनत प्रोटोटाइप बनाए और उन्हें क्रैश किए, एक विमान को स्थिर कैसे रखा जाए। जब एक विमान उड़ता है, तो वह हवा से लगातार टकराता है, जिससे टॉर्क (torque) के रूप में ज्ञात घुमाव बल पैदा होते हैं जो वाहन को रोल, पिच या या (yaw) कर सकते हैं। सुरक्षित रूप से उड़ने के लिए, इन बलों को पूरी तरह से संतुलित होना चाहिए ताकि शुद्ध टॉर्क शून्य हो जाए, जिसे इंजीनियर "ट्रिम कंडीशन" (trim condition) कहते हैं। क्योंकि इसमें शामिल भौतिकी अविश्वसनीय रूप से जटिल है, वैज्ञानिक इन बलों को मॉडल करने के लिए शक्तिशाली कंप्यूटर सिमुलेशन पर भरोसा करते हैं। हालाँकि, इन सिमुलेशन को चलाना एक घास के ढेर में सुई खोजने जैसा है जहाँ एक बार में एक तिनके की जाँच की जाती है; गणनाएँ इतनी महंगी और समय लेने वाली हैं कि शोधकर्ता इन्हें केवल सीमित संख्या में ही चला सकते हैं। लक्ष्य विमान के नियंत्रण सतहों (control surfaces)—जैसे कि उसके पंखों (fins) का कोण—के सटीक सेटिंग्स को खोजना है जो उस पूर्ण शून्य-टॉर्क संतुलन का परिणाम देते हैं, और वह भी कम से कम कंप्यूटर रन का उपयोग करके।

यहीं पर शिफ-नी प्राइम और उत्तरी कैरोलिना स्टेट यूनिवर्सिटी तथा लॉरेंस लिवरमोर नेशनल लेबोरेटरी के उनके सहयोगियों का काम आता है। उन्होंने इस समस्या के एक विशिष्ट और कठिन रूपांतर को हल किया: उन सेटिंग्स को खोजना जो एक साथ कई शर्तों को पूरा करती हैं। उनके मामले में, उन्हें एक एकल फिन कॉन्फ़िगरेशन खोजने की आवश्यकता थी जो रोलिंग टॉर्क और पिचिंग टॉर्क दोनों को एक साथ समाप्त कर सके। ऐसी समस्याओं को हल करने के लिए पिछले तरीकों में अक्सर प्रत्येक स्थिति को अलग-अलग माना जाता था या उन्हें एक एकल, जटिल समीकरण में मिलाने का प्रयास किया जाता था, जिससे अक्सर उन क्षेत्रों को खोजने में कंप्यूटर रन बर्बाद हो जाते थे जो स्पष्ट रूप से गलत थे। शोधकर्ताओं ने "जॉइंट कंटूर लोकेशन" (joint contour location) नामक एक नई, स्मार्ट रणनीति प्रस्तावित की। अंधाधुंध अनुमान लगाने या हर संभावना की जाँच करने के बजाय, उनकी विधि एक सांख्यिकीय मॉडल का उपयोग करती है जो प्रत्येक सिमुलेशन रन से सीखती है, और हर चरण पर यह निर्णय लेती है कि क्या उसे एक आशाजनक क्षेत्र में गहराई से उतरना चाहिए या अधिक जानकारी एकत्र करने के लिए एक नए दिशा में देखना चाहिए।

इस नए दृष्टिकोण का मूल एक गतिशील निर्णय लेने की प्रक्रिया है जो दो प्रतिस्पर्धी जरूरतों को संतुलित करती है: एक्सप्लोइटेशन (exploitation - दोहन) और एक्सप्लोरेशन (exploration - अन्वेषण)। एक्सप्लोइटेशन का अर्थ है उस क्षेत्र पर ध्यान केंद्रित करना जहाँ कंप्यूटर मॉडल को सबसे अधिक विश्वास है कि समाधान मौजूद है, जबकि एक्सप्लोरेशन का अर्थ है मॉडल की संपूर्ण परिदृश्य की समझ में सुधार करने के लिए अनिश्चित क्षेत्र में जाना। शोधकर्ताओं ने एक ऐसी प्रणाली डिज़ाइन की जो लगातार अपने स्वयं के आत्मविश्वास की जाँच करती है। यदि मॉडल अनिश्चित है कि समाधान कहाँ है, तो सिस्टम कंप्यूटर को नए क्षेत्रों का अन्वेषण करने के लिए भेजता है, विशेष रूप से उन क्षेत्रों को लक्षित करता है जहाँ मॉडल की भविष्यवाणियाँ सबसे अनिश्चित हैं। यह ज्ञात डेटा बिंदुओं के "किनारों" को देखकर किया जाता है, ठीक वैसे ही जैसे एक सर्वेक्षक उस मानचित्र की सीमाओं की जाँच करता है जिसे वह बना रहा है। हालाँकि, एक बार जब मॉडल पर्याप्त आत्मविश्वासी हो जाता है कि पास में ही कोई समाधान मौजूद है, तो रणनीति बदल जाती है। यह भटकना बंद कर देती है और आक्रामक रूप से अपने फोकस को संकुचित करना शुरू कर देती है, उस सटीक स्थान पर ध्यान केंद्रित करती है जहाँ बल एक-दूसरे को रद्द कर देते हैं।

इस पद्धति में एक प्रमुख नवाचार यह है कि यह सफलता के लिए "टॉलरेंस" (tolerance - सहनशीलता) को कैसे संभालती है। प्रक्रिया के शुरुआती चरण में, कंप्यूटर मॉडल को ठीक से पता नहीं होता कि समाधान कहाँ है, इसलिए शोधकर्ता त्रुटि की एक विस्तृत सीमा की अनुमति देते हैं। जैसे-जैसे मॉडल अधिक डेटा एकत्र करता है और उत्तर के करीब पहुँचता है, यह सीमा स्वतः ही कम होती जाती है। यह कंप्यूटर को एक ही स्थान को बार-बार जाँचने या एक "पर्याप्त अच्छे" उत्तर पर समझौता करने से रोकता है जब एक पूर्ण उत्तर संभव हो। सिस्टम में एक सुरक्षा तंत्र भी शामिल है: यदि मॉडल अन्वेषण के कई प्रयासों के बाद भी किसी आशाजनक स्थान को खोजने में विफल रहता है, तो प्रक्रिया स्वतः ही रुक जाती है। यह शोधकर्ताओं को बताता है कि वर्तमान स्थितियों के लिए कोई समाधान संभवतः मौजूद नहीं है, जिससे उन्हें एक मृत अंत (dead end) पर समय बर्बाद करने से बचाया जा सके।

अपने विचार का परीक्षण करने के लिए, टीम ने गणितीय कार्यों का उपयोग करके सिमुलेशन की एक श्रृंखला चलाई जो जटिल भौतिक प्रणालियों के व्यवहार की नकल करते हैं। उन्होंने अपनी नई विधि की तुलना कई मौजूदा तकनीकों से की, जिसमें मानक अनुकूलन एल्गोरिदम (optimization algorithms) और पुराने कंटूर-खोजने वाले रणनीतियाँ शामिल थीं। परिणाम स्पष्ट और सुसंगत थे। नई जॉइंट कंटूर लोकेशन विधि ने अन्य सभी दृष्टिकोणों की तुलना में काफी तेज़ी से सही समाधान खोज लिया। कुछ परीक्षणों में, इसने अगली सर्वश्रेष्ठ विधि की तुलना में आधे से भी कम कंप्यूटर रन के साथ उच्च स्तर की सटीकता प्राप्त की। शोधकर्ताओं ने अपने तरीके को एक वास्तविक दुनिया के परिदृश्य में भी लागू किया जिसमें एक उच्च-गति आर्मी रेफरेंस व्हीकल (high-speed army reference vehicle) शामिल था, जो एरोडायनामिक परीक्षण के लिए उपयोग किया जाने वाला एक जटिल विमान आकार है। उन्हें उन फिन कोणों को खोजना था जो विशिष्ट गति और कोणों पर वाहन को स्थिर रखेंगे। अपनी नई रणनीति का उपयोग करते हुए, वे पंद्रह से भी कम कंप्यूटर रन में सही फिन कॉन्फ़िगरेशन की पहचान करने में सक्षम थे, जो पारंपरिक प्रयास-और-त्रुटि (trial-and-error) विधियों के साथ कठिन या असंभव होता।

अध्ययन ने यह भी पता लगाया कि जब चीजें गलत होती हैं, जैसे कि जब कोई समाधान मौजूद नहीं होता या जब कई समाधान संभव होते हैं, तो क्या होता है। यह विधि इन परिदृश्यों में भी मजबूत साबित हुई। जब कोई समाधान मौजूद नहीं था, तो सिस्टम स्वाभाविक रूप से निरंतर अन्वेषण मोड में चला गया जब तक कि यह स्पष्ट नहीं हो गया कि कोई उत्तर उपलब्ध नहीं है, जिसके बाद यह रुक गया। जब कई समाधान मौजूद थे, तो विधि ने उनमें से एक को सफलतापूर्वक खोज लिया, हालांकि यह सभी संभावितताओं को खोजने की गारंटी नहीं देती है। लेखक इस सीमा को स्वीकार करते हैं, जो सुझाव देते हैं कि भविष्य का कार्य सभी संभावित समाधानों को खोजने के लिए विधि को परिष्कृत कर सकता है। शोधकर्ताओं ने विभिन्न प्रकार के सांख्यिकीय मॉडलों का उपयोग करके भी अपने दृष्टिकोण का परीक्षण किया, जिसमें मानक मॉडल और अधिक जटिल "डीप" (deep) मॉडल शामिल हैं जो डेटा के बदलते व्यवहार को संभाल सकते हैं। विधि ने उन सभी के साथ अच्छा काम किया, जो यह सिद्ध करता है कि रणनीति स्वयं लचीली है और किसी एक प्रकार के गणितीय उपकरण से बंधी नहीं है।

अंततः, यह कार्य कंप्यूटर सिमुलेशन के विशाल और महंगे परिदृश्य में नेविगेट करने का एक अधिक कुशल तरीका प्रदान करता है। बुद्धिमानी से यह तय करके कि कब बारीकी से देखना है और कब चारों ओर देखना है, जॉइंट कंटूर लोकेशन विधि इंजीनियरों को बहुत कम संसाधनों के साथ स्थिर उड़ान स्थितियाँ खोजने की अनुमति देती है। यह दक्षता एरोडायनामिक डेटा के सटीक डेटाबेस बनाने के लिए महत्वपूर्ण है, जो सुरक्षित और अधिक प्रभावी विमानों के डिजाइन के लिए आवश्यक हैं। शोधकर्ताओं ने प्रदर्शित किया कि समाधान की खोज को एक ब्रूट-फोर्स (brute-force) गणना के बजाय अन्वेषण और दोहन के एक रणनीतिक खेल के रूप में मानकर, वे जटिल, बहु-भाग वाली समस्याओं को उल्लेखनीय गति और सटीकता के साथ हल कर सकते हैं। उनके निष्कर्ष बताते हैं कि इंजीनियरों के लिए, जो महंगे कंप्यूटर प्रयोगों से जूझ रहे हैं, दक्षता की कुंजी अधिक सिमुलेशन चलाने में नहीं, बल्कि सही सिमुलेशन चलाने में निहित है।

तकनीकी सारांश: कई कंप्यूटर प्रयोगों के संयुक्त कंटूर (Joint Contours) को सक्रिय रूप से सीखना

समस्या की परिभाषा
यह शोध पत्र एक डिज़ाइन स्पेस $X \subset \mathbb{R}^d$ के भीतर एक "इष्टतम डिज़ाइन बिंदु" $\tilde{x}$ की पहचान करने की चुनौती को संबोधित करता है, जो कई नियतकालिक (deterministic) कंप्यूटर प्रयोगों $f^{(r)}$ (जहाँ $r = 1, \dots, R$ ) के लिए पूर्व-निर्धारित लक्ष्य प्रतिक्रिया मानों $\tau_r$ को एक साथ संतुष्ट करता है। मानक कंटोर लोकेशन (CL), जो एकल स्तर सेट $f(x) = \tau$ को लक्षित करता है, के विपरीत, यह कार्य कई कंटूरों के प्रतिच्छेदन (intersection) को लक्षित करता है: $\{ \tilde{x} \in X \mid f^{(r)}(\tilde{x}) = \tau_r, \forall r \}$ . इसका प्रेरणा स्रोत एक हाई-स्पीड आर्मी रेफरेंस व्हीकल (HARV) के लिए उच्च-सटीकता वाले कम्प्यूटेशनल फ्लूइड डायनेमिक्स (CFD) सिमुलेशन हैं, जहाँ लक्ष्य उन फिन कॉन्फ़िगरेशन को खोजना है जो विशिष्ट उड़ान मापदंडों के तहत शून्य पिच और रोल मोमेंट्स (स्थिर "ट्रिम" स्थितियाँ) का परिणाम देते हैं। यह समस्या महंगे मूल्यांकन और सीमित कम्प्यूटेशनल बजट द्वारा लक्षित है, जिसके लिए नमूना-कुशल (sample-efficient) सक्रिय शिक्षण (active learning - AL) रणनीतियों की आवश्यकता है।

कार्यप्रणाली: संयुक्त कंटोर लोकेशन (jCL)
लेखक एक नवीन अनुक्रमिक डिज़ाइन योजना प्रस्तावित करते हैं जिसे "संयुक्त कंटोर लोकेशन" (jCL) कहा जाता है। अन्वेषण (exploration) और दोहन (exploitation) को एक एकल अधिग्रहण फ़ंक्शन (acquisition function) में मिलाने के बजाय, jCL एक निर्णय नियम द्वारा नियंत्रित दो अलग-अलग तंत्रों का उपयोग करता है:

दोहन तंत्र (Exploitation Mechanism):
- उद्देश्य: कंटोरों के प्रतिच्छेदन को आक्रामक रूप से लक्षित करना।
- अधिग्रहण फ़ंक्शन: उस संयुक्त पश्च संभाव्यता (joint posterior probability) को अधिकतम करना जहाँ सभी प्रतिक्रियाएँ लक्ष्य के एक टॉलरेंस (tolerance) $t_n$ के भीतर आती हैं: $J_n(x, t_n) = \prod_{r=1}^R P(\tau_r - t_n \leq f^{(r)}_n(x) \leq \tau_r + t_n)$ ।
- अनुकूली टॉलरेंस (Adaptive Tolerance): एक महत्वपूर्ण नवाचार टॉलरेंस $t_n$ का अनुकूल रूप से सिकुड़ना है। इसे $t_n = w \cdot \min_{i} (\max_r |y_{ir} - \tau_r|)$ के रूप में परिभाषित किया गया है, जहाँ $w < 1$ है। यह सुनिश्चित करता है कि जैसे-जैसे बेहतर बिंदु मिलते हैं, टॉलरेंस कम होता जाए, अधिग्रहण को वास्तविक समाधान की ओर निर्देशित करे, और एल्गोरिदम को पहले से देखे गए बिंदुओं का पुनर्मूल्यांकन करने से रोके (जो एक नियतकालिक सेटिंग में 1 की प्रायिकता देगा)।
अन्वेषण तंत्र (Exploration Mechanism):
- ट्रिगर: यह तब सक्रिय होता है जब अधिकतम संयुक्त संभाव्यता $\max_x J_n(x, t_n)$ एक उपयोगकर्ता-निर्धारित थ्रेशोल्ड $p^*$ (जैसे, 0.2) से नीचे गिर जाती है, जो वर्तमान सरोगेट की समाधान खोजने की क्षमता में कम विश्वास को दर्शाता है।
- अधिग्रहण रणनीति: यह सभी कार्यों के लिए पश्च मानक विचलन (posterior standard deviations) $\{\sigma^{(1)}_n(x), \dots, \sigma^{(R)}_n(x)\}$ के पारेटो फ्रंट (Pareto front) को लक्षित करता है।
- उम्मीदवार पीढ़ी (Candidate Generation): यह सुनिश्चित करने के लिए कि उम्मीदवार उच्च-अनिश्चितता वाले क्षेत्रों में हों, यह विधि मौजूदा डेटा बिंदुओं के डेलाने ट्रायंगुलेशन (Delaunay triangulation) पर आधारित "ट्रायंगुलेशन उम्मीदवार" (tricands) प्रस्तावित करती है। एक उम्मीदवार को सभी प्रतिक्रियाओं में एक साथ अनिश्चितता को अधिकतम करने के लिए इन 'ट्रिकैंड्स' के पारेटो फ्रंट से चुना जाता है।
सरोगेट तटस्थता (Surrogate Agnosticism):
यह प्रक्रिया मॉडल-तटस्थ है, बशर्ते कि सरोगेट पश्च भविष्य कहनेवाला वितरण (posterior predictive distributions) प्रदान कर सके। लेखक इसका अनुप्रयोग स्वतंत्र गाऊसी प्रक्रियाओं (GPs), मल्टीटास्क GPs (प्रतिक्रियाओं के बीच सहसंबंध शामिल करते हुए), और गैर-स्थिर सतहों के लिए डीप गाऊसी प्रक्रियाओं (DGPs) का उपयोग करके प्रदर्शित करते हैं।
स्टॉपिंग क्राइटेरिया (Stopping Criteria):
डिज़ाइन तब रुक जाता है जब बजट समाप्त हो जाता है या यदि एक निर्दिष्ट टॉलरेंस $\epsilon$ के भीतर एक समाधान मिल जाता है। महत्वपूर्ण रूप से, लेखक उन मामलों के लिए एक प्राकृतिक स्टॉपिंग नियम प्रस्तावित करते हैं जहाँ कोई समाधान मौजूद नहीं है: यदि दोहन की दिशा में कोई प्रगति किए बिना लगातार कई अन्वेषण चरण ट्रिगर होते हैं, तो डिज़ाइन को उचित रूप से रोका जा सकता है।

प्रमुख योगदान

नवीन अधिग्रहण ढांचा: अन्वेषण और दोहन को एक निर्णय नियम के साथ दो अलग-अलग तंत्रों में विभाजित करना, जो पिछले कार्यों के विपरीत है जो एक ही फ़ंक्शन में दोनों को संतुलित करने का प्रयास करते हैं।
अनुकूली टॉलरेंस: एक सिकुड़ते हुए टॉलरेंस $t_n$ का परिचय जो देखे गए डेटा के आधार पर गतिशील रूप से समायोजित होता है, जिससे फिक्स्ड-टॉलरेंस प्रायिकता-आधारित अधिग्रहण कार्यों में सामान्य "फ्लैटनेस" या "पीकीनेस" की समस्याओं को रोका जा सके।
संयुक्त कंटोर रणनीति: संयुक्त कंटोरों को लक्षित करने के लिए पारेटो-फ्रंट-आधारित अन्वेषण का उपयोग करते हुए एक विशिष्ट दृष्टिकोण, जो साहित्य के उस अंतर को भरता है जहाँ एकल-प्रतिक्रिया CL की तुलना में संयुक्त कंटोरों के लिए विधियाँ कम उपलब्ध हैं।
अस्तित्व न होने की स्थिति को संभालना: अन्वेषण चरणों की आवृत्ति के आधार पर, समाधान मौजूद न होने पर खोज को पहचानने और रोकने के लिए एक अंतर्निहित तंत्र।

परिणाम
लेखक jCL को छह प्रतिस्पर्धी रणनीतियों के विरुद्ध मान्य करते हैं: लैटिन हाइपरक्यूब सैंपलिंग (LHS), वैकल्पिक एकल-प्रतिक्रिया CL विधियाँ (वैकल्पिक एंट्रॉपी और वैकल्पिक पारेटो), समबद्ध वर्ग त्रुटि (summed squared error) फ़ंक्शन पर बेयसियन ऑप्टिमाइज़ेशन (BO), ज़ीरो-फाइंडिंग ऑप्टिमाइज़ेशन, और ग्राज़ियानी और नगोम (2024) से प्रेरित एक संयुक्त PDF-आधारित विधि।

सिंथेटिक बेंचमार्क: 2D और 3D सिंथेटिक फ़ंक्शंस (Multimodal, Camelback, Gramacy, Ishigami) में, jCL ने सर्वोत्तम देखे गए बिंदु और वास्तविक लक्ष्य के बीच स्क्वेयर्ड यूक्लिडियन दूरी ( $D_n$ ) के मामले में सभी प्रतिस्पर्धियों को लगातार पछाड़ दिया। jCL ने काफी कम मूल्यांकन में बेहतर माध्य प्रदर्शन प्राप्त किया (उदाहरण के लिए, अन्य द्वारा 20+ में प्राप्त किए जाने वाले लक्ष्य को 5-10 अधिग्रहणों में प्राप्त करना)।
सरोगेट प्रदर्शन: विधि विभिन्न प्रकार के सरोगेट्स (GP, DGP, Multitask GP) में मजबूत साबित हुई। HARV अनुप्रयोग में, स्वतंत्र और मल्टीटास्क दोनों GPs ने 15 मूल्यांकनों के भीतर इष्टतम फिन कॉन्फ़िगरेशन को सफलतापूर्वक खोज लिया, जबकि स्पेस-फिलिंग डिज़ाइनों ने बहुत कम प्रगति की।
वास्तविक दुनिया का अनुप्रयोग: HARV CFD सिमुलेशन में, jCL ने 25 मूल्यांकनों के बजट के भीतर स्थिर उड़ान (शून्य पिच/रोल) के लिए फिन कॉन्फ़िगरेशन को कुशलतापूर्वक पहचाना, जो ट्रिम किए गए एरोडायनामिक डेटाबेस बनाने के लिए इसकी उपयोगिता को प्रदर्शित करता है।

महत्व और दावे
शोध पत्र का दावा है कि jCL संयुक्त कंटोरों की पहचान करने के लिए मौजूदा एकल-प्रतिक्रिया CL रणनीतियों और ऑप्टिमाइज़ेशन-आधारित विकल्पों की तुलना में एक महत्वपूर्ण सुधार प्रदान करता है। लेखक इस बात पर जोर देते हैं कि उनकी विधि विशेष रूप से प्रभावी है क्योंकि यह पूरे कंटोरों को सीखने की अक्षमता से बचती है जब केवल उनके प्रतिच्छेदन की आवश्यकता होती है। वे यह भी उल्लेख करते हैं कि हालांकि वर्तमान में इसे कम-आयामी सेटिंग्स ( $d \leq 3$ ) और छोटे बजट के साथ प्रदर्शित किया गया है, फिर भी यह ढांचा किसी भी सरोगेट के लिए लागू है जो पश्च वितरण प्रदान करता है। वे विनम्रतापूर्वक सीमाओं को स्वीकार करते हैं, जैसे कि वर्तमान ध्यान एक एकल समाधान खोजने पर है (बजाय कई समकक्ष समाधानों को मैप करने के), और उच्च आयामों में ट्रायंगुलेशन उम्मीदवारों का संभावित कम्प्यूटेशनल बोझ, जो भविष्य के कार्यों के लिए सुझाव देता है। इस प्रक्रिया को मल्टी-एक्सपेरिमेंट सेटिंग्स में अनुक्रमिक डिज़ाइन के लिए एक प्लग-एंड-प्ले समाधान के रूप में प्रस्तुत किया गया है।

इसी तरह के और पेपर