🤖 AI

Latent Generative Solvers for Generalizable Long-Term Physics Simulation

लेटेंट जेनरेटिव सॉल्वर (LGS), एक साझा लेटेंट मैनिफोल्ड, सेल्फ-कंडीशनिंग और इनपुट नॉइज़ के साथ एक फ्लो-मैचिंग ट्रांसफॉर्मर को संयोजित करके बारह अलग-अलग PDE परिवारों में सामान्यीकरण योग्य और स्थिर दीर्घकालिक भौतिक सिमुलेशन प्राप्त करता है, जिससे यह मल्टी-स्टेप सटीकता में नियत बेसलाइन मॉडलों से काफी बेहतर प्रदर्शन करता है और साथ ही गणनात्मक लागतों को भी भारी रूप से कम करता है।

मूल लेखक: Zituo Chen, Sili Deng

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zituo Chen, Sili Deng

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 मौसम की भविष्यवाणी करने, एक नस में रक्त के प्रवाह, या एक लौ की गति को समझने की कोशिश कर रहे हैं। ये सभी जटिल गणितीय नियमों द्वारा नियंत्रित होते हैं जिन्हें पार्शियल डिफरेंशियल इक्वेशंस (PDEs) कहा जाता है। दशकों से, वैज्ञानिक इन नियमों को चरण-दर-चरण हल करने के लिए शक्तिशाली कंप्यूटरों का उपयोग करते आए हैं। फिर भी, पारंपरिक तरीके धीमे और महंगे हैं।

हाल ही में, वैज्ञानिकों ने इस प्रक्रिया को तेज करने के लिए AI का उपयोग करने का प्रयास किया है। हालांकि, मौजूदा AI मॉडल एक गंभीर खामी से ग्रस्त हैं: वे एक ऐसे छात्र की तरह हैं जो एक एकल गणितीय समस्या को हल करने में तो उत्कृष्ट है लेकिन जब उसे क्रमवार कई समस्याओं के पूरे अध्याय को हल करने के लिए कहा जाता है, तो वह बुरी तरह विफल हो जाता है। यदि आप उनसे अगले सेकंड, फिर उसके अगले, फिर उसके अगले की भविष्यवाणी करने के लिए कहते हैं, तो उनकी छोटी-छोटी त्रुटियां जमा होती जाती हैं और भविष्यवाणी निरर्थक हो जाती है।

यह कार्य LGS (लेटेंट जेनेरेटिव सॉल्वर) नामक एक नया AI सिस्टम पेश करता है जो इस समस्या को ठीक करता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. "यूनिवर्सल ट्रांसलेटर" (द लेटेंट स्पेस)

कल्पना कीजिए कि आपके पास 12 अलग-अलग भाषाएं हैं (जो 12 अलग-अलग प्रकार के भौतिक विज्ञान का प्रतिनिधित्व करती हैं, जैसे तरल प्रवाह, ऊष्मा, या तरंगें)। पारंपरिक AI प्रत्येक भाषा को अलग से सीखने की कोशिश करता है। यदि आप फ्रेंच से जापानी में स्विच करते हैं, तो AI भ्रमित हो जाता है।

LGS एक "यूनिवर्सल ट्रांसलेटर" (एक लेटेंट मैनिफोल्ड) के लिए एक स्थान बनाता है।

कच्चे, अव्यवस्थित डेटा (जैसे तूफान का हाई-रिज़ॉल्यूशन वीडियो) को देखने के बजाय, LGS सब कुछ एक सरलीकृत, अमूर्त स्केच (रेखाचित्र) में संकुचित कर देता है।
चाहे वह तूफान हो, आग हो, या बहती हुई नदी, LGS उन सभी को इसी एक "स्केच भाषा" में अनुवादित करता है।
यह क्यों मदद करता है: इस सरलीकृत स्थान में, AI को हर बार नियमों को फिर से सीखने की आवश्यकता नहीं होती है। वह पहचान लेता है कि एक घूमता हुआ तूफान और एक घूमती हुई आग वास्तव में इस "स्केच रूप" में बहुत समान दिखते हैं। यह एक ही मॉडल को कई अलग-अलग भौतिक प्रणालियों को एक साथ संभालने की अनुमति देता है।

2. "सेल्फ-करेक्टिंग जीपीएस" (जेनेरेटिव फ्लो)

यह इस कार्य की सबसे बड़ी सफलता है।

पुराना तरीका (डिटरमिनिस्टिक): कल्पना कीजिए कि एक GPS जो आपको केवल एक एकल, कठोर मार्ग देता है। यदि आप एक मोड़ चूक जाते हैं, तो GPS आपको सीधे दीवार में गाड़ी चलाने के लिए कहता रहता है क्योंकि वह अपनी त्रुटि को "पूर्ववत" नहीं कर सकता। त्रुटि ज्यामितीय रूप से बढ़ती है (जैसे पहाड़ से लुढ़कता हुआ हिमखंड)।
LGS का तरीका (जेनेरेटिव): कल्पना कीजिए कि एक GPS जो आपको केवल एक बिंदु नहीं, बल्कि सही मार्ग के आसपास केंद्रित संभावित रास्तों का एक बादल देता है।
- जब LGS भविष्यवाणी करता है, तो वह केवल यह नहीं पूछता: "अगला कदम क्या है।" वह पूछता है: "अगला कदम कैसा दिखेगा यदि हम हमारे वर्तमान स्थान के थोड़े शोर वाले (noisy) संस्करण से शुरू करते हैं?"
- जादुई ट्रिक: प्रशिक्षण के दौरान, AI को "शोर वाले" या "खराब" स्केच को ठीक करने के लिए सिखाया जाता है। यह सीखता है कि एक अस्त-व्यस्त, थोड़े गलत इनपुट मान को लेकर उसे "साफ" कैसे किया जाए ताकि सही पथ पाया जा सके।
- क्रिया में: यदि AI एक लंबी भविष्यवाणी (रोलआउट) के दौरान कोई त्रुटि करता है, तो वह अनजाने में एक "शोर वाला" इनपुट मान उत्पन्न कर देता है। चूंकि इसे शोर को ठीक करने के लिए प्रशिक्षित किया गया था, इसलिए यह स्वतः ही अपनी त्रुटि को सुधारता है और भविष्यवाणी को वापस सही मार्ग पर ले आता है। यह एक ऐसे GPS की तरह है जो कहता है: "आप रास्ते से भटक गए हैं? कोई बात नहीं, मुझे रास्ता जानने के लिए नक्शा पर्याप्त अच्छी तरह से पता है ताकि मैं आपको वापस ला सकूं।"

3. "मेमोरी कीपर" (कॉन्टेक्स्ट)

जब एक लंबी अनुक्रम (जैसे कि 20 सेकंड का वीडियो) की भविष्यवाणी की जाती है, तो AI को संदर्भ (context) बनाए रखने की आवश्यकता होती है।

LGS एक विशेष "पिरामिड" मेमोरी सिस्टम का उपयोग करता है। हर एक फ्रेम को उच्च विवरण में याद रखने के बजाय (जो बोझिल और धीमा है), यह हाल के अतीत को उच्च विवरण में और दूर के अतीत को एक संक्षिप्त, "धुंधले" तरीके से याद रखता है।
यह AI को तेज़ रखता है और इसे बहुत अधिक इतिहास से अभिभूत होने से बचाता है।

परिणाम: उन्होंने क्या पाया?

लेखकों ने LGS का परीक्षण 12 अलग-अलग प्रकार के भौतिक सिमुलेशन (जैसे हवा, पानी और ऊष्मा) वाले एक विशाल डेटासेट पर किया।

अल्पकालिक (Short-term): केवल एक चरण के लिए, LGS मौजूदा सर्वश्रेष्ठ AI मॉडलों के समान ही अच्छा है।
दीर्घकालिक (Long-term): यहीं पर LGS चमकता है। जब 20 चरणों के भविष्य की भविष्यवाणी करने के लिए कहा गया:
- मौजूदा सर्वश्रेष्ठ मॉडल पूरी तरह विफल रहे, जिसमें त्रुटियां 56% से अधिक बढ़ गईं।
- LGS ने अपनी त्रुटि को 30% पर रखा।
- इसने परीक्षण किए गए 16 में से 15 विभिन्न सिस्टम में जीत हासिल की।
दक्षता (Efficiency): LGS बहुत तेज़ भी है। इसे पारंपरिक उच्च-सटीक मॉडलों की तुलना में प्रति चरण 13 से 77 गुना कम कंप्यूटिंग पावर की आवश्यकता होती है, क्योंकि यह कच्चे डेटा स्पेस के बजाय सरलीकृत "स्केच" स्पेस में अपना मुख्य कार्य करता है।

निष्कर्ष

वर्तमान AI भौतिकी सॉल्वर को एक ऐसे छात्र के रूप में कल्पना करें जो उत्तर रट लेता है लेकिन जैसे ही परीक्षा लंबी होती है, वह उन्हें भूल जाता है। LGS एक ऐसा छात्र है जो अवधारणाओं को समझता है (सब कुछ एक सामान्य भाषा में अनुवादित करके) और इसमें एक "स्व-सुधार" तंत्र है जो उभरते ही अपनी त्रुटियों को ठीक करता है। यह इसे जटिल भौतिक घटनाओं की लंबी अवधि तक सटीक भविष्यवाणी करने की अनुमति देता है बिना विफल हुए।

यह कार्य दावा करता है कि यह "डिजिटल ट्विन्स" (वास्तविक प्रणालियों की आभासी प्रतियां) बनाने के लिए एक बड़ा कदम है जो तेज़ चलते हैं और समय के साथ सटीक भी रहते हैं, हालांकि यह पूरी तरह से गणित और सिमुलेशन प्रदर्शन पर केंद्रित है, अभी तक किसी विशिष्ट चिकित्सा या औद्योगिक अनुप्रयोगों पर नहीं।

तकनीकी सारांश: सामान्यीकरण योग्य दीर्घ-क्षितिज भौतिक सिमुलेशन के लिए लेटेंट जेनेरेटिव सॉल्वर (Latent Generative Solvers)

1. समस्या विवरण (Problem Statement)

आंशिक अंतर समीकरणों (PDEs) के लिए वर्तमान न्यूरल सॉल्वर एक मौलिक समझौते (trade-off) का सामना करते हैं: वे या तो विषम (heterogeneous) PDE परिवारों में सामान्यीकरण (generalize) कर सकते हैं या दीर्घ ऑटोरेग्रेसिव रोलआउट्स (autoregressive rollouts) पर स्थिरता बनाए रख सकते हैं, लेकिन शायद ही कभी दोनों को एक साथ प्राप्त कर पाते हैं।

डिटरमिनिस्टिक ऑपरेटर्स (Deterministic Operators) (जैसे, फूरियर न्यूरल ऑपरेटर्स, ट्रांसफॉर्मर्स) एकल-चरण प्रक्रियाओं में उच्च सटीकता और कई प्रणालियों में सामान्यीकरण प्रदान करते हैं। हालाँकि, डिटरमिनिस्टिक होने के कारण, वे अगले चरणों के इनपुट के रूप में फीड किए जाने पर ज्यामितीय रूप से त्रुटियों (errors) को संचित करते हैं। यह दीर्घ समय क्षितिज (long time horizons) पर विनाशकारी विचलन (catastrophic drift) की ओर ले जाता है।
प्रोबेबिलिस्टिक सॉल्वर (Probabilistic Solvers) (जैसे, डिफ्यूजन मॉडल्स) सैंपलिंग के माध्यम से रोलआउट को स्थिर कर सकते हैं, फिर भी मौजूदा दृष्टिकोण आमतौर पर एक ही PDE परिवार तक सीमित हैं या छोटे समय क्षितिज तक सीमित हैं। वे विविध भौतिक प्रणालियों में स्थानांतरित (transfer) होने में संघर्ष करते हैं।

यह कार्य तर्क देता है कि इस अंतर को पाटने के लिए प्रतिनिधित्व स्थान (representation space) की पुनर्कल्पना (raw fields से latent spaces की ओर स्थानांतरण) और संक्रमण तंत्र (transition mechanism) (deterministic regression से generative Flow Matching की ओर स्थानांतरण) दोनों की आवश्यकता है।

2. कार्यप्रणाली: लेटेंट जेनेरेटिव सॉल्वर (LGS)

प्रस्तावित ढांचा, लेटेंट जेनेरेटिव सॉल्वर (LGS), तीन जुड़े हुए घटकों को एक एकल ऑटोरेग्रेसिव पाइपलाइन में एकीकृत करता है:

A. फिजिक्स VAE (PhayVAE)

कार्य: 12 विभिन्न PDE परिवारों के कच्चे भौतिक क्षेत्रों (raw physical fields) को एक साझा, निम्न-आयामी लेटेंट मैनिफोल्ड ( $16 \times 16 \times 16$ ) में संकुचित करता है।
तंत्र: यह एक Stable-Diffusion-VAE बैकबोन पर आधारित है, जिसे पूरे कॉर्पस पर एक बार प्रशिक्षित किया जाता है और बाद में फ्रीज (frozen) कर दिया जाता है।
लाभ: यह सिस्टम-विशिष्ट विविक्तीकरण (discretization) और रिज़ॉल्यूशन संरचनाओं को आत्मसात कर लेता है, जिससे समान गतिशीलता वाले विषम सिस्टम लेटेंट स्पेस में पड़ोसी क्षेत्रों में स्थित हो सकते हैं। यह सिस्टम-स्तरीय स्थानांतरण (system-level transfer) को सक्षम बनाता है ताकि सॉल्वर को प्रत्येक सिस्टम के लिए अलग गतिशीलता सीखने की आवश्यकता न पड़े।

B. पिरामिडल फ्लो-फोर्सिंग ट्रांसफॉर्मर (PFlowFT)

यह केंद्रीय जेनेरेटिव इंजन है जो अगले लेटेंट स्टेट की भविष्यवाणी करता है। यह दो विशिष्ट स्थिरता बाधाओं को संबोधित करता है:

स्टेट ड्रिफ्ट (इनपुट नॉइज़): एक डिटरमिनिस्टिक मैपिंग के बजाय, LGS फ्लो मैचिंग (Flow Matching) का उपयोग करता है। प्रशिक्षण के दौरान, इनपुट लेटेंट स्टेट को गॉसियन नॉइज़ ( $k$ -noised input) के साथ विक्षेपित किया जाता है। मॉडल इस नॉइज़ी इनपुट को स्वच्छ अगले स्टेट में मैप करना सीखता है। अनुमान (inference) के दौरान, मॉडल रोलआउट के कारण होने वाले विचलन को अवशिष्ट शोर (residual noise) के रूप में स्वतः पहचान लेता है और उन्हें लेटेंट मैनिफोल्ड पर वापस प्रोजेक्ट करता है। यह प्रभावी रूप से एक डीनॉइजिंग स्टेप के रूप में कार्य करता है जो बिना किसी स्पष्ट शोर के त्रुटियों को ठीक करता है।
कॉन्टेक्स्ट ड्रिफ्ट (फ्लो फोर्सिंग): इस बात की अस्पष्टता को संभालने के लिए कि कौन सा प्रक्षेपवक्र (trajectory) किस PDE परिवार से संबंधित है और एक सीमित इतिहास को प्रबंधित करने के लिए, मॉडल एक प्रति-प्रक्षेपवक्र कॉन्टेक्स्ट वेक्टर $c_s$ बनाए रखता है। महत्वपूर्ण रूप से, यह कॉन्टेक्स्ट गेटेड क्रॉस-अटेंशन के माध्यम से अपडेट किया जाता है जिसका उपयोग मॉडल द्वारा स्वयं भविष्यवाणी किए गए स्टेट्स (न कि ग्राउंड ट्रुथ) के लिए किया जाता है, जो एक्सपोज़र बायस (exposure bias) को रोकता है।
दक्षता (टेम्पोरल पिरामिड): रोलआउट क्षितिज बढ़ने के साथ अटेंशन लागत को सीमित करने के लिए, इतिहास को एक टेम्पोरल पिरामिड (एक्सपोनेंशियलली स्पेसड स्टेप्स) का उपयोग करके एकत्रित किया जाता है। यह फ्लैट हिस्ट्री की तुलना में प्रति स्टेप अटेंशन जटिलता को $\sim 4\times$ कम कर देता है।

C. सैद्धांतिक स्थिरता विश्लेषण (Theoretical Stability Analysis)

यह कार्य एक पर्याप्त अभिसरण स्थिति (sufficient contraction condition) (थ्योरम 3.2) व्युत्पन्न करता है जो दीर्घ समय क्षितिज पर देखी गई स्थिरता की व्याख्या करता है।

डिटरमिनिस्टिक केस: त्रुटि ज्यामितीय रूप से बढ़ती है ( $\|\delta_{s+1}\| \le L \|\delta_s\| + \epsilon$ ), जहाँ $L > 1$ ।
LGS केस: प्रशिक्षित मैपिंग नॉइज़ी इनपुट के साथ प्रशिक्षण शासन के कारण "स्थानांतरित" त्रुटि को $(1-k)$ के कारक से प्रभावी रूप से संकुचित (contract) करती है। मल्टी-स्टेप एरर बाउंड है:
$E\|\delta_{s+1}\| \le \underbrace{L_T(1-k) E\|\delta_s\|}_{\text{Contracted Transfer}} + \underbrace{C \sup \|\eta(t)\|}_{\text{Residual Noise}}$
जब तक $L_T(1-k) < 1$ है, स्थिर त्रुटि (stationary error) सीमित रहती है और डिटरमिनिस्टिक डायनेमिक्स के लिप्सचिट्ज़ स्थिरांक $L$ से स्वतंत्र होती है, जिससे ज्यामितीय विस्फोट (geometric blow-up) रुक जाता है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

डेटासेट: 16 प्रणालियों और 12 PDE परिवारों में 2.5 मिलियन प्रक्षेपपथों (trajectories) के साथ एक एकीकृत बेंचमार्क, जिसे $128^2$ के रिज़ॉल्यूशन पर मानकीकृत किया गया है (FNO-v, PDEArena, PDEBench, The Well)।
बेसलाइन्स: समायोजित पैरामीटर ( $\sim 150$ M सक्रिय) और प्रशिक्षण प्रोटोकॉल के साथ रिट्रेन किए गए डिटरमिनिस्टिक मॉडल (U-AFNO, CNextUNet, DPOT)।
मेट्रिक्स: 1-, 5-, 10-, और 20-स्टेप रोलआउट पर सापेक्ष $\ell_2$ त्रुटि (L2RE)।

4. मुख्य परिणाम (Key Results)

दीर्घ समय क्षितिज पर स्थिरता: LGS क्षितिज बढ़ने के साथ डिटरमिनिस्टिक बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है।
- 20 स्टेप्स पर, LGS का L2RE 30.2% है, जबकि सबसे मजबूत बेसलाइन (U-AFNO) का 56.1% है।
- LGS 15 में से 16 प्रणालियों पर 5 और 10-स्टेप रोलआउट में सबसे कम त्रुटि प्राप्त करता है।
दक्षता: LGS, डिटरमिनिस्टिक बेसलाइन्स की तुलना में पुनरावर्ती गतिशीलता चरणों (recurrent dynamics steps) के लिए 13–77 $\times$ कम कंप्यूट की आवश्यकता रखता है। लेटेंट स्पेस दृष्टिकोण पूरे रोलआउट के लिए एनकोडर/डिकोडर लागत को अमोर्टाइज (amortize) करता है, जिससे अनुमान के दौरान केवल हल्का प्रेडिक्टर सक्रिय रहता है।
सामान्यीकरण और अनुकूलन (Generalization and Adaptation):
- LGS एक आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) $256^2$ कोलोर्मोगोव फ्लो (Kolmogorov flow) के प्रति कुशलतापूर्वक अनुकूलित होता है (जो प्रीट्रेनिंग के दौरान बाहर रखा गया था)। 5 फाइन-ट्यूनिंग एपोक के बाद, LGS की 1-स्टेप त्रुटि 0.398 से गिरकर 0.129 हो जाती है, जबकि U-AFNO केवल 0.343 तक सुधर पाता है।
- LGS, ऑब्जर्वेशन नॉइज़ और स्पेशियल मास्किंग के प्रति डिटरमिनिस्टिक मॉडल की तुलना में बेहतर मजबूती प्रदर्शित करता है।
एब्लेशन स्टडीज (Ablation Studies):
- जेनेरेटिव फ्लो मैचिंग को हटाने (डायरेक्ट रिग्रेशन से बदलना) से प्रदर्शन में भारी गिरावट आती है (10-स्टेप एरर $\sim 155\%$ बढ़ जाता है), जो पुष्टि करता है कि जेनेरेटिव ट्रांजिशन मुख्य घटक है।
- इनपुट नॉइज़ ( $k=0$ ) या कॉन्टेक्स्ट रिटेंशन को हटाने से दीर्घ-क्षितिज स्थिरता में काफी गिरावट आती है, जो उनके स्थिरता स्कैफोल्ड के रूप में भूमिका को प्रमाणित करता है।
- टेम्पोरल पिरामिड मामूली सटीकता हानि ( $\le 9\%$ ) के बदले थ्रूपुट में एक क्रम-परिमाण (order-of-magnitude) लाभ का व्यापार करता है।

5. महत्व और दावे (Significance and Claims)

यह कार्य दावा करता है कि LGS सफलतापूर्वक दीर्घ-क्षितिज PDE रोलआउट को एक मैनिफोल्ड करेक्शन समस्या (manifold correction problem) के रूप में पुनर्परिभाषित करता है। एक साझा लेटेंट प्रतिनिधित्व को नॉइज़ी फ्लो मैचिंग ट्रांजिशन के साथ जोड़कर, ढांचा डिटरमिनिस्टिक ऑटोरेग्रेसिव मॉडल्स में अंतर्निहित ज्यामितीय त्रुटि वृद्धि को प्रति-चरण संकुचन (per-step contraction) में बदल देता है।

लेखकों द्वारा रेखांकित प्रमुख योगदान:

एक टाइम-फॉरवर्ड जेनेरेटिव सॉल्वर: PFlowFT स्थिर लेटेंट जेनेरेटिव मॉडल्स (जैसे DiT/SiT) को पुनरावृत्त रोलआउट (iterated rollouts) के परिवेश तक बढ़ाता है, जिसे एक क्लोज्ड-फॉर्म कॉन्ट्रैक्शन कंडीशन से जुड़ी सैद्धांतिक स्थिरता विश्लेषण द्वारा समर्थित किया गया है।
एकीकृत बेंचमार्क: चार सार्वजनिक संग्रहों को समेकित करते हुए एक 233 GB का बेंचमार्क बनाना, जो 12 PDE परिवारों के लिए समायोजित पैरामीटर वॉल्यूम के साथ निष्पक्ष तुलना सक्षम करता है।
व्यावहारिक व्यवहार्यता: विधि यह प्रदर्शित करती है कि जेनेरेटिव सरोगेट्स विषम भौतिकी के बीच सामान्यीकरण योग्य और दीर्घ-क्षितिज पर स्थिर दोनों हो सकते हैं, जिससे वे उन अनुप्रयोगों के लिए उपयुक्त होते हैं जिनमें कई रोलआउट्स पर अमोर्टाइज लागत की आवश्यकता होती है (जैसे, डिजिटल ट्विन्स, एक्टिव कंट्रोल, डेटा एसिमिलेशन)।

स्वीकृत सीमाएँ:

वर्तमान में 2D तक सीमित है (3D के लिए वॉल्यूमेट्रिक PhyVAE की आवश्यकता होगी)।
फ्रीज किया गया PhyVAE एक रिकंस्ट्रक्शन फ्लोर ( $\sim 3\%$ त्रुटि) निर्धारित करता है और दुर्लभ चैनलों को हटा सकता है।
आइसोट्रोपिक गॉसियन नॉइज़ मल्टीमॉडल बाइफरकेशन पॉइंट्स (bifurcation points) पर कम प्रदर्शन कर सकता है।

लेखक इस बात पर जोर देते हैं कि हालांकि LGS बेहतर स्थिरता और दक्षता प्रदान करता है, इसका उपयोग सुरक्षा-महत्वपूर्ण निर्णय लेने की प्रक्रियाओं में भौतिक सॉल्वरों के स्थान पर नहीं, बल्कि उनके साथ किया जाना चाहिए, विशेष रूप से प्रीट्रेनिंग कॉर्पस से परे जाने वाले डिस्ट्रीब्यूशन शिफ्ट के संदर्भ में।