⚛️ quantum physics

Tensor Decomposition for Non-Clifford Gate Minimization

यह शोध पत्र फॉल्ट-टोलरेंट क्वांटम कंप्यूटेशन के लिए टोफोली (Toffoli) और $T$ गेट्स को न्यूनतम करने हेतु $\mathbb{F}_2$ पर टेंसर डिकंपोजिशन (tensor decomposition) पर आधारित कुशल बीजगणितीय विधियों को प्रस्तुत करता है, जो पिछले दृष्टिकोणों की तुलना में काफी कम कम्प्यूटेशनल संसाधनों के साथ अत्याधुनिक परिणाम प्राप्त करता है।

मूल लेखक: Kirill Khoruzhii, Patrick Gelß, Sebastian Pokutta

प्रकाशित 2026-02-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kirill Khoruzhii, Patrick Gelß, Sebastian Pokutta

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 "टेंसर डिकंपोज़िशन फॉर नॉन-क्लिफ़ोर्ड गेट मिनिमलाइज़ेशन" (Tensor Decomposition for Non-Clifford Gate Minimization) पेपर का सरल, रोज़मर्रा की भाषा और रचनात्मक उपमाओं के साथ अनुवाद दिया गया है।

बड़ी तस्वीर: "महंगे मेहमान" की समस्या

कल्पना कीजिए कि आप एक बहुत बड़े, हाई-स्टेक्स डिनर पार्टी (एक क्वांटम कंप्यूटर) की मेजबानी कर रहे हैं। आपके पास दो प्रकार के मेहमान हैं:

नियमित मेहमान (Clifford Gates): इन मेहमानों को संभालना आसान है। वे किसी भी मेज पर बैठ सकते हैं, मेनू में जो भी हो वह खा सकते हैं, और उन्हें खिलाने में बहुत कम खर्च आता है।
वीआईपी मेहमान (Non-Clifford Gates, विशेष रूप से Toffoli/CCZ गेट्स): ये "महंगे मेहमान" हैं। ये बहुत नखरे वाले होते हैं, इनके लिए विशेष तैयारी की आवश्यकता होती है, और इन्हें खिलाने में बहुत अधिक पैसा खर्च होता है (वास्तविक दुनिया में, इसका मतलब "मैजिक स्टेट डिस्टिलेशन" है, एक ऐसी प्रक्रिया जो भारी मात्रा में ऊर्जा और समय खर्च करती है)।

लक्ष्य: यह पेपर इस पार्टी को आयोजित करने का सबसे कुशल तरीका खोजने के बारे में है। लक्ष्य वही स्वादिष्ट भोजन (वही गणना परिणाम) प्राप्त करना है, लेकिन कम से कम वीआईपी मेहमानों को खिलाकर।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (रीइन्फोर्समेंट लर्निंग):
पहले, शोधकर्ता इसे "रीइन्फोर्समेंट लर्निंग" (जैसे टॉफी देकर कुत्ते को प्रशिक्षित करना) नामक विधि का उपयोग करके हल करने का प्रयास करते थे। उन्होंने एक सुपर-इंटेलिजेंट AI बनाया जो मेहमानों की सर्वोत्तम व्यवस्था खोजने के लिए लाखों गेम खेलता था।

कमी: यह AI बहुत लालची था। इसे एक सुपरकंप्यूटर (हजारों विशेष चिप्स जिन्हें TPU कहा जाता है) की आवश्यकता थी और इसे प्रशिक्षित करने में कई दिन लग जाते थे। यह एक सिंगल केक के लिए हर संभव रेसिपी का परीक्षण करने के लिए सेना भर इंजीनियरों को काम पर रखने जैसा था।

नया तरीका (यह पेपर):
लेखकों, किरिल खोरुज़ी (Kirill Khoruzhii) और उनकी टीम ने कहा, "आइए अनुमान लगाना बंद करें और गणित का उपयोग करना शुरू करें।" उन्होंने महसूस किया कि इन क्वांटम गेट्स को व्यवस्थित करना वास्तव में 3D आकृतियों (टेंसर) से जुड़ा एक पहेली है।

उन्होंने पहेली के टुकड़ों को पुनर्व्यवस्थित करने के लिए बीजगणितीय नियमों (गणित के ट्रिक्स) का एक सेट विकसित किया।

परिणाम: उनका तरीका एक साधारण लैपटॉप CPU पर चलता है और एक मिनट से कम समय में पूरा हो जाता है। यह सुपरकंप्यूटर वाले AI के परिणामों के बराबर या उससे बेहतर है, लेकिन यह किसी भी मानक कंप्यूटर पर उपलब्ध है।

मुख्य अवधारणाएं (रूपक/Metaphors)

1. फेज पॉलीनोमियल (Phase Polynomial): "रेसिपी कार्ड"

प्रत्येक क्वांटम सर्किट को एक "रेसिपी कार्ड" में बदला जा सकता है जिसे फेज पॉलीनोमियल कहते हैं।

इसे सामग्रियों की एक सूची के रूप में सोचें।
कुछ सामग्रियां सस्ती हैं (लीनियर टर्म्स)।
कुछ मध्यम लागत वाली हैं (क्वाड्रेटिक टर्म्स)।
वीआईपी (Toffoli गेट्स) क्यूबिक टर्म्स (तीन सामग्रियां जो आपस में मिली हुई हैं) हैं।
समस्या: रेसिपी कार्ड कह सकता है "सामग्री A, B और C को मिलाएं।" लेकिन शायद आप रेसिपी को इस तरह लिख सकते हैं कि " (A+B) और (C) को मिलाएं" और फिर भी वही स्वाद मिले, लेकिन कम वीआईपी का उपयोग करके।

2. टेंसर डिकंपोज़िशन (Tensor Decomposition): "लेगो टावर"

लेखक रेसिपी कार्ड को एक विशाल 3D लेगो टावर (एक टेंसर) के रूप में देखते हैं।

लक्ष्य: इस बड़े टावर को संभव न्यूनतम व्यक्तिगत लेगो ब्रिक्स (रैंक-1 टर्म्स) में तोड़ना।
CP डिकंपोज़िशन (Toffoli मिनिमाइज़र): यह इस बात की कोशिश करने जैसा है कि इस टावर को कम से कम संख्या में जटिल 3-ब्रिक क्लस्टर का उपयोग करके बनाया जाए। यदि आप कम क्लस्टरों के साथ वही आकार बना सकते हैं, तो आप पैसे बचाते हैं।
वेरिंग डिकंपोज़िशन (Waring Decomposition - T-काउंट मिनिमाइज़र): यह तोड़ने का एक अलग तरीका है, जो केवल जटिल ब्रिक्स ही नहीं, बल्कि सभी ब्रिक्स की कुल संख्या पर ध्यान केंद्रित करता है।

3. "फ्लिप ग्राफ" सर्च: "मेज़ रनर" (भूलभुलैया का खिलाड़ी)

वे टावर को तोड़ने का सबसे अच्छा तरीका कैसे खोजते हैं?

कल्पना कीजिए कि आप एक भूलभुलैया में हैं जहाँ हर मोड़ लेगो ब्रिक्स को पुनर्व्यवस्थित करने के एक अलग तरीके का प्रतिनिधित्व करता है।
लोकल मिनिमा (Local Minima): कभी-कभी आप एक छोटी घाटी में फंस जाते हैं जहाँ हर कदम आपको ऐसा लगता है कि टावर को बड़ा बना रहा है, भले ही ठीक अगली पहाड़ी के पार एक बेहतर समाधान मौजूद हो।
फ्लिप ग्राफ (Flip Graph): लेखकों ने इस भूलभुलैया का एक नक्शा बनाया है। वे "फ्लिप ग्राफ सर्च" नामक रणनीति का उपयोग करते हैं।
- द फ्लिप (The Flip): कल्पना कीजिए कि दो लेगो क्लस्टर एक साझा ब्रिक साझा करते हैं। आप उन्हें "फ्लिप" कर सकते हैं—उस साझा ब्रिक के चारों ओर कनेक्शन को बदल सकते हैं। टावर अलग दिखता है, लेकिन उसका आकार वही रहता है।
- द प्लस मूव (The Plus Move): कभी-कभी, किसी डेड एंड (बंद रास्ते) से बचने के लिए, आपको अस्थायी रूप से टावर में एक ब्रिक जोड़ने की आवश्यकता होती है (जटिलता बढ़ाना) ताकि बाद में एक बहुत सरल समाधान की ओर जाने वाला नया रास्ता बनाया जा सके।
- रणनीति: वे केवल एक रास्ता नहीं चलते; वे हजारों "एक्सप्लोरर्स" (डिकंपोज़िशन का एक पूल) को एक साथ भूलभुलैया में घूमने के लिए भेजते हैं। यदि किसी को शॉर्टकट मिल जाता है, तो वे सभी उसी पर स्विच कर देते हैं।

4. "बिलिनियर" शॉर्टकट (The Bilinear Shortcut): "विशेष उपकरण"

फाइनाइट फील्ड में संख्याओं को गुणा करने (क्रिप्टोग्राफी में सामान्य) जैसे विशिष्ट कार्यों के लिए, रेसिपी कार्ड का एक विशेष, अनुमानित पैटर्न होता है।

पूरे 3D टावर को एक रहस्य मानने के बजाय, उन्होंने महसूस किया कि वे इसे एक छोटे, चपटे 2D शीट में काट सकते हैं।
उपमा: यह महसूस करने जैसा है कि आपको एक विशिष्ट पहेली को हल करने के लिए 3D रूबिक क्यूब को हल करने की आवश्यकता नहीं है; आप बस इसे 2D पहेली के रूप में हल कर सकते हैं। यह गणित को बहुत तेज़ बनाता है और परिणाम भी बेहतर देता है।

यह क्यों महत्वपूर्ण है?

लोकतांत्रीकरण (Democratization): अब क्वांटम सर्किट को ऑप्टिमाइज़ करने के लिए आपको अरबों डॉलर के सुपरकंप्यूटर की आवश्यकता नहीं है। एक सिंगल लैपटॉप ही काफी है।
दक्षता (Efficiency): उन्होंने क्वांटम गणनाओं की "लागत" को काफी कम करने के तरीके खोजे हैं। क्वांटम कंप्यूटिंग की दुनिया में, कुछ "वीआईपी मेहमानों" (Toffoli गेट्स) को बचाने का मतलब यह हो सकता है कि कोई गणना 10 मिनट के बजाय 10 साल लेने के बीच का अंतर।
AI से बेहतर: इस विशिष्ट मामले में, पुराने ज़माने के बीजगणित (Algebra) और चतुर खोज रणनीतियों ने विशाल, महंगे AI प्रशिक्षण तरीकों को हरा दिया। यह साबित करता है कि कभी-कभी, समस्या की संरचना को समझना केवल डेटा के साथ ज़बरदस्ती (Brute-forcing) करने से बेहतर होता है।

सारांश

लेखकों ने एक ऐसे समस्या को हल किया जिसके लिए सुपरकंप्यूटर की आवश्यकता थी (महंगे क्वांटम गेट्स को कम करना) और इसे एक चतुर गणितीय पहेली में बदल दिया। सर्किट को एक 3D आकार के रूप में देखकर और टुकड़ों को पुनर्व्यवस्थित करने के लिए "फ्लिप" मूव का उपयोग करके, उन्होंने इसे बनाने का सबसे कुशल तरीका खोज लिया। उन्होंने यह काम एक सिंगल लैपटॉप पर किया, जिससे यह साबित हुआ कि स्मार्ट गणित, भारी कंप्यूटिंग शक्ति को मात दे सकता है।

यहाँ शोध पत्र "Tensor Decomposition for Non-Clifford Gate Minimization" (खोरुज़ी एवं अन्य द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फॉल्ट-टॉलोरेंट क्वांटम कंप्यूटिंग त्रुटि सुधार (error correction) पर निर्भर करती है, जो विभिन्न प्रकार के गेट्स पर बहुत अलग संसाधन लागत लागू करती है। मानक Clifford+T गेट सेट में:

Clifford gates अपेक्षाकृत सस्ते हैं (ट्रांसवर्सली लागू किए जा सकते हैं)।
Non-Clifford gates (विशेष रूप से T gates) महंगे हैं, जिनके लिए संसाधन-गहन मैजिक स्टेट डिस्टिलेशन (magic state distillation) की आवश्यकता होती है।
CCZ (Controlled-Controlled-Z) गेट्स (Hadamard कंजुगेशन के माध्यम से Toffoli गेट्स के समकक्ष) भी नॉन-क्लिफ़ोर्ड हैं।

चुनौती:

पारंपरिक दृष्टिकोण: T-count (T गेट्स की संख्या) को कम करना। यह अच्छी तरह से अध्ययन किया गया है (जैसे, TODD एल्गोरिदम के माध्यम से) लेकिन यह CCZ गेट्स को महंगा (7T) मानता है।
नया संदर्भ: समर्पित CCZ मैजिक स्टेट फैक्ट्रियों के आगमन के साथ, एक CCZ गेट को केवल 2T की लागत पर संश्लेषित किया जा सकता है। यह अनुकूलन लक्ष्य को T-count को कम करने से बदलकर Toffoli-count (सीधे CCZ गेट्स को कम करने) की ओर स्थानांतरित कर देता है।
पूर्व कार्य की सीमाएँ: अत्याधुनिक विधि, AlphaTensor-Quantum, डीप रीइन्फोर्समेंट लर्निंग (RL) का उपयोग करती है। हालांकि यह प्रभावी है, लेकिन इसके लिए भारी कम्प्यूटेशनल संसाधनों (हजारों TPU, दिनों का प्रशिक्षण) की आवश्यकता होती है और यह सुलभ नहीं है।

लक्ष्य: ऐसे कुशल बीजगणितीय तरीकों (algebraic methods) को विकसित करना जो मध्यम कम्प्यूटेशनल संसाधनों (एकल CPU) का उपयोग करके RL-आधारित परिणामों के बराबर या उनसे बेहतर परिणाम दे सकें।

2. कार्यप्रणाली (Methodology)

लेखक गेट मिनिमाइजेशन समस्या को $\mathbb{F}_2$ के ऊपर एक टेन्सर डिकंपोजिशन (tensor decomposition) समस्या के रूप में पुनर्गठित करते हैं।

A. गणितीय ढांचा (Mathematical Framework)

फेज पॉलीनोमियल प्रतिनिधित्व (Phase Polynomial Representation): किसी भी Clifford+T सर्किट को (Hadamard gadgetization के माध्यम से) एक डायगोनल फेज ऑपरेटर $U_f$ $U_{f}$ में बदला जा सकता है जो एक फेज फंक्शन $f(x)$ $f (x)$ पर कार्य करता है।
- $f(x)$ $\mathbb{Z}_8$ पर एक पॉलीनोमियल है जिसे लीनियर, क्वाड्रेटिक और क्यूबिक टर्म्स के भारित योग में कम किया जा सकता है: $f = f_1 + 2f_2 + 4f_3$ ।
- $f_3$ (Cubic terms): CCZ/Toffoli गेट्स के अनुरूप है।
- $f_2$ (Quadratic): CS गेट्स के अनुरूप है।
- $f_1$ (Linear): T गेट्स के अनुरूप है।
टेन्सर डिकंपोजिशन मैपिंग (Tensor Decomposition Mapping):
- Toffoli Minimization: CCZ गेट्स की संख्या को कम करना, क्यूबिक टेन्सर $T$ (जो $f_3$ का प्रतिनिधित्व करता है) के कैनोनिकल पॉलीडिक (CP) रैंक को खोजने के समतुल्य है।
  $T_{ijk} = \sum_{q=1}^{r_{cp}} U_{qi} V_{qj} W_{qk}$
  यहाँ, $r_{cp}$ Toffoli count है।
- T-count Minimization: T गेट्स को कम करना पूर्ण सिग्नेचर टेन्सर $S$ के वैरिंग डिकंपोजिशन (Waring decomposition) (सिमेट्रिक टेन्सर रैंक) के समतुल्य है।

B. मुख्य एल्गोरिदम (Core Algorithms)

लेखक निम्न-रैंक वाले डिकंपोजिशन खोजने के लिए बीजगणितीय ह्यूरिस्टिक्स (heuristics) का एक पाइपलाइन प्रस्तावित करते हैं:

बेसिस चेंज ऑप्टिमाइजेशन (BCO):
- नॉन-क्लिफ़ोर्ड गेट्स से पहले आने वाले CNOT लेयर को अनुकूलित करता है।
- एक लीनियर बेसिस परिवर्तन ( $GL(n, 2) $) की खोज करता है जो$ f_3$ में मोनोमियल्स की संख्या को कम करता है (Algebraic Thickness)।
- Greedy और Beam Search रणनीतियों का उपयोग करता है।
सिम्प्लेक्टिक गॉसियन एलिमिनेशन (SGE):
- रैंक-1 टर्म्स की $GL(3, 2)$ सिमेट्री का लाभ उठाता है।
- उन टर्म्स को समूहित करता है जो एक सामान्य कारक (फैनो प्लेन ज्योमेट्री में एक "सेवन-सेट") साझा करते हैं।
- समस्या को एक प्रेरित अल्टरनेटिंग क्वाड्रेटिक फॉर्म के रैंक को कम करने में बदल देता है, जिसे $O(n^3)$ समय में हल किया जा सकता है।
फ्लिप ग्राफ सर्च (FGS):
- उन स्थानीय मिनिमा (local minima) से बचने के लिए डिज़ाइन किया गया है जहाँ SGE रैंक को और कम नहीं कर पाता।
- यह एक "फ्लिप ग्राफ" पर कार्य करता है जहाँ वर्टिस (vertices) एक निश्चित रैंक के CP डिकंपोजिशन हैं।
- संचालन (Operations):
  - Flip: दो टर्म्स को जो एक फैक्टर साझा करते हैं, उन्हें फिर से जोड़ना (rewire) ताकि नए साझा फैक्टर्स बनाए जा सकें।
  - Plus: स्पेस के डिस्कनेक्टेड कंपोनेंट्स को जोड़ने के लिए अस्थायी रूप से रैंक बढ़ाना।
  - Reduction: रैंक को कम करने के लिए SGE लागू करना।
- स्पेस को एक्सप्लोर करने के लिए डिकंपोजिशन के एक पूल के साथ रैंडम वॉक का उपयोग करता है।
बाइलीनियर अप्रोच (Bilinear Approach - विशेष रूप से फाइनाइट फील्ड मल्टीप्लिकेशन के लिए):
- जिन सर्किटों में बाइलीनियर मैप्स (जैसे, $GF(2^p)$ मल्टीप्लिकेशन) होते हैं, उनका टेन्सर स्ट्रक्चर $(n, n, n)$ के बजाय $(n_a, n_b, n_c)$ होता है।
- लेखक सामान्य क्यूबिक अप्रोच की तुलना में सर्च स्पेस को काफी कम करने के लिए सीधे छोटे फील्ड टेन्सर या कन्वोल्यूशन टेन्सर पर फ्लिप ग्राफ सर्च लागू करते हैं।
T-count के लिए CP इनिशियलाइजेशन:
- T-count मिनिमाइजेशन के लिए, CP डिकंपोजिशन (Toffoli-ऑप्टिमल) को 7 वैरिंग टर्म्स (नेटिव T-count) में विस्तारित किया जाता है।
- यह विस्तारित रूप TODD एल्गोरिदम के लिए एक उच्च-गुणवत्ता वाला इनिशियलाइजेशन के रूप में कार्य करता है, जो फिर रैंक-घटाने वाले रूपांतरणों को करके इष्टतम T-count पाता है।

3. मुख्य योगदान (Key Contributions)

बीजगणितीय सूत्रीकरण (Algebraic Formulation): Toffoli मिनिमाइजेशन और CP टेन्सर डिकंपोजिशन, तथा T-count मिनिमाइजेशन और वैरिंग डिकंपोजिशन के बीच सीधा संबंध स्थापित किया।
कुशल ह्यूरिस्टिक्स (Efficient Heuristics): विशाल न्यूरल नेटवर्क को प्रशिक्षित किए बिना इन NP-hard डिकंपोजिशन समस्याओं को कुशलतापूर्वक हल करने के लिए SGE और Flip Graph Search विकसित किया।
बाइलीनियर ऑप्टिमाइजेशन: $GF(2^p)$ मल्टीप्लिकेशन के लिए बाइलीनियर स्ट्रक्चर का लाभ उठाते हुए सामान्य विधियों से बेहतर प्रदर्शन करने के लिए विशेषीकृत पद्धति विकसित की।
इनिशियलाइजेशन रणनीति: दिखाया कि रैंडम या ग्रीडी इनिशियलाइजेशन की तुलना में CP डिकंपलेशन, T-count ऑप्टिमाइजेशन (TODD) के लिए बेहतर शुरुआती बिंदु प्रदान करते हैं।
संसाधन दक्षता: एक एकल CPU (प्रति सर्किट मिनट) का उपयोग करके AlphaTensor-Quantum के बराबर या बेहतर परिणाम प्राप्त किए, जबकि RL के लिए हजारों TPU और कई दिनों के प्रशिक्षण की आवश्यकता थी।

4. परिणाम (Results)

विधियों का मूल्यांकन प्लांटेड बेंचमार्क्स (ज्ञात संरचना) और मानक सर्किट परिवारों पर किया गया।

Toffoli Count Minimization:
- 25 मानक बेंचमार्क्स पर, विधि ने सभी मामलों में पिछले सर्वोत्तम परिणामों की बराबरी की या उनमें सुधार किया।
- विशेष रूप से 8 सर्किट (जैसे, Adder, Grover, Hamming weight) पर सुधार किया।
- $GF(2^p)$ मल्टीप्लिकेशन के लिए, बाइलीनियर अप्रोच ने $p \ge 6$ के लिए पिछले स्वचालित तरीकों की तुलना में कम Toffoli काउंट पाया।
T-count Minimization:
- TODD के लिए CP इनिशियलाइजेशन का उपयोग करने से 5 बेंचमार्क्स पर T-counts में सुधार हुआ।
- प्लांटेड इंस्टेंस पर ग्रीडी और बीम-सर्च इनिशियलाइजेशन रणनीतियों की तुलना में लगातार बेहतर प्रदर्शन किया।
प्रदर्शन:
- अधिकांश सर्किट एक एकल CPU पर 1 मिनट से कम समय में पूरे हो गए।
- सबसे बड़े बेंचमार्क्स को कुछ घंटे लगे, जो अभी भी RL ट्रेनिंग समय की तुलना में कई गुना तेज़ है।
- विधि शुद्ध Toffoli कार्यान्वयन (कोई मिश्रित T/CS गेट नहीं) बनाती है, जबकि RL विधियों को कभी-कभी सर्किट स्प्लिटिंग की आवश्यकता होती है।

5. महत्व (Significance)

अनुकूलन का लोकतंत्रीकरण (Democratization of Optimization): विशाल RL ट्रेनिंग को बीजगणितीय ह्यूरिस्टिक्स से बदलकर, यह शोध पत्र अत्याधुनिक सर्किट ऑप्टिमाइजेशन को मानक हार्डवेयर के साथ सुलभ बनाता है।
सैद्धांतिक अंतर्दृष्टि: यह दर्शाता है कि बाइलीनियर स्ट्रक्चर वाले सर्किट (जो अंकगणित में सामान्य हैं) के लिए, CP डिकंपोजिशन, वैरिंग डिकंपोजिशन की तुलना में अधिक स्वाभाविक और कुशल अनुकूलन लक्ष्य है।
व्यावहारिक प्रभाव: नॉन-क्लिफ़ोर्ड गेट काउंट को कम करना सीधे तौर पर फॉल्ट-टॉलोरेंट क्वांटम कंप्यूटरों के लिए संसाधन ओवरहेड को कम करता है, जिससे शोर (Shor's) या क्वांटम सिमुलेशन जैसे एल्गोरिदम अधिक व्यवहार्य हो जाते हैं।
भविष्य की दिशाएँ: लेखक सुझाव देते हैं कि इन संरचित बीजगणितीय सर्च स्पेस (Flip Graphs, Basis Changes) का उपयोग न्यूरल गाइडेंस के साथ एकीकरण के लिए किया जा सकता है, जिससे बीजगणितीय विधियों की गति और लर्निंग की अनुकूलन क्षमता का संयोजन हो सके।

कोड उपलब्धता: लेखकों ने C++ कार्यान्वयन, बेंचमार्क्स और सत्यापन स्क्रिप्ट के साथ एक सार्वजनिक रिपॉजिटरी (polytof) जारी की है।