⚛️ quantum physics

Machine learning of quantum data using optimal similarity measurements

लेखक एक एकीकृत फोटोनिक प्रोसेसर पर बोसोनिक इंटरफेरेंस का उपयोग करके क्वांटम स्टेट ओवरलैप का अनुमान लगाने के लिए एक सैंपल-ऑप्टिमल, हार्डवेयर-कुशल प्रोटोकॉल प्रदर्शित करते हैं, जो महंगी व्यक्तिगत स्टेट कैरेक्टराइजेशन के बिना वर्गीकरण और ऑनलाइन लर्निंग जैसे स्केलेबल और सटीक क्वांटम मशीन लर्निंग कार्यों को सक्षम बनाता है।

मूल लेखक: Zhenghao Li, Hao Zhan, Shana H. Winston, Ewan Mer, Zhenghao Yin, Shang Yu, Yazeed K. Alwehaibi, Gerard J. Machado, Dayne Marcus Lopena, Lijian Zhang, M. S. Kim, Aonan Zhang, Ian A. Walmsley, Raj B. Pa

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenghao Li, Hao Zhan, Shana H. Winston, Ewan Mer, Zhenghao Yin, Shang Yu, Yazeed K. Alwehaibi, Gerard J. Machado, Dayne Marcus Lopena, Lijian Zhang, M. S. Kim, Aonan Zhang, Ian A. Walmsley, Raj B. Patel

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 विचार: क्वांटम फोटो को विकसित किए बिना उनकी तुलना करना

कल्पना कीजिए कि आपके पास दो रहस्यमय, सीलबंद लिफाफे हैं। प्रत्येक लिफाफे के अंदर एक जटिल, 3D होलोग्राम (एक क्वांटम अवस्था) है। आप जानना चाहते हैं: ये दोनों होलोग्राम कितने समान हैं?

क्लासिकल दुनिया में (हमारी रोजमर्रा की वास्तविकता), उनकी तुलना करने के लिए, आपको यह करना होगा:

लिफाफा A खोलें।
उसे अलग-अलग करें, उसके हर एक हिस्से को मापें, और उसका एक पूर्ण 3D मॉडल बनाएं।
लिफाफा B के लिए भी बिल्कुल यही काम करें।
अंत में, दोनों मॉडलों की तुलना करने के लिए एक कंप्यूटर का उपयोग करें।

यह धीमा है, महंगा है और इस प्रक्रिया में होलोग्राम को नष्ट कर देता है। क्वांटम दुनिया में, इस "अलग-अलग करने" की प्रक्रिया को चरित्र चित्रण (characterization) कहा जाता है, और जैसे-जैसे होलोग्राम अधिक जटिल होते जाते हैं, यह तेजी से कठिन होता जाता है।

यह पेपर एक जादुई ट्रिक पेश करता है: लिफाफों को खोलने के बजाय, आप उन्हें बस एक विशेष मेज पर एक-दूसरे के बगल में खिसका देते हैं। यदि वे समान हैं, तो वे एक विशिष्ट तरीके से एक साथ "नृत्य" करते हैं। यदि वे भिन्न हैं, तो वे अलग तरह से नृत्य करते हैं। उस नृत्य को देखकर, आप तुरंत जान जाते हैं कि वे कितने समान हैं, बिना लिफाफों को खोले या होलोग्राम को नष्ट किए।

समस्या: "आयामों का अभिशाप" (The Curse of Dimensionality)

लेखक समझाते हैं कि जैसे-जैसे क्वांटम कंप्यूटर और सेंसर बेहतर होते जा रहे हैं, वे भारी मात्रा में डेटा उत्पन्न कर रहे हैं। इस डेटा को व्यक्तिगत रूप से "पढ़ने" की कोशिश करना समुद्र तट पर रेत के हर कण को गिनने जैसा है ताकि यह देखा जा सके कि क्या दो समुद्र तट एक ही आकार के हैं। इसमें बहुत अधिक समय लगता है और बहुत अधिक संसाधनों की आवश्यकता होती है।

क्वांटम डेटा की तुलना करने के तरीके एक बार में एक टुकड़े को देखकर पहेली सुलझाने की कोशिश करने जैसे हैं। आपके पास जितने अधिक टुकड़े (आयाम) होंगे, उतना ही अधिक समय लगेगा।

समाधान: "क्वांटम डांस फ्लोर"

इंपीरियल कॉलेज लंदन और ऑक्सफोर्ड की टीम ने प्रकाश-1 (Prakash-1) नामक एक मशीन बनाई। इस मशीन को प्रकाश (फोटोन) से बना एक अत्यधिक परिष्कृत, प्रोग्राम करने योग्य डांस फ्लोर समझें।

यहाँ बताया गया है कि उनका तरीका कैसे काम करता है:

नर्तक (डेटा): वे दो "नर्तकों" (क्वांटम अवस्थाओं) को तैयार करते हैं। ये केवल साधारण बिंदु नहीं हैं; ये एक चिप पर 10 अलग-अलग लेन में चलते हुए प्रकाश की जटिल तरंगें हैं।
दर्पण (बीम स्प्लिटर): वे इन दोनों नर्तकों को एक विशेष दर्पण (बीम स्प्लिटर) पर भेजते हैं जो उन्हें आपस में मिला देता है।
नृत्य (व्यतिकरण/Interference): जब दो तरंगें मिलती हैं, तो वे एक-दूसरे के साथ व्यतिकरण (interfere) करती हैं।
- यदि नर्तक एक समान हैं, तो वे पूर्ण तालमेल में चलते हैं, जिससे प्रकाश का एक विशिष्ट पैटर्न बनता है।
- यदि वे भिन्न हैं, तो पैटर्न बदल जाता है।
दर्शक (डिटेक्टर्स): डांस फ्लोर के अंत में, डिटेक्टर प्रकाश को गिनते हैं। वे यह नहीं गिनते कि नर्तक व्यक्तिगत रूप से कैसे चले; वे केवल भीड़ के कुल पैटर्न को गिनते हैं।
- उपमा: कल्पना कीजिए कि दो लोग ताली बजा रहे हैं। यदि वे पूर्ण सामंजस्य में ताली बजाते हैं, तो ध्वनि तेज और लयबद्ध होती है। यदि वे तालमेल में नहीं हैं, तो ध्वनि अव्यवस्थित होती है। यह जानने के लिए कि वे तालमेल में नहीं हैं, आपको उनके व्यक्तिगत हाथों की गति को रिकॉर्ड करने की आवश्यकता नहीं है; आपको बस परिणाम सुनना है।

यह गेम-चेंजर क्यों है

यह पेपर दो बड़ी बातें सिद्ध करता है:

यह सबसे तेज़ तरीका है (सैंपल ऑप्टिमल):
लेखकों ने गणितीय रूप से सिद्ध किया कि उनकी विधि सटीक उत्तर प्राप्त करने के लिए आवश्यक "प्रयासों" (सैंपल्स) की न्यूनतम संख्या का उपयोग करती है। कोई भी अन्य विधि, चाहे वह कितनी भी शानदार क्यों न हो, इस गति को मात नहीं दे सकती। यह भूलभुलैया के माध्यम से सबसे छोटा रास्ता खोजने जैसा है; उन्होंने वह रास्ता खोज लिया है जिसे कोई और नहीं हरा सकता।
इसे डेटा के आकार से फर्क नहीं पड़ता (स्केलेबल):
आमतौर पर, यदि आप डेटा का आकार दोगुना करते हैं, तो तुलना करने में लगने वाला समय भी दोगुना (या उससे भी अधिक) हो जाता है। इस नई विधि के साथ, लगने वाला समय वही रहता है, चाहे आप छोटे डेटा की तुलना कर रहे हों या विशाल, उच्च-आयामी डेटा की। यह एक ऐसे पैमाने की तरह है जो रेत के कण और पहाड़ दोनों को समान प्रयास के साथ मापता है।

वास्तविक दुनिया के परीक्षण: एक क्वांटम मस्तिष्क को सिखाना

यह साबित करने के लिए कि यह केवल सिद्धांत नहीं था, उन्होंने अपनी मशीन का उपयोग कंप्यूटर को इंसान की तरह "सोचना" सिखाने के लिए किया। उन्होंने दो परीक्षण चलाए:

परीक्षण 1: छँटाई का खेल (Classification):
उन्होंने मशीन को दो समूहों के क्वांटम डेटा (जैसे लाल और नीले कंचे, लेकिन प्रकाश से बने) दिए। मशीन को नए कंचों को सही ढेर में छाँटना था।
- परिणाम: इसने "शोर वाले" (अपूर्ण) डेटा के साथ भी 98% से 100% बार सही पहचान की।
परीक्षण 2: नकल करने का खेल (Online Learning):
उन्होंने मशीन को एक "लक्ष्य" पैटर्न दिखाया और उससे एक बार में एक कदम के आधार पर अपने सेटिंग्स को पूरी तरह से मिलाने के लिए समायोजित करने को कहा।
- परिणाम: मशीन ने लक्ष्य पैटर्न को 98.3% सटीकता के साथ सीखा, और शोर के कारण लक्ष्य के थोड़ा बदलने के बावजूद हर प्रयास के साथ बेहतर होती गई।

बड़ी तस्वीर: हमें इसकी परवाह क्यों करनी चाहिए?

हम एक ऐसे भविष्य की ओर बढ़ रहे हैं जहाँ डेटा को क्वांटम नेटवर्क (एक सुपर-इंटरनेट की तरह) के माध्यम से प्रकाश के रूप में भेजा जाएगा। इस भविष्य में, हम विश्लेषण करने के लिए डेटा को अपने कंप्यूटरों पर "डाउनलोड" नहीं कर पाएंगे; हमें इसे नेटवर्क में रहते हुए ही विश्लेषण करना होगा।

यह पेपर उस भविष्य के लिए आवश्यक उपकरण प्रदान करता है। यह हमें क्वांटम डेटा की सीधे तुलना करने, उसे छाँटने और उससे सीखने का एक तरीका देता है, बिना इसे पहले "पढ़ने" के लिए प्रक्रिया को धीमा किए।

संक्षेप में: लेखकों ने एक "क्वांटम समानता डिटेक्टर" बनाया है जो पहले मौजूद किसी भी चीज़ की तुलना में तेज़, सस्ता और अधिक कुशल है। यह हमें जटिल क्वांटम वस्तुओं की तुरंत तुलना करने की अनुमति देता है, जो प्रकाश की दुनिया से सीख सकने वाले शक्तिशाली क्वांटम आर्टिफिशियल इंटेलिजेंस का मार्ग प्रशस्त करता है।

यहाँ शोध पत्र "Machine learning of quantum data using optimal similarity measurements" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम मशीन लर्निंग (QML) का लक्ष्य शास्त्रीय विधियों की तुलना में संभावित लाभों के साथ क्वांटम अवस्थाओं (quantum states) का उपयोग करना है। QML में एक मौलिक ऑपरेशन दो क्वांटम अवस्थाओं के बीच समानता (या ओवरलैप) का मूल्यांकन करना है, जिसे $|\langle \psi_A | \psi_B \rangle|^2$ के रूप में परिभाषित किया गया है। यह मीट्रिक क्वांटम क्लासिफायर में कर्नेल फंक्शन और क्वांटम मॉडल के प्रशिक्षण में कॉस्ट फंक्शन के रूप में कार्य करता है।

हालाँकि, एक महत्वपूर्ण बाधा मौजूद है:

शास्त्रीय जटिलता (Classical Intractability): अज्ञात क्वांटम अवस्थाओं के ओवरलैप को निर्धारित करने के लिए आमतौर पर व्यक्तिगत अवस्थाओं के पूर्ण टोमोग्राफिक पुनर्निर्माण (tomographic reconstruction) की आवश्यकता होती है, जो सिस्टम के आयाम (मोड्स या फोटोन की संख्या) के साथ तेजी से (exponentially) बढ़ता है।
वितरित सीमाएँ (Distributed Limitations): क्वांटम नेटवर्क में जहाँ डेटा क्वांटम अवस्थाओं के रूप में प्रसारित किया जाता है (जैसे सेंसर या सिम्युलेटर से), वहाँ पक्ष अक्सर अवस्थाओं की कॉपियाँ साझा नहीं कर पाते हैं। स्थानीय मापों और शास्त्रीय संचार पर निर्भर वितरित रणनीतियाँ भी उच्च-आयामी अवस्थाओं के लिए घातांकीय सैंपल कॉम्प्लेक्सिटी (exponential sample complexity) से ग्रस्त होती हैं।
हार्डवेयर ओवरहेड (Hardware Overhead): मौजूदा विधियों के लिए अक्सर गहरे क्वांटम सर्किट या एंटैंगलमेंट-असिस्टेड प्रोटोकॉल की आवश्यकता होती है जो प्रयोगात्मक रूप से स्केल करना कठिन होता है।

यह शोध पत्र स्केलेबल QML को सक्षम करने के लिए, व्यक्तिगत अवस्थाओं का लक्षण वर्णन किए बिना, सीधे क्वांटम स्टेट ओवरलैप का अनुमान लगाने हेतु एक सैंपल-इष्टतम (sample-optimal), हार्डवेयर-कुशल प्रोटोकॉल की आवश्यकता को संबोधित करता है।

2. कार्यप्रणाली (Methodology)

लेखक बोसोनिक क्वांटम इंटरफेरेंस (bosonic quantum interference) और फोटोन-नंबर पैरिटी रीडआउट (photon-number parity readout) पर आधारित एक प्रोटोकॉल प्रस्तावित करते हैं और इसका प्रयोगात्मक सत्यापन करते हैं।

सैद्धांतिक ढांचा (Theoretical Framework)

संयुक्त मापन रणनीति (Joint Measurement Strategy): अवस्थाओं को व्यक्तिगत रूप से मापने (वितरित विधि) या $2N$ कॉपियों पर वैश्विक मापन करने के बजाय, यह प्रोटोकॉल संतुलित बीम स्plitters (BS) के एक सेट पर एक अवस्था $\hat{\rho}^{(A)}$ और एक अवस्था $\hat{\rho}^{(B)}$ की एक एकल प्रति (single copy) को इंटरफेयर करता है।
पैरिटी रीडआउट (Parity Readout): एक रजिस्टर के आउटपुट मोड्स को फोटोन-नंबर-रिजॉल्विंग डिटेक्टर्स (PNRDs) का उपयोग करके निर्धारित करने के लिए मापा जाता है कि कुल फोटोन-नंबर पैरिटी ( $\hat{\Pi} = (-1)^{\sum \hat{n}_i}$ ) क्या है।
गणितीय व्युत्पत्ति (Mathematical Derivation): ट्रेस ओवरलैप को इस प्रकार व्युत्पन्न किया गया है:
$\text{Tr}[\hat{\rho}^{(A)}\hat{\rho}^{(B)}] = \text{Tr}^{(B)} \left[ \text{Tr}^{(A)} \left( \hat{U}_{BS}^\dagger \hat{\rho}^{(A)} \hat{\rho}^{(B)} \hat{U}_{BS} \right) \hat{\Pi} \right]$
यह संबंध किसी भी मिश्रित अवस्था (mixed states) के लिए मान्य है, जो शुद्ध अवस्थाओं (pure states) के लिए स्क्वेर्ड इनर प्रोडक्ट में बदल जाता है।
सैंपल कॉम्प्लेक्सिटी (Sample Complexity): लेखक सिद्ध करते हैं (Theorem 1) कि एक एडिटिव एरर $\epsilon$ के भीतर ओवरलैप का अनुमान लगाने के लिए आवश्यक नमूनों (samples) की संख्या $N$ , $O(\epsilon^{-2})$ के रूप में स्केल करती है। महत्वपूर्ण रूप से, यह स्केलिंग हिल्बर्ट स्पेस के आयाम, मोड संख्या, या फोटोन संख्या से स्वतंत्र है।
इष्टतमता (Optimality): हेलस्ट्रॉम बाउंड (Helstrom's bound) का उपयोग करते हुए, वे सिद्ध करते हैं (Theorem 2) कि यह $O(\epsilon^{-2})$ स्केलिंग सूचना-सैद्धांतिक रूप से इष्टतम (एक स्थिरांक कारक तक) है, यहाँ तक कि जटिल वैश्विक मापों की तुलना में भी। इसके विपरीत, उच्च-आयामी अवस्थाओं के लिए वितरित रणनीतियाँ आम तौर पर घातांकीय लागत (exponential costs) उठाती हैं।

प्रयोगात्मक कार्यान्वयन (Experimental Implementation)

प्लेटफ़ॉर्म: प्रयोग Prakash-1 पर आयोजित किया गया था, जो सिलिकॉन नाइट्राइड (Si $_3$ N $_4$ ) चिप पर आधारित एक पूर्णतः प्रोग्रामेबल इंटीग्रेटेड फोटोनिक क्वांटम प्रोसेसर है।
स्टेट प्रिपरेशन (State Preparation):
- स्रोत (Source): स्पोंटेनियस पैरामीट्रिक डाउन-कन्वर्जन (SPDC) 1550 nm पर अविभेदित (indistinguishable) फोटोन जोड़े उत्पन्न करता है।
- एनकोडिंग (Encoding): फोटोन को ट्यूनेबल रिलेटिव फेज के साथ क्वाडिट अवस्थाओं (4 मोड्स पर स्थानिक सुपरपोजिशन) में एनकोड किया गया है।
- सर्किट (Circuit): एक $10 \times 10$ मेष थर्मो-ऑप्टिक फेज शिफ्टर्स का उपयोग यूनिवर्सल लीनियर ऑप्टिक्स को लागू करता है। सर्किट दो क्वाडिट्स को एक विशिष्ट इंटरफेरेंस पैटर्न (संतुलित BS) में रूट करता है और आउटपुट को 8 सुपरकंडक्टिंग नैनोवायर सिंगल-फोटोन डिटेक्टर्स (SNSPDs) की ओर निर्देशित करता है।
मापन (Measurement): चूंकि डिटेक्टर्स फोटोन-नंबर-रिजॉल्विंग नहीं हैं, इसलिए प्रयोग विशिष्ट आउटपुट मोड्स के बीच कोइन्सिडेंस डिटेक्शन (coincidence detection) का उपयोग करता है। सिंगल-फोटोन इनपुट के लिए, एक रजिस्टर में ऑड-पैरिटी इवेंट एक रजिस्टर और दूसरे के बीच कोइन्सिडेंस को दर्शाता है, जिससे ओवरलैप को $1 - 2P_{\text{odd}}$ के रूप में अनुमानित किया जा सकता है।

3. मुख्य योगदान (Key Contributions)

सैंपल-इष्टतम प्रोटोकॉल: एक ऐसा मापन तंत्र प्रदर्शित किया गया है जो ओवरलैप अनुमान (डायमेंशन से स्वतंत्र $O(\epsilon^{-2})$ ) के सैद्धांतिक निचले स्तर को प्राप्त करता है।
हार्डवेयर दक्षता: इस प्रोटोकॉल के लिए केवल लीनियर ऑप्टिक्स (बीम स्plitters) और पैरिटी मापन की आवश्यकता होती है, जो गहरे यूनिटरी सर्किट या एंसिलर क्वबिट्स की आवश्यकता को समाप्त करता है।
स्केलेबिलिटी: सैंपल कॉम्प्लेक्सिटी मोड्स या फोटोन की संख्या के साथ नहीं बढ़ती है, जो इसे उच्च-आयामी क्वांटम डेटा (दोनों डिस्क्रीट-वेरिएबल और कंटीन्यूअस-वेरिएबल अवस्थाओं) के लिए उपयुक्त बनाती है।
प्रयोगात्मक सत्यापन: इसे थर्मल क्रॉसटॉक मिटिगेशन के साथ एक नॉइजी, इंटरमीडिएट-स्केल फोटोनिक प्रोसेसर (Prakash-1) पर सफलतापूर्वक लागू किया गया।

4. परिणाम (Results)

लेखकों ने दो QML कार्यों में ओवरलैप मापन की उपयोगिता प्रदर्शित की:

क्वांटम डेटा क्लासिफिकेशन (सुपरवाइज्ड लर्निंग):
- कार्य: क्वांटम कर्नेल के साथ सपोर्ट वेक्टर मशीन (SVM) का उपयोग करके क्वांटम डेटासेट्स का बाइनरी क्लासिफिकेशन।
- डेटासेट्स: तीन प्रकार के 3D पैरामीटर-एनकोडेड क्वाडिट स्टेट्स: लीनियरली सेपरेबल, कॉन्सेंट्रिक स्फेयर्स (concentric spheres), और आंशिक रूप से ओवरलैपिंग क्लस्टर्स।
- प्रदर्शन: टेस्ट एक्यूरेसी क्रमशः 100% (सेपरेबल), 98.47% (स्फेरिकल), और 91.65% (ओवरलैपिंग) प्राप्त की गई। क्वांटम कर्नेल ने सफलतापूर्वक उस डेटा को अलग किया जो मूल पैरामीटर स्पेस में लीनियरली सेपरेबल नहीं था।
ऑनलाइन लर्निंग (अनसुपरवाइज्ड/जेनरेटिव):
- कार्य: एक अज्ञात टार्गेट स्टेट को अनुमानित करने के लिए सिमल्टेनियस परटर्बेशन स्टोकास्टिक एप्रोक्सिमेशन (SPSA) का उपयोग करके एक पैरामीटराइज्ड क्वांटम मॉडल को प्रशिक्षित करना।
- सेटअप: टार्गेट स्टेट एक नॉइजी, रैंडमली इनिशियलाइज्ड क्वाडिट थी। मॉडल ने इन्फिडेलिटी ( $1 - |\langle \psi_{target} | \psi_{model} \rangle|^2$ ) को कम करने के लिए अपने फेजेस को पुनरावृत्ति (iteratively) के साथ अपडेट किया।
- प्रदर्शन: एल्गोरिदम 500 इटरेशन के भीतर विश्वसनीय रूप से अभिसरित (converge) हुआ, जिससे मीडियन फाइनल इन्फिडेलिटी $1.7 \times 10^{-2}$ (98.3% फिडेलिटी) प्राप्त हुई। विधि कम सैंपल काउंट ( $N=100$ प्रति इटरेशन) के साथ भी थर्मल क्रॉसटॉक नॉइज़ और शॉट नॉइज़ के विरुद्ध मजबूत साबित हुई।

5. महत्व और भविष्य की दृष्टि (Significance and Future Outlook)

स्केलेबल QML मार्ग: यह कार्य संयुक्त ओवरलैप मापन को स्केलेबल QML के लिए एक व्यावहारिक, स्केलेबल बिल्डिंग ब्लॉक के रूप में स्थापित करता है, विशेष रूप से भविष्य के क्वांटम नेटवर्क के लिए जहाँ डेटा स्वाभाविक रूप से क्वांटम है।
चरित्रण को दरकिनार करना (Bypassing Characterization): यह सिद्ध करता है कि रिलेशनल जानकारी (समानता) को पूर्ण स्टेट टोमोग्राफी के महंगे चरण के बिना कुशलतापूर्वक निकाला जा सकता है।
हार्डवेयर नेटिव: यह दृष्टिकोण फोटोनिक प्लेटफॉर्म के लिए नेटिव है, जो कम डिकोहेरेंस और टेलीकॉम कम्पैटिबिलिटी के कारण क्वांटम नेटवर्क के लिए आदर्श हैं।
भविष्य की दिशाएं: लेखक उच्च-क्रम के नॉनलीनियर फंक्शनल्स (ट्रांसफॉर्मर्स में मल्टी-बॉडी अटेंशन के समान) तक पहुँचने के लिए मल्टी-स्टेट इंटरैक्शन तक विस्तार करने और विधि को गैर-गौसियन, अत्यधिक एंटेंगल्ड अवस्थाओं पर लागू करने का सुझाव देते हैं जो शास्त्रीय रूप से कठिन हैं।

संक्षेप में, यह शोध पत्र एक कठोर सैद्धांतिक प्रमाण और एक मजबूत प्रयोगात्मक प्रदर्शन प्रदान करता है कि बोसोनिक इंटरफेरेंस क्वांटम समानता को मापने के लिए एक इष्टतम, डायमेंशन-स्वतंत्र विधि प्रदान करता है, जो स्केलेबल क्वांटम मशीन लर्निंग के लिए एक महत्वपूर्ण बाधा को हल करता है।