🤖 machine learning

How unconstrained machine-learning models learn physical symmetries

यह शोध पत्र अनस्ट्रक्चर्ड (unconstrained) मशीन लर्निंग मॉडल्स द्वारा भौतिक समरूपताओं (physical symmetries) को सीखने के विश्लेषण के लिए कठोर मेट्रिक्स प्रस्तुत करता है, यह प्रदर्शित करते हुए कि रणनीतिक रूप से न्यूनतम इंडक्टिव बायस (inductive biases) को इंजेक्ट करने से अनस्ट्रक्चर्ड आर्किटेक्चर की स्केलेबिलिटी को बनाए रखते हुए बेहतर स्थिरता और सटीकता प्राप्त की जा सकती है।

मूल लेखक: Michelangelo Domina, Joseph William Abbott, Paolo Pegolo, Filippo Bigi, Michele Ceriotti

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michelangelo Domina, Joseph William Abbott, Paolo Pegolo, Filippo Bigi, Michele Ceriotti

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 एक रोबोट को भौतिक दुनिया को समझना सिखा रहे हैं। भौतिकी में, ब्रह्मांड के अपने सख्त नियम होते हैं कि जब चीजों को घुमाया, पलटा या हिलाया जाता है, तो वे कैसे व्यवहार करती हैं। उदाहरण के लिए, यदि आप एक अणु (molecule) को घुमाते हैं, तो उसकी ऊर्जा नहीं बदलनी चाहिए। यदि आप एक पवन वेक्टर (wind vector) को घुमाते हैं, तो हवा की दिशा भी उसके साथ घूमनी चाहिए। इन्हें सममिति (symmetries) कहा जाता है।

लंबे समय तक, वैज्ञानिकों ने एआई मॉडल को उनके नियमों को रोबोट के मस्तिष्क में 'हार्ड-कोड' करके बनाया। यह एक ऐसी कार बनाने जैसा था जिसका स्टीयरिंग व्हील केवल बाएं या दाएं ही मुड़ सकता था, ऊपर या नीचे कभी नहीं। इसने यह सुनिश्चित किया कि कार नियमों का पूरी तरह से पालन करे, लेकिन इसने कार को कठोर, भारी और अपग्रेड करने में कठिन बना दिया।

हाल ही में, वैज्ञानिकों ने "अनकन्स्ट्रेंड" (unconstrained) रोबोट बनाना शुरू किया है। ये सामान्य-उद्देश्य वाले एआई (जैसे अल्फाफोल्ड या सेल्फ-ड्राइविंग कारों के पीछे की तकनीक) की तरह हैं जिन्हें नियमों का पालन करने के लिए मजबूर नहीं किया गया है। इसके बजाय, उन्हें एक प्रशिक्षण जिम में डाल दिया जाता है जहाँ वे हर संभव कोण से एक ही वस्तु को देखते हैं (डेटा ऑगमेंटेशन) और उनसे उम्मीद की जाती है कि वे नियम खुद समझ लें।

आश्चर्यजनक रूप से, ये अनकन्स्ट्रेंड रोबोट अक्सर कठोर वाले रोबोट्स के समान ही अच्छा काम करते हैं। लेकिन एक बड़ा सवाल बचा हुआ था: वे वास्तव में इन नियमों को कैसे सीख रहे हैं? क्या वे बेईमानी कर रहे हैं? और क्या हम उन्हें बेहतर बना सकते हैं?

यह शोध पत्र रोबोट के मस्तिष्क के अंदर झांकने और यह देखने के लिए कि वह इन भौतिक सममितियों को कैसे संभालता है, एक नया "एक्स-रे मशीन" पेश करता है।

एक्स-रे मशीन: दो नए मेट्रिक्स

लेखकों ने एआई के भीतर क्या हो रहा है, इसे मापने के लिए दो विशेष उपकरण बनाए:

"स्थिरता परीक्षण" (मेट्रिक A): कल्पना कीजिए कि आप एक ग्लोब को घुमा रहे हैं। यदि एआई अपना काम सही कर रहा है, तो उस ग्लोब पर मौसम का विवरण भी उसके साथ पूरी तरह से घूमना चाहिए। यदि एआई कहता है "लंदन में बारिश हो रही है" जब आप ग्लोब को घुमाकर लंदन को दूसरी जगह दिखाते हैं, लेकिन फिर उत्तर को बिना घुमाए कहता है "धूप खिली है", तो वह परीक्षण में विफल रहा। यह मेट्रिक मापता है कि इनपुट को घुमाने पर एआई का उत्तर कितना डगमगाता है।
"सामग्री सूची" (मेट्रिक B): यह एआई के आंतरिक विचारों (इसके हिडन लेयर्स) को देखता है। यह एआई की सोच को सममिति के विभिन्न "स्वादों" में तोड़ देता है। यह पूछता है: "इस विचार का कितना हिस्सा एक साधारण संख्या (स्केलर) है? कितना एक दिशा (वेक्टर) है? कितना एक अजीब, दर्पण-प्रतिबिंब जैसी दिशा (स्यूडोवेक्टर) है?" यह ठीक वैसा ही है जैसे सूप का विश्लेषण करना यह देखने के लिए कि उसमें कितना नमक, काली मिर्च और लहसुन है।

उन्होंने क्या पाया: "ब्लैक बॉक्स" का खुलासा

लेखकों ने इन उपकरणों का परीक्षण दो अलग-अलग प्रकार के एआई पर किया: एक जो परमाणुओं का अनुकरण (simulate) करता है (रसायन विज्ञान) और दूसरा जो भौतिकी प्रयोग में कणों को ट्रैक करता है। यहाँ उन्होंने क्या खोजा:

1. "आलसी शिक्षार्थी" (Lazy Learner) घटना
प्रशिक्षण की शुरुआत में, एआई काफी हद तक "आलसी" होता है। यह सरल, रोटेशन-प्रूफ संख्याओं (स्केलर) पर बहुत अधिक निर्भर करता है। यह जटिल, दिशात्मक नियमों को अनदेखा कर देता है। यह उस छात्र की तरह है जो हर गणित के सवाल के लिए "42" उत्तर याद कर लेता है क्योंकि यही सबसे आसान रास्ता है।

2. "अहा!" क्षण (The "Aha!" Moment)
जैसे-जैसे प्रशिक्षण जारी रहता है, कुछ जादुई होता है। एआई अचानक महसूस करता है कि कठिन समस्याओं को सही ढंग से हल करने के लिए उसे दिशाओं और जटिल आकृतियों को समझने की आवश्यकता है। वह अपने मस्तिष्क के "दिशात्मक" हिस्सों को सक्रिय करना शुरू कर देता है। शोध पत्र इसे एक "फेज ट्रांजिशन" (phase transition) कहता है। यह उस छात्र की तरह है जिसे अचानक एहसास होता है कि वास्तविक समस्या को हल करने के लिए, उसे वास्तव में यह समझना होगा कि 42 क्यों है।

3. "भूतिया" समस्या (The "Ghost" Problem)
एआई मानक नियम सीखने में बहुत अच्छा है, लेकिन इसे "भूतिया" नियमों (जिन्हें स्यूडोस्केलर कहा जाता है) के साथ संघर्ष करना पड़ता है। ये वे नियम हैं जो दर्पण में देखने पर बदल जाते हैं। एआई इन्हें अनदेखा करने की प्रवृत्ति रखता है क्योंकि इन्हें शून्य से बनाना कठिन होता है।

समाधान: लेखकों ने पाया कि यदि आप शुरुआत में एआई को एक छोटा सा "संकेत" (एक छोटा बायस) देते हैं—जैसे कि उसे पहले से बने हुए मिरर-फ्लिप्ड आकारों की एक सूची देना—तो वह इन कठिन नियमों को तुरंत सीख लेता है। यह छात्र को सबसे कठिन अध्याय के लिए चीट शीट देने जैसा है; उन्हें पहिए का पुनरुद्धार करने की आवश्यकता नहीं है, उन्हें बस उसका उपयोग करना सीखना है।

4. "सफाई दल" (The "Cleanup Crew")
एआई के सीखने के बाद भी, उसके आंतरिक विचार थोड़े अस्त-व्यस्त होते हैं। उसके पास सही उत्तरों के साथ बहुत सारा "शोर" (गलत सममिति स्वाद) मिला हुआ होता है। लेखकों ने दिखाया कि आप प्रशिक्षण के बाद एक सरल, त्वरित "सफाई" प्रक्रिया चला सकते हैं। यह एक पांडुलिपि के अंतिम संपादन जैसा है जो सभी गलतियों को हटा देता है और सममिति को पूर्ण बनाता है, बिना पूरे मॉडल को फिर से प्रशिक्षित किए।

मुख्य निष्कर्ष

शोध पत्र तर्क देता है कि हमें अब कठोर, नियम-बद्ध रोबोट बनाने की आवश्यकता नहीं है। हम लचीले, शक्तिशाली, सामान्य-उद्देश्य वाले एआई का उपयोग कर सकते हैं, लेकिन हमें उन्हें निदान (diagnose) करने की आवश्यकता है ताकि देख सकें कि वे कहाँ संघर्ष कर रहे हैं।

अनुमान न लगाएं: यह देखने के लिए "एक्स-रे" का उपयोग करें कि क्या एआई वास्तव में भौतिकी सीख रहा है या केवल अनुमान लगा रहा है।
बस पर्याप्त मात्रा में दें: यदि एआई किसी कठिन नियम (जैसे दर्पण सममिति) पर अटका हुआ है, तो शुरुआत में उसे एक छोटा, विशिष्ट संकेत दें। पूरे मस्तिष्क को नियम का पालन करने के लिए मजबूर न करें; बस सही हिस्से को थोड़ा सा धक्का दें।
सफाई करें: एक सरल पोस्ट-प्रोसेसिंग स्टेप एआई के भविष्यवाणियों को भौतिकी के नियमों के साथ पूरी तरह से सुसंगत बना सकता है।

संक्षेप में: आपको भौतिकी के नियमों का पालन करने के लिए एक कठोर कंकाल वाला रोबोट बनाने की आवश्यकता नहीं है। आप एक लचीला, सुपर-स्मार्ट रोबोट बना सकते हैं, एक नए चश्मे का उपयोग कर सकते हैं जिससे यह देखा जा सके कि वह कहाँ भ्रमित है, उसे एक छोटा सा धक्का दें, और बाकी सब उसे खुद समझने दें। यह एआई को तेज़, अधिक शक्तिशाली और पुराने, कठोर तरीकों जितना ही सटीक बनाता है।

यहाँ शोध पत्र "How unconstrained machine-learning models learn physical symmetries" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

भौतिक सिमुलेशन (physical simulations) के लिए मशीन लर्निंग (ML) मॉडल विकसित करने के लिए पारंपरिक रूप से भौतिक समरूपताओं (जैसे कि घूर्णी अपरिवर्तनीयता या समरूपता/equivariance) को लागू करने के लिए कठोर-कोडेड आर्किटेक्चरल बाधाओं (hard-coded architectural constraints) पर निर्भर किया जाता रहा है। जबकि ये "इक्विवैरिएंट" मॉडल भौतिक सटीकता की गारंटी देते हैं, वे अक्सर कम अभिव्यक्ति (reduced expressivity), कम्प्यूटेशनल ओवरहेड और सीमित स्केलेबिलिटी से ग्रस्त होते हैं।

इसके विपरीत, "अनकन्स्ट्रेंड" मॉडल (जैसे ट्रांसफॉर्मर या पॉइंटनेट्स जैसे मानक न्यूरल नेटवर्क) जो स्पष्ट रूप से समरूपता को लागू नहीं करते हैं, उन्होंने प्रतिस्पर्धी प्रदर्शन दिखाया है। ये मॉडल डेटा ऑग्मेंटेशन (रोटेटेड इनपुट के साथ प्रशिक्षण) के माध्यम से भौतिक समरूपताओं को सीखने के लिए डेटा का उपयोग करते हैं। हालाँकि, इन मॉडलों द्वारा समरूपता सीखने की प्रक्रिया, सीखी गई इक्विवैरिएंस की सटीकता, और समरूपता सूचना के आंतरिक प्रतिनिधित्व (internal representation) के तरीके अभी भी अस्पष्ट ("ब्लैक बॉक्स" समस्या) हैं। समझ की यह कमी जटिल भौतिक लक्ष्यों (जैसे कि स्यूडोस्केलर या उच्च-क्रम टेंसर) के लिए विफलता के मोड (failure modes) को पहचानने या आर्किटेक्चर को अनुकूलित करने में कठिनाई पैदा करती है।

2. कार्यप्रणाली (Methodology)

लेखक अनकन्स्ट्रेंड मॉडलों में समरूपता को मापने और निदान करने के लिए एक कठोर गणितीय ढांचा पेश करते हैं।

A. समरूपता नैदानिक मेट्रिक्स (Symmetry Diagnostic Metrics)

शोध पत्र समूह सिद्धांत (विशेष रूप से पीटर-वेयर्ड प्रमेय और हेयर इंटीग्रेशन) के आधार पर दो प्रमुख मेट्रिक्स को परिभाषित करता है:

इक्विवैरिएंस एरर ( $A_\alpha$ ): यह मापता है कि मॉडल का आउटपुट $f(x)$ $f (x)$ समूह क्रियाओं (group actions) के तहत कितनी अच्छी तरह रूपांतरित होता है। यह समूह ऑर्बिट पर "बैक-ट्रांसफॉर्म्ड" भविष्यवाणियों के विचरण (variance) की गणना करता है।
- $A_\alpha = 0$ सटीक इक्विवैरिएंस को दर्शाता है।
- इसकी गणना एक एकल समूह औसत का उपयोग करके कुशलतापूर्वक की जाती है: $A_\alpha = \sqrt{\langle \|f\|^2 \rangle_G - \|\langle \rho(g^{-1})f(gx) \rangle_G \|^2}$ ।
कैरैक्टर प्रोजेक्शन ( $B_\alpha$ ): यह मॉडल के आंतरिक फीचर्स (लेटेंट रिप्रेजेंटेशन) को समरूपता समूह (जैसे $O(3)$ $O (3)$ ) के इररेड्यूसिबल रिप्रेजेंटेशन्स (irreps) में विघटित करता है।
- यह छिपी हुई परतों (hidden layers) की "समरूपता सामग्री" (symmetry content) को मापता है, जिससे पता चलता है कि कौन से कोणीय संवेग ( $\lambda$ ) और पैरिटी ( $\sigma$ ) चैनल सक्रिय हैं।
- यह शोधकर्ताओं को यह देखने की अनुमति देता है कि क्या मॉडल समरूपता चैनलों को मिला रहा है या विशिष्ट चैनलों (जैसे स्यूडोस्केलर) को दबा रहा है।

B. मॉडल और डेटासेट (Models and Datasets)

इस ढांचे को दो अलग-अलग डोमेन पर लागू किया गया है:

एटोमिस्टिक सिमुलेशन: पॉइंट-एज ट्रांसफॉर्मर (PET) मॉडल, एक ग्राफ न्यूरल नेटवर्क जिसका उपयोग पोटेंशियल एनर्जी सर्फेस (PES), बल (forces) और स्ट्रेस टेंसर की भविष्यवाणी करने के लिए किया जाता है।
- डेटासेट: MAD-1.5 (मैसिव एटोमिक डायवर्सिटी)।
पार्टिकल फिजिक्स: PoLAr-MAE, लिक्विड आर्गन डिटेक्टरों में कण प्रक्षेपवक्र (particle trajectories) के वर्गीकरण के लिए एक पॉइंटनेट-शैली का आर्किटेक्चर।
- डेटासेट: PILArNet।

C. प्रयोगात्मक प्रोटोकॉल (Experimental Protocols)

प्रशिक्षण गतिशीलता (Training Dynamics): रैंडम इनिशियलाइजेशन से लेकर कन्वर्जेंस तक $A_\alpha$ और $B_\alpha$ के विकास को ट्रैक करना।
सिंथेटिक चुनौतियाँ (Synthetic Challenges):
- स्यूडोस्केलर टारगेट: एक ज्यामितीय स्यूडोस्केलर (बॉन्ड वेक्टर्स का ट्रिपल प्रोडक्ट) की भविष्यवाणी करने के लिए PET को प्रशिक्षित करना ताकि $\sigma = -1$ चैनलों के सीखने का परीक्षण किया जा सके।
- हाई- $\lambda$ टारगेट: इलेक्ट्रॉन घनत्व के प्रोजेक्शन की भविष्यवाणी करने के लिए PET को प्रशिक्षित करना जिसमें उच्च कोणीय संवेग ( $\lambda=8$ ) हो, ताकि उच्च-क्रम टेंसरियल फीचर्स के सीखने का परीक्षण किया जा सके।
सिमेट्री प्यूरीफिकेशन (Symmetry Purification): एक पोस्ट-हॉक अनुकूलन तकनीक जो पूरे बैकबोन को पुन: प्रशिक्षित किए बिना केवल लीनियर रीडआउट लेयर को एक स्पष्ट इक्विवैरिएंस पेनल्टी के साथ पुनः प्रशिक्षित करती है ताकि आउटपुट को "शुद्ध" (purify) किया जा सके।

3. मुख्य योगदान (Key Contributions)

कठोर समरूपता मेट्रिक्स: $A_\alpha$ और $B_\alpha$ का परिचय शोधकर्ताओं को यह मात्रात्मक रूप से मापने के लिए पहला टूलसेट प्रदान करता है कि कितनी समरूपता सीखी गई है और वह नेटवर्क आर्किटेक्चर के भीतर कहाँ प्रतिनिधित्व करती है।
समरूपता सीखने में "ग्रोकिंग" (Grokking) का निदान: लेखक अनकन्स्ट्रेंड मॉडलों में दो-चरणीय शिक्षण गतिशीलता की पहचान करते हैं:
- चरण 1: मॉडल लो-ऑर्डर, प्रोपर ( $\sigma=+1$ ) फीचर्स को जल्दी सीखता है।
- चरण 2: एक अचानक संक्रमण होता है जहाँ उच्च-क्रम और स्यूडो ( $\sigma=-1$ ) चैनल सक्रिय होते हैं, जिससे त्रुटि में भारी गिरावट आती है। यह अन्य ML कार्यों में देखे गए "ग्रोकिंग" घटना को दर्शाता है।
इंडक्टिव बायस बॉटलनैक्स की पहचान: विश्लेषण से पता चलता है कि मानक आर्किटेक्चर अक्सर विशिष्ट समरूपताओं (जैसे स्यूडोस्केलर या उच्च- $\lambda$ टेंसर) को सीखने में विफल रहते हैं, इसलिए नहीं कि उनमें क्षमता की कमी है, बल्कि इसलिए क्योंकि प्रारंभिक एनकोडिंग (जैसे सरल दूरी/वेक्टर) में आवश्यक समरूपता घटक नहीं होते हैं।
सिमेट्री प्यूरीफिकेशन प्रोटोकॉल: एक कम्प्यूटेशनल रूप से सस्ता तरीका जो पूरे बैकबोन को पुन: प्रशिक्षित किए बिना अंतिम लीनियर रीडआउट लेयर को इक्विवैरिएंस एरर को न्यूनतम करने के लिए अनुकूलित करता है, जिससे कठिन लक्ष्यों के लिए स्थिरता में काफी सुधार होता है।
क्रॉस-डोमेन वैलिडेशन: यह प्रदर्शित करना कि ये अंतर्दृष्टि परमाणु सिमुलेशन और उच्च-ऊर्जा भौतिकी कण वर्गीकरण दोनों पर समान रूप से लागू होती हैं।

4. मुख्य परिणाम (Key Results)

अनकन्स्ट्रेंड मॉडल समरूपता सीखते हैं: डेटा ऑग्मेंटेशन के साथ प्रशिक्षित अनकन्स्ट्रेंड PET मॉडल, अपनी भविष्यवाणी त्रुटियों (RMSE) की तुलना में कई गुना कम इक्विवैरिएंस एरर ( $A_\alpha$ ) प्राप्त करते हैं, जो पुष्टि करता है कि वे सफलतापूर्वक भौतिक समरूपता सीख रहे हैं।
आंतरिक प्रतिनिधित्व गतिशीलता (Internal Representation Dynamics):
- शुरुआत में, मॉडल स्केलर ( $\lambda=0$ ) और वेक्टर ( $\lambda=1$ ) प्रोपर चैनलों द्वारा हावी होते हैं।
- स्यूडोस्केलर चैनल ( $\sigma=-1$ ) शुरुआत में दबे हुए होते हैं और केवल प्रशिक्षण के अंत में या विशिष्ट आर्किटेक्चरल परिवर्तनों के बाद सक्रिय होते हैं।
- PET में "एज एम्बेडिंग्स" (Edge Embeddings) उच्च-क्रम समरूपता फीचर्स उत्पन्न करने के लिए महत्वपूर्ण हैं, जबकि "नोड एम्बेडिंग्स" (Node Embedings) स्केलर-प्रधान रहने की प्रवृत्ति रखते हैं।
विफलता के मोड (Failure Modes):
- स्यूडोस्केलर: मानक PET एक स्यूडोस्केलर टारगेट को सीखने में विफल रहता है क्योंकि प्रारंभिक ज्यामितीय एम्बेडिंग (दूरी/वेक्टर) आवश्यक $\sigma=-1$ टर्म्स को तब तक उत्पन्न नहीं कर सकती जब तक कि कई परतों का अटेंशन उन्हें मिक्स न करे (एक "थर्ड-ऑर्डर इफेक्ट")।
- हाई- $\lambda$ टारगेट: मानक PET $\lambda=8$ वाले इलेक्ट्रॉन घनत्व को सीखने में विफल रहता है क्योंकि प्रारंभिक एम्बेडिंग केवल $\lambda \le 1$ का समर्थन करती है।
इंडक्टिव बायस के माध्यम से समाधान:
- मानक एज एम्बेडिंग्स को $\lambda=8$ तक सॉलिड स्फेरिकल हार्मोनिक्स (SSH) से बदलकर, मॉडल तुरंत हाई- $\lambda$ टारगेट को सीख लेता है, जो यह सिद्ध करता है कि बॉटलनैक इनपुट रिप्रेजेंटेशन में था, न कि नेटवर्क की गहराई में।
- रीडआउट प्यूरीफिकेशन: प्यूरीफिकेशन प्रोटोकॉल लागू करने से स्ट्रेस टेंसर के लिए इक्विवैरिएंस एरर सटीकता के मामूली नुकसान के साथ 2 गुना कम हो गया।
पार्टिकल फिजिक्स अनुप्रयोग: PoLAr-MAE में, इक्विवैरिएंस एरर विशिष्ट प्रक्षेपवक्र खंडों में वर्गीकरण अस्थिरता के साथ मजबूती से सह-संबंधित थे, जो मॉडल विश्वसनीयता के लिए इस मेट्रिक को एक नैदानिक उपकरण के रूप में मान्य करता है।

5. महत्व और निहितार्थ (Significance and Implications)

पैराडाइम शिफ्ट: यह शोध पत्र इस धारणा को चुनौती देता कि भौतिक समरूपताओं को कठोर रूप से कोडित किया जाना चाहिए। यह दर्शाता है कि अनकन्स्ट्रेंड मॉडल प्रभावी ढंग से समरूपता सीख सकते हैं, बशर्ते डेटा और आर्किटेक्चर आवश्यक समरूपता चैनलों को उभरने की अनुमति दें।
डिज़ाइन दिशानिर्देश: यह कार्य बेहतर ML मॉडल डिजाइन करने के लिए एक ब्लूप्रिंट प्रदान करता है:
- न्यूनतम इंडक्टिव बायस: हर जगह सख्त इक्विवैरिएंस लागू करने के बजाय, आपको इनपुट लेयर पर न्यूनतम आवश्यक समरूपता बायस डालना चाहिए (जैसे, हाई- $\lambda$ लक्ष्यों के लिए SSH का उपयोग करना) ताकि लर्निंग डायनेमिक्स को अनलॉक किया जा सके।
- नैदानिक उपकरण (Diagnostic Tooling): $A_\alpha$ और $B_\alpha$ मेट्रिक्स शोधकर्ताओं को "ब्लैक बॉक्स के अंदर देखने" की अनुमति देते हैं ताकि यह निदान किया जा सके कि विफलता क्यों हो रही है (जैसे, क्या यह डेटा की कमी है, या प्रारंभिक समरूपता सामग्री की कमी है?)।
दक्षता (Efficiency): यह समझकर कि अनकन्स्ट्रेंड मॉडल समरूपता सीख सकते हैं, शोधकर्ता रणनीतिक, न्यूनतम बायस इंजेक्शन और पोस्ट-हॉक प्यूरीफिकेशन के माध्यम से भौतिक निष्ठा बनाए रखते हुए अधिक स्केलेबल, लचीले आर्किटेक्चर (जैसे ट्रांसफॉर्मर) का उपयोग कर सकते हैं।

निष्कर्षतः, यह शोध पत्र डेटा, आर्किटेक्चर और भौतिक समरूपता के बीच परस्पर क्रिया का विश्लेषण करने के लिए एक कठोर ढांचा स्थापित करता है, जो ML मॉडलों को बेहतर बनाने के लिए व्यावहारिक रणनीतियाँ प्रदान करता है।