🔬 optics

Adaptive Sensing beyond Non-Adaptive Information Limits: End-to-End Co-Design of Geometry, Policy, and Inference

यह शोध पत्र "जॉइंट डायनेमिक प्रोग्रामिंग" को प्रस्तुत करता है, जो एक सह-डिज़ाइन (co-design) ढांचा है जो निरंतर हार्डवेयर ज्यामिति और अनुकूलन योग्य मापन नीतियों को एक साथ अनुकूलित करता है ताकि रडार, क्वांटम और फोटोनिक सेंसर के केस स्टडीज में महत्वपूर्ण त्रुटि न्यूनीकरण द्वारा यह प्रदर्शित किया जा सके कि यह पारंपरिक गैर-अनुकूलन या अलग से अनुकूलित दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Arvin Keshvari, William Tuxbury, Zin Lin

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arvin Keshvari, William Tuxbury, Zin Lin

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 बड़े, धुंधले खेत में छिपे हुए खजाने को खोजने की कोशिश कर रहे हैं। आपके पास एक मेटल डिटेक्टर (सेंसर) है और एक नक्शा (एल्गोरिदम) है।

लंबे समय तक, इंजीनियरों और वैज्ञानिकों ने इन दोनों हिस्सों को अलग-अलग माना:

हार्डवेयर टीम ने अपना सर्वश्रेष्ठ संभव मेटल डिटेक्टर बनाया, इस उम्मीद में कि वह हर संकेत को पकड़ लेगा।
सॉफ्टवेयर टीम ने संकेतों की व्याख्या करने और खजाना कहाँ है इसका अनुमान लगाने के लिए एक स्मार्ट कंप्यूटर प्रोग्राम लिखा।

समस्या यह थी कि यदि हार्डवेयर खराब डिज़ाइन के कारण किसी संकेत को मिस कर देता है, तो कोई भी स्मार्ट सॉफ्टवेयर उसे ठीक नहीं कर सकता। वह जानकारी हमेशा के लिए खो जाती है।

यह पेपर सेंसर बनाने के एक बिल्कुल नए तरीके का प्रस्ताव देता है: हार्डवेयर और सॉफ्टवेयर को अलग-अलग डिजाइन करना बंद करें। उन्हें एक साथ, एक ही समय में डिजाइन करें।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. "स्मार्ट डिटेक्टिव" बनाम "कठोर रोबोट"

कल्पना कीजिए कि दो जासूस एक शहर में संदिग्ध को खोजने की कोशिश कर रहे हैं।

कठोर रोबोट (पुराना तरीका): इस जासूस के पास एक निश्चित योजना है। "मैं मेन स्ट्रीट पर चलूँगा, फिर ओक स्ट्रीट पर, फिर एल्म स्ट्रीट पर," चाहे वे जो भी देखें। भले ही उन्हें मेन स्ट्रीट पर कोई सुराग मिले जो यह साबित करे कि संदिग्ध एल्म स्ट्रीट पर है, वे अपनी योजना पर टिके रहते हैं क्योंकि उनका "हार्डवेयर" (उनके पैर) एक विशिष्ट मार्ग के लिए बनाया गया था।
स्मार्ट डिटेक्टिव (नया तरीका): यह जासूस अनुकूलित (adapt) होता है। यदि वे मेन स्ट्रीट पर एक सुराग देखते हैं, तो वे तुरंत अपनी योजना बदलकर एल्म स्ट्रीट की ओर जाने के लिए बदल देते हैं।

पेपर का तर्क है कि आपको केवल एक "स्मार्ट डिटेक्टिव" (एक अनुकूलनशील एल्गोरिदम) बनाना और उन्हें "कठोर रोबोट के पैर" (फिक्स्ड हार्डवेयर) देना नहीं चाहिए। इसके बजाय, आपको पैरों को विशेष रूप से इसलिए डिजाइन करना चाहिए ताकि जासूस तेजी से दिशा बदल सके। पैरों का आकार जासूस की रणनीति पर निर्भर होना चाहिए।

2. "को-डिज़ाइन" का गुप्त मंत्र

लेखकों ने Joint-DP (जॉइंट डायनेमिक प्रोग्रामिंग) नामक एक गणितीय विधि बनाई। इसे एक सुपर-स्मार्ट कोच के रूप में सोचें जो जासूस और पैरों दोनों को एक साथ प्रशिक्षित करता है।

कोच का काम: कोच पूछता है, "यदि मैं मेटल डिटेक्टर के एंटीना (हार्डवेयर) का आकार बदल दूँ, तो इससे जासूस के लिए सबसे अच्छी रणनीति में क्या बदलाव आएगा?"
लूप: कोच हार्डवेयर में बदलाव करता है, जासूस के लिए नई सर्वश्रेष्ठ रणनीति की गणना करता है, देखता है कि वे कितना अच्छा प्रदर्शन करते हैं, और फिर हार्डवेयर को फिर से ट्यून करता है। वे तब तक दोहराते हैं जब तक कि दोनों जोड़ी पूरी तरह से तालमेल में न आ जाए।

3. पुराने तरीके क्यों विफल रहे ( "परफेक्ट इंफॉर्मेशन" का जाल)

अतीत में, वैज्ञानिकों ने सर्वश्रेष्ठ हार्डवेयर का अनुमान लगाने के लिए यह पूछकर कोशिश की: "अगर हमें पता होता कि खजाना ठीक कहाँ है, तो सबसे अच्छा हार्डवेयर क्या होता?" उन्होंने इसे "एक्स्पेक्टेड वैल्यू ऑफ परफेक्ट इंफॉर्मेशन" कहा।

यह पेपर दिखाता है कि यह एक जाल है।

उपमा: कल्पना कीजिए कि आप "20 सवाल" (20 Questions) खेल रहे हैं। यदि आप जानते कि उत्तर "बिल्ली" है, तो आप बहुत विशिष्ट प्रश्न पूछेंगे। लेकिन चूंकि आप उत्तर नहीं जानते, इसलिए विशिष्ट प्रश्न पूछना समय की बर्बादी है। आपको पहले व्यापक प्रश्न पूछने की आवश्यकता है ताकि आप दायरे को कम कर सकें।
परिणाम: "परफेक्ट इंफॉर्मेशन" विधि उस परिदृश्य के लिए हार्डवेयर डिजाइन करती है जो कभी होता ही नहीं (उत्तर जानना)। नई "Joint-DP" विधि वास्तविक परिदृश्य के लिए हार्डवेयर डिजाइन करती है (उत्तर न जानना), जहाँ जासूस को अनुकूलित होने की आवश्यकता होती है।

4. तीन परिदृश्यों में बड़ी जीत के परिणाम

इस "को-डिज़ाइन" पद्धति का परीक्षण तीन बहुत अलग समस्याओं पर किया गया, और परिणाम जबरदस्त थे:

परिदृश्य A: लक्ष्य की खोज के लिए रडार
- सेटअप: 16 संभावित स्थानों के घेरे में एक विमान को खोजने वाला रडार।
- परिणाम: पुराना तरीका (पहले हार्डवेयर डिजाइन करना) नए को-डिज़ाइन किए गए तरीके की तुलना में लक्ष्य खोजने में 2.8 गुना बदतर था। नया तरीका सही स्थान पर बहुत तेज़ी से "ज़ूम इन" करना सीख गया।
परिदृश्य B: क्वांटम सेंसर्स (सुपरकंडक्टिंग क्यूबिट्स)
- सेटअप: क्वांटम कणों का उपयोग करके सूक्ष्म चुंबकीय क्षेत्रों को मापना।
- परिणाम: नए तरीके ने पिछले सर्वश्रेष्ठ तरीके की तुलना में त्रुटि (error) को 11.3 गुना कम कर दिया। यह एक धुंधली फोटो से क्रिस्टल-क्लियर इमेज में जाने जैसा था।
परिदृश्य C: फोटोनिक मेटासेंसर्स (लाइट सेंसर्स)
- सेटअप: प्रकाश को नियंत्रित करने के लिए डिज़ाइन किया गया 90,000 छोटे पिक्सल वाला एक विशाल सेंसर।
- परिणाम: यह सबसे बड़ी जीत है। नए तरीके ने रैंडम डिज़ाइन की तुलना में त्रुटि को 123 गुना कम कर दिया। इसने एक ऐसे सेंसर को जो मुश्किल से काम कर रहा था, अविश्वसनीय रूप से सटीक बना दिया।

5. उन्होंने यह कैसे किया ( "फ्रीज़" ट्रिक)

आप सोच सकते हैं: "आप उस चीज़ को गणितीय रूप से कैसे ऑप्टिमाइज़ करते हैं जो हर सेकंड अपना मन बदलती रहती है?"

लेखकों ने एन्वेलप थ्योरम (Envelope Theorem) नामक एक चतुर गणितीय ट्रिक का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक पहाड़ (हार्डवेयर को ऑप्टिमाइज़ करना) चढ़ रहे हैं। आमतौर पर, जैसे-जैसे आप आगे बढ़ते हैं, पहाड़ का रास्ता बदलता है (रणनीति बदलती है)। इससे ढलान (slope) की गणना करना कठिन हो जाता है।
ट्रिक: लेखकों ने महसूस किया कि पहाड़ के शीर्ष पर (सर्वश्रेष्ठ रणनीति पर), अगला कदम उठाने के कारण वास्तव में रास्ता नहीं बदलता है। इसलिए, उन्होंने ढलान की गणना करने के लिए पर्याप्त समय तक रणनीति को एक जगह "फ्रीज़" (स्थिर) कर दिया। इसने उन्हें बिना किसी गणितीय लूप में फंसे, मानक कंप्यूटर टूल्स का उपयोग करके परफेक्ट हार्डवेयर का आकार खोजने की अनुमति दी।

सारांश

पेपर का मुख्य संदेश सरल है: एक उपकरण बनाएं और फिर उसे खुद का उपयोग करना सिखाएं, ऐसा न करें। उपकरण को उस तरीके के लिए बनाएं जिस तरह से उसका उपयोग किया जाएगा।

सेंसर के भौतिक आकार और कंप्यूटर की अनुकूलनशील रणनीति को एक साथ डिजाइन करके, उन्होंने उन परिणामों को प्राप्त किया जो अलग-अलग डिजाइन किए जाने पर संभव भी नहीं थे। यह "पहले हार्डवेयर, फिर सॉफ्टवेयर" से "हार्डवेयर और सॉफ्टवेयर एक टीम के रूप में" की ओर एक मौलिक बदलाव है।

यहाँ शोध पत्र "Adaptive Sensing beyond Non-Adaptive Information Limits: End-to-End Co-Design of Geometry, Policy, and Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सेंसर डिज़ाइन के एक मौलिक अंतर को संबोधित करता है: हार्डवेयर ज्योमेट्री ऑप्टिमाइज़ेशन (इनवर्स डिज़ाइन) और एडाप्टिव मेजरमेंट पॉलिसी (क्रमिक निर्णय लेना) के बीच का अलगाव।

सीमा (The Limitation): पारंपरिक दृष्टिकोण हार्डवेयर (जैसे एंटीना पैटर्न, मेटासरफेस, क्वांटम सर्किट) को एक निश्चित, गैर-अनुकूलनशील (non-adaptive) माप अनुसूची मानकर अनुकूलित करते हैं। इसके विपरीत, एडाप्टिव सेंसिंग साहित्य (जैसे POMDPs) यह मानता है कि हार्डवेयर अपरिवर्तनीय है और केवल पॉलिसी को अनुकूलित करता है।
मुख्य मुद्दा (The Core Issue): सेंसिंग में, एनालॉग-टू-डिजिटल सीमा पर खोई हुई जानकारी को डाउनस्ट्रीम एल्गोरिदम द्वारा पुनः प्राप्त नहीं किया जा सकता है। यदि हार्डवेयर ज्योमेट्री को किसी विशिष्ट एडाप्टिव पॉलिसी के तर्क (logic) का समर्थन करने के लिए डिज़ाइन नहीं किया गया है, तो सिस्टम अपने सैद्धांतिक प्रदर्शन सीमाओं तक पहुँचने में विफल रहता है।
लक्ष्य (The Goal): एक संयुक्त अनुकूलन समस्या (joint optimization problem) को हल करना जहाँ निरंतर भौतिक ज्योमेट्री ( $c$ ) और बेलमैन-इष्टतम (Bellman-optimal) एडाप्टिव मेजरमेंट पॉलिसी ( $\pi$ ) को एक एकल उद्देश्य के रूप में सह-डिज़ाइन (co-design) किया जाए।

2. कार्यप्रणाली: जॉइंट डायनेमिक प्रोग्रामिंग (Joint-DP)

लेखक Joint-DP नामक एक ढांचा प्रस्तावित करते हैं, जो हार्डवेयर मापदंडों और मेजरमेंट पॉलिसी को एक ही ऑप्टिमाइज़ेशन लूप में सह-समान निर्णय चर (decision variables) के रूप में मानता है।

A. गणितीय सूत्रीकरण (Mathematical Formulation)

समस्या को एक स्केलर ऑब्जेक्टिव $V(c, \pi)$ को अधिकतम करने के रूप में परिभाषित किया गया है:
$(c^\star, \pi^\star) = \arg \max_{c \in \mathcal{C}, \pi \in \Pi} \mathbb{E}_{x, y} [\Phi(x, s_{1:K}, c)]$
जहाँ:

$c$ : निरंतर भौतिक ज्योमेट्री पैरामीटर।
$\pi$ : बिलीफ स्टेट्स (belief states) को एक्शन्स में मैप करने वाली एडाप्टिव पॉलिसी।
$\Phi$ : एक पॉइंटवाइज स्केलर रिवॉर्ड (जैसे म्यूचुअल इंफॉर्मेशन, बायेसियन MSE, या फिशर इंफॉर्मेशन)।
आंतरिक समस्या (एक निश्चित $c$ के लिए $\pi^\star$ खोजना) को बिलीफ स्टेट पर बेलमैन डायनेमिक प्रोग्रामिंग (DP) के माध्यम से हल किया जाता है।
बाहरी समस्या ( $c^\star$ खोजना) के लिए $c$ के सापेक्ष DP वैल्यू के ग्रेडिएंट की गणना करने की आवश्यकता होती है।

B. शार्प-मैक्स के साथ डिफरेंशिएबल डायनेमिक प्रोग्रामिंग (Differentiable Dynamic Programming with Sharp-Max)

एक बड़ी तकनीकी बाधा बेलमैन रिकर्सन में नॉन-स्मूथ max ऑपरेटर के माध्यम से डिफरेंशिएट करना है।

समाधान: लेखक एनवेलप थ्योरम (Envelope Theorem) का उपयोग करते हैं। max को स्मूथ करने (जैसे कि सॉफ्टमैक्स के माध्यम से) के बजाय, वे ऑपरेटर को "शार्प" रखते हैं।
तंत्र (Mechanism): इष्टतम पॉलिसी $\pi^\star(c)$ पर, वैल्यू फंक्शन की पॉलिसी में परिवर्तन के प्रति संवेदनशीलता शून्य हो जाती है (प्रथम-क्रम इष्टतमता स्थिति)। इसलिए, हार्डवेयर $c$ के सापेक्ष कुल वैल्यू का ग्रेडिएंट, इष्टतम एक्शन को स्थिर रखते हुए, बेलमैन बैकअप का आंशिक व्युत्पन्न (partial derivative) होता है।
कार्यान्वयन (Implementation):
1. फॉरवर्ड पास: दिए गए $c$ के लिए इष्टतम पॉलिसी पथ (argmax) खोजने के लिए आंतरिक बेलमैन DP को हल करें।
2. फ्रीज (Freeze): argmax निर्णयों को "फ्रीज" करें (उन्हें स्थिरांक के रूप में मानें)।
3. बैकवर्ड पास: लाइकलीहुड और बिलीफ अपडेट फंक्शन के माध्यम से मानक रिवर्स-मोड ऑटोमैटिक डिफरेंसिएशन (AD) लागू करें। यह बिना किसी स्मूथिंग बायस या टेम्परेचर शेड्यूलिंग के एक सटीक, निष्पक्ष ग्रेडिएंट प्रदान करता है।

C. रिलैक्सेशन का पदानुक्रम (Hierarchy of Relaxations)

छोटे डिस्क्रीट समस्याओं से लेकर उच्च-आयामी निरंतर हार्डवेयर (जैसे $10^5$ पिक्सेल) तक स्केल करने के लिए, लेखक आंतरिक पॉलिसी सॉल्वर के लिए एक "रिलैक्सेशन कैस्केड" पेश करते हैं:

रंग 1 (Exact DP): डिस्क्रीट स्टेट्स या छोटे निरंतर ग्रिड के लिए सटीक बेलमैन DP (केस स्टडी A और B में प्रयुक्त)।
रंग 2 (Certainty-Equivalent): एक निश्चित शेड्यूल की योजना बनाने के लिए पॉइंट एस्टीमेट का उपयोग करता है।
रंग 3 (Myopic): एक-चरण लुकअहेड ऑप्टिमाइज़ेशन।
रंग 4 (Fisher-Trace + EKF): पूर्ण बिलीफ को गाऊसी अनुमान (Extended Kalman Filter) से बदल देता है और फिशर इंफॉर्मेशन मैट्रिक्स के ट्रेस को अनुकूलित करता है। यह विशाल निरंतर हार्डवेयर स्पेस (केस स्टडी C) तक स्केल करने में सक्षम बनाता है।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): एक एकल ऑप्टिमाइज़ेशन समस्या में निरंतर भौतिक हार्डवेयर और मल्टी-स्टेप बेलमैन-इष्टतम एडाप्टिव पॉलिसी को सह-अनुकूलित करने वाला पहला सूत्रीकरण।
शार्प-मैक्स डिफरेंशिएबल DP: एनवेलप थ्योरम का उपयोग करके बेलमैन रिकर्सन के माध्यम से सटीक ग्रेडिएंट की गणना करने के लिए एक नवीन विधि, जो सॉफ्टमैक्स-रेगुलराइज्ड डिफरेंशिएबल DP में निहित बायस से बचती है।
स्केलर रिवॉर्ड फैमिली: एक एकल पॉइंटवाइज रिवॉर्ड फॉर्मलिज्म $\Phi$ के तहत तीन अलग-अलग रिवॉर्ड परिवारों (म्यूचुअल इंफॉर्मेशन, बायेसियन MSE, और फिशर इंफॉर्मेशन) का एकीकृत उपचार।
स्केलेबिलिटी: 90,000-पिक्सेल फोटोनिक इनवर्स डिज़ाइन समस्याओं से लेकर छोटे डिस्क्रीट POMDPs तक स्केल करने की क्षमता का प्रदर्शन।

4. प्रयोगात्मक परिणाम (Experimental Results)

शोध पत्र तीन अलग-अलग केस स्टडीज के माध्यम से Joint-DP को मान्य करता है, जो गैर-अनुकूलनशील बेसलाइन की तुलना में महत्वपूर्ण प्रदर्शन लाभ दिखाता है।

केस स्टडी	सिस्टम	बेसलाइन तुलना	परिणाम
A: रडार बीम सर्च	डिस्क्रीट स्टेट (16 सेल्स), 4 स्टेप्स।	EVPI-गाइडेड ज्योमेट्री: वह ज्योमेट्री चुनता है जो एक्सपेक्टेड वैल्यू ऑफ परफेक्ट इंफॉर्मेशन (EVPI) को अधिकतम करती है (एक सामान्य ह्यूरिस्टिक)।	Joint-DP 2.8 $\times$ अधिक प्राप्त करने योग्य एडाप्टिव वैल्यू प्राप्त करता है। EVPI गलत ज्योमेट्री चुनता है (अत्यधिक संकीर्ण/चौड़ी बीम) क्योंकि यह क्लैरवॉयेंस (clairvoyance) को दोहराने में पॉलिसी की अक्षमता को अनदेखा करता है।
B: सुपरकंडक्टिंग क्यूबिट	निरंतर फ्लक्स सेंसर, 4 स्टेप्स।	जॉइंट बायेसियन क्रैमर-राव (PCRB): ज्योमेट्री और एक निश्चित-शेड्यूल पॉलिसी को सह-अनुकूलित करता है।	Joint-DP तैनात (deployed) मीन स्क्वेर्ड एरर (MSE) को 11.3 $\times$ कम करता है ( $z=+132\sigma$ पर)। फिक्स्ड शेड्यूल एलियासिंग (aliasing) को हल करने में विफल रहता है; एडाप्टिव पॉलिसी पहले अनिश्चितता को दूर करने के लिए छोटे अंतराल (delays) का उपयोग करती है, फिर सटीकता के लिए लंबे अंतराल का।
C: फोटोनिक मेटासेंसर	90,000-पिक्सेल परमिटिविटी डिज़ाइन, निरंतर स्टेट।	रैंडमाइज्ड बेसलाइन: EKF रिकंस्ट्रक्शन के साथ रैंडम ज्योमेट्री।	Joint-DP तैनात MSE को 123 $\times$ कम करता है। अनुकूलित ज्योमेट्री एक टास्क-अवेयर फिल्टर के रूप में कार्य करती है, जो स्टेट स्पेस की सबसे कम-प्रतिबंधित दिशाओं में सूचना को केंद्रित करती है।

5. महत्व और निहितार्थ (Significance and Implications)

हार्डवेयर की भूमिका को पुनर्परिभाषित करना: शोध पत्र तर्क देता है कि हार्डवेयर केवल एक निष्क्रिय माध्यम नहीं बल्कि इन्फरेंस (inference) में एक सक्रिय भागीदार होना चाहिए। संयुक्त अनुकूलन भौतिक माध्यम को इस तरह से आकार देता है कि वह डाउनस्ट्रीम एडाप्टिव पॉलिसी के लिए विशेष रूप से तैयार किया गया सूचना "प्री-प्रोसेसिंग" कर सके।
ह्यूरिस्टिक्स की विफलता: परिणाम दर्शाते हैं कि मानक डिज़ाइन ह्यूरिस्टिक्स (जैसे EVPI या फिक्स्ड शेड्यूल के साथ फिशर इंफॉर्मेशन को अधिकतम करना) मौलिक रूप से त्रुटिपूर्ण हैं, विशेष रूप से एडाप्टिव सिस्टम के लिए। वे अक्सर ऐसी "चरम" ज्योमेट्री चुनते हैं जो कागज़ पर अच्छी दिखती हैं लेकिन वास्तविक दुनिया के एडेप्टिव एजेंट के लिए अनुपयोगी होती हैं।
समुदायों को जोड़ना: यह कार्य इनवर्स डिज़ाइन/फोटोनिक्स (हार्डवेयर ऑप्टिमाइज़ेशन) और सीक्वेंशियल डिसीजन थ्योरी/POMDPs (पॉलिसी ऑप्टिमाइज़ेशन) के बीच के अंतर को पाटता है, जो दोनों क्षेत्रों के लिए एक गणितीय और कम्प्यूटेशनल सेतु प्रदान करता है।
व्यावहारिक प्रभाव: किसी भी ऐसे सेंसर के लिए जहाँ हार्डवेयर निर्माण के समय निश्चित होता है लेकिन सॉफ्टवेयर डिवाइस के जीवनकाल के दौरान चलता है (जैसे संज्ञानात्मक रडार, क्वांटम सेंसर, प्रोग्रामेबल मेटासरफेस), Joint-DP डिज़ाइन के लिए "न्यूनतम सिद्धांतगत प्रक्रिया" (minimum principled procedure) का प्रतिनिधित्व करता है।

संक्षेप में, यह शोध पत्र सिद्ध करता है कि सेंसर के शरीर (ज्योमेट्री) और उसके मस्तिष्क (पॉलिसी) का सह-डिज़ाइन (co-design) सेंसिंग प्रदर्शन में आदेशों के परिमाण (orders of magnitude) का सुधार लाता है, जो एक ऐसी उपलब्धि है जो किसी भी घटक को अलग-थ로는 अनुकूलित करने पर असंभव है।