🤖 machine learning

Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty

यह शोध पत्र कॉन्फॉर्मलाइज्ड क्वांटम डीपओनेट एनसेम्बल्स (Conformalized Quantum DeepONet Ensembles) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो स्केलेबल ऑपरेटर लर्निंग को रैखिक अनुमान जटिलता (linear inference complexity) और सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए कठोर, वितरण-मुक्त अनिश्चितता परिमाणीकरण (distribution-free uncertainty quantification) प्राप्त करने के लिए क्वांटम ऑर्थोगोनल न्यूरल नेटवर्क और सुपरपोज्ड पैरामीटराइज्ड क्वांटम सर्किट का उपयोग करता है।

मूल लेखक: Purav Matlia, Christian Moya, Guang Lin

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Purav Matlia, Christian Moya, Guang 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 यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक जटिल मशीन, जैसे कि पावर ग्रिड या मौसम प्रणाली, भविष्य में कैसा व्यवहार करेगी। वैज्ञानिक आमतौर पर ऐसा करने के लिए विशाल कंप्यूटर सिमुलेशन का उपयोग करते हैं, लेकिन वे धीमे और महंगे होते हैं। चीजों को तेज करने के लिए, शोधकर्ता "सरोगेट मॉडल" (surrogate models) बनाते हैं—स्मार्ट एआई शॉर्टकट जो मशीन के नियमों को सीखते हैं और लगभग तुरंत भविष्य की भविष्यवाणी कर सकते हैं।

हालाँकि, इन एआई शॉर्टकटों के साथ दो बड़ी समस्याएँ हैं:

वे बहुत जल्दी बहुत धीमे हो जाते हैं: जैसे-जैसे विवरण सूक्ष्म होते जाते हैं, कंप्यूटर का काम विस्फोटक रूप से बढ़ जाता है, जैसे समुद्र तट पर रेत के हर एक कण को एक-एक करके गिनने की कोशिश करना।
वे अति-आत्मविश्वासी होते हैं: वे आपको एक उत्तर तो देते हैं लेकिन यह नहीं बता पाते कि वे कितने गलत हो सकते हैं। सुरक्षा-महत्वपूर्ण स्थितियों में (जैसे पावर ग्रिड को क्रैश होने से बचाने में), जोखिम को न जानना खतरनाक है।

यह शोध पत्र एक नया समाधान पेश करता है जिसे कॉन्फॉर्मलाइज्ड क्वांटम डीपओनेट एनसेम्बल (Conformalized Quantum DeepONet Ensembles) कहा जाता है। इसे एक "सुपर-चार्ज्ड, सेल्फ-चेकिंग प्रेडिक्शन टीम" के रूप में समझें जो इन समस्याओं को हल करने के लिए क्वांटम भौतिकी के अजीब नियमों का उपयोग करती है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. क्वांटम स्पीड-अप (द "मैजिक लेंस")

पारंपरिक एआई मॉडल एक ऐसे लाइब्रेरियन की तरह हैं जिसे एक विशाल लाइब्रेरी में किताब खोजने के लिए हर एक गलियारे में पैदल चलना पड़ता है। जैसे-जैसे लाइब्रेरी बढ़ती है, समय तेजी से (क्वाड्रेटिक रूप से) बढ़ता जाता है।

लेखक एक क्वांटम डीपओनेट (Quantum DeepONet) का उपयोग करते हैं, जो उस लाइब्रेरियन को एक "जादुई लेंस" देने जैसा है। गलियारों में एक-एक करके चलने के बजाय, क्वांटम लेंस पूरी लाइब्रेरी को एक साथ देख सकता है। यह गति को "हर गलियारे में चलने" से बदलकर "पूरे कमरे पर एक नज़र डालने" में बदल देता है, जिससे भविष्यवाणियाँ बहुत तेज़ और स्केलेबल हो जाती हैं, यहाँ तक कि बहुत विस्तृत सिमुलेशन के लिए भी।

2. प्रेडिक्शन टीम (द "एनसेम्बल")

एक तेज़ क्वांटम मॉडल के साथ भी, एक अकेला एआई गलत या अनिश्चित हो सकता है। इसे ठीक करने के लिए, शोधकर्ता केवल एक मॉडल का उपयोग नहीं करते; वे मॉडल्स की एक टीम (एक एनसेम्बल) का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आप 10 अलग-अलग विशेषज्ञों से मौसम का अनुमान लगाने के लिए कह रहे हैं। यदि वे सभी सहमत हैं, तो आप आश्वस्त हैं। यदि वे आपस में बहुत भिन्न हैं, तो आप अनिश्चितता को जानते हैं।
समस्या: आमतौर पर, 10 अलग-अलग क्वांटम मॉडल चलाने के लिए 10 गुना अधिक क्वांटम हार्डवेयर (qubits) की आवश्यकता होती है, जो वर्तमान तकनीक के साथ असंभव है। यह अपने गैरेज में 10 अलग-अलग सुपर-कंप्यूटर बनाने की कोशिश करने जैसा है।

3. "सुपरपोजिशन" ट्रिक (द "घोस्ट टीम")

यह इस शोध पत्र की सबसे चतुर चाल है। 10 अलग-अलग क्वांटम कंप्यूटर बनाने के बजाय, वे सुपरपोज्ड पैरामीटराइज्ड क्वांटम सर्किट्स (SPQCs) का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास एक ही जादुई सिक्का है। 10 परिणाम प्राप्त करने के लिए उसे 10 बार उछालने के बजाय, आप उसे एक बार उछालते हैं, और क्वांटम जादू (सुपरपोजिशन) के कारण, यह एक ही समय में "हेड्स" और "टेल्स" (और उनके बीच के सभी बदलावों) पर गिरता है।
परिणाम: वे एक ही क्वांटम सर्किट के भीतर एक ही समय में सभी 10 "विशेषज्ञों" (मॉडल्स) को चला सकते हैं। यह हार्डवेयर संसाधनों की भारी बचत करता है और साथ ही विविध भविष्यवक्ताओं की एक टीम का लाभ भी मिलता है।

4. सेफ्टी नेट (द "कॉन्फॉर्मल गारंटी")

विशेषज्ञों की एक टीम होना अच्छा है, लेकिन आप कैसे जानते हैं कि उनके उत्तरों की सीमा भरोसेमंद है? शोध पत्र कॉन्फॉर्मल प्रेडिक्शन (Conformal Prediction) नामक एक परत जोड़ता है।

उपमा: कल्पना कीजिए कि विशेषज्ञों की टीम आपको एक पूर्वानुमान देती है। कॉन्फॉर्मल विधि एक "सुरक्षा निरीक्षक" की तरह कार्य करती है जो पिछली गलतियों को देखती है। यह कहता है, "पिछले प्रदर्शन के आधार पर, मैं 90% निश्चितता के साथ गारंटी दे सकता हूँ कि वास्तविक उत्तर इस विशिष्ट सीमा के भीतर होगा।"
लाभ: यह भविष्यवाणी के चारों ओर एक गणितीय रूप से कठोर "सेफ्टी ट्यूब" प्रदान करता है। यह केवल अनुमान नहीं लगाता; यह बताता है कि त्रुटि का मार्जिन वास्तव में कितना चौड़ा है, बिना यह माने कि डेटा किसी विशिष्ट पैटर्न (डिस्ट्रीब्यूशन) का पालन करता है।

5. हाइब्रिड दृष्टिकोण (द "बेस्ट ऑफ बोथ वर्ल्ड्स")

शोधकर्ताओं ने महसूस किया कि गणना के कुछ हिस्से क्वांटम कंप्यूटरों पर शोर (noisy) वाले होते हैं, जबकि अन्य हिस्से ठीक होते हैं।

रणनीति: उन्होंने एक हाइब्रिड सिस्टम बनाया। उन्होंने क्लासिकल (सामान्य) कंप्यूटर को उन हिस्सों को संभालने दिया जो आसान हैं और जिन्हें क्वांटम स्पीड की आवश्यकता नहीं है, और वे केवल भारी कामों के लिए क्वांटम "मैजिक लेंस" का उपयोग करते हैं।
परिणाम: यह उन क्वांटम हिस्सों से "शोर" (त्रुटियों) को हटा देता है जो आवश्यक नहीं हैं, जिससे अंतिम भविष्यवाणी अधिक स्पष्ट और सटीक हो जाती है।

उन्होंने क्या सिद्ध किया?

लेखकों ने इस प्रणाली का परीक्षण दो प्रकार की चुनौतियों पर किया:

नकली गणितीय समस्याएँ: उन्होंने जटिल समीकरणों (जैसे गर्मी कैसे चलती है या लहरें कैसे चलती हैं) को हल किया ताकि यह सिद्ध हो सके कि गणित काम करता है।
वास्तविक पावर ग्रिड: उन्होंने विद्युत शक्ति प्रणालियों के वास्तविक डेटा पर इसका परीक्षण किया।

परिणाम:

प्रणाली सटीक थी।
"सेफ्टी ट्यूब" (अनिश्चितता सीमाएं) विश्वसनीय थीं, जो अपने लक्ष्य कवरेज रेट (उदाहरण के लिए, 90% बार सही होना) को प्राप्त करती हैं, भले ही क्वांटम कंप्यूटर "नॉइजी" (अपूर्ण) हो।
"सुपरपोजिशन" ट्रिक काम कर गई: उन्हें 10 गुना अधिक हार्डवेयर की आवश्यकता के बिना मॉडल्स की एक बड़ी टीम के लाभ मिले।

सारांश में

यह शोध पत्र जटिल भौतिक प्रणालियों के लिए एआई बनाने का एक नया तरीका प्रस्तुत करता है। यह क्वांटम स्पीड (बड़े डेटा को संभालने के लिए), टीम-आधारित भविष्यवाणी (अनिश्चितता को समझने के लिए), और एक गणितीय सुरक्षा जाल (विश्वसनीयता की गारंटी देने के लिए) को जोड़ता है। यह समस्या को हल करता है कि क्वांटम कंप्यूटर मॉडल्स की बड़ी टीमों को चलाने के लिए बहुत छोटे क्यों होते हैं, और "घोस्ट टीम" ट्रिक का उपयोग करके, यह पावर ग्रिड जैसी चीजों के लिए तेज़, सुरक्षित और भरोसेमंद भविष्यवाणियों को संभव बनाता है।

यहाँ शोध पत्र "Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उच्च-आयामी गतिशील प्रणालियों (जैसे पावर ग्रिड और आंशिक अंतर समीकरण - PDEs) के लिए वर्तमान न्यूरल ऑपरेटर लर्निंग (विशेष रूप से DeepONets) की दो मौलिक सीमाओं को संबोधित करता है:

स्केलेबिलिटी बाधा (Scalability Bottleneck): क्लासिकल DeepONets घने न्यूरल परतों (dense neural layers) पर निर्भर करते हैं जिनमें $O(n^2)$ कम्प्यूटेशनल जटिलता होती है। यह द्विघातीय स्केलिंग (quadratic scaling) उन्हें उन सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए निषेधजनक बनाती है जिनमें सूक्ष्म विविक्तीकरण (fine discretizations) और व्यापक मोंटे कार्लो मूल्यांकन (जैसे $10^4$ टाइमस्टेप्स) की आवश्यकता होती है।
अविश्वसनीय अनिश्चितता परिमाणीकरण (Unreliable Uncertainty Quantification - UQ): सुरक्षा-महत्वपूर्ण तैनाती के लिए कठोर अनिश्चितता अनुमानों की आवश्यकता होती है। बेयसियन न्यूरल नेटवर्क या मोंटे कार्लो ड्रॉपआउट जैसी मानक विधियाँ वितरण-मुक्त (distribution-free) गारंटी प्रदान करने में विफल रहती हैं। यद्यपि कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) ऐसे आश्वासन प्रदान करता है, क्वांटम मॉडलों पर इसे लागू करना चुनौतीपूर्ण है क्योंकि:
- नैव क्वांटम एन्सेम्बल्स (L मॉडलों को समानांतर में चलाना) क्यूबिट आवश्यकताओं को रैखिक रूप से ( $O(L \cdot n)$ ) बढ़ाता है, जिससे हार्डवेयर बाधा उत्पन्न होती है।
- केवल क्वांटम मेजरमेंट शॉट नॉइज़ (shot noise) पर अनिश्चितता के लिए निर्भर रहना अपर्याप्त है, क्योंकि यह वास्तविक एपिस्टेमिक अनिश्चितता (मॉडल विविधता) के बजाय हार्डवेयर शोर को पकड़ता है।

2. कार्यप्रणाली (Methodology)

लेखक Conformalized Quantum DeepONet Ensembles का प्रस्ताव करते हैं, जो एक ढांचा है जो स्केलेबल क्वांटम इन्फरेंस, संसाधन-कुशल एन्सेम्बलिंग और कठोर अनिश्चितता अंशांकन (uncertainty calibration) को एकीकृत करता है।

A. स्केलेबल क्वांटम ऑपरेटर इन्फरेंस (Scalable Quantum Operator Inference)

क्वांटम ऑर्थोगोनल न्यूरल नेटवर्क (QOrthoNNs): मुख्य आर्किटेक्चर क्लासिकल डेंस लेयर्स को रीकॉन्फ़िगरेबल बीम स्प्लिटर (RBS) गेट्स का उपयोग करने वाले पैरामीट्रिक क्वांटम सर्किट (PQCs) से बदल देता है।
जटिलता में कमी: यूनरी सबस्पेस (unary subspace) में कार्य करके और RBS गेट्स का उपयोग करके, इन्फरेंस जटिलता को $O(n^2)$ से घटाकर $\tilde{O}(n)$ कर दिया जाता है।
प्रशिक्षण रणनीति: हार्डवेयर शोर से बचने के लिए मॉडल को क्लासिकली प्रशिक्षित किया जाता है। क्वांटम ऑपरेशन गणितीय रूप से सटीक क्लासिकल ऑर्थोगोनल ट्रांसफॉर्मेशन के समान हैं। अनुकूलन रोटेशन एंगल स्पेस ( $\theta$ ) में होता है, जो सख्त ऑर्थोगोनैलिटी सुनिश्चित करता है और 'बैरेन प्लेटो' (barren plateaus) से बचता है, जिसके बाद इसे इन्फरेंस के लिए क्वांटम हार्डवेयर पर तैनात किया जाता है।

B. संसाधन-कुशल एन्सेम्बलिंग (Resource-Efficient Ensembling)

एपिस्टेमिक अनिश्चितता को कैप्चर करने के लिए बिना क्यूबिट आवश्यकताओं को रैखिक रूप से बढ़ाए, लेखक दो रणनीतियों का उपयोग करते हैं:

हाइब्रिड क्लासिकल-क्वांटम आर्किटेक्चर: DeepONet में एक "ब्रांच" (Branch) नेटवर्क (इनपुट फंक्शन को प्रोसेस करता है, जिसे प्रत्येक परिदृश्य के लिए एक बार मूल्यांकित किया जाता है) और एक "ट्रंक" (Trunk) नेटवर्क (क्वेरी कोऑर्डिनेट्स को प्रोसेस करता है, जिसे $M$ $M$ बार मूल्यांकित किया जाता है) होता है।
- ब्रांच को एक क्लासिकल डेंस नेटवर्क से बदल दिया गया है। चूंकि इसका मूल्यांकन केवल एक बार किया जाता है, इसलिए $O(n^2)$ लागत कम हो जाती है, और प्रमुख क्वांटम शोर स्रोत समाप्त हो जाता है।
- ट्रंक उच्च-आवृत्ति मूल्यांकन के लिए $\tilde{O}(n)$ की गति बढ़ाने हेतु क्वांटम बना रहता है।
सुपरपोज्ड पैरामीटराइज्ड क्वांटम सर्किट (SPQCs): $L$ $L$ मॉडलों को समानांतर में चलाने (जिसके लिए $L \times n$ $L \times n$ क्यूबिट की आवश्यकता होती है) के बजाय, SPQCs पूरे एन्सेम्बल के लिए एक ही सर्किट में सभी $L$ $L$ मॉडलों को एनकोड करते हैं।
- यूनिफॉर्म सुपरपोजिशन में एड्रेस क्यूबिट्स का उपयोग करके, सर्किट पूरे एन्सेम्बल के लिए स्टेट प्रिपरेशन, यूनिटरी इवोल्यूशन और मेजरमेंट को ठीक एक बार निष्पादित करता है।
- यह क्यूबिट आवश्यकताओं को $n + 1 + \lceil \log_2(L) \rceil$ तक कम कर देता है, जिससे स्केलेबल एन्सेम्बल निष्पादन संभव होता है।

C. वितरण-मुक्त अनिश्चितता परिमाणीकरण (Distribution-Free Uncertainty Quantification)

एडाप्टिव कॉन्फॉर्मल प्रेडिक्शन: यह ढांचा एन्सेम्बल की एपिस्टेमिक अनिश्चितता (भविष्यवाणियों का मानक विचलन) को कॉन्फॉर्मल प्रेडिक्शन के साथ जोड़ता है।
कैलिब्रेशन: नॉन-कॉन्फॉर्मिटी स्कोर की गणना स्थानीय एन्सेम्बल मानक विचलन द्वारा सामान्यीकृत पूर्ण त्रुटि (absolute error) के रूप में की जाती है। एक कैलिब्रेशन सेट से एक अनुभवजन्य क्वांटाइल ( $\hat{q}$ ) प्राप्त किया जाता है।
गारंटी: यह प्रेडिक्शन सेट्स $C_\alpha(u, y)$ प्रदान करता है जिसमें एक सख्त, वितरण-मुक्त गारंटी है कि यदि डेटा एक्सचेंजैबिलिटी (exchangeability) बनी रहती है, तो वास्तविक मान $1-\alpha$ प्रायिकता के साथ इस सेट के भीतर होगा।

3. मुख्य योगदान (Key Contributions)

स्केलेबल क्वांटम इन्फरेंस: QOrthoNNs का उपयोग करके ऑपरेटर इन्फरेंस जटिलता को $O(n^2)$ से घटाकर $\tilde{O}(n)$ करके प्रदर्शित किया गया, जिससे सूक्ष्म विविक्तीकरण संभव हुआ।
हार्डवेयर-कुशल एन्सेम्बलिंग: क्यूबिट स्केलिंग की समस्या को हल करने के लिए हाइब्रिड आर्किटेक्चर और SPQCs का उपयोग किया गया, जो समानांतर क्वांटम एन्सेम्बल्स की रैखिक क्यूबिट आवश्यकता को कम करता है।
कठोर UQ: गणितीय रूप से गारंटीकृत, वितरण-मुक्त अनिश्चितता सीमाएँ प्रदान करने के लिए एडाप्टिव कॉन्फॉर्मल प्रेडिक्शन को क्वांटम एन्सेम्बल्स के साथ एकीकृत किया गया।
मजबूत मूल्यांकन: सिंथेटिक PDEs और वास्तविक दुनिया के पावर सिस्टम डायनेमिक्स पर यथार्थवादी क्वांटम शोर मॉडल (डिपोलराइजिंग, रीडआउट एरर, थर्मल रिलैक्सेशन) के तहत ढांचे का सत्यापन किया गया।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन सिंथेटिक बेंचमार्क (Antiderivative, Advection equations) और वास्तविक दुनिया के पावर सिस्टम डेटासेट (Voltage-to-Voltage, Voltage-to-Power) पर किया गया।

सिंथेटिक बेंचमार्क:
- कम सापेक्ष $L_2$ त्रुटियां प्राप्त कीं (जैसे, Antiderivative के लिए 0.46%, Advection के लिए 2.28%)।
- आदर्श सिमुलेशन के तहत लक्ष्य 90% के करीब एम्पिरिकल कवरेज बनाए रखा (जैसे, 92.13% और 88.99%)।
- शोर प्रतिरोध (Noise Resilience): यथार्थवादी शोर मॉडल (IBM Brisbane, Torino, Marrakesh) के तहत, कॉन्फॉर्मल फ्रेमवर्क ने कवरेज $\ge 90\%$ बनाए रखा, जो हार्डवेयर ड्रिफ्ट के विरुद्ध मजबूती सिद्ध करता है।
वास्तविक दुनिया के पावर सिस्टम:
- ऑफलाइन (पोस्ट-मॉर्टम विश्लेषण) और ऑनलाइन (रियल-टाइम फोरकास्टिंग) कार्यों को सफलतापूर्वक संभाला।
- ऑनलाइन वोल्टेज प्रेडिक्शन: एक्सचेंजैबिलिटी धारणा का उल्लंघन करने के बावजूद (टेम्पोरल डिपेंडेंसी के कारण) 90.11% कवरेज प्राप्त किया, जो एक कठोर स्ट्रेस टेस्ट के रूप में कार्य करता है।
आर्किटेक्चर तुलना:
- हाइब्रिड बनाम पूर्णतः क्वांटम: हाइब्रिड (क्लासिकल ब्रांच + क्वांटम ट्रंक) कॉन्फ़िगरेशन ने शोर वाले ब्रांच बॉटलनेक को समाप्त करके सटीकता और अनिश्चितता की चौड़ाई में पूर्णतः क्वांटम सेटअप की तुलना में काफी बेहतर प्रदर्शन किया।
- SPQC बनाम नैव पैरेललिज्म: SPQCs ने मानक एन्सेम्बल्स की भविष्यवाणी सटीकता और अनिश्चितता अंशांकन से मेल खाया, जबकि क्यूबिट उपयोग को नाटकीय रूप से कम किया (जैसे, 4-मेंबर एन्सेम्बल के लिए 20 क्यूबिट के मुकाबले 7 क्यूबिट)।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

व्यावहारिक मार्ग: यह कार्य स्केलेबिलिटी और विश्वसनीयता की दोहरी समस्याओं को हल करके सुरक्षा-महत्वपूर्ण बुनियादी ढांचे में क्वांटम मशीन लर्निंग को तैनात करने का एक व्यवहार्य मार्ग स्थापित करता है।
संसाधन दक्षता: SPQC दृष्टिकोण एन्सेम्बल निष्पादन के संसाधनों को क्यूबिट के संदर्भ में रैखिक से लॉगरिदमिक (logarithmic) में बदलकर अनिश्चितता परिमाणीकरण को संभव बनाता है।
भविष्य की दिशाएं: लेखक नोट करते हैं कि हालांकि वर्तमान गारंटियाँ डेटा एक्सचेंजैबिलिटी पर निर्भर करती हैं, भविष्य के कार्य गैर-एक्सचेंजेबल स्ट्रीमिंग डेटा (जैसे, अनुक्रमिक कॉन्फॉर्मल प्रेडिक्शन के माध्यम से) को संबोधित करने चाहिए। इसके अतिरिक्त, यह असामान्य अवलोकन कि शोर कभी-कभी उथले सर्किट (shallow circuits) में अनिश्चितता सीमाओं में सुधार करता है, "नॉइज़-इंड्यूस्ड रेगुलराइजेशन" (noise-induced regularization) के रूप में आगे की जांच की मांग करता है।

संक्षेप में, यह शोध पत्र एक एकीकृत ढांचे को प्रस्तुत करता है जो ऑपरेटर लर्निंग के लिए क्वांटम स्पीडअप का लाभ उठाता है, जबकि वास्तविक दुनिया की तैनाती के लिए आवश्यक कठोर सुरक्षा गारंटी सुनिश्चित करने के लिए क्लासिकल-अनुपालक एन्सेम्बलिंग और कॉन्फॉर्मल प्रेडिक्शन का उपयोग करता है।