💬 NLP

Why Geometric Continuity Emerges in Deep Neural Networks: Residual Connections and Rotational Symmetry Breaking

यह लेख स्पष्ट करता है कि डीप न्यूरल नेटवर्क में ज्यामितिक निरंतरता (geometric continuity), रेसिडुअल कनेक्शनों, जो परतों के बीच भार अपडेट (weight updates) को संरेखित करते हैं, और सिमेट्री-ब्रेकिंग नॉनलिनियैरिटीज़ (symmetry-breaking nonlinearities), जो रोटेशनल ड्रिफ्ट को रोकने के लिए परतों को एक सामान्य समन्वय फ्रेम (common coordinate frame) तक सीमित करती हैं, के संयुक्त प्रभावों का परिणाम है।

मूल लेखक: Kyungwon Jeong, Won-Gi Paeng, Honggyo Suh

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kyungwon Jeong, Won-Gi Paeng, Honggyo Suh

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

एक गहरे न्यूरल नेटवर्क की कल्पना एक विशाल, बहु-मंजिला फैक्ट्री के रूप में करें। प्रत्येक मंजिल (या "लेयर") कच्चा माल लेती है, उसे प्रोसेस करती है, और अगले स्तर पर भेज देती है। इस फैक्ट्री को कुशलतापूर्वक संचालित करने के लिए, प्रत्येक मंजिल पर मौजूद औजारों को एक विशिष्ट तरीके से संरेखित (align) होना चाहिए।

यह शोध एक अजीब खोज की जांच करता है: अच्छी तरह से प्रशिक्षित फैक्ट्रियों (न्यूरल नेटवर्क्स) में, आस-पास की मंजिलों के "औजार" (वेट मैट्रिसेस) आश्चर्यजनक रूप से समान होते हैं। जब प्रत्येक औजार की प्राथमिक दिशा का परीक्षण किया जाता है, तो वे सभी लगभग एक ही सामान्य दिशा में संकेतित दिखाई देते हैं, जो ग्राउंड फ्लोर से लेकर इमारत के शीर्ष तक एक सहज, निरंतर पथ बनाते हैं। लेखक इसे "जियोमेट्रिक कंटिन्यूटी" (Geometric Continuity) कहते हैं।

बड़ा सवाल जिसका यह कार्य उत्तर देता है वह यह है: ऐसा क्यों होता है? क्या यह कोई जादू है, या इसके पीछे कोई विशिष्ट रेसिपी है?

सरल मॉडलों (खिलौना फैक्ट्रियों) और जटिल मॉडलों (ट्रांसफॉर्मर्स) के साथ प्रयोगों के माध्यम से, लेखकों ने पाया कि इस सुचारू संरेखण को उत्पन्न करने के लिए दो विशिष्ट सामग्रियों की आवश्यकता होती है। यदि इनमें से एक भी गायब हो, तो फैक्ट्री अराजकता में ढह जाती है।

दो गुप्त सामग्रियां

1. लिफ्ट सिस्टम (रेसिडुअल कनेक्शंस)

कल्प la कि फैक्ट्री की मंजिलें एक विशेष लिफ्ट से जुड़ी हुई हैं जो ग्राउंड फ्लोर से टॉप फ्लोर तक एक "संदेश" ले जाती है बिना उसे महत्वपूर्ण रूप से बदले। यह एक रेसिडुअल कनेक्शन है।

यह क्या करता है: यह सुनिश्चित करता है कि "एरर सिग्नल" (वे संदेश जो फैक्ट्री को बताते हैं कि क्या गलत हुआ) शीर्ष मंजिल से वापस नीचे ग्राउंड फ्लोर तक सुचारू रूप से यात्रा करें।
उपमा: इस लिफ्ट के बिना, संदेश हर मंजिल पर खो जाता है या बिगड़ जाता है। लिफ्ट के साथ, हर मंजिल एक ही कहानी सुनती है कि क्या ठीक करने की आवश्यकता है। यह एक साझा "कोहेरेंस" (सहजता) या काम करने के प्रति सहमति पैदा करता है।
परिणाम: संदेशों का यह संरेखण पहला कदम है। यह मंजिलों को एक ही दिशा में संकेत देने के लिए प्रेरित करता है।

2. लॉकिंग मैकेनिज्म (सिमिट्री-ब्रेकिंग नॉनलिनियैरिटी)

यह सबसे महत्वपूर्ण और आश्चर्यजनक हिस्सा है। लिफ्ट के होने के बावजूद, फैक्ट्री विफल हो सकती है। कल्पना करें कि यदि प्रत्येक मंजिल अपने पूरे मशीनरी को 360 डिग्री तक स्वतंत्र रूप से घुमा सके। भले ही वे इस बात पर सहमत हों कि क्या करना है, वे अपने औजारों को अलग-अलग दिशाओं में घुमा सकते हैं, जैसे कि उत्तर, दक्षिण, पूर्व या पश्चिम की ओर इशारा करना। "सुचारू पथ" टूट जाएगा।

इसे रोकने के लिए, फैक्ट्री को एक लॉकिंग मैकेनिज्म की आवश्यकता होती है। न्यूरल नेटवर्क्स में, यह एक्टिवेशन फंक्शन्स (जैसे ReLU) और नॉर्मलाइजेशन (जैसे LayerNorm) द्वारा प्रदान किया जाता है।

उपमा: इन फंक्शन्स को एक "मैग्नेटिक लॉक" के रूप में देखें जो मशीनरी को एक निश्चित कोऑर्डिनेट सिस्टम में जकड़ देता है। वे "रोटेशनल सिमिट्री" को तोड़ते हैं।
- बिना लॉक के (लीनियर/नो एक्टिवेशन): मशीनरी घूमने के लिए स्वतंत्र है। भले ही मंजिलें कार्य पर सहमत हों, लेकिन उनकी ओरिएंटेशन (दिशा) अलग हो जाती है। सुचारू पथ ढह जाता है।
- लॉक के साथ (ReLU/SiLU): मशीनरी एक विशिष्ट ग्रिड से बंधी हुई है। वे अब स्वतंत्र रूप से घूम नहीं सकते। चूंकि वे सभी एक ही ग्रिड से बंधे हैं और सभी ने लिफ्ट से एक ही संदेश सुना है, इसलिए वे स्वाभाविक रूप से अपने औजारों को एक ही दिशा में संरेखित करते हैं।
ट्विस्ट: यह "नॉनलिनियैरिटी" (गणित की जटिलता) नहीं है जो मायने रखती है; यह "रोटेशनल सिमिट्री को तोड़ना" है। लेखकों ने एक विशेष "रोटेशन-प्रिजर्विंग" गणितीय फंक्शन का उपयोग करके इसे सिद्ध किया जो जटिल (नॉनलीनियर) था लेकिन रोटेशन को लॉक नहीं करता था। परिणाम? फैक्ट्री फिर भी ढह गई। लॉक ही असली नायक है, जटिलता नहीं।

फैक्ट्री की मंजिलें कैसे संरेखित होती हैं (प्रक्रिया)

यह कार्य एक दो-चरणीय नृत्य का वर्णन करता है:

फॉर्मेशन (निर्माण): लिफ्ट (रेसिडुअल कनेक्शन) मंजिलों को ग्रेडिएंट की दिशा (त्रुटि सुधार का पथ) पर सहमत होने के लिए लाती है।
प्रिजर्वेशन (संरक्षण): लॉकिंग मैकेनिज्म (एक्टिवेशन/नॉर्मलाइजेशन) इस सहमति को फ्रीज कर देता है ताकि औजार समय के साथ अलग न हो जाएं।

यदि आप लॉक हटा देते हैं, तो मंजिलें एक पल के लिए संरेखित हो सकती हैं, लेकिन फिर वे कोहरे में जहाजों की तरह धीरे-धीरे अलग हो जाती हैं, जिससे सुचारू पथ नष्ट हो जाता है।

ट्रांसफार्मर ट्विस्ट: पढ़ना बनाम लिखना

इस कार्य में ट्रांसफॉर्मर्स (जो LLMs जैसे आधुनिक AI के पीछे का आर्किटेक्चर है) का भी परीक्षण किया गया। ये अलग-अलग प्रकार के श्रमिकों के साथ अधिक जटिल फैक्ट्रियां हैं:

रीडर्स (Q, K, Gate, Up): ये कार्यकर्ता मुख्य कन्वेयर बेल्ट (रेसिडुअल स्ट्रीम) की ओर देखते हैं। वे इनपुट स्पेस (वे दुनिया को कैसे देखते हैं) में निरंतरता विकसित करते हैं।
राइटर्स (O, Down): ये कार्यकर्ता कन्वेयर बेल्ट पर वापस लिखते हैं। वे आउटपुट स्पेस (वे दुनिया को कैसे प्रभावित करते हैं) में निरंतरता विकसित करते हैं।
द आउटसाइडर (V): "वैल्यू" प्रोजेक्शन एक रीडर है लेकिन इसके ठीक बगल में कोई "लॉक" (कोई एक्टिवेशन फंक्शन नहीं) नहीं है। चूंकि इसमें सिमिट्री-ब्रेकिंग लॉकिंग मैकेनिज्म की कमी है, इसलिए यह कभी भी एक सुचारू पथ विकसित नहीं करता है। यह अराजक और मिसअलाइन्ड रहता है।

सरल भाषा में सारांश

यह कार्य निष्कर्ष निकालता है कि AI वेट्स में दिखने वाली सुचारू, निरंतर संरचना कोई संयोग नहीं है। यह दो डिज़ाइन निर्णयों का सीधा परिणाम है:

रेसिडुअल कनेक्शंस एक संचार राजमार्ग के रूप में कार्य करते हैं, यह सुनिश्चित करते हुए कि सभी परतें एक ही निर्देश सुनें।
एक्टिवेशन फंक्शन्स एक मैग्नेटिक क्लिप की तरह कार्य करते हैं, जो परतों को संरेखण से भटकने से रोकते हैं।

यदि आपके पास हाईवे है लेकिन क्लिप नहीं है, तो परतें अलग हो जाएंगी। यदि आपके पास क्लिप है लेकिन हाईवे नहीं है, तो वे क्या करना है इस पर सहमत नहीं होंगे। एक गहरा, स्थिर और ज्यामितीय रूप से निरंतर न्यूरल नेटवर्क बनाने के लिए आपको दोनों की आवश्यकता है।

तकनीकी सारांश: डीप न्यूरल नेटवर्क में ज्यामितीय निरंतरता (Geometric Continuity) क्यों उभरती है

समस्या विवरण

नए अवलोकन संकेत देते हैं कि गहरे न्यूरल नेटवर्क (विशेष रूप से लार्ज लैंग्वेज मॉडल्स - LLMs) की आसन्न परतों (adjacent layers) के वेट मैट्रिसेस (weight matrices) में ज्यामितीय निरंतरता (geometric continuity) प्रदर्शित होती है: उनके प्रमुख सिंगुलर वेक्टर्स (leading singular vectors) समान दिशाओं की ओर संकेत करते हैं और नेटवर्क की गहराई के साथ एक सुचारू प्रक्षेपवक्र (smooth trajectories) बनाते हैं। हालांकि यह घटना अनुभवजन्य रूप से प्रलेखित है और लेयर प्रूनिंग (layer pruning) तथा परतों के बीच आंशिक पैरामीटर शेयरिंग जैसे व्यावहारिक लाभों से जुड़ी है, लेकिन इसका मौलिक मूल अभी भी अस्पष्ट है। यह अनिश्चित है कि क्या यह निरंतरता गहरे नेटवर्क को प्रशिक्षित करने का एक अनिवार्य परिणाम है या इसके लिए विशिष्ट वास्तुशिल्प पूर्व-आवश्यकताओं (architectural prerequisites) की आवश्यकता होती है। यह योगदान ज्यामितीय निरंतरता के यांत्रिक मूलों की जांच करता है ताकि यह निर्धारित किया जा सके कि क्या यह विशिष्ट ऑप्टिमाइज़र्स का एक आर्टिफैक्ट है या रेसिडुअल नेटवर्क में सीखने का एक संरचनात्मक उपोत्पाद (structural byproduct) है।

कार्यप्रणाली (Methodology)

लेखक "टॉय" मल्टी-लेयर पर्सेप्ट्रॉन्स (MLPs) और छोटे ट्रांसफॉर्मर्स पर नियंत्रित एब्लेशन अध्ययनों (ablation studies) के साथ-साथ प्री-ट्रेंड LLMs के विश्लेषण का उपयोग करते हैं।

टॉय-MLP प्रयोग (MNIST):
- आर्किटेक्चर: 16 परतों और 256 हिडन डायमेंशन वाला एक रेसिडुअल MLP।
- चर (Variables): अध्ययन व्यवस्थित रूप से वास्तुशिल्प घटकों को अलग करता है:
  - रेसिडुअल कनेक्शन हटाना (NoRes)।
  - एक्टिवेशन फंक्शन हटाना (Res+None)।
  - मानक एक्टिवेशन को रोटेशन-इक्विवैरिएंट नॉन-लीनियरिटी से बदलना (Res+Radial, $\sigma_{rad}(x) = x \cdot \tanh(\|x\|)$ का उपयोग करके)।
  - इनिशियलाइजेशन स्केल्स और ऑप्टिमाइज़र सेटिंग्स (जैसे $\beta_2=0$ के साथ Adam) को बदलना।
- मेट्रिक्स: लेखक आसन्न परतों के बीच अग्रणी सिंगुलर वेक्टर्स ( $v_1$ इनपुट स्पेस के लिए, $u_1$ आउटपुट स्पेस के लिए) के कोसाइन सिमिलरिटी को मापते हैं। वे पूरे सिंगुलर स्पेक्ट्रम में निरंतरता का मूल्यांकन करने के लिए एक $\sigma^2$ -वेटेड अलाइनमेंट मेट्रिक को भी परिभाषित करते हैं और संचयी ग्रेडिएंट कोहेरेंस (cumulative gradient coherence) को ट्रैक करते हैं।
ट्रांसफॉर्मर प्रयोग (WikiText-103 और प्री-ट्रेंड LLMs):
- लघु स्तर: एक Llama जैसा ट्रांसफॉर्मर (8 परतें, 34 मिलियन पैरामीटर्स) जिसे WikiText-103 पर प्रशिक्षित किया गया है। लेखक विभिन्न प्रोजेक्शन मैट्रिसेस (Q, K, V, Gate, Up, O, Down) पर विशिष्ट प्रभाव का परीक्षण करने के लिए MLP एक्टिवेशन पर एब्लेशन करते हैं।
- बड़े स्तर: Llama-3.1-8B जैसे प्री-ट्रेंड मॉडल्स और 70 बिलियन पैरामीटर्स तक के मॉडल्स का विश्लेषण ताकि यह सत्यापित किया जा सके कि देखे गए पैटर्न स्केल पर बने रहते हैं या नहीं।

मुख्य योगदान और परिणाम

1. ज्यामितीय निरंतरता के लिए दो आवश्यक शर्तें

यह योगदान ज्यामितीय निरंतरता के उभरने और बने रहने के लिए दो अलग-अलग तंत्रों की पहचान करता है:

शर्त 1: रेसिडुअल कनेक्शन (ग्रेडिएंट कोहेरेंस): रेसिडुअल कनेक्शन यह सुनिश्चित करते हैं कि आसन्न परतों को समान एरर सिग्नल प्राप्त हों। रेसिडुअल नेटवर्क में, किसी परत के इनपुट के संबंध में ग्रेडिएंट में एक आइडेंटिटी टर्म ( $I$ ) होता है, जो परतों के बीच सुसंगत ग्रेडिएंट प्रसार (coherent gradient propagation) उत्पन्न करता है। अनुभवजन्य परिणाम दिखाते हैं कि बिना रेसिडुअल कनेक्शन के, ग्रेडिएंट कोहेरेंस रैंडम वैल्यू (~0.05) तक गिर जाता है और कोई वेट निरंतरता विकसित नहीं होती है।
शर्त 2: सिमेट्री-ब्रेकिंग नॉन-लिनियरिटी (कोऑर्डिनेट सिस्टम का स्थिरीकरण): जबकि रेसिडुअल कनेक्शन सुसंगत ग्रेडिएंट प्रदान करते हैं, वे सिमेट्री ब्रेकिंग के बिना वेट निरंतरता बनाए रखने के लिए अपर्याप्त हैं।
- "Res+None" की विफलता: एक्टिवेशन फंक्शन को हटाना (एक लीनियर रेसिडुअल नेटवर्क छोड़ना) उच्च ग्रेडिएंट कोहेरेंस (~~0.93) तो देता है लेकिन कम वेट निरंतरता (~~0.22) की ओर ले जाता है। वेट्स शुरू में एक निरंतर संरचना बनाते हैं लेकिन रोटेशनल ड्रिफ्ट (rotational drift) के कारण ढह जाते हैं।
- तंत्र: लीनियर नेटवर्क में, वेट प्रोडक्ट्स में एक निरंतर रोटेशनल सिमेट्रिक प्रॉपर्टी ($SO(d)$) होती है, जो लॉस लैंडस्केप में फ्लैट दिशाएं बनाती है जहाँ वेट स्वतंत्र रूप से ड्रिफ्ट कर सकते हैं। एलिमेंट-वाइज एक्टिवेशन (ReLU, GELU, SiLU) इस सिमेट्री को तोड़ते हैं, जिससे परतें एक साझा कोऑर्डिनेट फ्रेम में बंध जाती हैं और ड्रिफ्ट को रोकती हैं।
- नॉन-लिनियरिटी बनाम सिमेट्री ब्रेकिंग: महत्वपूर्ण रूप से, केवल नॉन-लिनियरिटी ही सक्रिय कारक नहीं है। एक रोटेशन-इक्विवैरिएंट एक्टिवेशन (Res+Radial), जो नॉन-लीनियर है लेकिन $SO(d) $सिमेट्री को बनाए रखता है, निरंतरता बनाए रखने में विफल रहता (वेट$ v_1 \approx 0.22$)। यह सिमेट्री ब्रेकिंग को महत्वपूर्ण कारक के रूप में अलग करता है।

2. एक्टिवेशन और नॉर्मलाइजेशन की अलग भूमिकाएं

एक्टिवेशन: ज्यामितीय निरंतरता को अग्रणी सिंगुलर दिशा ( $v_1$ ) में केंद्रित करता है।
LayerNorm: निरंतरता को कई सिंगुलर दिशाओं में वितरित करके सिमेट्री को अलग तरह से तोड़ता है। संयोजन में, $v_1$ पर केंद्रित एक्टिवेशन मोड हावी रहता है।

3. ट्रांसफॉर्मर्स में प्रोजेक्शन-विशिष्ट निरंतरता

ट्रांसफॉर्मर आर्किटेक्चर में, ज्यामितीय निरंतरता समान (uniform) नहीं है, बल्कि प्रोजेक्शन-विशिष्ट है, जो नॉन-लिनियरिटी की निकटता और रेसिडुअल स्ट्रीम के सापेक्ष सूचना प्रवाह की दिशा द्वारा निर्धारित होती है:

इनपुट स्पेस में निरंतरता ( $v_1$ ): वे प्रोजेक्शन जो रेसिडुअल स्ट्रीम से पढ़ते (read from) हैं और जिनके बाद एक नॉन-लिनियरिटी होती है, वे इनपुट स्पेस में मजबूत निरंतरता विकसित करते हैं। इनमें Q, K (Softmax द्वारा स्थिर), Gate (MLP एक्टिवेशन द्वारा स्थिर), और Up (एक्टिवेटेड Gate के साथ गेटिंग मल्टीप्लिकेशन द्वारा स्थिर) शामिल हैं।
आउटपुट स्पेस में निरंतरता ( $u_1$ ): वे प्रोजेक्शन जो रेसिडुअल स्ट्रीम में लिखते (write into) हैं और जो नॉन-लिनियरिटी के बाद सिग्नल प्राप्त करते हैं, वे आउटपुट स्पेस में निरंतरता विकसित करते हैं। इनमें O और Down शामिल हैं।
कम निरंतरता: V (Value) प्रोजेक्शन दोनों स्पेस में केवल कम निरंतरता विकसित करता है, क्योंकि इसमें सिमेट्री को तोड़ने और अपने फ्रेम को स्थापित करने के लिए आसन्न नॉन-लिनियरिटी का अभाव है।

4. ग्रेडिएंट-टू-वेट ट्रांसफर की गतिशीलता

अध्ययन एक कारण संबंधी अनुक्रम (causal sequence) प्रकट करता है:

ग्रेडिएंट कोहेरेंस: रेसिडुअल कनेक्शन के कारण (वेट अपडेट से पहले) इनिशियलाइजेशन के तुरंत बाद परतों के बीच एक सुसंगत ग्रेडिएंट वितरण मौजूद होता है।
वेट फॉर्मेशन: जैसे-जैसे प्रशिक्षण आगे बढ़ता है, वेट अपडेट जमा होते हैं। एक बार जब संचित अपडेट का परिमाण ( $\|\Delta W\|$ ) प्रारंभिक वेट्स ( $\|W^{(0)}\|$ ) पर हावी हो जाता है, तो वेट संरचना संचयी ग्रेडिएंट संरचना के साथ संरेखित हो जाती है।
स्थिरीकरण: सिमेट्री-ब्रेकिंग नॉन-लिनियरिटी उस "रोटेशनल ड्रिफ्ट" को रोकती है जो अन्यथा वेट संरचना को सुसंगत ग्रेडिएंट सिग्नल से अलग कर देता।

महत्व और दावे

यह योगदान दावा करता है कि ज्यामितीय निरंतरता रेसिड्यूअल नेटवर्क में सिमेट्री-ब्रेकिंग नॉन-लिनियरिटी के साथ सीखने का एक संरचनात्मक उपोत्पाद है, न कि विशिष्ट ऑप्टिमाइज़र्स या ट्रेनिंग ट्रिक्स का आर्टिफैक्ट।

यांत्रिक स्पष्टीकरण: यह कार्य एक यांत्रिक स्पष्टीकरण प्रदान करता है कि क्यों LLMs में आसन्न परतें समान सिंगुलर वेक्टर संरचनाएं साझा करती हैं, जो वास्तुशिल्प निर्णयों (रेसिड्यूल्स, एक्टिवेशंस) को सीधे उभरती हुई वेट ज्योमेट्री से जोड़ता है।
कंप्रेशन रणनीतियों का सत्यापन: परिणाम मौजूदा मॉडल कंप्रेशन तकनीकों (जैसे लेयर प्रूनिंग, परतों के बीच आंशिक पैरामीटर शेयरिंग) के लिए एक सैद्धांतिक आधार प्रदान करते हैं। यह योगदान तर्क देता है कि चूंकि निरंतरता स्वाभाविक रूप से सीखने की प्रक्रिया से उभरती है, इसलिए अच्छी तरह से प्रशिक्षित मॉडल स्वाभाविक रूप से उन क्रॉस-लेयर समानताओं को रखते हैं जो इन कंप्रेशन रणनीतियों को व्यवहार्य बनाती हैं।
डिज़ाइन के लिए निहितार्थ: प्रोजेक्शन-विशिष्ट पैटर्न यह सुझाव देता है कि कंप्रेशन या पैरामीटर-शेयरिंग रणनीतियों को उस विशिष्ट स्पेस का सम्मान करना चाहिए जिसमें प्रत्येक प्रोजेक्शन संरचित है। उदाहरण के लिए, Q, K, Gate, और Up इनपुट स्पेस में बेस साझा करते हैं, जबकि O और Down आउटपुट स्पेस में बेस साझा करते हैं, जबकि V कोई स्पष्ट क्रॉस-लेयर शेयरिंग का अवसर नहीं देता है।

लेखक अपने दावों के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि जबकि MLP और Gate प्रोजेक्शन (डायरेक्ट एब्लेशन के माध्यम से) के लिए तंत्र स्पष्ट है, ट्रांसफॉर्मर्स में Q/K और V के लिए दावे अप्रत्यक्ष साक्ष्य या नॉन-लिनियरिटी की अनुपस्थिति पर आधारित हैं। वे यह भी स्वीकार करते हैं कि हालांकि पैटर्न विभिन्न स्केल (70 बिलियन पैरामीटर्स तक) पर बने रहते हैं, बड़े स्केल पर रोटेशनल ड्रिफ्ट की विशिष्ट प्रशिक्षण गतिशीलता का अभी तक पूरी तरह से सत्यापन नहीं किया गया है।