🤖 machine learning

Graph-Structured Hyperdimensional Computing for Data-Efficient and Explainable Process-Structure-Property Prediction

यह शोध पत्र PSP-HDC को प्रस्तुत करता है, जो एक ग्राफ-संरचित हाइपरडायमेंशनल कंप्यूटिंग फ्रेमवर्क है जो प्रक्रिया-संरचना-गुण निर्भरताओं को अंतर्निहित, व्याख्यात्मक निरूपणों में कूटबद्ध करके मल्टीफोटॉन फोटोरिडक्शन में डेटा की विरलता और विषमता को संबोधित करता है, जिससे पारंपरिक मॉडलों की तुलना में बेहतर सटीकता और सामान्यीकरण प्राप्त होता है।

मूल लेखक: Jingzhan Ge, Ajeeth Vellore, Ajinkya Palwe, Ahsan Khan, David Gorsich, Matthew P. Castanier, SeungYeon Kang, Farhad Imani

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingzhan Ge, Ajeeth Vellore, Ajinkya Palwe, Ahsan Khan, David Gorsich, Matthew P. Castanier, SeungYeon Kang, Farhad Imani

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

बड़ी समस्या: एक छोटे टूलबॉक्स के साथ घर बनाना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि आपके द्वारा बनाए गए तरीके (प्रक्रिया - Process) और सूक्ष्मदर्शी (माइक्रोस्कोप) के नीचे दिखने वाले उसके स्वरूप (संरचना - Structure) के आधार पर एक 3D-प्रिंटेड घर कितना मजबूत होगा।

उन्नत विनिर्माण (advanced manufacturing) की दुनिया में, यह एक आदर्श केक बनाने की कोशिश करने जैसा है, लेकिन आपके पास केवल कुछ ही रेसिपी हैं, और हर बार जब आप एक केक बनाते हैं, तो सामग्री थोड़ी अलग होती है (कुछ अधिक गीली है, कुछ अधिक गर्म है)। डेटा विरल (sparse) है (बहुत कम है), अव्यवस्थित (messy) है (अलग-अलग स्केल और शोर/noise है), और जटिल (complex) है (ओवन का तापमान बदलने से न केवल केक बदलता है, बल्कि यह भी बदल जाता है कि आटा और चीनी आपस में कैसे क्रिया करते हैं, जिसे आप आसानी से नहीं समझ सकते)।

पारंपरिक कंप्यूटर मॉडल उन छात्रों की तरह हैं जो अपने द्वारा देखी गई हर एक रेसिपी को रटने की कोशिश करते हैं। यदि उन्होंने पहले कभी सामग्रियों का कोई विशिष्ट संयोजन नहीं देखा है, तो वे बेतरतीब ढंग से अनुमान लगाते हैं या ऐसे नियम बना लेते हैं जो वास्तव में काम नहीं करते। वे अक्सर "भ्रामक सहसंबंध" (spurious correlations) पा लेते हैं—जैसे यह सोचना कि क्योंकि आपने मंगलवार को केक बनाया था, इसलिए वह हमेशा फूला हुआ होगा, भले ही सप्ताह के दिन का इससे कोई लेना-देना न हो।

समाधान: PSP-HDC ("स्मार्ट ब्लूप्रिंट" सिस्टम)

लेखकों ने PSP-HDC नामक एक नया सिस्टम बनाया है। कंप्यूटर को नियम अनुमान लगाने देने के बजाय, उन्होंने इसे एक निश्चित ब्लूप्रिंट (ग्राफ) दिया है जो ठीक से दिखाता है कि प्रक्रिया कैसे संरचना की ओर ले जाती है, और संरचना कैसे अंतिम गुण (property) की ओर ले जाती है।

इसे एक जासूस के फ्लोचार्ट की तरह समझें:

ब्लूप्रिंट (द ग्राफ): सिस्टम जानता है कि "लेजर पावर" का प्रभाव "पोर साइज" (छिद्रों के आकार) पर पड़ता है, और "पोर साइज" का प्रभाव "इलेक्ट्रिकल रेजिस्टेंस" पर पड़ता है। यह चरणों को छोड़ नहीं सकता या फर्जी संबंध नहीं बना सकता। यह कंप्यूटर को कारण-और-प्रभाव के तार्किक पथ का पालन करने के लिए मजबूर करता है।
अनुवादक (द एनकोडर): आने वाला डेटा अव्यवस्थित है। एक संख्या तापमान (100 डिग्री) हो सकती है, दूसरी रासायनिक वजन (0.05 ग्राम) हो सकती है। सिस्टम एक विशेष "अनुवादक" का उपयोग करता है जो इन अव्यवस्थित, अलग-अलग आकार की संख्याओं को एक सार्वभौमिक भाषा (उच्च-आयामी वेक्टर्स) में बदल देता है ताकि उनकी निष्पक्ष तुलना की जा सके।
मेमोरी बैंक (एसोसिएटिव मेमोरी): जटिल समीकरण की गणना करने के बजाय, सिस्टम प्रत्येक प्रकार के परिणाम (जैसे, "अच्छा चालक" बनाम "खराब कुचालक") के लिए एक "मेमोरी" बनाता है। जब एक नया सैंपल आता है, तो सिस्टम पूछता है: "क्या यह नया सैंपल 'अच्छी' मेमोरी जैसा दिखता है या 'खराब' मेमोरी जैसा?"

यह कैसे काम करता है: "लेगो" (Lego) सादृश्य

कल्पना कीजिए कि आप लेगो ब्रिक्स से एक जटिल संरचना बना रहे हैं।

पुराना तरीका: आप अपने सभी ब्रिक्स को एक ढेर में डाल देते हैं और ढेर को देखकर अंतिम आकार का अनुमान लगाने की कोशिश करते हैं। यदि ढेर छोटा है, तो आप गलत अनुमान लगा सकते हैं।
PSP-HDC तरीका: आपके पास एक विशिष्ट निर्देश पुस्तिका (ग्राफ) है।
- पहले, आप अपने ब्रिक्स को रंग के आधार पर समूह में रखते हैं (प्रोसेस पैरामीटर्स)।
- फिर, आप एक "स्ट्रक्चर" ब्लॉक बनाने के लिए मैनुअल के अनुसार उन्हें एक साथ जोड़ते हैं।
- अंत में, आप यह देखने के लिए स्ट्रक्चर ब्लॉक को प्रोसेस ब्लॉक के साथ जोड़ते हैं कि अंतिम "प्रॉपर्टी" कैसी दिखेगी।
- क्योंकि आपने मैनुअल का पालन किया है, आप गलती से ऐसा टावर नहीं बना सकते जो गुरुत्वाकर्षण को चुनौती दे। सिस्टम केवल उन्हीं कनेक्शनों की अनुमति देता है जो भौतिक रूप से सही अर्थ रखते हैं।

यह बेहतर क्यों है: "जासूस की नोटबुक"

AI के साथ सबसे बड़ी समस्याओं में से एक यह है कि यह एक "ब्लैक बॉक्स" है—आप उत्तर तो जानते हैं, लेकिन आप यह नहीं जानते कि क्यों।

PSP-HDC अलग है क्योंकि यह एक जासूस की नोटबुक रखता है।

जब यह कोई निर्णय लेता है (जैसे, "यह सैंपल चालक होगा"), तो यह अपने मेमोरी को देख सकता है और कह सकता है: "मैंने यह निर्णय इसलिए लिया क्योंकि लेजर पावर अधिक थी, जिससे छोटे छिद्र (Small Pores) बने, जिसके कारण कम प्रतिरोध (Low Resistance) हुआ।"
यह इसे और भी विस्तार से तोड़ सकता है: "छिद्रों के समूह के भीतर, विशेष रूप से छिद्रों की संख्या महत्वपूर्ण थी, न कि उनका आकार।"
इसे व्याख्यात्मकता (Explainability) कहा जाता है। यह केवल उत्तर नहीं देता; यह सबूतों का मार्ग भी देता है, बिल्कुल ब्लूप्रिंट का पालन करते हुए।

परिणाम: कम डेटा के साथ जीत

शोधकर्ताओं ने लेजर के साथ 3D प्रिंटिंग से जुड़े एक वास्तविक दुनिया के प्रयोग पर इसका परीक्षण किया। उनके पास बहुत छोटा डेटासेट (केवल लगभग 60 सैंपल) था।

प्रतिस्पर्धा: उन्होंने अपने सिस्टम की तुलना मानक AI मॉडल (जैसे रैंडम फॉरेस्ट, न्यूरल नेटवर्क, आदि) के साथ की।
परिणाम: मानक मॉडल संघर्ष करते रहे। वे ओवरफिट (शोर को रट लेना) हो गए और नए, अनदेखे स्थितियों पर विफल रहे।
विजेता: PSP-HDC ने रैंडम टेस्ट पर 91% सटीकता और पूरी तरह से नई विनिर्माण सेटिंग्स (एक "प्रोसेस फोल्ड" टेस्ट) पर परीक्षण किए जाने पर भी 89.6% सटीकता प्राप्त की।
निष्कर्ष: AI को तार्किक "कारण-और-प्रभाव" ग्राफ का पालन करने के लिए मजबूर करके, इसने केवल पैटर्न को रटने के बजाय प्रक्रिया के वास्तविक भौतिक विज्ञान को सीखा। यह कम डेटा के साथ बेहतर काम कर पाया क्योंकि इसे यह अनुमान लगाने की आवश्यकता नहीं थी कि टुकड़े कैसे फिट होते हैं; ब्लूप्रिंट ने इसे बता दिया था।

अभ्यासकर्ता (Practitioner) के लिए सारांश

यदि आप एक फैक्ट्री मैनेजर या इंजीनियर हैं:

जब आपके पास बहुत कम डेटा हो, तो ब्लैक-बॉक्स AI पर भरोसा न करें।
एक ऐसा सिस्टम उपयोग करें जो आपकी प्रक्रिया के ज्ञात भौतिक विज्ञान (Process $\to$ Structure $\to$ Property) का सम्मान करता हो।
PSP-HDC एक हल्का निर्णय समर्थन उपकरण (decision support tool) के रूप में कार्य करता है। आप इसे अपनी प्रक्रिया सेटिंग्स बताते हैं, और यह परिणाम की भविष्यवाणी करता है जबकि यह भी दिखाता है कि किस सेटिंग ने उस भविष्यवाणी को प्रेरित किया, जिससे आपको अगला प्रयोग करने का निर्णय लेने में मदद मिलती है।

नोट: पेपर स्पष्ट रूप से कहता है कि यह एक निर्णय-सहायता उपकरण है, भौतिक सत्यापन (physical validation) का विकल्प नहीं। यह इस बात पर निर्भर करता है कि आप अपनी प्रक्रिया कैसे काम करती है, इसका एक सही "ग्राफ" (ब्लूप्रिंट) प्रदान करें।

तकनीकी सारांश: डेटा-कुशल और व्याख्या योग्य PSP भविष्यवाणी के लिए ग्राफ-संरचित हाइपरडायमेंशनल कंप्यूटिंग

समस्या विवरण
यह शोध पत्र उन्नत विनिर्माण (advanced manufacturing) के संदर्भ में, विशेष रूप से 3D सूक्ष्म संरचनाओं (microstructures) के लिए मल्टीफोटॉन फोटोरेडक्शन के भीतर, प्रोसेस-स्ट्रक्चर-प्रॉपर्टी (PSP) भविष्यवाणी की चुनौती को संबोधित करता है। मुख्य कठिनाई "कम-डेटा, विषम-सांख्यिकी" (small-data, heterogeneous-statistics) वाले परिदृश्य से उत्पन्न होती है:

डेटा की कमी और लागत: पूर्णतः चरित्रित (characterized) PSP डेटा बिंदु उत्पन्न करना महंगा है, जिसके लिए नियंत्रित फैब्रिकेशन, माइक्रोस्कोपी, सेगमेंटेशन और प्रॉपर्टी टेस्टिंग की आवश्यकता होती है। फलस्वरूप, डेटासेट अक्सर दर्जनों नमूनों तक ही सीमित होते हैं।
इंटरेक्शन का प्रभुत्व: प्रोसेस पैरामीटर्स से प्रॉपर्टीज तक का मैपिंग उच्च-आयामी (high-dimensional) और इंटरेक्शन-प्रधान होता है। प्रसंस्करण स्थितियों में छोटे बदलाव, मजबूती से जुड़े मार्गों के माध्यम से सूक्ष्म संरचना और विद्युत प्रदर्शन को नाटकीय रूप से बदल सकते हैं।
मौजूदा विधियों की सीमाएं:
- मैकेनिस्टिक पाइपलाइन्स (Mechanistic Pipelines): ये कैलिब्रेटेड सब-मॉडल्स (जैसे थर्मल या काइनेटिक मॉडल) पर निर्भर करती हैं जो अक्सर प्रारंभिक विकास के दौरान उपलब्ध नहीं होते हैं और श्रृंखला में जुड़े होने पर त्रुटियों के संचय (error compounding) के प्रति संवेदनशील होते हैं।
- डेटा-संचालित मॉडल (ब्लैक-बॉक्स): पारंपरिक फीचर-वेक्टर मॉडल (जैसे SVM, रैंडम फॉरेस्ट, डीप लर्निंग) इस परिदृश्य में सांख्यिकीय रूप से अपूर्ण (underdetermined) होते हैं। वे हस्तांतरणीय कारणत्मक निर्भरताओं (transferable causal dependencies) के बजाय स्प्यूरियस (spurious), विशिष्ट-रेजीम सहसंबंधों को सीखने की प्रवृत्ति रखते हैं, जिससे अनदेखी प्रक्रिया स्थितियों के लिए खराब सामान्यीकरण और अस्थिर पोस्ट-हॉक स्पष्टीकरण होता है।
- ग्राफ न्यूरल नेटवर्क (GNNs): हालांकि GNNs रिलेशनल स्ट्रक्चर को एनकोड करते हैं, लेकिन दर्जनों नमूनों से एज वेट्स या अटेंशन पैटर्न सीखना सांख्यिकीय रूप से अपूर्ण होता है, जिससे अक्सर भंगुर (brittle) और विशिष्ट-रेजीम कपलिंग उत्पन्न होती है।

कार्यप्रणाली: PSP-HDC
लेखक PSP-HDC प्रस्तावित करते हैं, जो एक ग्राफ-स्ट्रक्चर्ड हाइपरडायमेंशनल कंप्यूटिंग (HDC) फ्रेमवर्क है जिसे इन बाधाओं के तहत काम करने के लिए डिज़ाइन किया गया है। कार्यप्रणाली निर्देशित PSP ग्राफ (Process $\to$ Structure $\to$ Property) को केवल एक एनोटेशन के रूप में नहीं, बल्कि एक निश्चित आंतरिक संरचनात्मक पूर्ववृत्त (structural prior) के रूप में मानती है जो प्रतिनिधित्व और निष्कर्ष (inference) को निर्देशित करती है।

ग्राफ-स्ट्रक्चर्ड प्रतिनिधित्व:
- PSP डोमेन को एक निर्देशित ग्राफ के रूप में परिभाषित किया गया है जहाँ नोड्स स्केलर पैरामीटर्स (प्रोसेस या स्ट्रक्चर) का प्रतिनिधित्व करते हैं और एडजेस (edges) अनुमत निर्भरताओं का प्रतिनिधित्व करते हैं।
- कंपोजिशन: फ्रेमवर्क कंपोजिशन के लिए HDC ऑपरेटर्स—बाइंडिंग (हैडामार्ड प्रोडक्ट) और बंडलिंग (वेक्टर एडिशन)—का उपयोग करता है।
- ग्राफ अलाइनमेंट: निर्देशित निर्भरताओं को ग्राफ एडजेस के साथ हाइपरवेक्टर्स को बाइंड करके एनकोड किया जाता है। यह सुनिश्चित करता है कि इंटरेक्शन टर्म्स केवल वहीं मौजूद हों जहाँ ग्राफ अनुमति देता है, जो प्रोसेस-टू-स्ट्रक्चर-टू-प्रॉपर्टी के क्रम को लागू करता है और शॉर्टकट कपलिंग को रोकता है।
ट्रेन करने योग्य स्केलर-टू-हाइपरवेक्टर एनकोडर:
- एक प्रमुख नवाचार एक ट्रेन करने योग्य एनकोडर है जो विषम प्रयोगात्मक स्केलर्स (विभिन्न स्केल और शोर के साथ) को हाइपरवेक्टर्स में मैप करता है।
- मानक HDC के विपरीत, जो सभी चरों के लिए फिक्स्ड रैंडम प्रोजेक्शन का उपयोग करता है, PSP-HDC एक फिक्स्ड हाई-डायमेंशनल रैंडम बेसिस ( $B$ ) पर पैरामीटर-विशिष्ट एम्बेडिंग्स ( $e_j$ ) सीखता है।
- यह मॉडल को ग्राफ कंपोजिशन से पहले प्रत्येक माप पाइपलाइन की विशिष्ट सांख्यिकी के अनुकूल होने की अनुमति देता है, जिससे HDC की शोर-सहिष्णुता (noise tolerance) को बनाए रखते हुए प्रयोगात्मक विषमता को अनुकूलित किया जा सके।
एसोसिएटिव मेमोरी के माध्यम से निष्कर्ष (Inference):
- क्लास प्रोटोटाइप को प्रत्येक क्लास के हाइपरवेक्टर्स को बंडल करके बनाया जाता है।
- भविष्यवाणी क्वेरी सैंपल के हाइपरवेक्टर के साथ उच्चतम कोसाइन सिमिलरिटी (cosine similarity) वाले क्लास प्रोटोटाइप को प्राप्त करके की जाती है।
- यह समानता मार्जिन (similarity margins) के आधार पर एक स्पष्ट निर्णय नियम प्रदान करता है।
अंतर्निहित व्याख्यात्मकता (Intrinsic Explainability):
- स्पष्टीकरण सीधे उन्हीं प्रोटोटाइप मेमोरीज से प्राप्त किए जाते हैं जिनका उपयोग भविष्यवाणी के लिए किया जाता है, जिससे पोस्ट-हॉक पुनर्निर्माण से बचा जा जाता है।
- बहु-स्तरीय एट्रिब्यूशन: मॉडल निर्णय साक्ष्य को निम्नानुसार विघटित करता है:
  - पैरामीटर-स्तर: व्यक्तिगत स्केलर्स का योगदान।
  - ग्रुप-स्तर: भौतिकी-प्रेरित समूहों (जैसे तत्व संरचना, पोर मॉर्फोलॉजी) का योगदान।
  - विथ-इन-ग्रुप: एक विशिष्ट समूह के भीतर पैरामीटर्स का सापेक्ष योगदान।
- मेमोरी अलाइनमेंट एंड सेपरेशन (MAS): सीखने की गतिशीलता को मापने के लिए एक नया मेट्रिक पेश किया गया है। यह मापता है कि घटक मेमोरीज अपने सही क्लास प्रोटोटाइप के साथ कितनी अच्छी तरह संरेखित (align) होती हैं और प्रतिस्पर्धी प्रोटोटाइप से कितनी अलग (separate) होती हैं।

प्रमुख योगदान

आंतरिक संरचनात्मक पूर्ववृत्त (Internal Structural Prior): एक डोमेन-परिभाषित निर्देशित PSP ग्राफ का परिचय, जो एक बाहरी एनोटेशन के बजाय एक कम्प्यूटेशनल बाधा के रूप में कार्य करता है, जो कैज़लिटी को कम-डेटा लर्निंग के लिए एक स्ट्रक्चरल प्रायर में बदल देता है।
PSP-HDC फ्रेमवर्क: एक ग्राफ-स्ट्रक्चर्ड HDC मॉडल जो ग्राफ-अलाइन्ड बाइंडिंग/बंडलिंग के माध्यम से PSP टोपोलॉजी को लागू करता है और प्रोटोटाइप रिट्रीवल के माध्यम से भविष्यवाणी करता है।
अनुकूली एनकोडर (Adaptive Encoder): एक ट्रेन करने योग्य स्केलर-टू-हाइपरवेक्टर एनकोडर जो पैरामीटर-विशिष्ट एम्बेडिंग्स के माध्यम से विषम, शोर युक्त प्रयोगात्मक डेटा को HDC फ्रेमवर्क के साथ इंटरफेस करता है।
ग्राफ-अलाइन्ड व्याख्यात्मकता: पैरामीटर, ग्रुप और विथ-इन-ग्रुप स्तरों पर अंतर्निहित एट्रिब्यूशन तंत्र जो प्रोसेस प्लानिंग के लिए उपयुक्त कपल्ड-इफेक्ट साक्ष्य प्रदान करता है।
लर्निंग डायग्नोस्टिक्स: प्रोटोटाइप फॉर्मेशन को मापने और मेमोरी ज्योमेट्री को रिट्रीवल मार्जिन से जोड़ने के लिए मेमोरी अलाइनमेंट एंड सेपरेशन (MAS) का प्रस्ताव।

प्रायोगिक परिणाम
विधि का मूल्यांकन 3D OHMIC प्लेटफॉर्म (AgNO $_3$ का मल्टीफोटॉन फोटोरेडक्शन) का उपयोग करके निर्मित 60 नमूनों के डेटासेट पर किया गया। कार्य शीट रेजिस्टेंस (लो बनाम हाई) का बाइनरी क्लासिफिकेशन था।

रैंडम स्प्लिट प्रदर्शन: PSP-HDC ने 1000 रैंडम 80/20 स्प्लिट्स पर 0.910 ± 0.077 का औसत सटीकता प्राप्त किया, जिसने मजबूत बेसलाइन्स (SVM, लॉजिस्टिक रिग्रेशन, रैंडम फॉरेस्ट, CNN, GPC) को पीछे छोड़ दिया जो 0.875–0.885 के आसपास क्लस्टर थे।
प्रोसेस-फोल्ड जनरलाइजेशन: रेजीम होल्डआउट्स के तहत (कुछ प्रोसेस कंडीशंस पर ट्रेनिंग, और पूरी तरह से अनदेखी कंडीशंस पर टेस्टिंग), PSP-HDC ने 0.896 औसत सटीकता प्राप्त की। यह वितरण बदलावों (जैसे अलग AgNO $_3$ कंसंट्रेशन या लेजर पावर) के बावजूद स्थिर रहा, जबकि कई बेसलाइन्स महत्वपूर्ण रूप से गिर गए (जैसे विशिष्ट होल्डआउट्स में ~0.5–0.6 तक गिरना)।
लर्निंग डायडायनामिक्स: विश्लेषण से पता चला कि ट्रेनिंग न केवल प्रोटोटाइप को हिलाकर, बल्कि नमूनों की सही प्रोटोटाइप की ओर एनकोडिंग में सुधार करके क्लास सेपरेशन को तेज करती है। MAS मेट्रिक्स ने पुष्टि की कि पैरामीटर और ग्रुप दोनों स्तरों पर अलाइनमेंट और सेपरेशन में वृद्धि हुई है।
व्याख्यात्मकता: एट्रिब्यूशन ने खुलासा किया कि लो-रेजिस्टेंस परिणाम रासायनिक संरचना और मॉर्फोलॉजी के संयुक्त प्रभाव से संचालित होते हैं, जबकि हाई-रे रेजिस्टेंस परिणाम पोर-जियोमेट्री डिस्पर्शन और प्रोसेस कंडीशंस द्वारा संचालित होते हैं, जो कपल्ड फिजिक्स को दर्शाता है।

महत्व और दावे
पेपर का दावा है कि PSP-HDC उन डेटा-दुर्लभ विनिर्माण समस्याओं के लिए एक मजबूत समाधान प्रदान करता है जहाँ इंटरेक्शन टोपोलॉजी ज्ञात है लेकिन डेटा शून्य से सीखने के लिए अपर्याप्त है। फ्लैट फीचर वेक्टर्स से कंस्ट्रेंड रिलेशनल कंपोजिशन की ओर शिफ्ट होकर, यह विधि स्प्यूरियस सहसंबंधों को ओवरफिट करने से बचती है और पोस्ट-हॉक नैरेटिव के बजाय डिपेंडेंसी-अवेयर एविडेंस प्रदान करती है।

लेखक इस बात पर जोर देते हैं कि PSP-HDC एक लाइटवेट डिसीजन-सपोर्ट मॉडल है, न कि मैकेनिस्टिक वैलिडेशन का विकल्प। इसकी विश्वसनीयता एक अच्छी तरह से निर्मित PSP ग्राफ और भौतिक रूप से सार्थक डिस्क्रिप्टर्स पर निर्भर करती है। यह दृष्टिकोण विशेष रूप से प्रारंभिक चरण के प्रोसेस डेवलपमेंट, एक्सपेरिमेंट प्रायोरिटाइजेशन और ऑटोमेशन समस्याओं के लिए मूल्यवान है जहाँ डेटा दुर्लभ है लेकिन डिपेंडेंसी स्ट्रक्चर ज्ञात है। यह कार्य प्रदर्शित करता है कि ग्राफ-स्ट्रक्चर्ड HDC, मजबूत कपलिंग और सीमित नमूनों वाले परिदृश्यों में पारंपरिक मैकेनिस्टिक चेन और मानक डेटा-संचालित मॉडलों से बेहतर प्रदर्शन करते हुए, हस्तांतरणीय PSP कपलिंग को रिकवर कर सकता है।