🧬 biology

How Much is Brain Data Worth for Machine Learning?

यह शोध पत्र मशीन लर्निंग मॉडलों को बेहतर बनाने में मस्तिष्क डेटा के मूल्य को परिमाणित करने के लिए स्केलिंग लॉ (scaling laws) और विनिमय दरों (exchange rates) को गणितीय रूप से स्थापित करता है, जो कार्य-मस्तिष्क संरेखण (task-brain alignment), शोर (noise) और नमूना आकार (sample sizes) के संबंध में विशिष्ट स्थितियों की पहचान करता है जहाँ प्रदर्शन और मजबूती के लिए तंत्रिका रिकॉर्डिंग (neural recordings) एकत्र करना फायदेमंद होता है।

मूल लेखक: Lane Lewis, Zhixin Wang, David Schwab, Xaq Pitkow

प्रकाशित 2026-05-12✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lane Lewis, Zhixin Wang, David Schwab, Xaq Pitkow

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को बिल्ली पहचानना सिखाने की कोशिश कर रहे हैं। आपके पास इसे करने के दो तरीके हैं:

मानक तरीका (The Standard Way): आप रोबोट को हजारों बिल्लियों की तस्वीरें दिखाते हैं और उसे बताते हैं, "यह एक बिल्ली है।"
ब्रेन-बूस्टेड तरीका (The Brain-Boosted Way): आप रोबोट को वही तस्वीरें दिखाते हैं, लेकिन जब वह उन्हें देख रहा होता है, तो आप एक इंसान के मस्तिष्क की गतिविधि (brain activity) को भी मापते हैं जो उन तस्वीरों को देख रहा है। फिर आप उस मस्तिष्क डेटा का उपयोग रोबोट को सीखने में मदद करने के लिए करते हैं।

यह शोध पत्र एक बहुत ही व्यावहारिक प्रश्न पूछता है: क्या मानव मस्तिष्क को मापना वास्तव में उस अतिरिक्त लागत और प्रयास के लायक है? क्या इससे रोबोट तेजी से या बेहतर सीखता है, या यह केवल एक दिखावटी भटकाव है?

लेखक, जो कार्नेगी मेलन यूनिवर्सिटी के शोधकर्ता हैं, उन्होंने केवल प्रयोग नहीं किए; उन्होंने यह पता लगाने के लिए कि मस्तिष्क डेटा वास्तव में कब और कितना मदद करता है, एक गणितीय "खिलौना दुनिया" (toy world) बनाई। यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है।

1. "मस्तिष्क एक शॉर्टकट के रूप में" की उपमा

कार्य (बिल्ली पहचानना) को एक जटिल भूलभुलैया (maze) के रूप में सोचें।

टास्क डेटा (Labels): ये खुद भूलभुलैया में चलकर, परीक्षण और त्रुटि (trial and error) के माध्यम से निकास खोजने जैसा है। इसमें बहुत समय और कदम (डेटा) लगते हैं।
मस्तिष्क डेटा (Brain Data): यह किसी ऐसे व्यक्ति द्वारा बनाए गए मानचित्र (map) की तरह है जिसने पहले ही भूलभुलैया को हल कर लिया है। मानचित्र एकदम सटीक नहीं है (यह धुंधला या अधूरा हो सकता है), लेकिन यह सामान्य दिशा दिखाता है।

शोध पत्र बताता है कि यदि "मानचित्र" (मस्तिष्क डेटा) भूलभुलैया (कार्य) के साथ संरेखित (aligned) है, तो यह एक शक्तिशाली शॉर्टकट के रूप में कार्य करता है। यह रोबोट को उन कई परीक्षण और त्रुटि वाले चरणों को छोड़ने की अनुमति देता है जिन्हें उसे अन्यथा लेने की आवश्यकता होती।

2. "विनिमय दर" (यह कितना मूल्यवान है?)

लेखकों ने एक अवधारणा बनाई जिसे उन्होंने विनिमय दर (Exchange Rate) कहा। उन्होंने पूछा: यदि मैं 100 मस्तिष्क नमूने (samples) उपयोग करता हूँ, तो यह मुझे कितने अतिरिक्त "बिल्ली के चित्रों" (टास्क लेबल्स) से बचाता है?

अच्छी खबर: सही परिस्थितियों में, मस्तिष्क डेटा बहुत मूल्यवान होता है। यह बड़ी संख्या में टास्क लेबल्स का विकल्प बन सकता है। यदि आपके पास लेबल किया गया डेटा कम है (शायद छवियों को लेबल करना महंगा या कठिन है), तो मस्तिष्क डेटा एक बेहतरीन विकल्प हो सकता है।
सावधानी: इसका मूल्य अनंत नहीं है।
- संरेखण (Alignment) मायने रखता है: यदि मानव मस्तिष्क चित्र को उस तरह से देख रहा है जो रोबोट के सीखने के उद्देश्य से पूरी तरह अलग है (उदाहरण के लिए, मानव पृष्ठभूमि पर ध्यान केंद्रित कर रहा है जबकि रोबोट को बिल्ली के कानों पर ध्यान केंद्रित करने की आवश्यकता है), तो मस्तिष्क डेटा बेकार या भ्रमित करने वाला होता है।
- घटता प्रतिफल (Diminishing Returns): पहले कुछ मस्तिष्क नमूने बहुत मूल्यवान होते हैं। लेकिन एक निश्चित बिंदु के बाद, अधिक मस्तिष्क डेटा जोड़ने से बहुत अधिक मदद नहीं मिलती है। यह एक ही बात है कि एक मानचित्र होना बहुत अच्छा है; लेकिन उसी धुंधले क्षेत्र के 1,000 थोड़े अलग-अलग मानचित्र होने से आपको नेविगेट करने में अधिक मदद नहीं मिलती।

3. आपको मस्तिष्क डेटा कब एकत्र करना चाहिए?

यह शोध पत्र यह तय करने के लिए एक "बजट नियम" प्रदान करता है कि क्या मस्तिष्क डेटा एकत्र करना चाहिए। कल्पना कीजिए कि आपके पास समस्या को हल करने के लिए धन की एक निश्चित राशि है। आप इसे खर्च कर सकते हैं:

विकल्प A: अधिक टास्क लेबल्स (अधिक चित्र) खरीदने पर।
विकल्प B: ब्रेन स्कैन्स (महंगा, लेकिन सूचनात्मक) खरीदने पर।

गणित कहता है कि आपको विकल्प B तभी चुनना चाहिए यदि:

कार्य वास्तव में कठिन है: यदि केवल चित्रों से कार्य सीखना अत्यंत कठिन है, तो मस्तिष्क का मानचित्र अधिक मूल्यवान होता है।
मस्तिष्क "संरेखित" है: मस्तिष्क की गतिविधि में वास्तव में वह जानकारी होनी चाहिए जो कार्य के लिए आवश्यक है।
लागत अनुपात सही है: मस्तिष्क डेटा आमतौर पर बहुत महंगा होता है (जैसे fMRI मशीन)। शोध पत्र सुझाव देता है कि जब तक मस्तिष्क डेटा, टास्क डेटा की तुलना में काफी बेहतर नहीं है, तब तक अधिक टास्क लेबल्स खरीदना अक्सर सस्ता होता है।

सही संतुलन (The Sweet Spot): मस्तिष्क डेटा तब सबसे अधिक मूल्यवान होता है जब आपके पास कम से मध्यम मात्रा में टास्क डेटा होता है। यदि आपके पास पहले से ही लाखों चित्र हैं, तो मस्तिष्क डेटा बहुत कम मूल्य जोड़ता है। यदि आपके पास शून्य चित्र हैं, तो मस्तिष्क डेटा भी आपकी अधिक मदद नहीं कर सकता क्योंकि रोबोट को शुरू करने के लिए कुछ टास्क उदाहरणों की आवश्यकता होती है।

4. मजबूती (Robustness): "तनाव परीक्षण"

शोध पत्र ने इस बात पर भी गौर किया कि क्या होता है जब रोबोट किसी ऐसी चीज़ का सामना करता है जो उसने पहले नहीं देखी है (एक "डिस्ट्रीब्यूशन शिफ्ट")।

उपमा: कल्पना कीजिए कि रोबोट ने एक धूप वाले पार्क में बिल्लियों को पहचानना सीखा। अब आप उसे एक अंधेरे जंगल में रखते हैं।
निष्कर्ष: मस्तिष्क डेटा रोबोट को अधिक मजबूत (sturdier) बना सकता है। क्योंकि मस्तिष्क डेटा रोबोट को अप्रासंगिक विवरणों (जैसे विशिष्ट प्रकाश व्यवस्था) को अनदेखा करने और मुख्य संरचना (बिल्ली के आकार) पर ध्यान केंद्रित करने के लिए सिखाता है, इसलिए वातावरण बदलने पर रोबोट आसानी से भ्रमित नहीं होता है।

5. निचोड़ (The Bottom Line)

शोध पत्र निष्कर्ष निकालता है कि मस्तिष्क डेटा कोई जादुई समाधान (magic bullet) नहीं है, लेकिन यह विशिष्ट स्थितियों में एक शक्तिशाली उपकरण है।

यह सबसे अच्छा काम करता है जब आपके पास लेबल किए गए डेटा की बड़ी मात्रा नहीं होती है, मस्तिष्क की गतिविधि कार्य से निकटता से संबंधित होती है, और कार्य कठिन होता है।
यह सबसे खराब काम करता है जब मस्तिष्क डेटा शोर (noisy) वाला होता है, कार्य के साथ संरेखित नहीं होता है, या जब आपके पास पहले से ही भारी मात्रा में टास्क डेटा होता है।

संक्षेप में: यदि आप एक मशीन लर्निंग मॉडल बना रहे हैं और आप पर्याप्त डेटा प्राप्त करने के लिए संघर्ष कर रहे हैं, तो मानव मस्तिष्क को देखना आपको एक मददगार संकेत दे सकता है। लेकिन यदि आप पहले से ही डेटा के समुद्र में तैर रहे हैं, तो ब्रेन स्कैन शायद केवल एक महंगा भटकाव है।

तकनीकी सारांश: मशीन लर्निंग के लिए मस्तिष्क डेटा (Brain Data) का मूल्य कितना है?

समस्या विवरण

आधुनिक मशीन लर्निंग (ML) सिस्टम स्केलिंग लॉज़ (scaling laws) पर निर्भर करते हैं जहाँ प्रदर्शन डेटा के आकार, मॉडल क्षमता और कंप्यूट के साथ अनुमानित रूप से सुधरता है। न्यूरो-एआई (NeuroAI) में एक केंद्रीय प्रश्न यह है कि क्या जैविक प्रणालियों से प्राप्त न्यूरल रिकॉर्डिंग, सैंपल दक्षता (sample efficiency) और मजबूती (robustness) को सुधारने के लिए एक अतिरिक्त, मूल्यवान प्रशिक्षण संसाधन के रूप में कार्य कर सकती है। हालांकि अनुभवजन्य अध्ययनों (empirical studies) ने "ब्रेन डिस्टिलेशन" (मस्तिष्क डेटा का उपयोग करके ML मॉडल को नियमित करने या मार्गदर्शन करने) से मामूली लाभ दिखाया है, लेकिन यह अभी भी स्पष्ट नहीं है कि किन परिस्थितियों में मस्तिष्क डेटा लाभ प्रदान करता है, उस लाभ का परिमाण क्या है, और मस्तिष्क डेटा संग्रह की उच्च लागत कब उचित है। विशेष रूप से, 'टास्क-ब्रेन एलाइनमेंट' (task-brain alignment), शोर के स्तर (noise levels) और लेटेंट डाइमेंशनलिटी (latent dimensionality) जैसे कारकों के बीच विनिमय दर (exchange rate) के संबंध में सैद्धांतिक समझ की कमी है।

कार्यप्रणाली (Methodology)

लेखक इस समस्या को गणितीय रूप से एक लीनियर-गौसियन जेनेरेटिव मॉडल (linear-Gaussian generative model) का उपयोग करके तैयार करते हैं ताकि मुख्य सांख्यिकीय कारकों को अलग किया जा सके और विश्लेषणात्मक सुगमता बनी रहे। मॉडल के चार घटक हैं:

इनपुट ( $x$ ): उच्च-आयामी पर्यावरणीय इनपुट।
लेटेंट न्यूरल फीचर्स ( $\ell$ ): मस्तिष्क में कम-आयामी प्रतिनिधित्व, जो आंशिक रूप से कार्य (task) के साथ संरेखित (aligned) हैं।
न्यूरल रिकॉर्डिंग्स ( $r$ ): लेटेंट फीचर्स के शोर युक्त, आंशिक अवलोकन।
टास्क टारगेट्स ( $y$ ): ML कार्य के लिए वास्तविक लेबल (ground-truth labels)।

मॉडल स्पष्ट रूप से निम्नलिखित को ध्यान में रखता है:

मिसअलाइनमेंट ( $m$ ): वह डिग्री जिस तक कार्य-प्रासंगिक विशेषताएं (task-relevant features) उन सबस्पेस से बाहर हैं जो न्यूरल रिकॉर्डिंग द्वारा कैप्चर की जाती हैं।
शोर (Noise): लेटेंट न्यूरल स्टेट ( $\eta_\ell$ ) में परिवर्तनशीलता और रिकॉर्डिंग प्रक्रिया ( $\eta_r$ ) में शोर।
डाइमेंशन्स (Dimensions): इनपुट डाइमेंशन ( $d_x$ ), लेटेंट डाइमेंशन ( $d_\ell$ ), और रिकॉर्डिंग डाइमेंशन ( $d_r$ )।

लेखक एक दो-चरणीय एस्टिमेटर (two-stage estimator) का विश्लेषण करते हैं जिसे ब्रेन एनकोडिंग फाउंडेशन स्टूडेंट (BEFS) कहा जाता है:

ब्रेन एनकोडिंग चरण: लेटेंट फीचर सबस्पेस का अनुमान लगाने के लिए $n_B$ ब्रेन सैंपल (इनपुट-रिकॉर्डिंग पेयर्स) से एक एनकोडिंग मॉडल सीखा जाता है।
टास्क चरण: एक टास्क प्रेडिक्टर को $n_T$ टास्क सैंपल (इनपुट-लेबल पेयर्स) पर एक जनरलाइज्ड रिज रिग्रेशन (generalized ridge regression) ऑब्जेक्टिव का उपयोग करके प्रशिक्षित किया जाता है। यह ऑब्जेक्टिव उन टास्क पैरामीटर्स को दंडित (penalize) करता है जो मस्तिष्क डेटा से सीखे गए सबस्पेस के बाहर स्थित होते हैं, जिससे प्रभावी रूप से न्यूरल प्रायर्स (neural priors) का उपयोग करके टास्क मॉडल को नियमित किया जाता है।

प्रदर्शन का मूल्यांकन एक गौसियन टेस्ट डिस्ट्रीब्यूशन के तहत मीन स्क्वेर्ड एरर (MSE) के माध्यम से किया जाता है। लेखक $n_B$ और $n_T$ के फलन के रूप में टेस्ट एरर के लिए स्केलिंग लॉज़ (scaling laws) व्युत्पन्न करते हैं और एक विनिमय दर ( $\rho$ ) को परिभाषित करते हैं: वह अतिरिक्त टास्क सैंपल जो एक 'टास्क-ओनली' मॉडल को मस्तिष्क और टास्क दोनों से प्रशिक्षित मॉडल के प्रदर्शन के बराबर पहुँचने के लिए आवश्यक होंगे।

मुख्य योगदान और परिणाम

1. स्केलिंग लॉज़ और विनिमय दरें (Scaling Laws and Exchange Rates)

पेपर BEFS एस्टिमेटर के टेस्ट एरर के लिए स्पष्ट स्केलिंग लॉज़ व्युत्पन्न करता है। एरर इस प्रकार स्केल होता है:
$\epsilon(n_B, n_T) = \epsilon(0, n_T) - \frac{c(\sigma_y, n_B, d_x, d_\ell, m, \delta)}{n_T^2} + o(n_T^{-2})$
जहाँ $\epsilon(0, n_T)$ एक टास्क-ओनली मॉडल का एरर है। यह सेकंड-ऑर्डर करेक्शन टर्म मस्तिष्क डेटा के लाभ को मात्रात्मक रूप से दर्शाता है।

इससे, लेखक एसिम्प्टोटिक एक्सचेंज रेट ( $\rho$ ) और प्रभावी टास्क डेटा वैल्यू ( $v_T = \rho \cdot n_B$ ) निकालते हैं:
$\rho \approx \left( \frac{d_x - d_\ell}{d_x} \right) \frac{\sigma_y^2}{n_B [m^2/(d_x - d_\ell)] + \delta}$
विनिमय दर के संबंध में मुख्य निष्कर्ष:

घटता हुआ प्रतिफल (Diminishing Returns): जैसे-जैसे मस्तिष्क नमूनों की संख्या ( $n_B$ ) बढ़ती है, विनिमय दर घटती जाती है, जिसका अर्थ है कि मस्तिष्क डेटा कम-से-मध्यम मात्रा में सबसे अधिक सीमांत लाभ (marginal benefits) प्रदान करता है।
मिसअलाइनमेंट संवेदनशीलता (Misalignment Sensitivity): मस्तिष्क डेटा का मूल्य मिसअलाइनमेंट $m$ पर महत्वपूर्ण रूप से निर्भर करता है। जैसे-जैसे मिसअलाइनमेंट बढ़ता है, विनिमх दर तेजी से घटती है।
सापेक्ष कठिनाई (Relative Difficulty): मस्तिष्क डेटा तब सबसे अधिक मूल्यवान होता है जब कार्य सीखना (task learning) ब्रेन एनकोडिंग की तुलना में काफी कठिन हो (अर्थात, प्रभावी शोर $\delta$ के सापेक्ष उच्च टास्क शोर $\sigma_y^2$ )।
डाइमेंशनलिटी (Dimensionality): इनपुट डाइमेंशन ( $d_x$ ) के सापेक्ष कम लेटेंट ब्रेन डाइमेंशन्स ( $d_\ell$ ) बेहतर विनिमय दर की ओर ले जाते हैं।

2. वितरण बदलाव के तहत मूल्य (Value Under Distribution Shift)

लेखक विश्लेषण करते हैं कि टेस्ट डिस्ट्रीब्यूशन शिफ्ट के तहत मस्तिष्क डेटा कैसे प्रदर्शन करता है। वे इनपुट स्पेस को ब्रेन-सेंसिटिव (जहाँ रिकॉर्डिंग्स प्रतिक्रिया देती हैं) और ब्रेन-इनसेंसिटिव (जहाँ वे प्रतिक्रिया नहीं देती हैं) सबस्पेस में विभाजित करते हैं।

ब्रेन-सेंसिटिव सबस्पेस: अनंत डेटा की सीमा में, ब्रेन-सेंसिटिव सबस्पेस के भीतर भविष्यवाणी करने के लिए मस्तिष्क डेटा कोई लाभ प्रदान नहीं करता है।
ब्रेन-इनसेंसिटिव सबस्पेस: ब्रेन-इनसेंसिटिव सबस्पेस में मस्तिष्क डेटा का मूल्य उच्चतम होता है। मस्तिष्क डेटा उन दिशाओं के प्रति इनवेरियंस (invariances) उत्पन्न करके मदद करता है जिन्हें मस्तिष्क अनदेखा कर देता है, जो विशेष रूप से उपयोगी है जब टेस्ट डिस्ट्रीब्यूशन मास को इन अनदेखी दिशाओं की ओर स्थानांतरित कर देता है।
एडवर्सरियल शिफ्ट्स (Adversarial Shifts): यदि टेस्ट डिस्ट्रीब्यूशन मास को भारी रूप से ब्रेन-सेंसिटिव सबस्पेस में या एडवर्सरियल तरीकों से स्थानांतरित करता है, तो विनिमय दर नकारात्मक हो सकती है, जिसका अर्थ है कि मस्तिष्क डेटा प्रदर्शन को नुकसान पहुँचा सकता है।

3. बजट अनुकूलन (Budget Optimization)

एक निश्चित बजट $B$ के तहत, जिसमें $c_B$ (प्रति ब्रेन सैंपल लागत) और $c_T$ (प्रति टास्क सैंपल लागत) है, लेखक उन स्थितियों का वर्णन करते हैं जहाँ मस्तिष्क डेटा एकत्र करना इष्टतम (optimal) है।

संग्रह की स्थिति (Condition for Collection): मस्तिष्क डेटा केवल तभी एकत्र किया जाना चाहिए यदि "ब्रेन-फेवरेबिलिटी" मीट्रिक $F > 1$ हो, जो लागत अनुपात, डाइमेंशनलिटी बचत और सापेक्ष कार्य कठिनाई पर निर्भर करता है।
इष्टतम मात्रा (Optimal Quantity): अनुकूल होने के बावजूद, इष्टतम मस्तिष्क नमूनों की संख्या ( $n_B^{opt}$ ) अपेक्षाकृत कम होती है और कुल बजट बढ़ने पर संतृप्त (saturate) हो जाती है। लेखक तर्क देते हैं कि वर्तमान उच्च-लागत वाले न्यूरोसाइंस संग्रह विधियों के तहत, मस्तिष्क डेटा को केवल एक सहायक डेटासेट के रूप में छोटी मात्रा में एकत्र किया जाना चाहिए, बशर्ते कि महत्वपूर्ण डाइमेंशनलिटी रिडक्शन हो और कार्य और मस्तिष्क के बीच सीखने की कठिनाई में बड़ा अंतर हो।

महत्व और दावे

यह पेपर मशीन लर्निंग में मस्तिष्क डेटा के मूल्य को समझने के लिए एक मौलिक सैद्धांतिक ढांचा (foundational theoretical framework) प्रदान करने का दावा करता है। मुख्य कारकों (एलाइनमेंट, शोर, डाइमेंशनलिटी) को अलग करके, यह कार्य निम्नलिखित प्रस्तुत करता है:

व्याख्यात्मकता (Interpretability): यह समझाता है कि न्यूरो-एआई में अनुभवजन्य लाभ अक्सर मामूली और अत्यधिक परिवर्तनशील क्यों होते हैं, इसे विशिष्ट सांख्यिकीय व्यवस्थाओं (जैसे, कम सैंपल साइज, उच्च एलाइनमेंट, या विशिष्ट डिस्ट्रीब्यूशन शिफ्ट) के कारण बताता है।
अभ्यासकर्ताओं के लिए मार्गदर्शन (Guidance for Practitioners): यह ठोस मानदंड प्रदान करता है कि मस्तिष्क डेटा लागत के लायक कब है, यह सुझाव देते हुए कि यह उन कार्यों के लिए एक छोटे, उच्च-गुणवत्ता वाले सहायक डेटासेट के रूप में सबसे प्रभावी है जो सीखने में कठिन हैं लेकिन जहाँ मस्तिष्क का प्रतिनिधित्व अच्छी तरह से संरेखित और कम-आयामी है।
मजबूती तंत्र (Robustness Mechanism): यह स्पष्ट करता है कि ब्रेन-रेगुलराइज्ड लर्निंग मुख्य रूप से कोर टास्क फीचर्स पर प्रदर्शन सुधारने के बजाय, इनपुट स्पेस के "ब्रेन-इनसेंसिटिव" हिस्सों के प्रति इनवेरियंस सीखने के माध्यम से मजबूती के लाभ प्रदान करती है।

लेखक स्पष्ट रूप से कहते हैं कि उनका मॉडल एक सरलीकरण (लीनियर-गौसियन) है और जैविक न्यूरल सिस्टम की पूरी जटिलता को कैप्चर नहीं करता है। हालाँकि, उनका तर्क है कि यह सुलभ सिद्धांत अनुभवजन्य न्यूरो-एआई साहित्य में देखे गए गुणात्मक व्यवहारों को सफलतापूर्वक कैप्चर करता है, जैसे कि कम-सैंपल व्यवस्थाओं में मूल्य का संकेंद्रण और संरचित शोर रेगुलाइजेशन द्वारा प्रदर्शन लाभ की नकल करना। इस कार्य का उद्देश्य भविष्य के अनुभवजन्य प्रयासों और नॉन-लीनियर सेटिंग्स तक सैद्धांतिक विस्तार को निर्देशित करना है।