🤖 machine learning

U-HNO: A U-shaped Hybrid Neural Operator with Sparse-Point Adaptive Routing for Non-stationary PDE Dynamics

यह शोध पत्र U-HNO का प्रस्ताव करता है, जो एक U-आकार का हाइब्रिड न्यूरल ऑपरेटर है जिसमें स्पार्स-पॉइंट एडेप्टिव रूटिंग (SPAR) की विशेषता है जो स्थानीय कंट्रास्ट के आधार पर वैश्विक फूरियर और स्थानीय मल्टी-स्केल गॉसियन शाखाओं के बीच गतिशील रूप से चयन करता है, जिससे विविध बेंचमार्क में सुचारू और तीक्ष्ण विशेषताओं वाले गैर-स्थिर PDEs को हल करने में अत्याधुनिक सटीकता प्राप्त होती है।

मूल लेखक: Yingzhe Ma, Xiao Yang, Yuxin Xie, Zihan Xiong, Jinliang Liu

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yingzhe Ma, Xiao Yang, Yuxin Xie, Zihan Xiong, Jinliang Liu

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 मौसम की भविष्यवाणी करने या पाइप में पानी के बहाव को समझने की कोशिश कर रहे हैं। भौतिक विज्ञान (Physics) की दुनिया में, इन्हें पार्शियल डिफरेंशियल इक्वेशंस (PDEs) नामक समीकरणों द्वारा समझाया जाता है। लंबे समय से, वैज्ञानिक इन्हें हल करने के लिए कंप्यूटर का उपयोग करते आए हैं, लेकिन यह धीमा और महंगा है। हाल ही में, शोधकर्ताओं ने इन सिमुलेशन के लिए एक "फास्ट फॉरवर्ड" बटन की तरह काम करने के लिए न्यूरल नेटवर्क्स (AI का एक प्रकार) का उपयोग करने की कोशिश की है।

हालाँकि, इसमें एक पेंच है। वास्तविक दुनिया का भौतिक विज्ञान बहुत जटिल होता है। कभी-कभी प्रवाह सुचारू और शांत होता है (जैसे मंद हवा), और कभी-कभी यह अराजक और तीखा होता है (जैसे अचानक आई शॉकवेव या टूटती हुई लहर)।

समस्या: "एक ही आकार सबके लिए" वाला AI (The "One-Size-Fits-All" AI)

पिछले AI मॉडलों ने इसे दो तरीकों से हल करने की कोशिश की, लेकिन दोनों में खामियां थीं:

"ग्लोबल" दृष्टिकोण (फूरियर-आधारित): कल्पना कीजिए कि आप एक हेलीकॉप्टर से परिदृश्य को देख रहे हैं। आप पूरे देश में हवा कैसे चलती है, इसका बड़ा चित्र और व्यापक दृश्य बहुत अच्छी तरह देख सकते हैं। लेकिन यदि आप ज़ूम करके किसी एक तीखी चट्टान या सड़क की छोटी सी दरार को देखते हैं, तो यह दृश्य धुंधला हो जाता है। यह बारीक, तीखे विवरणों को छोड़ देता है।
"लोकल" दृष्टिकोण (स्पेशियल-आधारित): कल्पना कीजिए कि आप एक आवर्धक लेंस (magnifying glass) के साथ ज़मीन पर चल रहे हैं। आप हर कंकड़ और दरार को पूरी तरह से देख सकते हैं। लेकिन आप यह नहीं देख सकते कि पूरे देश में हवा कैसे चल रही है, इसलिए लंबी अवधि के बदलावों की भविष्यवाणी करने में आप भटक जाते हैं।

पुराने हाइब्रिड मॉडलों ने इन दोनों को जोड़ने की कोशिश की, लेकिन उन्होंने एक "फिक्स्ड ग्लू" (निश्चित गोंद) का उपयोग किया। उन्होंने AI को हर जगह "हेलीकॉप्टर दृश्य" और "आवर्धक लेंस" के एक ही मिश्रण का उपयोग करने के लिए मजबूर किया। इसका मतलब था कि सुचारू क्षेत्रों में, AI छोटे कंकड़ों को देखने में समय बर्बाद करता था, और तीखे क्षेत्रों में, यह बड़े चित्र को मिस कर देता था।

समाधान: U-HNO (स्मार्ट ट्रैफिक कंट्रोलर)

शोधकर्ता U-HNO नामक एक नया मॉडल प्रस्तावित करते हैं। इसे एक ऐसे स्मार्ट ट्रैफिक कंट्रोल सिस्टम की तरह समझें जो शहर में चौड़े राजमार्गों और संकरी, घुमावदार गलियों दोनों को संभालता है।

यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "U-आकार" का हाईवे सिस्टम

यह मॉडल एक U-आकार (जैसे एक सबवे सिस्टम जो गहराई तक जाता है और फिर वापस ऊपर आता है) की तरह बना है।

नीचे जाना (एनकोडर): यह डेटा को विवरण के विभिन्न स्तरों पर देखता है, एक व्यापक अवलोकन से लेकर सबसे महीन कण तक।
ऊपर जाना (डिकोडर): यह उत्तर को पुनर्गठित करता है, विवरणों को वापस एक साथ लाता है।
सीक्रेट सॉस: इस U-आकार के हर स्तर पर, मॉडल के पास एक ही समय में काम करने वाली दो समानांतर टीमें हैं:
- टीम फूरियर: "हेलीकॉप्टर" टीम, जो बड़े, सुचारू प्रवाह को देखने में अच्छी है।
- टीम गौसियन: "आवर्धक लेंस" टीम, जो तीखे, स्थानीय विवरणों को देखने में अच्छी है।

2. SPAR: "स्मार्ट ट्रैफिक लाइट"

यह इस पेपर का सबसे बड़ा नवाचार है। दोनों टीमों को हर जगह एक साथ काम करने के लिए मजबूर करने के बजाय (जो कि अव्यवस्थित है), मॉडल एक स्पार्स-पॉइंट एडेप्टिव रूटिंग (SPAR) गेट का उपयोग करता है।

कल्पित कीजिए कि शहर के हर चौराहे पर एक स्मार्ट ट्रैफिक लाइट लगी है।

निर्णय: सिमुलेशन के हर एक बिंदु पर, SPAR गेट डेटा को देखता है। क्या यह क्षेत्र सुचारू है? या यहाँ कोई तीखी शॉकवेव है?
चुनाव:
- यदि क्षेत्र सुचारू है, तो गेट कहता है, "हे, टीम फूरियर, तुम इसे संभालो! टीम गौसियन, तुम ब्रेक ले लो।"
- यदि क्षेत्र तीखा है (जैसे शॉकवेव), तो गेट कहता है, "टीम गौसियन, अब तुम कमान संभालो! टीम फूरियर, तुम पीछे हटो।"
परिणाम: मॉडल केवल दोनों को मिलाता नहीं है; यह विशिष्ट कार्य के लिए सबसे अच्छे विशेषज्ञ को चुनता है। यह एक शेफ की तरह है जो जानता है कि स्मूदी के लिए ब्लेंडर का उपयोग कब करना है और काटने के लिए चाकू का कब, बजाय इसके कि वह ब्लेंडर से काटने की कोशिश करे।

नोट: दोनों टीमें वास्तव में बैकग्राउंड में "काम" (गणना) करती हैं, लेकिन गेट तय करता है कि किस टीम का उत्तर आगे भेजा जाएगा। यह सुनिश्चित करता है कि AI विशेषज्ञता हासिल करे।

3. ट्रेनिंग: सटीक होना सीखना

इस मॉडल को सिखाने के लिए, शोधकर्ताओं ने केवल यह नहीं कहा कि "नंबर सही लाओ।" उन्होंने दो अतिरिक्त नियम जोड़े:

"स्लोप" (ढलान) का नियम: उन्होंने यह सुनिश्चित किया कि AI न केवल लहर की ऊंचाई को सही प्राप्त करे, बल्कि उसकी तीक्ष्णता (steepness) को भी सही पकड़े। यह तीखी शॉकवेव्स के लिए बहुत महत्वपूर्ण है।
"टीमवर्क" का नियम: उन्होंने यह सुनिश्चित किया कि दोनों टीमें (फूरियर और गौसियन) भ्रमित न हों या आपस में न लड़ें। उन्होंने उन्हें अंतिम निर्णय पर सहमत होने के लिए प्रशिक्षित किया ताकि "ट्रैफिक लाइट" सुचारू रूप से काम करे।

परिणाम: यह क्यों मायने रखता है

शोधकर्ताओं ने 1D तरंगों (जैसे ध्वनि) से लेकर सुपरसोनिक गति से विमान के ऊपर बहने वाली 3D हवा (जहाँ शॉकवेव्स आम हैं) तक, विविध समस्याओं पर इसका परीक्षण किया।

विजेता: U-HNO ने सभी अन्य मॉडलों को पछाड़ दिया, विशेष रूप से उन समस्याओं पर जिनमें तीखे, अचानक परिवर्तन (जैसे शॉकवेव्स) होते हैं।
उपमा: यदि अन्य मॉडल एक धुंधली फोटो की तरह हैं जो किनारों का अनुमान लगाने की कोशिश करती है, तो U-HNO एक हाई-डेफिनिशन फोटो की तरह है जिसे पता है कि किनारा बिल्कुल कहाँ है।
प्रमाण: जब उन्होंने उनके डिज़ाइन के किसी भी हिस्से (जैसे "स्मार्ट ट्रैफिक लाइट" या "U-आकार") को हटाया, तो मॉडल का प्रदर्शन काफी गिर गया। यह साबित करता है कि उनके डिज़ाइन का हर हिस्सा आवश्यक था।

सारांश

U-HNO एक नया AI आर्किटेक्चर है जो एक स्मार्ट मैनेजर की तरह काम करके भौतिकी के समीकरणों को हल करता है। हर चीज़ के लिए एक ही विधि का उपयोग करने के बजाय, यह गतिशील रूप से सुचारू क्षेत्रों के लिए "ग्लोबल" विशेषज्ञ और अराजक क्षेत्रों के लिए "लोकल" विशेषज्ञ को नियुक्त करता है। यह इसे जटिल, वास्तविक दुनिया के भौतिकी—जैसे सुपरसोनिक उड़ान या तरल पदार्थ का विक्षोभ (turbulence)—को पिछले तरीकों की तुलना में बहुत अधिक सटीकता के साथ भविष्यवाणी करने की अनुमति देता है।

तकनीकी सारांश: U-HNO

समस्या विवरण
कई आंशिक अवकल समीकरण (PDE) समाधान गैर-स्थिर स्पेक्ट्रल संरचनाएं (non-stationary spectral structures) प्रदर्शित करते हैं, जो एक ही प्रक्षेपवक्र (trajectory) के भीतर सुचारू वैश्विक परिवहन (smooth global transport) और स्थानीय तीक्ष्ण विशेषताओं (जैसे कि शॉक फ्रंट्स, पतली इंटरफेस और उच्च-आवृत्ति सामग्री) के सह-अस्तित्व द्वारा चिह्नित होते हैं। मौजूदा न्यूरल ऑपरेटर्स इस द्वैतता को संभालने में संघर्ष करते हैं:

फूरियर-आधारित आर्किटेक्चर (जैसे FNO): फ्रीक्वेंसी-डोमेन पैरामीट्राइजेशन के माध्यम से गैर-स्थानीय अंतःक्रियाओं (nonlocal interactions) को कुशलतापूर्वक मिश्रित करते हैं, लेकिन लो-फ्रीक्वेंसी की ओर स्पेक्ट्रल बायस और निश्चित वैश्विक मोड बजट के कारण स्थानीय गैर-सुचारू विशेषताओं को कम-रिज़ॉल्यूशन (under-resolve) करने की प्रवृत्ति रखते हैं।
स्थानिक रूप से स्थानीय आर्किटेक्चर (Spatially local architectures): सूक्ष्म विवरणों को प्रभावी ढंग से पुनर्प्राप्त करते हैं, लेकिन अक्सर कुशल दीर्घ-रेंज प्रसार (long-range propagation) और रोलआउट स्थिरता की कमी होती है।
मौजूदा हाइब्रिड ऑपरेटर्स: आमतौर पर निश्चित, स्थानिक रूप से समान फ्यूजन तंत्र (जैसे कि additive concatenation या एक एकल वैश्विक गेट) का उपयोग करते हैं। ये दृष्टिकोण पूरे क्षेत्र में वैश्विक और स्थानीय प्रसंस्करण के बीच एक समान समझौता (trade-off) करने के लिए मजबूर करते हैं, जिससे वे गैर-स्थिर PDEs के बदलते स्थानीय फ्रीक्वेंसी कंटेंट के अनुकूल नहीं हो पाते हैं।

कार्यप्रणाली: U-HNO
लेखक U-HNO का प्रस्ताव करते हैं, जो एक U-आकार का हाइब्रिड न्यूरल ऑपरेटर है जिसे स्थानीय क्षेत्र की विशेषताओं के आधार पर गणना को अनुकूल रूप से रूट करने के लिए डिज़ाइन किया गया है। इसके मुख्य घटक हैं:

द्वि-शाखा U-आकार का बैकबोन (Dual-Branch U-Shaped Backbone):
- आर्किटेक्चर स्किप कनेक्शन के साथ एक U-Net शैली के एनकोडर-डिकोडर का अनुसरण करता है।
- प्रत्येक रिज़ॉल्यूशन स्तर पर, दो समानांतर शाखाएं कार्य करती हैं:
  - ग्लोबल फूरियर ब्रांच (Global Fourier Branch): एक मानक स्पेक्ट्रल कन्वेल्शन लेयर जो गैर-स्थानीय, लो-फ्रीक्वेंसी ग्लोबल ट्रांसपोर्ट को कैप्चर करती है।
  - लोकल मल्टी-स्केल गॉसियन ब्रांच (Local Multi-scale Gaussian Branch): स्थानीय, हाई-फ्रीक्वेंसी विवरणों को कैप्चर करने के लिए सीखने योग्य स्केल्स के साथ नॉर्मलाइज्ड डेप्थवाइज़ गॉसियन कन्वेल्शन के स्टैक।
- एसिमेट्रिक डिकोडर (Asymmetric Decoder): डिकोडर को प्रत्येक शाखा की ताकत का लाभ उठाने के लिए डिज़ाइन किया गया है। अपसैम्पल्ड कोर्स कॉन्टेक्स्ट को फूरियर ब्रांच को भेजा जाता है, जबकि एनकोडर से प्राप्त हाई-रिज़ॉल्यूशन स्किप कनेक्शन को गॉसियन ब्रांच को भेजा जाता है। यह स्थानीय ब्रांच को उस अपसैम्पल्ड कोर्स डेटा को प्रोसेस करने से रोकता है जिसे वह रिज़ॉल नहीं कर सकती, और स्पेक्ट्रल ब्रांच को उन हाई-फ्रीक्वेंसी स्किप्स को प्रोसेस करने से रोकता है जिन्हें संभालने के लिए वह डिज़ाइन नहीं की गई है।
स्पार्स-पॉइंट एडेप्टिव रूटिंग (SPAR):
- एडिटिव फ्यूजन के बजाय, U-HNO प्रत्येक स्थानिक स्थान पर डोमिनेंट ब्रांच आउटपुट को चुनने के लिए एक प्रति-पिक्सेल हार्ड मास्क का उपयोग करता है।
- तंत्र (Mechanism): एक स्कोर MLP दोनों शाखाओं के कंकैटनेटेड आउटपुट्स ( $z_F, z_G$ ) को लेता है और प्रति पिक्सेल एक स्केलर लॉजिट (logit) उत्पन्न करता है।
- कॉन्ट्रास्ट-एडेप्टिव कीप-रेशियो (Contrast-Adaptive Keep-Ratio): स्पर्सिटी रेश्यो ( $\rho$ ) निश्चित नहीं है; यह रूटिंग सिग्नल के स्थानीय कंट्रास्ट (लॉगिट्स के माध्य के सापेक्ष मानक विचलन का अनुपात) का एक फलन है। यह मॉडल को क्षेत्र की जटिलता (जैसे कि शॉक्स के पास अधिक स्थानीय गणना) के आधार पर स्थानीय बनाम वैश्विक शाखा में रूट किए गए पिक्सेल के अनुपात को गतिशील रूप से समायोजित करने की अनुमति देता है।
- स्ट्रेट-थ्रू एस्टीमेटर (STE) के साथ हार्ड MUX: रूटिंग एक हार्ड सिलेक्शन (Top- $k$ ) है, लेकिन बैकवर्ड पास रूटिंग लॉजिट्स को प्रशिक्षित करने के लिए एक रिलैक्स्ड सॉफ्ट गेट (STE) का उपयोग करता है। महत्वपूर्ण रूप से, दोनों शाखाओं का मूल्यांकन हर जगह किया जाता है; SPAR एक कंप्यूट-सेविंग मैकेनिज्म के बजाय एक रिप्रेजेंटेशनल डिस्पैचर के रूप में कार्य करता है, जिससे यह सुनिश्चित होता कि डोमिनेंट ग्रेडिएंट चुनी गई शाखा तक ही सीमित रहे ताकि क्रॉस-ब्रांच इंटरफेरेंस को रोका जा सके।
स्ट्रक्चर्ड ट्रेनिंग ऑब्जेक्टिव (Structured Training Objective):
- लॉस फंक्शन तीन टर्म्स को जोड़ता है:
  - पॉइंटवाइज MSE: मानक फील्ड सटीकता।
  - फाइनाइट-डिफरेंस $H^1$ टर्म: ग्रेडिएंट एरर्स को दंडित करता है, विशेष रूप से शॉक्स और फ्रंट्स के पास स्लोप सटीकता को लक्षित करता है ताकि लॉन्ग-होरिज़न रोलआउट स्थिरता में सुधार हो सके।
  - क्रॉस-ब्रांच कंसिस्टेंसी (CBC) रेगुलराइज़र: एक फीचर-स्पेस रेगुलराइज़र जो दोनों शाखाओं के आउटपुट्स के बीच MSE को कम करता है। यह प्रति-पिक्सेल सिलेक्शन प्रक्रिया को स्थिर करता है ताकि शाखाओं के रिप्रेजेंटेशन अलग न हों, जो रिकर्सिव रोलआउट के दौरान भंगुर (brittle) रूटिंग निर्णयों का कारण बन सकते हैं।

प्रमुख योगदान

डायग्नोस्टिक विश्लेषण: पेपर तीन विशिष्ट विफलता मोड की पहचान करता है: (i) शॉक-लोकलाइज्ड बैंड एनर्जी जिसके लिए गैर-समान स्पेक्ट्रल ट्रंकेशन की आवश्यकता होती है, (ii) फ्लैट एडिटिव हाइब्रिड्स में लगभग ऑर्थोगोनल ट्रेनिंग सिग्नल्स (ब्रांच पैरामीटर ग्रेडिएंट्स के बीच 90° कोण द्वारा इंगित), और (iii) प्योर स्पेक्ट्रल बेसलाइन्स में लॉन्ग रोलआउट के दौरान सुपर-लीनियर हाई-बैंड ड्रिफ्ट।
आर्किटेक्चर: U-शेप्ड बैकबोन, डुअल गॉसियन-फूरियर शाखाओं और एक एसिमेट्रिक डिकोडर के साथ U-HNO का परिचय।
रूटिंग मैकेनिज्म: SPAR का विकास, जो एक प्रति-पिक्सेल हार्ड MUX है जिसमें कंट्रास्ट-एडेप्टिव कीप-रेशियो है जो एक रिप्रेजेंटेशनल डिस्पैचर के रूप में कार्य करता है।
लॉस फंक्शन: एक सिंगल-स्टेप स्ट्रक्चर्ड ऑब्जेक्टिव जो MSE, $H^1$ ग्रेडिएंट फिडेलिटी और CBC रेगुलराइजेशन को जोड़ता है, जिसमें ट्रेनिंग के दौरान रोलआउट सुपरविजन की आवश्यकता नहीं होती है।
एम्पिरिकल वैलिडेशन: आठ 1D/2D/3D PDE बेंचमार्क पर व्यापक मूल्यांकन, जिसमें चुनौतीपूर्ण 3D ट्रांसोनिक कंप्रेसिबल नेवियर-स्टोक्स (Mach 1.0) शामिल है।

परिणाम

सटीकता (Accuracy): U-HNO अधिकांश कार्यों पर रिलेटिव $L^2$ $L^{2}$ और ग्रेडिएंट-अवेयर $H^1$ $H^{1}$ मेट्रिक्स दोनों में स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करता है।
- शॉक-डोमिनेटेड टास्क: सबसे बड़े लाभ उन समस्याओं पर देखे गए हैं जिनमें तीक्ष्ण स्थानीय विशेषताएं होती हैं, जैसे कि 1D बर्गर्स (बेस्ट बेसलाइन पर $L^2$ में 2.14× सुधार) और 3D ट्रांसोनिक कंप्रेसिबल नेवियर-स्टोक्स।
- ग्रेडिएंट मेट्रिक्स: U-HNO आठ में से पांच कार्यों में $H^1$ में बेसलाइन्स को पछाड़ता है, जो बेहतर शॉक लोकेशन और इंटरफेस शार्पनेस का प्रदर्शन करता है।
स्थिरता (Stability): मॉडल लॉन्ग होराइजन्स (4× ट्रेनिंग होराइजन) पर कम रोलआउट एरर और एनर्जी ड्रिफ्ट बनाए रखता है, जहाँ प्योर स्पेक्ट्रल बेसलाइन्स हाई-बैंड ड्रिफ्ट दिखाते हैं और अन्य हाइब्रिड प्लेटो (plateau) हो जाते हैं।
एब्लेशन स्टडीज (Ablation Studies): किसी भी एक घटक (लोकल ब्रांच, ग्लोबल ब्रांच, SPAR गेट, U-शेप, या स्ट्रक्चर्ड लॉस) को हटाने से प्रदर्शन में काफी गिरावट आती है।
- लोकल ब्रांच को हटाने (मोड A) से बर्गर्स पर $L^2$ एरर में 3.6× और $H^1$ एरर में 4.1× की वृद्धि होती है।
- CBC रेगुलराइज़र को हटाने (मोड C) से $H^1$ एरर 2.2× बढ़ जाता है, जो लॉन्ग-होरिज़न रोलआउट को स्थिर करने में इसकी भूमिका को उजागर करता है।
कंप्यूट ओवरहेड: SPAR कंप्यूट बचाता नहीं है (दोनों शाखाएं हर जगह चलती हैं); इंफरेंस लेटेंसी एक पैरामीटर-मैच्ड FNO की तुलना में लगभग 3.3× है। हालांकि, एक लेटेंसी-मैच्ड FNO (5× पैरामीटर्स के साथ) अभी भी सटीकता के अंतर को पाटने में विफल रहता है, जो पुष्टि करता है कि लाभ केवल बढ़ी हुई क्षमता के बजाय आर्किटेक्चरल हैं।

महत्व और दावे
पेपर दावा करता है कि U-HNO गैर-स्थिर PDEs में लोकल स्पेशियल फिडेलिटी और ग्लोबल स्पेक्ट्रल कोहेरेंस के बीच मौलिक तनाव को संबोधित करता है। प्रति-पिक्सेल एडेप्टिव रूटिंग में बदलकर, मॉडल क्षेत्र के विभिन्न क्षेत्रों को उनके स्थानीय फ्रीक्वेंसी कंटेंट के लिए सबसे उपयुक्त रिप्रेजेंटेशन का उपयोग करने की अनुमति देता है। लेखक इस बात पर जोर देते हैं कि एक पदानुक्रमित (hierarchical) U-शेप, डुअल-ब्रांच स्पेशलाइजेशन और ग्रेडिएंट-अवेयर लॉस का संयोजन आवश्यक है; कोई भी एकल घटक पर्याप्त नहीं है। यह कार्य SPAR को एडिटिव फ्यूजन के प्रत्यक्ष विकल्प के रूप में प्रस्तुत करता है जो विशेष रूप से क्रॉस-ब्रांच ऑप्टिमाइजेशन संघर्ष को लक्षित करता है, जो मल्टी-स्केल PDE लर्निंग के लिए एक मजबूत डिज़ाइन सिद्धांत प्रदान करता है। लेखक वास्तविक कंप्यूट स्पर्सिटी की कमी (क्योंकि दोनों शाखाओं का मूल्यांकन किया जाता है) और रेगुलर ग्रिड की आवश्यकता के संबंध में सीमाओं को नोट करते हैं, जिससे भविष्य के कार्य के लिए स्पार्स-टेंसर कर्नेल इंजीनियरिंग और मेश अडैप्टेशन का मार्ग प्रशस्त होता है।