🔬 condensed matter

Preisach Attention: A Hysteretic Model of Sequential Memory

यह शोध पत्र प्रिसैक अटेंशन लेयर (PAL) को प्रस्तुत करता है, जो एक नवीन अनुक्रम मॉडलिंग आर्किटेक्चर है जो ट्यूरिंग-पूर्णता (Turing-completeness) प्राप्त करने के लिए, ऐतिहासिक रेंज सांख्यिकी की कुशल गणना सक्षम करने के लिए, और कमजोर स्थितिगत निर्भरता वाले दीर्घकालिक एपिसोडिक मेमोरी वाले कार्यों के लिए O(n log n) अनुमान लागत प्रदान करने के लिए सॉफ्टमैक्स अटेंशन को हिस्टेरेसिस-आधारित बाइनरी रिले ऑपरेटर से बदल देता है।

मूल लेखक: Piotr Frydrych

प्रकाशित 2026-05-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Piotr Frydrych

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

यहाँ "Preisach Attention: A Hysteretic Model of Sequential Memory" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: AI के याद रखने का एक नया तरीका

कल्पना कीजिए कि आप एक रोबोट को एक लंबी कहानी पढ़ना सिखाने की कोशिश कर रहे हैं। AI का वर्तमान सुपरस्टार, Transformer, चीज़ों को इसलिए याद रखता है क्योंकि वह देखता है कि वाक्य में शब्द कहाँ दिखाई देते हैं। यह एक ऐसे लाइब्रेरियन की तरह है जो केवल शेल्फ पर किताब की स्थिति को याद रखता है। यदि आप किताब को किसी दूसरी जगह रख दें, तो लाइब्रेरियन भ्रमित हो जाता है। साथ ही, लाइब्रेरी बढ़ने के साथ लाइब्रेरियन को एक चीज़ खोजने के लिए शेल्फ पर मौजूद हर एक किताब को चेक करना पड़ता है, जो बहुत धीमा और महंगा हो जाता है।

इस पेपर के लेखक, पियोत्र फ्रीड्रिच (Piotr Fryfrych), एक नए प्रकार की मेमोरी का प्रस्ताव देते हैं जिसे Preisach Attention (PAL) कहा जाता है। यह इस बात की परवाह नहीं करता कि कुछ कहाँ हुआ, बल्कि PAL इस बात पर ध्यान देता है कि बदलाव कितने महत्वपूर्ण थे। यह भौतिक विज्ञान की एक पुरानी अवधारणा "हिस्टेरेसिस" (hysteresis) से प्रेरित है, जो बताती है कि चुंबक अपने इतिहास को कैसे याद रखते हैं।

PAL को एक लाइब्रेरियन के रूप में नहीं, बल्कि एक पर्वतारोही के रूप में देखें जो चोटियों और घाटियों की डायरी लिख रहा है।

यह कैसे काम करता है: पर्वतारोही की डायरी

कल्पना कीजिए कि आप पहाड़ों की एक श्रृंखला में हाइकिंग कर रहे हैं। आप अपने द्वारा उठाए गए हर एक कदम को नहीं लिखते। आप केवल यह लिखते हैं कि अब तक आपने कितनी ऊँची चोटियाँ (peaks) देखी हैं और कितनी गहरी घाटियाँ (valleys) देखी हैं।

"एक्सट्रीमम स्टैक" (The Extremum Stack - डायरी):
- हाइकिंग करते समय, आप अब तक की अपनी सबसे ऊँची चोटी और सबसे गहरी घाटी की एक सूची रखते हैं।
- जादुई नियम (Wiping/मिटाना): यदि आप एक नई चोटी पर चढ़ते हैं जो आपकी पिछली सबसे ऊँची चोटी से अधिक ऊँची है, तो आपकी डायरी स्वचालित रूप से पुराने शिखर और उसके नीचे की सभी चीज़ों को मिटा (erase) देती है। यह केवल नए, अधिक महत्वपूर्ण रिकॉर्ड को ही रखती है।
- यह क्यों मायने रखता है: यदि आप एक छोटी घाटी में आगे-पीछे घूमते हैं, तो आपकी डायरी नहीं बदलती। यह केवल तभी अपडेट होती है जब आप कोई बड़ा कदम उठाते हैं। इसका मतलब है कि AI "शोर" (noise) को अनदेखा करता है और केवल बड़ी, महत्वपूर्ण घटनाओं को याद रखता है।
दर-स्वतंत्रता (Rate-Independence - "समय मायने नहीं रखता" वाला नियम):
- मानक AI मॉडल भ्रमित हो जाते हैं यदि आप कहानी की गति तेज़ या धीमी कर देते हैं।
- PAL समय की परवाह नहीं करता। चाहे आप पहाड़ों की यात्रा 1 घंटे में करें या 100 वर्षों में, आपकी चोटियों और घाटियों की डायरी बिल्कुल एक जैसी ही दिखेगी। इसे केवल बड़े बदलावों का क्रम पता होता है, इस बात से नहीं कि उसमें कितना समय लगा।

यह बेहतर क्यों है? (पेपर के दावे)

पेपर तीन प्रमुख दावे करता है कि क्यों यह नया "पर्वतारोही" जैसा मेमोरी सिस्टम विशेष है:

1. यह गणित में स्मार्ट (और तेज़) है

दावा: इस नए AI का एक एकल लेयर (layer) गणितीय रूप से इतना शक्तिशाली है कि वह किसी भी समस्या को हल कर सकता है जिसे एक कंप्यूटर हल कर सकता है (ट्यूरिंग-कम्प्लीट)।
उपमा: मानक AI मॉडल जटिल तर्क पहेलियों को हल करने के लिए कई लेयर्स (जैसे ब्लॉक्स का एक ऊँचा टॉवर बनाना) की आवश्यकता महसूस करते हैं। यह नया मॉडल उन्हीं पहेलियों को केवल एक लेयर के साथ हल कर सकता है। यह एक ऐसी स्विस आर्मी नाइफ की तरह है जो पूरे टूलबॉक्स का काम अकेले कर देती है।
गति: क्योंकि यह केवल चोटियों और घाटियों को ट्रैक करता है, इसे लंबे दस्तावेज़ के हर एक शब्द को चेक करने की ज़रूरत नहीं होती। यह बहुत लंबे वृत्तांतों के लिए बहुत तेज़ है।

2. यह अलग है, सिर्फ "बेहतर" नहीं

दावा: PAL और मानक AI "तुलना योग्य नहीं" (incomparable) हैं। वे अलग-अलग चीज़ों में अच्छे हैं।
उपमा:
- मानक AI किसी विशिष्ट शब्द को खोजने में माहिर है यदि आपको उसकी स्थिति पता हो (जैसे, "पाँचवाँ शब्द क्या है?")। इसके पास "रैंडम एक्सेस" है।
- PAL इसमें बहुत बुरा है। यह आपको पाँचवाँ शब्द नहीं बता सकता क्योंकि यह स्थितियों (positions) को नहीं गिनता।
- हालाँकि, PAL कहानी में "सबसे बड़े बदलाव" को खोजने में अद्भुत है (जैसे, "रिकॉर्ड किया गया उच्चतम तापमान क्या था?")। मानक AI इसमें संघर्ष करता है क्योंकि उसे अधिकतम खोजने के लिए सब कुछ देखना पड़ता है। PAL बस अपनी चोटियों की डायरी देखता है।

3. यह समय के बजाय महत्व के आधार पर भूलता है

दावा: मानक AI चीज़ों को इसलिए भूल जाता है क्योंकि वे "पुरानी" हैं (recency)। PAL चीज़ों को इसलिए भूल जाता है क्योंकि वे "छोटी" हैं।
उपमा: कल्पना कीजिए कि आप एक बातचीत को याद कर रहे हैं।
- मानक AI: "मुझे याद है कि आपने 5 मिनट पहले क्या कहा था, लेकिन मैं भूल गया कि आपने 1 घंटे पहले क्या कहा था।"
- PAL: "मैं भूल गया कि आपने 1 घंटे पहले क्या कहा था क्योंकि वह एक छोटी सी बात थी। लेकिन मुझे याद है कि आपने 1 घंटे पहले क्या कहा था क्योंकि वह एक बहुत बड़ा, चौंकाने वाला खुलासा था जिसने पूरी बातचीत को बदल दिया।"
- इसे "वाइपिंग प्रॉपर्टी" (Wiping Property) कहा जाता है। एक नई, बड़ी घटना छोटी, कम महत्वपूर्ण घटनाओं की स्मृति को मिटा देती है।

भौतिकी का संबंध: "चुंबक" की उपमा

पेपर इस AI को रैंडम-फील्ड आइसिंग मॉडल (Random-Field Ising Model) नामक भौतिकी मॉडल (सोचिए बहुत सारे छोटे चुंबकों के बारे में) से जोड़ता है।

भौतिकी में, ये चुंबक एक चुंबकीय क्षेत्र के आधार पर आगे-पीछे बदलते हैं। उनके पास अपने पिछले अवस्थाओं (states) की "याददाश्त" होती है।
लेखक दिखाते हैं कि PAL अनिवार्य रूप से इन चुंबकों का एक सीखा हुआ, गतिशील संस्करण (learned, moving version) है।
इससे क्या मदद मिलती है? इसका मतलब है कि PAL बेहतरीन भौतिक गुण विरासत में लेता है, जैसे कि "हिमस्खलन" (avalanches - डेटा में अचानक, बड़े बदलाव) को स्वाभाविक रूप से संभालने की क्षमता। यह सुझाव देता है कि यदि आप AI को सही ढंग से ट्यून करते हैं, तो यह एक ऐसे "क्रिटिकल पॉइंट" पर काम करता है जहाँ यह नई जानकारी के प्रति अत्यधिक संवेदनशील होता है, ठीक वैसे ही जैसे एक बर्फ का टुकड़ा एक विशाल हिमस्खलन को ट्रिगर कर सकता है।

सारांश: यह किसके लिए है?

पेपर का तर्क है कि PAL उन कार्यों के लिए एक आदर्श उपकरण है जहाँ:

स्थिति से अधिक इतिहास मायने रखता है: आपको किसी लंबी घटना का "बड़ा चित्र" (big picture) जानने की आवश्यकता है, न कि सटीक टाइमस्टैम्प।
नवीनता (Recency) से अधिक महत्व मायने रखता है: आप सबसे हालिया चीज़ों के बजाय सबसे बड़े झटकों को याद रखना चाहते हैं।
डेटा लंबा है: यह वर्तमान AI मॉडलों की तुलना में बहुत लंबे अनुक्रमों (sequences) के लिए बहुत अधिक कुशल (सस्ता और तेज़) है।

संक्षेप में: यह पेपर एक नए प्रकार के AI मेमोरी का परिचय देता है जो एक पर्वतारोही की तरह काम करता है जो केवल उच्चतम चोटियों और सबसे गहरी घाटियों को याद रखता है, और बीच के छोटे कदमों को अनदेखा कर देता है। यह इसे लंबी कहानियों और जटिल तर्क के लिए अविश्वसनीय रूप से कुशल बनाता है, हालाँकि इसके बदले में यह सटीक स्थितियों को गिनने की क्षमता को छोड़ देता है।

तकनीकी सारांश: प्रिसैक अटेंशन (Preisach Attention): अनुक्रमिक स्मृति का एक हिस्टेरेटिक मॉडल

समस्या विवरण

वर्तमान प्रमुख अनुक्रम मॉडलिंग आर्किटेक्चर, विशेष रूप से ट्रांसफॉर्मर (Transformer), ऐसे अटेंशन मैकेनिज्म पर निर्भर करते हैं जो या तो टेम्पोरल (दूरी के साथ क्षय होने वाले) होते हैं या पोजीशनल (टोकन स्थान द्वारा इंडेक्स किए गए) होते हैं। जबकि सैद्धांतिक विश्लेषणों ने स्थापित किया है कि हार्ड-अटेंशन ट्रांसफॉर्मर्स ट्यूरिंग पूर्णता (Turing completeness) प्राप्त करने के लिए $O(\log n)$ गहराई की आवश्यकता रखते हैं, मानक सॉफ्टमैक्स अटेंशन प्रथम-क्रम तर्क (first-order logic) के सीमित अंशों के अनुरूप होता है। ट्रांसफॉर्मर्स, रिकरेंट न्यूरल नेटवर्क (RNNs), और स्टेट स्पेस मॉडल्स (SSMs) के बीच एक साझा महत्वपूर्ण सीमा यह है कि उनमें इनपुट की 'प्रासंगिकता' (significance) के बजाय उनकी 'नवीनता' (recency) या पूर्ण स्थिति पर आधारित मेमोरी मैकेनिज्म का अभाव है। एक ऐसे आर्किटेक्चर की आवश्यकता है जो लंबी एपिसोडिक मेमोरी बनाए रखने में सक्षम हो, जहाँ आउटपुट इनपुट इतिहास के स्थानीय चरम मानों (local extrema) के अनुक्रम पर निर्भर करता हो, न कि उनके टेम्पोरल अंतराल पर।

कार्यप्रणाली (Methodology)

यह शोध पत्र प्रिसैक अटेंशन लेयर (Preisach Attention Layer - PAL) प्रस्तुत करता है, जो गणितीय भौतिकी से प्राप्त शास्त्रीय प्रिसैक हिस्टेरेसिस ऑपरेटर पर आधारित एक नवीन अनुक्रम मॉडलिंग आर्किटेक्चर है।

मुख्य तंत्र: प्रिसैक ऑपरेटर (The Preisach Operator)

प्रिसैक ऑपरेटर बाइनरी रिले $\hat{\gamma}_{\alpha\beta}$ के आउटपुट को एकत्रित करता है, जिनमें से प्रत्येक एक सक्रियण थ्रेशोल्ड (activation threshold) $\alpha$ और एक निष्क्रियता थ्रेशोल्ड (deactivation threshold) $\beta$ द्वारा अभिलक्षित होता है। अनुक्रम मॉडलिंग के संदर्भ में:

बाइनरी रिले (Binary Relay): एक इनपुट अनुक्रम $u$ के लिए, रिले की स्थिति 1 में बदल जाती है यदि $u_n \geq \alpha$ और 0 में बदल जाती है यदि $u_n \leq \beta$ । अन्यथा, यह अपनी पिछली स्थिति बनाए रखती है।
एक्सट्रीमम स्टैक (Extremum Stack): "वाइपिंग प्रॉपर्टी" (wiping property) का एक मौलिक परिणाम यह है कि ऑपरेटर का आउटपुट केवल वर्तमान एक्सट्रीमम स्टैक ( $\Pi_n$ ) पर निर्भर करता है। यह स्टैक बारी-बारी से आने वाले स्थानीय अधिकतम (maxima) और न्यूनतम (minima) को संग्रहीत करता है। एक नया चरम मान (extremum) छोटे परिमाण वाले पिछले सभी चरम मानों को मिटा देता है, जो प्रासंगिकता-आधारित विस्मरण (forgetting) के लिए एक स्वाभाविक तंत्र प्रदान करता है।
दर-स्वतंत्रता (Rate-Independence): आउटपुट केवल स्थानीय चरम मानों के अनुक्रम पर निर्भर करता है, न कि टोकन के पूर्ण समय या स्थिति पर।

आर्किटेक्चर परिभाषा

PAL लेयर: लेयर थ्रेशोल्ड प्लेन $(\alpha, \beta)$ पर एक विविक्त माप (discretized measure) $\mu$ पर बाइनरी रिले आउटपुट के भारित योग (weighted sum) की गणना करती है।
मल्टी-हेड PAL (MPAL): MPAL स्केलर PAL को वेक्टर-वैल्यूड अनुक्रमों तक विस्तारित करता है, जो इनपुट को स्केलर सिग्नल्स में प्रोजेक्ट करता है, उन्हें कई हेड्स के माध्यम से प्रोसेस करता है, और फिर वापस प्रोजेक्ट करता है।
PAL-ट्रांसफॉर्मर: एक मानक ट्रांसफॉर्मर एनकोडर-डिकोडर संरचना जहाँ मानक अटेंशन मैकेनिज्म को MPAL द्वारा प्रतिस्थापित किया जाता है। यह साइनुसोइडल पोजीशनल एनकोडिंग (PE) और MLP लेयर्स को बरकरार रखता है, लेकिन इसका मूल मेमोरी मैकेनिज्म हिस्टेरेटिक (hysteretic) है।

मुख्य योगदान और परिणाम

1. $O(1)$ गहराई पर ट्यूरिंग पूर्णता (Turing Completeness)

यह शोध पत्र सिद्ध करता है कि एक एकल-परत PAL-ट्रांसफॉर्मर ट्यूरिंग-पूर्ण है।

तंत्र: यह आर्किटेक्चर एक मनमाने दो-स्टैक पुशडाउन ऑटोमेटन (2-PDA) का अनुकरण करता है, जो एक ट्यूरिंग मशीन के समकक्ष है।
एन्कोडिंग: अल्फाबेट प्रतीकों और स्टैक डेप्थ को "कैंटर-डेप्थ एन्कोडिंग" (Cantor-depth encoding) का उपयोग करके एक्सट्रीमम स्टैक में एनकोड किया जाता है।
गहराई का लाभ: यह सिमुलेशन $O(1)$ गहराई (एक MPAL लेयर और एक MLP लेयर) के साथ प्राप्त किया जाता है। यह मानक हार्ड-अटेंशन ट्रांसफॉर्मर्स के विपरीत है, जिन्हें ट्यूरिंग पूर्णता प्राप्त करने के लिए $O(\log n)$ गहराई की आवश्यकता होती है (Pérez et al., 2021)।
वेक्टर PAL (vPAL): एक वेरिएंट जो दो-आयामी सिग्नल प्रोजेक्शन का उपयोग करता है, वह एक सिंगल हेड ( $H=1$ ) के साथ ट्यूरिंग पूर्णता प्राप्त करता है, जो यह दर्शाता है कि PAL में सिग्नल डायमेंशन और हेड काउंट विनिमेय संसाधन (exchangeable resources) हैं।

2. अभिव्यक्ति पृथक्करण (Expressiveness Separation)

यह शोध पत्र स्थापित करता है कि PAL और ट्रांसफॉर्मर द्वारा गणना योग्य फंक्शन क्लासेस तुलनाहीन (incomparable) हैं।

PAL $\setminus$ Transformer: PAL $O(1)$ लेयर्स में ऐतिहासिक रेंज सांख्यिकी (जैसे, $max(u) - min(u)$) की गणना कर सकता है। सीमित गहराई वाले मानक ट्रांसफॉर्मर इसे सटीक रूप से नहीं कर सकते क्योंकि सर्किट कॉम्प्लेक्सिटी लोअर बाउंड्स के अनुसार MAX, $AC^0$ में नहीं है।
Transformer $\setminus$ PAL: ट्रांसफॉर्मर्स सटीक रैंडम-एक्सेस रिट्रीवल (जैसे, स्थिति $p$ पर टोकन प्राप्त करना) कर सकते हैं। PAL ऐसा नहीं कर सकता क्योंकि इसकी दर-स्वतंत्रता (rate-independence) विशेषता यह निहित करती है कि यदि कोई टोकन स्थानीय चरम (local extremum) नहीं है, तो उसका मान स्टैक के प्रभाव से "मिटा" दिया जाता है, जिससे स्थिति-आधारित रिट्रीवल असंभव हो जाता है।
पृथक करने वाला गुण: दर-स्वतंत्रता (Rate-independence) को दोनों वर्गों को अलग करने वाले मौलिक गुण के रूप में पहचाना गया है। PAL के आउटपुट इनपुट अनुक्रम के टाइम-रीस्केलिंग के प्रति अपरिवर्तित रहते हैं, जबकि मानक अटेंशन नहीं।

3. तार्किक लक्षण वर्णन (Logical Characterization)

यह शोध पत्र एक्सट्रीमम फर्स्ट-ऑर्डर लॉजिक (EFO) को परिभाषित करता है, जो प्रथम-क्रम तर्क का एक विस्तार है जो केवल स्थानीय चरम स्थितियों (local extremal positions) पर क्वांटिफिकेशन की अनुमति देता है और जिसमें एक एक्सट्रीमम एग्रीगेट ऑपरेटर शामिल है।

प्रमेय: एक फंक्शन जो बाउंडेड-डेप्थ PAL-ट्रांसफॉर्मर द्वारा गणना योग्य है, वह तभी होगा यदि वह EFO में परिभाषित हो।
निहितार्थ: EFO, मानक ट्रांसफॉर्मर्स (FO + Aggregate) के अनुरूप तर्क का एक सख्त खंड (strict fragment) है, जो पुष्टि करता है कि PAL मनमाना पोजीशनल लॉजिक व्यक्त नहीं कर सकता लेकिन चरम-आधारित एकत्रीकरण (extremum-based aggregation) में उत्कृष्ट है।

4. भौतिकी और जटिलता से संबंध

RFIM तुल्यता: शोध पत्र प्रदर्शित करता है कि PAL, $T=0$ पर रैंडम-फील्ड आइसिंग मॉडल (RFIM) का एक सीखा हुआ, अनुक्रमिक, गैर-संतुलन सामान्यीकरण (non-equilibrium generalization) है। एक्सट्रीमम स्टैक RFIM के इतिहास के न्यूनतम पर्याप्त सांख्यिकी (minimal sufficient statistic) के अनुरूप है।
जटिलता: PAL इन्फरेंस की कुल समय जटिलता $O(n \log n)$ (स्टैक अपडेट और बाइनरी सर्च के कारण) और मेमोरी $O(kd) $है, जो मानक अटेंशन के$ O(n^2)$ की तुलना में कम है।
फेज ट्रांजिशन (Phase Transitions): RFIM सिद्धांत से प्रेरणा लेते हुए, शोध पत्र सुझाव देता है कि क्रिटिकल डिसऑर्डर स्ट्रेंथ के पास काम करने वाली PAL लेयर्स "एज ऑफ केओस" (edge of chaos) व्यवहार प्रदर्शित कर सकती हैं, जो इनपुट परिवर्तनों के प्रति संवेदनशीलता को अधिकतम करते हुए एक संरचित मेमोरी बनाए रखती हैं।

महत्व और दावे

शोध पत्र दावा करता है कि PAL अनुक्रम मॉडलिंग के लिए एक मौलिक रूप से भिन्न मेमोरी मैकेनिज्म प्रदान करता है, जो नवीनता-आधारित या पोजीशनल मेमोरी से हटकर प्रासंगिकता-आधारित मेमोरी (significance-based memory) की ओर जाता है।

सैद्धांतिक प्रगति: यह मौजूदा आर्किटेक्चर के साथ तुलनाहीन एक नया बिंदु प्रदान करता है, जो $O(1)$ गहराई ट्यूरिंग पूर्णता और एक अद्वितीय तार्किक लक्षण (EFO) प्रदान करता है।
दक्षता: एक्सट्रीमम स्टैक पर निर्भर होकर, PAL इन्फरेंस जटिलता को क्वाड्रेटिक से लगभग लीनियर ( $O(n \log n)$ ) तक कम कर देता है, जिससे यह लंबी एपिसोडिक मेमोरी वाले कार्यों के लिए सैद्धांतिक रूप से उपयुक्त बनता है।
कार्य उपयुक्तता: लेखक तर्क देते हैं कि PAL उन कार्यों पर मानक अटेंशन से बेहतर प्रदर्शन करने की संभावना रखता है जो दर-स्वतंत्र (rate-independent) हैं और ऐतिहासिक रेंज सांख्यिकी पर निर्भर करते हैं, जैसे:
- लंबे दस्तावेजों में एंटिटी स्टेट्स को ट्रैक करना।
- ऐतिहासिक रेंज के आधार पर टाइम सीरीज़ में विसंगतियों (anomalies) का पता लगाना।
- पोजीशनल संवेदनशीलता के बिना क्रमबद्ध घटनाओं पर तर्क करना।
- ऊर्जा बाजार डिस्पैच जहाँ निर्णय थ्रेशोल्ड व्यवहार को संचालित करते हैं।

शोध पत्र निष्कर्ष निकालता है कि हालांकि PAL रैंडम एक्सेस करने में सक्षम नहीं हो सकता है, लेकिन इसकी क्षमता—जो इनपुट इतिहास के न्यूनतम पर्याप्त सांख्यिकी को बनाए रखती है—इसे उन समस्याओं के लिए एक स्वाभाविक आर्किटेक्चर बनाती है जहाँ अतीत की घटनाओं की नवीनता या पूर्ण स्थिति से अधिक उनकी 'महत्ता' मायने रखती है। यह कार्य मुख्य रूप से सैद्धांतिक है, और भविष्य के अनुसंधान के लिए अनुभवजन्य सत्यापन (empirical validation) और लर्निंग डायनेमिक्स (विशेष रूप से क्रिटिकैलिटी के संबंध में) को खुले प्रश्नों के रूप में पहचाना गया है।