💬 NLP

Looped World Models

यह शोध पत्र लूप्ड वर्ल्ड मॉडल्स (LoopWM) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो एक पैरामीटर-साझा ट्रांसफार्मर के माध्यम से लेटेंट स्टेट्स को पुनरावृत्ति से परिष्कृत करके, निष्ठावान लॉन्ग-होरिज़न सिमुलेशन और कम्प्यूटेशनल लागत के बीच के तनाव को हल करता है, जिससे 100 गुना तक पैरामीटर दक्षता प्राप्त होती है और इटरेटिव लेटेंट डेप्थ को वर्ल्ड मॉडलिंग के लिए एक नए स्केलिंग एक्सिस के रूप में स्थापित करता है।

मूल लेखक: Hongyuan Adam Lu, Z. L. Victor Wei, Qun Zhang, Jinrui Zeng, Bowen Cao, Lingwei Meng, Mocheng Li, Zezhong Wang, Haonan Yin, Naifu Xue, Minyu Chen, Cenyuan Zhang, Zefan Zhang, Hao Wei, Jiawei Zhou, Haor

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongyuan Adam Lu, Z. L. Victor Wei, Qun Zhang, Jinrui Zeng, Bowen Cao, Lingwei Meng, Mocheng Li, Zezhong Wang, Haonan Yin, Naifu Xue, Minyu Chen, Cenyuan Zhang, Zefan Zhang, Hao Wei, Jiawei Zhou, Haoran Xu, Hao Yang, Ronglai Zuo, Tongda Xu, Yonghao Li, Jian Chen, Hebin Wang, Zeyu Gao, Yang Li, Wei Zhao, Qimin Zhong, Siqi Liu, Yumeng Zhang, Leyan Cui, Zhangyu Wang, Wai Lam

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 "Looped World Models" पेपर का सरल भाषा में अनुवाद दिया गया है:

बड़ी समस्या: "थका हुआ यात्री" बनाम "स्मार्ट गाइड"

कल्पना कीजिए कि आप किसी जटिल वातावरण के भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं, जैसे कि कोई वीडियो गेम या एक कमरे में नेविगेट करने वाला रोबोट। इसे AI की भाषा में "वर्ल्ड मॉडल" (World Model) कहा जाता है।

वर्तमान AI मॉडल एक कठिन विकल्प का सामना करते हैं, जैसे कि एक यात्री जो पहाड़ पार करने की कोशिश कर रहा हो:

गहरी चढ़ाई (The Deep Hike): आगे क्या होगा इसकी सटीक भविष्यवाणी करने के लिए, AI को बहुत गहराई से सोचना पड़ता है और कई कदम उठाने पड़ते हैं। लेकिन यह धीमा और महंगा है, और यदि AI शुरुआत में एक छोटी सी गलती करता है, तो वह गलती हर कदम के साथ बढ़ती जाती है (जैसे पहाड़ से लुढ़कता हुआ बर्फ का गोला), जिससे पूरी भविष्यवाणी खराब हो जाती है।
उथली सैर (The Shallow Walk): समय और पैसा बचाने के लिए, AI एक त्वरित और उथली नज़र डालता है। यह तेज़ तो है, लेकिन इसमें अक्सर विवरण गलत हो जाते हैं, खासकर लंबी यात्राओं के लिए।

यह पेपर तर्क देता है कि वर्तमान मॉडल बीच में फंसे हुए हैं: वे या तो चलाने के लिए बहुत महंगे हैं या समय के साथ गलतियाँ करने के प्रति बहुत संवेदनशील हैं।

समाधान: "लूप्ड वर्ल्ड मॉडल" (LoopWM)

शोधकर्ताओं ने Looped World Models (LoopWM) नामक एक नया आर्किटेक्चर प्रस्तावित किया है। इसे एक लंबी लाइन के रूप में न देखें जहाँ कार्यकर्ता एक चेन में पैकेज पास कर रहे हैं, बल्कि इसे एक एकल, सुपर-स्मार्ट विशेषज्ञ के रूप में देखें जो अपने उत्तर को बार-बार परिष्कृत (refine) करता रहता है।

यह तीन मुख्य अवधारणाओं का उपयोग करके काम करता है:

1. "पुनः पढ़ने" का लूप (पैरामीटर शेयरिंग - Parameter Sharing)

कल्पना कीजिए कि आप एक कठिन गणित की समस्या हल करने की कोशिश कर रहे हैं।

पुराना तरीका: आप 100 अलग-अलग लोगों को काम पर रखते हैं। व्यक्ति 1 चरण 1 करता है, व्यक्ति 2 चरण 2 करता है, और इसी तरह। आपको 100 अलग-अलग दिमागों (पैरामीटर्स) की आवश्यकता होती है, और यदि व्यक्ति 5 कोई गलती करता है, तो उसके बाद वाले सभी लोग बर्बाद हो जाते हैं।
LoopWM का तरीका: आप एक प्रतिभाशाली गणितज्ञ को काम पर रखते हैं। आप उन्हें समस्या देते हैं, और वे कहते हैं, "मुझे इस पर एक सेकंड सोचने दें।" फिर वे फिर से सोचते हैं। फिर से सोचते हैं। वे उत्तर को सटीक बनाने के लिए बार-बार उसी दिमाग का उपयोग करते हैं।

तकनीकी रूप से, यह मॉडल न्यूरल नेटवर्क लेयर्स के उसी सेट को बार-बार उपयोग करता है। यह मॉडल को अविश्वसनीय रूप से छोटा और कुशल बनाता है (पारंपरिक मॉडलों की तुलना में 100 गुना छोटा), क्योंकि इसे स्मार्ट होने के लिए अलग-अलग लेयर्स की विशाल लाइब्रेरी की आवश्यकता नहीं होती है।

2. "सुरक्षा जाल" (स्पेक्ट्रल स्टेबिलिटी - Spectral Stability)

जब आप उस अकेले गणितज्ञ को लगातार 100 बार सोचने के लिए कहते हैं, तो इस बात का जोखिम होता है कि वे भ्रमित हो सकते हैं या अजीब नंबरों (गणितीय "विस्फोट") की कल्पना करने लग सकते हैं।

पेपर एक गणितीय सुरक्षा जाल पेश करता है। उन्होंने मॉडल में एक विशिष्ट नियम बनाया है जो एक शॉक एब्जॉर्बर (झटका सहने वाले यंत्र) की तरह काम करता है। मॉडल कितनी भी बार लूप या रिफाइन करे, यह नियम सुनिश्चित करता है कि संख्याएँ शांत और सीमित रहें। यह गारंटी देता है कि AI पागल नहीं होगा, भले ही वह एक बहुत लंबे भविष्य का अनुकरण (simulate) कर रहा हो।

3. "स्मार्ट स्टॉप" (एडेप्टिव कंप्यूटेशन - Adaptive Computation)

यह सबसे चतुर हिस्सा है। मॉडल जानता है कि कब सोचना बंद करना है।

परिदृश्य A: आप AI से पूछते हैं, "अगर मैं निर्वात (vacuum) में एक गेंद गिरा दूँ तो क्या होगा?" भौतिकी सरल है। AI एक बार लूप करता है, महसूस करता है कि उत्तर स्पष्ट है, और कहता है, "हो गया!" यह ऊर्जा की भारी बचत करता है।
परिदृश्य B: आप पूछते हैं, "क्या होगा अगर बारिश के दौरान एक कार दीवार से टकरा जाए?" यह जटिल है। AI दुर्घटना, पानी और नुकसान की भविष्यवाणी को परिष्कृत करने के लिए कई बार लूप करता है, और फिर अंत में उत्तर देता है।

इसे Adaptive Computation कहा जाता है। मॉडल स्वचालित रूप से कठिन समस्याओं पर अधिक "दिमाग" खर्च करता है और आसान समस्याओं पर कम।

"डिफर्ड डिकोडिंग" (Deferred Decoding) की ट्रिक

यह पेपर Deferred Decoding नामक एक तकनीक भी पेश करता है।

कल्पना कीजिए कि एक निर्देशक फिल्म फिल्मा रहा है।

पुराना तरीका: हर एक संवाद के बाद, निर्देशक अभिनेताओं को रोकता है, लाइटिंग की जाँच करता है, स्क्रिप्ट की समीक्षा करता है, और अगला संवाद बोलने से पहले नोट्स लिखता है। यह धीमा है और प्रवाह को तोड़ देता है।
LoopWM का तरीका: निर्देशक अभिनेताओं को अपने दिमाग में (लेटेंट स्पेस में) पूरा दृश्य खेलने देता है, बिना कैमरा चेक किए रुके। केवल अंत में निर्देशक कहता है, "ठीक है, अब मुझे अंतिम दृश्य दिखाओ।"

AI के आंतरिक विचारों को दृश्य छवि या विशिष्ट रिवॉर्ड में बदलने के लिए बिल्कुल अंत तक प्रतीक्षा करके, मॉडल हर कदम पर "यह कैसा दिखता है" के विवरणों से विचलित हुए बिना, केवल "आगे क्या होगा" के तर्क पर ध्यान केंद्रित कर सकता है। यह दीर्घकालिक योजना को बहुत अधिक सटीक बनाता है।

परिणाम: छोटा लेकिन शक्तिशाली

शोधकर्ताओं ने इस नए मॉडल (जिसमें केवल 1 बिलियन पैरामीटर्स हैं—जो AI के लिए बहुत छोटे हैं) का परीक्षण Claude Opus और Gemini जैसे विशाल, प्रसिद्ध मॉडलों के खिलाफ किया।

परीक्षण: उन्होंने मॉडलों से जटिल विज्ञान कार्यों (जैसे "पानी उबालना," "पौधे उगाना," या "वस्तुएं खोजना") के परिणामों की भविष्यवाणी करने के लिए कहा।
परिणाम: इस छोटे से LoopWM मॉडल ने कई श्रेणियों में विशाल मॉडलों को हरा दिया।
- "Lifespan" नामक कार्य में, बड़े मॉडलों का स्कोर 0% था, जबकि LoopWM का स्कोर 100% था।
- औसतन, यह दिग्गजों की तुलना में काफी अधिक सटीक था, बावजूद इसके कि यह 100 गुना छोटा था।

सारांश

यह पेपर AI के एक बड़े तनाव को हल करने का दावा करता है: हम दीर्घकालिक भविष्यवाणियों को सटीक और सस्ता कैसे बना सकते हैं?

उन्होंने इसे इस प्रकार किया:

एक एकल, पुन: प्रयोज्य मस्तिष्क का उपयोग करके जो अपने विचारों को परिष्कृत करता है (Looping)।
त्रुटियों को फटने से रोकने के लिए एक गणितीय सुरक्षा ब्रेक जोड़कर (Stability)।
कार्य की कठिनाई के आधार पर AI को कितना कठिन सोचना है यह चुनने देकर (Adaptive Depth)।
विचारों को छवियों में अनुवाद करने के लिए अंत तक प्रतीक्षा करके (Deferred Decoding)।

परिणामस्वरूप, एक ऐसा "वर्ल्ड मॉडल" मिला जो छोटा, स्थिर और भविष्य की भविष्यवाणी करने में आश्चर्यजनक रूप से अच्छा है, जो यह साबित करता है कि स्मार्ट होने के लिए आपको विशाल मॉडल की आवश्यकता नहीं है।

तकनीकी सारांश: लूपेड वर्ल्ड मॉडल्स (LoopWM)

समस्या विवरण

वर्तमान वर्ल्ड मॉडल्स (विश्व मॉडल) एक मौलिक तनाव का सामना करते हैं जो लंबी अवधि के सटीक सिमुलेशन की आवश्यकता और परिनियोजन (deployment) की सीमाओं के बीच होता है। भौतिक गतिकी (physical dynamics) का सटीक सिमुलेशन अक्सर गहन या पुनरावृत्ति गणना (iterative computation) की मांग करता है, क्योंकि भौतिक नियम बार-बार लागू होने के माध्यम से प्रकट होते हैं। हालाँकि, पारंपरिक निश्चित-गहराई वाले आर्किटेक्चर हर ट्रांज़िशन के लिए समान कम्प्यूटेशनल संसाधनों का आवंटन करते हैं, चाहे उसकी जटिलता कुछ भी हो। इससे दो प्राथमिक विफलता मोड उत्पन्न होते हैं:

संचयी त्रुटियाँ (Compounding Errors): विस्तारित रोलआउट के दौरान भविष्यवाणी त्रुटियाँ तेजी से बढ़ती हैं, जिससे प्रक्षेपवक्र की सटीकता (trajectory fidelity) कम हो जाती है।
परिनियोजन लागत (Deployment Costs): इन त्रुटियों को कम करने के लिए मॉडल की गहराई को बढ़ाने से पैरामीटर संख्या और इन्फरेंस लागत आनुपातिक रूप से बढ़ जाती है, जिससे संसाधन-सीमित प्लेटफार्मों पर रीयल-टाइम परिनियोजन अत्यधिक महंगा हो जाता है।

यद्यपि लूपेड ट्रांसफार्मर आर्किटेक्चर ने गहराई में पैरामीटर्स को पुन: उपयोग करके भाषा मॉडलिंग में आशाजनक परिणाम दिखाए हैं, लेकिन वर्ल्ड मॉडलिंग और पर्यावरण सिमुलेशन के संदर्भ में इनका अन्वेषण अभी बाकी है।

कार्यप्रणाली (Methodology)

लेखक लूपेड वर्ल्ड मॉडल्स (LoopWM) का प्रस्ताव करते हैं, जो वर्ल्ड मॉडलिंग में लूपेड ट्रांसफार्मर आर्किटेक्चर का पहला अनुप्रयोग है। यह दृष्टिकोण तीन मुख्य सिद्धांतों पर आधारित है: भौतिक गतिकी के साथ संरचनात्मक संरेखण, प्रमाणित स्थिरता, और अनुकूलन योग्य कम्प्यूटेशनल गहराई।

1. समग्र आर्किटेक्चर

मॉडल में चार मॉड्यूल शामिल हैं:

ऑब्जर्वेशन एनकोडर ( $E_\phi$ ): कच्चे अवलोकनों (raw observations) को लेटेंट एम्बेडिंग में मैप करता है।
एक्शन एम्बेडर ( $A_\psi$ ): क्रियाओं (actions) को लेटेंट स्पेस में प्रोजेक्ट करता है।
लूपेड डायनेमिक्स कोर ( $L_\theta$ ): केंद्रीय घटक जो लेटेंट स्टेट को पुनरावृत्ति से परिष्कृत (refine) करता है।
प्रेडिक्शन हेड्स ( $D_\xi$ ): हल्के MLPs जो लेटेंट स्टेट को ऑब्जर्वेशन, रिवॉर्ड और कंटीन्यूएशन फ्लैग में डिकोड करते हैं।

2. स्पेक्ट्रल स्थिरता के साथ लूपेड डायनेमिक्स कोर

कोर एक पैरामीटर-शेयर्ड रिकरेंट ट्रांसफार्मर ब्लॉक का उपयोग करता है जिसे लेटेंट स्टेट को परिष्कृत करने के लिए $T$ बार पुनरावृत्ति से लागू किया जाता है। अपडेट नियम को इस प्रकार परिभाषित किया गया है:
$h^{(t+1)} = \bar{A} h^{(t)} + \bar{B} e + \bar{R}(h^{(t)}, e)$
जहाँ $e$ एक कंडीशनिंग सिग्नल है जो पिछले स्टेट, ऑब्जर्वेशन और एक्शन से प्राप्त होता है।

स्पेक्ट्रल बाधा (Spectral Constraint): मनमाने रोलआउट लंबाई पर स्थिरता सुनिश्चित करने के लिए, स्टेट-रिटेंशन मैट्रिक्स $\bar{A}$ को एक निरंतर-समय नेगेटिव डायगोनल मैट्रिक्स ( $A := \text{diag}(-\exp(a))$ ) के विवक्तीकरण (discretization) के माध्यम से पैरामीटराइज किया जाता है। यह $\bar{A}$ के सभी आइजनवैल्यू (eigenvalues) को अंतराल $(0, 1)$ में सीमित करता है, जो यह गारंटी देता है कि स्पेक्ट्रल नॉर्म स्ट्रिक्टली 1 से कम है। यह ग्रेडिएंट क्लिपिंग या पोस्ट-हॉक नॉर्मलाइजेशन की आवश्यकता के बिना लेटेंट स्टेट विस्फोट को रोकता है।
संरचना: कोर एक "प्रल्यूड-रिकरेंट-कोडा" (Prelude-Recurrent-Coda) डिज़ाइन का पालन करता है। एक प्रल्यूड इनपुट को प्रोसेस करता है, एक रिकरेंट ब्लॉक (शेयर्ड पैरामीटर्स) $T$ इटरेशन करता है, और एक कोडा (अलग पैरामीटर्स) अंतिम स्टेट को प्रोजेक्ट करता है।

3. अनुकूलन योग्य गणना (Adaptive Computation) और अर्ली एग्जिट

मॉडल एक एडैप्टिव अर्ली-एग्जिट तंत्र का उपयोग करता है। एक हल्का एग्जिट गेट यह निर्धारित करता है कि क्या लूप को सरल ट्रांज़िशन के लिए जल्दी समाप्त करना चाहिए या जटिल ट्रांज़िशन के लिए जारी रखना चाहिए। यह मॉडल को कठिन घटनाओं (जैसे टकराव) के लिए अधिक इटरेशन और सरल गतिकी (जैसे मुक्त उड़ान) के लिए कम इटरेशन आवंटित करने की अनुमति देता है, जिससे टेस्ट-टाइम कंप्यूट गतिशील रूप से स्केल होता है।

4. डिफ़र्ड डिकोडिंग (Deferred Decoding)

दक्षता और तर्क की गुणवत्ता में सुधार के लिए, लेखक डिफ़र्ड डिकोडिंग पेश करते हैं। प्रत्येक चरण पर ऑब्जर्वेशन को डिकोड करने के बजाय, मॉडल क्रियाओं के एक अनुक्रम में एक "डिकोड-फ्री" लेटेंट रोलआउट करता है, और केवल टर्मिनल स्टेप पर डिकोड करता है। यह लेटेंट प्रक्षेपवक्र को प्रति-चरण दृश्य विवरणों के बजाय टेम्पोरल रूप से विस्तारित, एक्शन-संबंधित संरचनाओं को एनकोड करने के लिए प्रोत्साहित करता है। प्रशिक्षण में एक करिकुलम का उपयोग किया जाता है जो धीरे-धीरे डिफरल होराइजन $K$ को बढ़ाता है।

प्रमुख योगदान

प्रथम LoopWM आर्किटेक्चर: विशेष रूप से वर्ल्ड मॉडलिंग के लिए डिज़ाइन किए गए पहले लूपेड ट्रांसफार्मर आर्किटेक्चर को पेश करता है, जो मॉडल आकार और डेटा वॉल्यूम के लंबवत (orthogonal) एक नए स्केलिंग एक्सिस के रूप में इटरेटिव लेटेंट डेप्थ को स्थापित करता है।
स्पेक्ट्रल स्थिरता: मनमाने रोलआउट लंबाई में स्थिर लेटेंट ट्रांज़िशन को गारंटी देने के लिए एक गणितीय रूप से पुष्ट तंत्र (स्पेक्ट्रल-नॉर्म बाधाएं) प्रदान करता है, जो संचयी त्रुटियों को संबोधित करता है।
पैरामीटर दक्षता: गहराई के माध्यम से पैरामीटर्स को पुन: उपयोग करके प्रतिस्पर्धी प्रेडिक्टिव सटीकता बनाए रखते हुए पारंपरिक दृष्टिकोणों की तुलना में 100× पैरामीटर दक्षता प्राप्त करता है।
अनुकूलन योग्य गहराई: यह प्रदर्शित करता है कि एडैप्टिव कंप्यूटेशन ट्रांज़िशन की जटिलता के साथ कम्प्यूटेशनल डेप्थ को मिलाकर इन्फरेंस लागत को काफी कम कर सकता है।
डिफ़र्ड डिकोडिंग: एक नया प्रशिक्षण और इन्फरेंस रणनीति प्रस्तावित करता है जो डायनेमिक्स रीजनिंग को ऑब्जर्वेशन ग्राउंडिंग से अलग करती है, जिससे डिकोडर कॉंकेक्शन कम होते हैं और लॉन्ग-होराइजन प्लानिंग में सुधार होता है।

परिणाम

पेपर का मूल्यांकन ScienceWorld और AlfWorld डेटासेट्स पर किया गया है, जिसमें claude-opus-4-6-max, qwen-3.5-flash, और gemini-3-flash-preview सहित मजबूत बेसलाइन्स के साथ तुलना की गई है।

ScienceWorld: प्रस्तावित मॉडल (लगभग 1B पैरामीटर्स) claude-opus-4-6-max बेसलाइन को महत्वपूर्ण रूप से पीछे छोड़ देता है। विशेष रूप से, यह "Lifespan" टास्क स्कोर को 0% से 100% तक सुधारता है। औसतन, यह Exact Match (EM) पर बेसलाइन से 21.2% बेहतर प्रदर्शन करता है और F1 और BLEU मेट्रिक्स में श्रेष्ठ प्रदर्शन करता है। यह अधिकांश मेट्रिक्स में qwen-3.5-flash और gemini-3-flash-preview जैसे छोटे मॉडल्स से भी बेहतर है।
AlfWorld: मॉडल तुलना किए गए मॉडल्स में सर्वश्रेष्ठ BLEU स्कोर प्राप्त करता है और अपने छोटे पैरामीटर काउंट (1B) के बावजूद EM और टोकन F1 में दूसरे स्थान पर है।
डिफ़र्ड डिकोडिंग विश्लेषण: प्रयोगों से संकेत मिलता है कि डिफ़र्ड डिकोडिंग महत्वपूर्ण सापेक्ष सुधार प्रदान करती है, विशेष रूप से जैसे-जैसे रोलआउट होराइजन बढ़ता है (उदाहरण के लिए, स्टेप 5 बेसलाइन्स की तुलना में महत्वपूर्ण लाभ दिखाता है)।

महत्व और दावे

पेपर दावा करता है कि LoopWM, इटरेटिव लेटेंट डेप्थ को एक व्यवहार्य स्केलिंग एक्सिस के रूप में पेश करके, सिमुलेशन फिडेलिटी और कम्प्यूटेशनल लागत के बीच के तनाव को हल करता है।

दक्षता: विधि यह प्रदर्शित करती है कि उच्च गुणवत्ता वाला वर्ल्ड सिमुलेशन विशाल पैरामीटर काउंट की मांग नहीं करता है; इसके बजाय, साझा पैरामीटर्स के साथ इटरेटिव रिफाइनमेंट अत्यधिक दक्षता का मार्ग प्रदान करता है।
स्थिरता: स्पेक्ट्रल बाधाएं स्थिरता के लिए औपचारिक गारंटी प्रदान करती हैं जो मानक ऑटोरिग्रेसिव वर्ल्ड मॉडल्स में अनुपस्थित हैं, जिससे लंबे और अधिक विश्वसनीय रोलआउट संभव होते हैं।
अनुकूलन क्षमता: एडैप्टिव डेप्थ मैकेनिज्म कम्प्यूटेशनल प्रयास को वातावरण की भौतिक जटिलता के साथ संरेखित करता है, जो निश्चित-गहराई वाले मॉडल्स की तुलना में सिमुलेशन के लिए अधिक स्वाभाविक दृष्टिकोण प्रदान करता है।

लेखक LoopWM को वर्ल्ड मॉडल परिदृश्य में एक विशिष्ट बिंदु के रूप में देखते हैं, जो RSSM-आधारित मॉडल्स, ऑटोरिग्रेसिव वीडियो टोकन मॉडल्स और डिफ्यूजन-आधारित मॉडल्स से भिन्न है। वे सुझाव देते हैं कि यह कार्य ऐसे वर्ल्ड मॉडल्स के निर्माण की ओर नए मार्ग खोलता है जो विस्तारित क्षितिज (horizons) पर एक साथ अधिक सक्षम, कुशल और स्थिर हों। पेपर स्वीकार करता है कि जबकि यह मुख्य आर्किटेक्चरल थीसिस को स्थापित करता है, व्यापक क्रॉस-फैमिली पोजिशनिंग और समृद्ध स्केलिंग विश्लेषण भविष्य के खुलासे के क्षेत्र बने हुए हैं।