💻 computer science

Learning Augmented Exact Exponential Algorithms

यह शोध पत्र प्रदर्शित करता है कि मशीन-लर्न की गई भविष्यवाणियाँ, भले ही वे यादृच्छिक अनुमान (रैंडम गेसिंग) से केवल मामूली रूप से बेहतर हों और कमजोर स्वतंत्रता धारणाओं के अधीन हों, एनपी-हार्ड (NP-hard) सबसेट चयन समस्याओं के लिए सटीक घातांकीय-समय एल्गोरिदम (exact exponential-time algorithms) के खोज स्थान को प्रमाणिक रूप से कम कर सकती हैं और उन्हें त्वरित कर सकती हैं।

मूल लेखक: Tatiana Belova, Yuriy Dementiev, Danil Sagunov

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tatiana Belova, Yuriy Dementiev, Danil Sagunov

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 लाखों बक्सों से भरे एक विशाल, अंधेरे गोदाम में एक विशिष्ट, छिपी हुई चाबी खोजने की कोशिश कर रहे हैं। कंप्यूटर वैज्ञानिक इसे NP-hard समस्या कहते हैं: संभावनाओं की चक्करदार संख्या के बीच एक सटीक समाधान खोजना।

पारंपरिक रूप से, यह गारंटी देने के लिए कि आप बिल्कुल सही चाबी ढूंढ लेंगे (न कि केवल एक "काफी अच्छी" चाबी), आपको हर एक बॉक्स को चेक करना होगा। यदि $n$ बक्सों की संख्या है, तो आपको $2^n$ संयोजनों (combinations) को जांचना पड़ सकता है। जैसे-जैसे गोदाम बढ़ता है, सब कुछ जांचने में लगने वाला समय तेजी से (exponentially) बढ़ता जाता है। यहाँ तक कि सबसे स्मार्ट एल्गोरिदम भी समय को बहुत कम नहीं कर सकते, जैसे कि 2 घंटे की खोज को 1 घंटा 50 मिनट में बदलना।

यह शोध पत्र एक साहसी प्रश्न पूछता है: क्या होगा अगर हमारे पास एक थोड़ा मददगार दोस्त हो जो यह अनुमान लगा सके कि किन बक्सों में चाबी होने की संभावना है?

"फुसफुसाने वाला दोस्त" (द प्रेडिक्टर)

लेखक एक "नॉइज़ी प्रेडिक्टर" (noisy predictor) का परिचय देते हैं। इस दोस्त को एक ऐसे व्यक्ति के रूप में सोचें जिसने पहले कभी गोदाम नहीं देखा है, लेकिन वह अंदाज़ा लगा रहा है कि चाबी कहाँ हो सकती है।

वे पूर्ण (perfect) नहीं हैं। वास्तव में, वे सिक्का उछालकर निर्णय लेने से भी थोड़े ही बेहतर हैं।
यदि आप पूछें, "क्या चाबी बॉक्स 5 में है?" तो वे "हाँ" या "नहीं" कह सकते हैं।
वे यादृच्छिक अनुमान (random guess) की तुलना में थोड़ी अधिक बार सही होते हैं (जैसे कि 50% के बजाय 51% या 55% बार)।
महत्वपूर्ण बात यह है कि उनके अनुमान स्वतंत्र (independent) हैं। यदि वे बॉक्स 5 के बारे में गलत होते हैं, तो इसका मतलब यह नहीं है कि वे बॉक्स 6 के बारे में भी निश्चित रूप से गलत होंगे; उनकी गलतियाँ यादृच्छिक (random) हैं, सह-संबंधित (correlated) नहीं।

जादू का तरीका: एक छोटी सी फुसफुसाहट कैसे मदद करती है

शोध पत्र की मुख्य खोज आश्चर्यजनक है: भले ही एक दोस्त रैंडम गेसिंग से थोड़ा ही बेहतर हो, वह खोज के दायरे (search space) को घातीय रूप से (exponentially) छोटा कर सकता है।

यहाँ उपमा (analogy) दी गई है:
कल्पना कीजिए कि आप घास के ढेर में सुई ढूंढ रहे हैं।

दोस्त के बिना: आपको घास का हर एक तिनका बाहर निकालना होगा।
दोस्त के साथ: दोस्त घास के ढेर के आधे हिस्से की ओर इशारा करता है और कहता है, "सुई शायद इस ढेर में है।" भले ही दोस्त 49% बार गलत हो, लेकिन वह 51% बार सही होता है।
परिणाम: क्योंकि दोस्त का झुकाव सच्चाई की ओर थोड़ा अधिक है, इसलिए जिस "गलत" ढेर की ओर वे इशारा करते हैं, वह "सही" ढेर से वास्तव में छोटा होता है। दोस्त के अनुमानों का उपयोग करके अपनी खोज को निर्देशित करने से, आपको पूरा घास का ढेर नहीं खोजना पड़ता। आपको केवल सबसे आशाजनक क्षेत्रों की जांच करने की आवश्यकता होती है।

यह शोध पत्र सिद्ध करता है कि यह मामूली सा "झुकाव" (50% के बजाय 51% सही होना) गणितीय रूप से यह गारंटी देने के लिए पर्याप्त है कि आप पहले की तुलना में बहुत तेज़ी से समाधान पा सकते हैं। यह एक ऐसे दिशा-सूचक यंत्र (compass) की तरह है जो केंद्र से थोड़ा हटकर है; यदि आप जानते हैं कि यह केंद्र से हटा हुआ है, तो आप बिना किसी दिशा-सूचक यंत्र के गंतव्य खोजने की तुलना में अपने पथ को समायोजित करके गंतव्य को तेज़ी से पा सकते हैं।

दोस्त का उपयोग करने के दो तरीके

लेखक इस "फुसफुसाने वाले दोस्त" का उपयोग करने के दो अलग-अलग खोज रणनीतियों में वर्णन करते हैं:

1. "ब्रूट फोर्स" खोज (एग्जॉस्टिव सर्च)

पुराना तरीका: बक्सों के हर संभव संयोजन की जाँच करें।
नया तरीका: हर बॉक्स के बारे में दोस्त से पूछें। उन बक्सों को समूहबद्ध करें जिनके लिए उन्होंने "हाँ" कहा है और वे जिनमें उन्होंने "नहीं" कहा है। फिर, हर संयोजन की जाँच करने के बजाय, आप केवल उन संयोजनों की जाँच करते हैं जो दोस्त के अनुमान के "करीब" हैं।
लाभ: भले ही दोस्त नॉइज़ी (noisy) है, गणित दिखाता है कि आपको जांचने वाले संयोजनों की संख्या काफी कम हो जाती है। आप $2^n$ बक्सों की जाँच करने के बजाय, उससे थोड़ा कम की जाँच करते हैं, जो बड़ी समस्याओं के लिए एक बड़ी गति (speedup) है।

2. "स्मार्ट खोज" (मोनोटोन लोकल सर्च)

पुराना तरीका: कई जटिल समस्याओं के लिए, वैज्ञानिक पहले से ही "मोनोटोन लोकल सर्च" नामक एक चतुर विधि का उपयोग करते हैं। यह एक समाधान को टुकड़ों में जोड़कर बनाता है, और अगले टुकड़े जोड़ने के बारे में स्मार्ट अनुमान लगाता है।
नया तरीका: लेखक इस "फुसफुसाने वाले दोस्त" को इस मौजूदा स्मार्ट विधि में शामिल करते हैं। अगले टुकड़े को जोड़ने के लिए यादृच्छिक रूप से अनुमान लगाने के बजाय, वे चुनाव को प्रभावित करने के लिए दोस्त के भविष्यवाणियों का उपयोग करते हैं।
लाभ: यह प्रसिद्ध समस्याओं की एक बड़ी सूची (जैसे ग्राफ को काटने का सबसे अच्छा तरीका ढूंढना, कार्यों को शेड्यूल करना, या लॉजिक पहेलियों को हल करना) के लिए पहले से मौजूद सबसे तेज़ एल्गोरिदम की गति में सुधार करता है। यह इन पहले से ही तेज़ एल्गोरिदम को और भी तेज़ बनाता है।

"अज्ञात सटीकता" का मोड़ (The "Unknown Accuracy" Twist)

आमतौर पर, किसी सहायक का उपयोग करने के लिए, आपको यह जानना आवश्यक होता है कि वे कितने अच्छे हैं। यदि आपका दोस्त 55% सटीक है, तो आप अपनी खोज को 60% सटीक दोस्त की तुलना में अलग तरह से ट्यून करेंगे।

यह शोध पत्र एक व्यावहारिक समस्या का भी समाधान करता है: क्या होगा यदि आप नहीं जानते कि दोस्त कितना अच्छा है?
वे "कोशिश करने और समायोजित करने" (trying and adjusting) की रणनीति प्रस्तावित करते हैं।

आप यह मानकर शुरू करते हैं कि दोस्त बहुत अच्छा है।
यदि वह काम नहीं करता है, तो आप मानते हैं कि वह थोड़ा कम अच्छा है।
आप अपनी अपेक्षाओं को तब तक कम करते रहते हैं जब तक कि आपको समाधान न मिल जाए।
क्योंकि दोस्त आमतौर पर ठीक-ठाक होता है, इसलिए यह आज़माने और त्रुटि सुधारने (trial-and-error) की प्रक्रिया औसत रूप से बहुत तेज़ी से काम करती है, भले ही आपको पहले से सटीक सटीकता का पता न हो।

मुख्य निष्कर्ष

इस शोध पत्र का सबसे महत्वपूर्ण संदेश "सूचना उत्तोलन" (Information Leverage) के बारे में है।
यह दिखाता है कि सूचना की एक सूक्ष्म मात्रा (एक रैखिक मात्रा का डेटा) संभावनाओं के एक विशाल, घातीय विस्फोट को नियंत्रित और नियंत्रित कर सकती है। आपको एक पूर्ण भविष्यवक्ता या किसी जादुई दृष्टि की आवश्यकता नहीं है। आपको बस एक ऐसे दोस्त की आवश्यकता है जो सिक्का उछालने से थोड़ा बेहतर हो, और उन्हें सुनने का एक स्मार्ट तरीका चाहिए।

यह कार्य मशीन लर्निंग भविष्यवाणियों का उपयोग करके सबसे कठिन, सबसे अधिक समय लेने वाली कंप्यूटर समस्याओं को तेज़ करने के द्वार खोलता है, जो केवल "अनुमानित" उत्तरों से आगे बढ़कर बहुत पहले से कहीं अधिक तेज़ी से सटीक पूर्ण समाधान खोजने की ओर ले जाता है।

तकनीकी सारांश: लर्निंग ऑगमेंटेड एग्जैक्ट एक्सपोनेंशियल एल्गोरिदम (Learning Augmented Exact Exponential Algorithms)

समस्या विवरण (Problem Statement)

यह शोध पत्र लर्निंग-ऑगमेंटेड एल्गोरिदम (LAA) के क्षेत्र में एक मौलिक अंतराल को संबोधित करता है। जबकि मौजूदा LAA अनुसंधान ने बहुपद-समय (polynomial-time) एल्गोरिदम को बेहतर बनाने के लिए मशीन-लर्न की गई भविष्यवाणियों का सफलतापूर्वक उपयोग किया है—जिससे कॉम्पिटिटिव रेश्यो (competitive ratios), एप्रोक्सिमेशन गारंटी, या रनिंग टाइम के स्थिरांक (constant factors) में सुधार हुआ है—यह अभी तक निर्धारित नहीं हो पाया है कि क्या भविष्यवाणियाँ NP-हार्ड समस्याओं के लिए एग्जैक्ट एक्सपोनेंशियल-टाइम एल्गोरिदम को गति प्रदान कर सकती हैं।

लेखक $\Phi$ -सबसेट (Subset) समस्या पर ध्यान केंद्रित करते हैं, जो $\Phi$ द्वारा परिभाषित एक इम्प्लिसिट सेट सिस्टम के माध्यम से एक कॉम्बिनेटोरियल फजीबिलिटी (combinatorial feasibility) स्थिति को संतुष्ट करने वाले एक यूनिवर्स $U=[n]$ के उपसमुच्चय (subset) $S$ को खोजने की एक सामान्य श्रेणी है। यह वर्ग कई NP-hard समस्याओं को समाहित करता है, जिनमें फीडबैक वर्टेक्स सेट (Feedback Vertex Set), हिटिंग सेट (Hitting Set), और वेटेड $d$ -SAT शामिल हैं। इन समस्याओं के लिए सर्वोत्तम ज्ञात सटीक एल्गोरिदम आमतौर पर $\alpha^n \cdot n^{O(1)}$ समय में चलते हैं, जहाँ $\alpha > 1$ का आधार (base) है। इस आधार $\alpha$ में सुधार करना एक महत्वपूर्ण एल्गोरिद्मिक चुनौती है, जो अक्सर स्ट्रॉन्ग एक्सपोनेंशियल टाइम हाइपोथेसिस (SETH) द्वारा सीमित होती है, जो सुझाव देती है कि $k$ -SAT जैसी कुछ समस्याओं के लिए, कोई भी एल्गोरिदम $O((2-\epsilon)^n)$ समय में नहीं चल सकता।

मुख्य प्रश्न यह है: क्या मशीन-लर्न की गई भविष्यवाणियाँ, जो इष्टतम समाधान की संरचना के बारे में होती हैं, सटीक एक्सपोनेंशियल-टाइम एल्गोरिदम की सीमा को आगे बढ़ा सकती हैं, और संभावित रूप से SETH बाधाओं को दरकिनार कर सकती हैं?

कार्यप्रणाली (Methodology)

लेखक एक सामान्य ढांचा प्रस्तावित करते हैं जो नॉइजी प्रेडिक्टर (noisy predictors) को दो प्राथमिक एल्गोरिद्मिक प्रतिमानों (paradigms) में एकीकृत करता है: एग्जॉस्टिव सर्च (exhaustive search) और मोनोटोन लोकल सर्च (Monotone Local Search - MLS)।

1. नॉइजी प्रेडिक्टर मॉडल (The Noisy Predictor Model)

एल्गोरिदम एक प्रेडिक्टर की उपलब्धता मानता है जो प्रत्येक तत्व $e \in U$ के लिए उसके इष्टतम समाधान $S^*$ की सदस्यता के संबंध में एक बाइनरी भविष्यवाणी $\hat{y}_e \in \{0, 1\}$ प्रदान करता है।

सटीकता (Accuracy): प्रत्येक भविष्यवाणी कम से कम $1/2 + \epsilon$ की प्रायिकता के साथ सही होती है, जहाँ $\epsilon > 0$ है।
स्वतंत्रता (Independence): मॉडल के लिए तत्वों के बीच प्रेडिक्शन एरर की केवल पेयरवाइज इंडिपेंडेंस (pairwise independence) की आवश्यकता होती है, जो पूर्व साहित्य में मानी जाने वाली म्यूचुअल इंडिपेंडेंस (mutual independence) की तुलना में एक बहुत ही कमजोर और अधिक यथार्थवादी धारणा है।
अज्ञात सटीकता (Unknown Accuracy): ढांचा उस सेटिंग को भी संबोधित करता है जहाँ एल्गोरिदम को $\epsilon$ का मान पूर्व में ज्ञात नहीं होता है।

2. एग्जॉस्टिव सर्च के साथ एकीकरण (Integration with Exhaustive Search)

विशिष्ट फिक्स्ड-पैरामीटर ट्रैक्टेबल (FPT) सबरूटीन के बिना सामान्य सबसेट चयन समस्याओं के लिए, लेखक ब्रूट-फोर्स दृष्टिकोण को अनुकूलित करते हैं।

तंत्र (Mechanism): प्रेडिक्टर "यस" भविष्यवाणियों के आधार पर एक "हॉट स्टार्ट" सेट $\tilde{S}^*$ उत्पन्न करता है। एल्गोरिदम फिर $\tilde{S}^*$ और वास्तविक समाधान $S^*$ के बीच सिमेट्रिक डिफरेंस (symmetric difference) सेट्स $D$ को सूचीबद्ध करता है।
विश्लेषण (Analysis): इस तथ्य का उपयोग करते हुए कि अपेक्षित सिमेट्रिक डिफरेंस $(1/2 - \epsilon)n$ द्वारा सीमित है, सर्च स्पेस को $2^n$ से घटाकर $\sum_{i=0}^{(1/2-\Omega(\epsilon))n} \binom{n}{i}$ में बदल दिया जाता है।
परिणाम (Result): बाइनरी एंट्रॉपी फंक्शन $H(\gamma)$ के गुणों का लाभ उठाते हुए, लेखक दिखाते हैं कि $2^{H(1/2-\epsilon)} \le 2 - \Omega(\epsilon^2)$ , जिससे एक्सपोनेंशियल बेस कम हो जाता है।

3. मोनोटोन लोकल सर्च (MLS) के साथ एकीकरण (Integration with Monotone Local Search)

उन समस्याओं के लिए जिनमें $\Phi$ -एक्सटेंशन (Extension) समस्या के लिए एक FPT एल्गोरिदम उपलब्ध है (यह निर्धारित करना कि क्या एक आंशिक सेट $X$ को आकार $k$ के समाधान में विस्तारित किया जा सकता है), लेखक MLS ढांचे (Fomin et al., 2019) को उन्नत करते हैं।

मानक MLS (Standard MLS): एक FPT एल्गोरिदम को, जो $c^k \cdot n^{O(1)}$ में चलता है, एक सटीक एल्गोरिदम में परिवर्तित करता है जो रैंडमली पार्शियल सॉल्यूशंस को सैंपल करके $(2 - 1/c)^n \cdot n^{O(1)}$ में चलता है।
प्रेडिक्शन-ऑगमेंटेड MLS (Prediction-Augmented MLS): यूनिफॉर्म रैंडम सैंपलिंग के बजाय, एल्गोरिदम पार्शियल सेट $X$ के सैंपलिंग को बायस (bias) करने के लिए प्रेडिक्टर का उपयोग करता है। यूनिवर्स को भविष्यवाणियों के आधार पर "यस" ( $U_1$ ) और "नो" ( $U_0$ ) सेट्स में विभाजित किया जाता है। एल्गोरिदम $X$ को इस तरह सैंपल करता है कि $X \cap U_1$ का इंटरसेक्शन $|X|/2$ से अधिक होने की ओर झुका हुआ हो।
तकनीकी कोर (Technical Core): लेखक एक "बायस्ड सैंपलिंग" लेम्मा (लेम्मा 4) को सिद्ध करते हैं, जो यह दिखाता है कि विभाजित सेट्स से सैंपलिंग करना, यूनिफॉर्म सैंपलिंग की तुलना में कॉम्बिनेटोरियल फैक्टर को काफी कम कर देता है, बशर्ते कि प्रेडिक्शन सटीकता $\epsilon > 0$ हो।

मुख्य योगदान और परिणाम (Key Contributions and Results)

यह शोध पत्र दो मुख्य प्रमेय स्थापित करता है जो यह दर्शाते हैं कि भले ही प्रेडिक्टर रैंडम गेसिंग से थोड़ा भी बेहतर ( $\epsilon > 0$ ) हो, वह सर्च स्पेस को कम करने के लिए पर्याप्त है।

1. सामान्य सबसेट चयन (कोई FPT सबरूटीन नहीं)

प्रमेय 1: किसी भी $\Phi$ -सबसेट समस्या के लिए, यह मानते हुए कि केवल फेज़िबिलिटी चेकिंग के लिए एक ऑरेकल और $1/2 + \epsilon$ सटीकता वाला एक नॉइजी प्रेडिक्टर उपलब्ध है, समस्या को इस समय में हल किया जा सकता है:
$(2 - \Omega(\epsilon^2))^n \cdot n^{O(1)}$
यह किसी भी $\epsilon > 0$ के लिए ट्रिवियल $2^n$ ब्रूट-फोर्स बाउंड से स्पष्ट रूप से बेहतर है, जो लर्निंग-ऑगमेंटेड मॉडल के तहत इन समस्याओं के लिए $2^n$ बाधा को तोड़ता है।

2. FPT एक्सटेंशन एल्गोरिदम वाली समस्याएं

प्रमेय 2: यदि $\Phi$ -एक्सटेंशन को $c^k \cdot n^{O(1)}$ समय में हल किया जा सकता है, तो $\Phi$ -सबसेट को इस समय में हल किया जा सकता है:
$(2 - 1/c - \Omega_c(\epsilon^2))^n \cdot n^{O(1)}$
जहाँ $\Omega_c$ एक स्थिरांक $c$ पर निर्भर छिपा हुआ है। यह परिणाम निम्नलिखित समस्याओं के एक विस्तृत परिवार के लिए स्टेट-ऑफ-द-आर्ट सटीक एल्गोरिदम में सुधार करता है:

फीडबैक वर्टेक्स सेट (रैंडमाइज्ड और डिटर्मिनिस्टिक)
सबसेट फीडबैक वर्टेक्स सेट, ग्रुप फीडबैक वर्टेक्स सेट
टूर्नामेंट्स में फीडबैक वर्टेक्स सेट
$d$ -हिटिंग सेट, 3-हिटिंग सेट
नोड यूनिक लेबल कवर
मिन-ओन्स $d$ -SAT, मिन-ओन्स 3-SAT
विभिन्न वर्टेक्स डिलीशन समस्याएं (इंटरवल, प्रॉपर इंटरवल, ब्लॉक ग्राफ, क्लस्टर)
वर्टेक्स $(r, \ell)$ -पार्टीज़ेशन

3. अज्ञात प्रेडिक्शन क्वालिटी (Unknown Prediction Quality)

शोध पत्र उस व्यावहारिक परिदृश्य को संबोधित करता है जहाँ $\epsilon$ अज्ञात है। $\epsilon$ के ज्यामितीय रूप से घटते अनुमानों (जैसे, $\epsilon_i = 2^{-(i+1)}$ ) के साथ एल्गोरिदम चलाकर और एरर की म्यूचुअल इंडिपेंडेंस पर भरोसा करके, लेखक दिखाते हैं कि अपेक्षित (expected) रनिंग टाइम ज्ञात- $\epsilon$ केस के समान एसिम्प्टोटिक बाउंड प्राप्त करता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि यह लर्निंग-ऑगमेंटेड एग्जैक्ट एक्सपोनेंशियल एल्गोरिदम के अध्ययन की शुरुआत करता है। इसका प्राथमिक महत्व एक अप्रत्याशित सूचना उत्तोलन प्रभाव (information leverage effect) को प्रदर्शित करना है: रैखिक मात्रा में प्रेडिक्टिव जानकारी (केवल $n$ बिट्स, प्रति तत्व एक) एक एक्सपोनेंशियल सर्च स्पेस को नियंत्रित करने के लिए पर्याप्त है, बशर्ते कि उसका सही एल्गोरिद्मिक ढांचे के माध्यम से उपयोग किया जाए।

संबंधित सेटिंग्स के संबंध में मुख्य दावे इस प्रकार हैं:

न्यूनतम धारणाएं (Minimal Assumptions): इस दृष्टिकोण के लिए केवल एरर की पेयरवाइज इंडिपेंडेंस की आवश्यकता है, जिसे सरल निर्माणों (जैसे, हैश-आधारित प्रेडिक्टर) के माध्यम से प्राप्त किया जा सकता है, और इसके लिए एल्गोरिदम को प्रेडिक्टर की सटीकता $\epsilon$ को पहले से जानने की आवश्यकता नहीं है।
स्मूथ स्केलिंग (Smooth Scaling): रनटाइम स्पीडअप प्रेडिक्शन क्वालिटी के साथ सुचारू रूप से स्केल करता है; यहाँ तक कि एक बहुत छोटा $\epsilon$ भी एक्सपोनेंशियल बेस में प्रमाणित कमी प्रदान करता है।
व्यापक प्रयोज्यता (Broad Applicability): यह ढांचा एक साथ कई NP-hard सबसेट चयन समस्याओं पर लागू होता है, जो सभी के लिए रनिंग टाइम बेस में सुधार करता है।

लेखक निष्कर्ष निकालते हैं कि जबकि स्ट्रॉन्ग एक्सपोनेंशियल टाइम हाइपोथेसिस (SETH) अभी भी वर्स्ट-केस इनपुट्स के लिए सत्य हो सकता है, नॉइजी प्रेडक्शंस का एकीकरण समस्याओं के एक व्यापक वर्ग के लिए इन बाधाओं को पार करने का एक कठोर मार्ग प्रदान करता है, जिससे सटीक एक्सपोनेंशियल एल्गोरिदम की सीमा बदल जाती है।