🤖 machine learning

\chisao{}: A GPU-Native Parallel Optimizer for Multimodal Black-Box Functions via Convergence-Anticonvergence Oscillation

यह शोध पत्र \chisao{} को प्रस्तुत करता है, जो एक GPU-नेटिव समानांतर ऑप्टिमाइज़र है जो उच्च-आयामी मल्टीमॉडल ब्लैक-बॉक्स फलनों पर 100% मोड रिकवरी प्राप्त करने के लिए अभिसरण-अप्रतिअभिसरण दोलन (convergence-anticonvergence oscillation) तंत्र और अनुकूलित रीसीडिंग रणनीतियों का उपयोग करता है, जो CPU बेसलाइन की तुलना में 39× तक की गति वृद्धि प्रदान करता है।

मूल लेखक: Ira Wolfson

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ira Wolfson

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 एक विशाल, धुंधले, पहाड़ी परिदृश्य में हर एक छिपे हुए खजाने के संदूक को खोजने की कोशिश कर रहे हैं। कुछ संदूक घाटियों में गहराई में दबे हैं, कुछ ऊंचे शिखरों पर हैं, और कुछ बहुत ही छोटे, भ्रामक गुफाओं में छिपे हैं जो खजाना होने का भ्रम तो देते हैं पर असल में नहीं होते। यह मल्टीमॉडल ऑप्टिमाइज़ेशन (multimodal optimization) की समस्या है: केवल उस एक समाधान को खोजने के बजाय जो पहली नज़र में सबसे अच्छा लगे, सभी बेहतरीन समाधानों को खोजना।

अधिकांश कंप्यूटर प्रोग्राम इसे हल करने के लिए एक बार में एक खोजकर्ता (explorer) भेजने की कोशिश करते हैं। वे एक पहाड़ी पर चढ़ते हैं, एक संदूक पाते हैं, और फिर एक अलग जगह खोजने के लिए वापस नीचे आ जाते हैं। यह धीमा है, जैसे एक पूरे देश की खोज के लिए केवल एक व्यक्ति को भेजना।

यह शोध पत्र एक नई विधि पेश करता है जिसे ChiSao (उच्चारण: "ची-साओ", मार्शल आर्ट "स्टिकी हैंड्स" के नाम पर) कहा जाता है। एक खोजकर्ता भेजने के बजाय, ChiSao खोजकर्ताओं की एक विशाल सेना भेजता है, जिसे विशेष रूप से आधुनिक ग्राफिक्स कार्ड (GPUs) पर चलाने के लिए डिज़ाइन किया गया है जो एक साथ हजारों कार्यों को संभाल सकते हैं।

यहाँ बताया गया है कि ChiSao कैसे काम करता है, सरल उपमाओं का उपयोग करके:

1. "फ्रीज एंड एक्सप्लोर" (Freeze and Explore) रणनीति

कल्पना कीजिए कि आपकी खोजकर्ताओं की सेना पहाड़ों में दौड़ रही है।

द फ्रीज (The Freeze): जब खोजकर्ताओं का एक समूह एक असली खजाना संदूक (एक वास्तविक शिखर) पाता है, तो वे बिना किसी उद्देश्य के इधर-उधर दौड़ते नहीं रहते। वे उस खजाने की रक्षा करने और उसके सटीक निर्देशांक (coordinates) सुनिश्चित करने के लिए वहीं "फ्रीज" (स्थिर) हो जाते हैं। वे खोज करना बंद कर देते हैं लेकिन अपनी स्थिति को और बेहतर बनाने (refining) का काम जारी रखते हैं।
द एक्सप्लोर (The Explore): बाकी की सेना, जिन्होंने अभी तक कोई असली संदूक नहीं पाया है, दौड़ना जारी रखती है। वे केवल बेतरतीब ढंग से नहीं भटकते; वे नए क्षेत्रों को खोजने के लिए छोटी पहाड़ियों और घाटियों के ऊपर से कूदने के लिए मोमेंटम (गति) का उपयोग करते हैं।

अधिकांश अन्य प्रोग्राम या तो सभी को रुकने के लिए कहते हैं या सभी को चलते रहने के लिए कहते हैं। ChiSao स्मार्ट है क्योंकि यह कहता है, "तुम्हें इनाम मिला? वहीं रुक जाओ। तुम्हें नहीं मिला? तलाश जारी रखो।"

2. "ऑसिलेशन" (Oscillation) नृत्य

ChiSao केवल एक सीधी रेखा में नहीं चलता। यह छह चरणों के एक चक्र में नृत्य करता है:

क्लाइम्ब (Climb - चढ़ना): हर कोई निकटतम शिखर की ओर चढ़ने की कोशिश करता है।
चेक (Check - जांचना): किसने वास्तव में एक वास्तविक शिखर पर पहुँच लिया है? उन्हें "फ्रोजन" (Frozen) के रूप में चिह्नित करें।
क्लीन अप (Clean Up - सफाई): यदि दो फ्रोजन खोजकर्ता बिल्कुल एक ही संदूक पर खड़े हैं, तो उनमें से एक को बाहर निकाल दें ताकि सेना स्थान बर्बाद न करे।
रीसीड (Reseed - पुन: बीज डालना): यदि सेना के पास भेजने के लिए लोग कम पड़ रहे हैं, तो एल्गोरिदम नए खोजकर्ताओं को जन्म देता है।
- रिपल्स मंकी (Repulse Monkey): यदि अभी भी कई खोजकर्ता तलाश कर रहे हैं, तो यह नए खोजकर्ताओं को ज्ञात शिखरों से दूर फेंकता है ताकि वे नए क्षेत्र खोज सकें।
- गोल्डन रूस्टर (Golden Rooster): यदि लगभग सभी फ्रोजन हो चुके हैं, तो यह ज्ञात शिखरों से विशिष्ट, व्यवस्थित दिशाओं में नए खोजकर्ताओं को भेजता है ताकि आसपास के क्षेत्र की जांच की जा सके।
क्लाउड हैंड्स (Cloud Hands): जो खोजकर्ता अभी भी तलाश कर रहे हैं, उन्हें ज़मीन पर मौजूद छोटी-मोटी ऊबड़-खाबड़ चट्टानों को अनदेखा करने के लिए कहा जाता है। वे बड़े परिदृश्य (मैप के एक स्मूथ वर्शन) को देखते हैं ताकि बड़ी घाटियों का आकार समझ सकें। यह उन्हें छोटी बाधाओं में फंसे बिना सही दिशा खोजने में मदद करता है।
एंटी-कन्वर्जेंस (Anti-Convergence - प्रति-अभिसरण): यह सबसे चतुर हिस्सा है। जो खोजकर्ता अभी भी तलाश कर रहे हैं, उन्हें उस शिखर के विपरीत दिशा में एक "धक्का" (kick) दिया जाता है जिसके वे करीब हैं। यह मोमेंटम उन्हें पहाड़ी से नीचे लुढ़कने और दूसरी तरफ के एक अलग शिखर को खोजने के लिए घाटी के पार ले जाने में मदद करता है।

3. यह इतना तेज़ क्यों है (GPU का लाभ)

कल्पना कीजिए कि एक CPU (एक मानक कंप्यूटर प्रोसेसर) एक भोजन पकाने वाला अकेला शेफ है। वह एक बार में केवल एक सब्जी काट सकता है।
कल्पना कीजिए कि एक GPU (एक ग्राफिक्स कार्ड) 10,000 शेफ वाला एक किचन है।

पुराने तरीके उन 10,000 शेफों का उपयोग करने की कोशिश करते हैं, लेकिन वे एक बार में केवल एक ही शेफ को काम करने देते हैं, या वे उन सभी को एक ही छोटे कार्य पर लगा देते हैं।
ChiSao उन सभी 10,000 शेफों को एक साथ काम पर लगाता है। यह एक ही क्षण में मैप के हजारों स्थानों का मूल्यांकन करता है।

इस कारण से, जटिल समस्याओं पर ChiSao मौजूदा सर्वोत्तम तरीकों की तुलना में 34 से 39 गुना तेज़ है, और यह वहां भी सफल होता है जहां अन्य विधियां पूरी तरह विफल हो जाती हैं जब मैप बहुत बड़ा और जटिल (उच्च आयाम वाला) हो जाता है।

4. इसने क्या पाया

लेखकों ने 42 अलग-अलग "मैप्स" (गणितीय फलनों) पर बढ़ती कठिनाई के साथ ChiSao का परीक्षण किया।

परिणाम: ChiSao ने लगभग हर मैप पर 100% छिपे हुए खजाने के संदूक खोज निकाले, भले ही वे मैप अविश्वसनीय रूप से जटिल थे और उनमें हजारों नकली जाल थे।
तुलना: अन्य विधियां (जैसे Basin-Hopping या CMA-ES) जैसे ही मैप थोड़े बड़े हुए, विफल होने लगीं, और अक्सर 0% संदूक ही ढूंढ पाती थीं।
नॉइज़ (Noise): यहाँ तक कि जब मैप स्टैटिक नॉइज़ (जैसे खराब सिग्नल वाला रेडियो) से ढका हुआ था, तब भी Chi-Sao 100% समय संदूक खोजने में सफल रहा क्योंकि यह केवल एक शोर वाले बिंदु के बजाय ज़मीन के "ढलान" (slope) को देखकर शोर को औसत निकाल लेता है।

सारांश

ChiSao एक सुपर-फास्ट, पैरेलल ऑप्टिमाइज़र है जो एक अनुशासित सेना की तरह काम करता है। यह उन सैनिकों को फ्रीज कर देता है जिन्हें खजाना मिल गया है और बाकी सेना को बाकी खजाना खोजने के लिए मोमेंटम-संचालित नृत्य पर भेज देता है, और यह सब करते हुए रास्ते की छोटी बाधाओं को अनदेखा करता है। यह इतना अच्छा काम करता है क्योंकि यह एक साथ हजारों चीजें करने के लिए आधुनिक ग्राफिक्स कार्ड की विशाल शक्ति का उपयोग करता है, जिससे उन समस्याओं को हल किया जा सकता है जो पहले कंप्यूटरों के लिए बहुत कठिन या बहुत धीमी थीं।

तकनीकी सारांश: ChiSao – मल्टीमॉडल ब्लैक-बॉक्स फलनों के लिए एक GPU-नेटिव पैरेलल ऑप्टिमाइज़र

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मल्टीमॉडल ब्लैक-बॉक्स ऑप्टिमाइज़ेशन की मौलिक चुनौती को संबोधित करता है: एक फलन $f: \mathbb{R}^d \to \mathbb{R}$ के सभी महत्वपूर्ण स्थानीय मैक्सिमा (मोड्स) को खोजना, जो केवल मूल्यांकनों (evaluations) के माध्यम से सुलभ हैं। यह कार्य बेयसियन इन्फरेंस (Bayesian inference), वैज्ञानिक कंप्यूटिंग और मशीन लर्निंग के लिए महत्वपूर्ण है, जहाँ डाउनस्ट्रीम कार्यों (जैसे, मॉडल एवरेजिंग, मिश्रण फिटिंग) के लिए केवल वैश्विक इष्टतम (global optimum) के बजाय पूर्ण मोड संरचना के ज्ञान की आवश्यकता होती है।

मौजूदा दृष्टिकोण आधुनिक हार्डवेयर के साथ आर्किटेक्चरल विसंगतियों से ग्रस्त हैं:

क्रमिक विधियाँ (Sequential methods) (Basin-Hopping, Simulated Annealing) एकल प्रक्षेपवक्र (trajectories) पर कार्य करती हैं, जिससे वे GPU की विशाल समांतरता (parallelism) का उपयोग करने में विफल रहती हैं।
पॉपुलेशन विधियाँ (Population methods) (CMA-ES, Particle Swarm) अक्सर पूरी आबादी को एक ही बेसिन की ओर अभिसरित (converge) कर देती हैं, जिससे मोड विविधता (mode diversity) खो जाती है।
मल्टीस्टार्ट ग्रेडिएंट डिसेंट (Multistart gradient descent) अत्यधिक समानांतर (embarrassingly parallel) है लेकिन इसमें विविधता बनाए रखने या एक ही मोड पर पुनरावृत्ति अभिसरण (redundant convergence) को रोकने के तंत्रों का अभाव है।

इनमें से कोई भी विधि आधुनिक GPU के "सिंगल इंस्ट्रक्शन, मल्टीपल डेटा" (SIMD) आर्किटेक्चर का लाभ उठाने के लिए डिज़ाइन नहीं की गई है, जहाँ हजारों कोर एक साथ ग्रेडिएंट्स का मूल्यांकन कर सकते हैं।

2. कार्यप्रणाली: ChiSao एल्गोरिदम (Methodology: The ChiSao Algorithm)

ChiSao (Convergence-Halt-Invert-Stick-And-Oscillate) एक GPU-नेटिव पॉपुलेशन ऑप्टिमाइज़र है जिसे पूरे सैंपल बैच को एक साथ चलाने के लिए डिज़ाइन किया गया है। यह स्थानीय ट्रैप्स से बचने के लिए एक जानबूझकर किए गए कन्वर्जेंस-एंटी-कन्वर्जेंस ऑसिलेशन चक्र (convergence-anticonvergence oscillation cycle) को पेश करता है।

मुख्य संरचनात्मक चालें (Core Structural Moves)

एल्गोरिदम तीन संरचनात्मक चालों पर निर्भर करता है जो पहले कभी संयोजित नहीं की गईं:

फ्रीज-एंड-एक्सप्लोर एसिमेट्री (Freeze-and-Explore Asymmetry): मानक पॉपुलेशन विधियों के विपरीत, जो सभी कणों को समान रूप से घुमाती हैं, ChiSao उन नमूनों की पहचान करता है जो वास्तविक शिखरों (peaks) पर पहुँच चुके हैं (ग्रेडिएंट-नॉर्म और लाइकलीहुड-क्वालिटी परीक्षणों को पास करते हैं) और उन्हें "फ्रीज" कर देता है। इन नमूनों को अन्वेषण चरणों से बाहर रखा जाता है, लेकिन वे शिखर शोधन (peak refinement) के लिए ग्रेडिएंट एसेंट में भाग लेना जारी रखते हैं। शेष आबादी अन्वेषण जारी रखती है।
जानबूझकर एंटी-कन्वर्जेंस (Deliberate Anti-Convergence): कन्वर्जेंस चरणों के बाद, अनफ्रीज्ड नमूने मोमेंटम-आधारित ग्रेडिएंट डिसेंट से गुजरते हैं। यह रैंडम नॉइज़ इंजेक्शन (जैसा कि Simulated Annealing में होता है) नहीं है, बल्कि निर्देशित गति है। मोमेंटम टर्म नमूनों को घाटियों (valleys) के पार नए बेसिनों में ले जाता है, जो सक्रिय रूप से स्थानीय इष्टतम से बाहर निकलने में मदद करता है।
स्टोकेस्टिक स्मूथिंग ("Hands Like Clouds"): अनफ्रीज्ड नमूने एक गाऊसी-स्मूथ अनुमानित ग्रेडिएंट पर आरोहण (ascent) करते हैं। यह चरण सब-स्केल स्थानीय लहरों को धुंधला कर देता है जबकि वैश्विक बेसिन ज्यामिति को सुरक्षित रखता है, जो नमूनों को एंटी-कन्वर्जेंस चरण में बिखेरने से पहले आशाजनक क्षेत्रों की ओर निर्देशित करता है।

ऑसिलेशन चक्र (The Oscillation Cycle)

एल्गोरिदम $n_{osc}$ चक्र (डिफ़ॉल्ट 3) निष्पादित करता है, जिसमें छह चरण शामिल हैं:

कन्वर्जेंस (Convergence): सभी नमूने स्थानीय मैक्सिमा तक बैच L-BFGS चरणों से गुजरते हैं।
स्टिक डिटेक्शन (Stick Detection): वे नमूने जो $\|\nabla f\|_\infty < \epsilon_{grad}$ और $f(x) \ge f_{max} + \log \delta$ को संतुष्ट करते हैं, उन्हें "स्टक" (stuck) के रूप में चिह्नित किया जाता है।
डुप्लीकेशन हटाना (Deduplication): अटकी हुई (stuck) सैंपल्स को $L_\infty$ मीट्रिक का उपयोग करके डुप्लिकेट किया जाता है; डुप्लिकेट्स को हटा दिया जाता है, और जनसंख्या आकार को बनाए रखा जाता है।
रीसीडिंग (Reseeding): दो अनुकूली रणनीतियाँ आबादी को पुनः भरती हैं:
- रिपल्स मंकी (Repulse Monkey): जब कई नमूने शेष रहते हैं, तो यह अनफ्रीज्ड नमूनों से किरणें (rays) छोड़कर नए नमूने उत्पन्न करता है।
- गोल्डन रूस्टर (Golden Rooster): जब आबादी लगभग समाप्त हो जाती है, तो यह पुष्ट शिखरों (confirmed peaks) से ऑर्थोगोनल किरण दिशाओं का उपयोग करके नमूने उत्पन्न करता है।
हैंड्स लाइक क्लाउड्स (Hands Like Clouds): अनफ्रीज्ड नमूने एक स्टोकेस्टिकली स्मूथ किए गए ग्रेडिएंट फील्ड पर ग्रेडिएंट एसेंट स्टेप्स लेते हैं।
एंटी-कन्वर्जेंस (Anti-Convergence): अनफ्रीज्ड नमूने घाटियों को पार करने के लिए मोमेंटम-आधारित ग्रेडिएंट डिसेंट स्टेप्स लेते हैं।

GPU निष्पादन मॉडल (GPU Execution Model)

ChiSao सैंपल इंडेक्स पर सभी ऑपरेशन्स को वेक्टरकृत (vectorize) करता है। जनसंख्या आकार $N$ और आयाम $d$ के लिए, ऑपरेशन्स (ग्रेडिएंट मूल्यांकन, L-BFGS, डुप्लीकेशन हटाना) $O(\lceil Nd/P \rceil)$ वॉल-क्लॉक समय में पूरे होते हैं, जहाँ $P$ GPU कोर की संख्या है। GPU-सैचुरेटेड शासन (regime) में ( $Nd \le P$ ), वॉल-क्लॉक समय प्रभावी रूप से $N$ और $d$ से स्वतंत्र हो जाता है, जो एक "GPU डिविडेंड" प्रदान करता है जहाँ जनसंख्या आकार बढ़ाने से संतृप्ति (saturation) तक अतिरिक्त रनटाइम लागत नहीं आती है।

3. प्रमुख योगदान (Key Contributions)

शोध पत्र चार प्राथमिक योगदानों का दावा करता है:

ऑसिलेशन चक्र: एक "फ्रीज-एंड-एक्सप्लोर" विषमता (asymmetry) के साथ मल्टीमॉडल ऑप्टिमाइज़ेशन के लिए एक औपचारिक रणनीति।
सैद्धांतिक विश्लेषण: लॉग-कॉन्केव (log-concave) लक्ष्यों के लिए कन्वर्जेंस गारंटी और मल्टीमॉडल मामले के लिए कवरेज विश्लेषण (प्रपोजिशन 1 और 2)।
व्यापक बेंचमार्क: साइमन फ्रेजर यूनिवर्सिटी (SFU) बेंचमार्क सूट के सभी 42 फलनों पर आयाम $d \in \{2, 4, 8, 16, 32, 64\}$ के लिए DE, BH, और CMA-ES के विरुद्ध मूल्यांकन।
शोर मजबूती (Noise Robustness): पर्याप्त लाइकलीहुड शोर ( $\sigma_{noise}$ अप टू 1.0, सिग्नल स्केल के बराबर) के तहत 100% विश्वसनीय मोड डिटेक्शन का प्रदर्शन।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग NVIDIA RTX 3080 लैपटॉप GPU पर किए गए। सभी विधियों ने फिनिट-डिफरेंस ग्रेडिएंट्स (डेरिवेटिव-फ्री वर्स्ट-केस परिदृश्य) का उपयोग किया।

मोड रिकवरी (Mode Recovery)

उच्च-आयामी सफलता: ChiSao ने $d=64$ तक Rastrigin, Levy, Styblinski-Tang, और Michalewicz फलनों पर 100% मोड रिकवरी प्राप्त की।
बेसलाइन विफलता: सभी CPU बेसलाइन्स (DE, BH, CMA-ES) सबसे कठिन मल्टीमॉडल फलनों (जैसे, Rastrigin, Ackley) पर $d \ge 8$ पर विफल (0% रिकवरी) रहे।
सीडिंग संवेदनशीलता: "carry_tiger" सीडिंग रणनीति (स्ट्रक्चर्ड रे-आधारित इनिशियलाइजेशन) फ्लैट बाहरी क्षेत्रों वाले फलनों (जैसे, Ackley) के लिए महत्वपूर्ण थी, जिसने रैंडम सीडिंग की तुलना में 100% रिकवरी बनाए रखी।
विफलता मोड: ChiSao $d \ge 16$ पर Schwefel फंक्शन पर विफल रहा क्योंकि इसके भ्रामक लैंडस्केप ने क्वालिटी थ्रेशोल्ड के नीचे माध्यमिक शिखरों की ओर अभिसरण कराया। यह कम ग्रेडिएंट कंट्रास्ट या संकीर्ण रिज (ridges) वाले Trid और Bukin N.6 के साथ भी संघर्ष करता है।

प्रदर्शन और स्पीडअप (Performance and Speedup)

वॉल-क्लॉक स्केलिंग: ChiSao ने आयामों के बीच लगभग स्थिर वॉल-क्लॉक समय प्रदर्शित किया, जबकि बेसलाइन्स ने घातांकीय वृद्धि (exponential growth) दिखाई।
स्पीडअप कारक:
- Michalewicz ( $d=64$ ) पर, जहाँ सभी विधियाँ सफल रहीं, ChiSao, Basin-Hopping की तुलना में 34× तेज़ था।
- Rotated Hyper-Ellipsoid ( $d=64$ ) पर, जो एक यूनिमोडल फंक्शन है, ChiSao, Basin-Hopping की तुलना में 39× तेज़ था, जिसका श्रेय पूरी तरह से GPU बैच पैरेललिज्म को जाता है।
एब्लेशन (Ablation): डुप्लीकेशन चरण को हटाने से सार्वभौमिक विफलता (0% रिकवरी) हुई, जो इसकी आवश्यकता की पुष्टि करती है। एंटी-कन्वर्जेंस चरण उच्च आयामों (जैसे, Levy) के लिए स्केलिंग हेतु महत्वपूर्ण था, हालांकि इसे हटाने से कम आयामों ( $d=8$ ) पर Schwefel के प्रदर्शन में सुधार हुआ।

शोर मजबूती (Noise Robustness)

एक गौसियन मिश्रण परीक्षण में योगात्मक शोर ( $\sigma_{noise} = 1.0$ ) के साथ, ChiSao ने 100% मोड डिटेक्शन विश्वसनीयता बनाए रखी। शोध पत्र इसका श्रेय प्रक्षेपवक्र-औसत (trajectory-averaged) ग्रेडिएंट्स को देता है, जो उस शोर को सोख लेते हैं जिसे पॉइंट-इवैल्यूएशन विधियाँ सहन नहीं कर सकतीं।

5. महत्व और दावे (Significance and Claims)

शोध पत्र ChiSao को पहले ब्लैक-बॉक्स मल्टीमॉडल ऑप्टिमाइज़र के रूप में प्रस्तुत करता है जो न केवल व्यक्तिगत पुनरावृत्तियों के भीतर, बल्कि पूरी खोज रणनीति (search strategy) में पूर्ण GPU उपयोग प्राप्त करने में सक्षम है।

आर्किटेक्चरल शिफ्ट: यह मल्टीमॉडल ऑप्टिमाइज़ेशन को क्रमिक या आंशिक रूप से समानांतर प्रतिमानों से पूरी तरह से समानांतर, GPU-नेटिव मॉडल में ले जाता है।
मजबूती: एल्गोरिदम को शोर के प्रति मजबूत और उच्च-आयामी लैंडस्केप को संभालने में सक्षम होने का दावा किया गया है जहाँ पारंपरिक विधियाँ विफल हो जाती हैं।
विनम्रता (Modesty): लेखक अपनी सीमाओं को स्पष्ट रूप से स्वीकार करते हैं:
- सैद्धांतिक गारंटी लॉग-कॉन्केव फलनों तक सीमित है; मल्टीमॉडल अभिसरण अनुभवजन्य साक्ष्य पर निर्भर करता है।
- "क्वालिटी गेट" (थ्रेशोल्ड $\delta$ ) भ्रामक लैंडस्केप (Schwefel) और कम-कंट्रास्ट समस्याओं पर विफलता का प्राथमिक स्रोत है।
- एल्गोरिदम चिकने (smooth) उद्देश्यों की धारणा लेता है (फिनिट डिफरेंस या एनालिटिक के माध्यम से ग्रेडिएंट्स); गैर-डिफरेंशिएबल या डिस्क्रीट समस्याएं इसके दायरे से बाहर हैं।
- एंटी-कन्वर्जेंस मोमेंटम डायनेमिक्स में बेसिन-क्रॉसिंग संभावनाओं के लिए औपचारिक मार्कोव-चेन विश्लेषण का अभाव है।

शोध पत्र निष्कर्ष निकालता है कि ChiSao एक व्यावहारिक, ओपन-सोर्स समाधान (PyPI पर उपलब्ध) प्रदान करता है जो आधुनिक हार्डवेयर का लाभ उठाकर समस्याओं के एक वर्ग को हल करता है, विशेष रूप से बेयसियन इन्फरेंस संदर्भों में (SunBURST पाइपलाइन के हिस्से के रूप में)।