⚛️ quantum physics

Quantum Dynamic Time Warping for Multivariate Time Series Classification

यह शोध पत्र एक हाइब्रिड क्वांटम डायनेमिक टाइम वार्पिंग (qDTW) आर्किटेक्चर प्रस्तावित करता है जो यूक्लिडियन दूरियों को क्वांटम हिल्बर्ट स्पेस ज्योमेट्री से बदलने के लिए एक यूनिफाइड प्री-एम्बेडिंग एडजॉइंट एंसेट (Unified Pre-Embedding Adjoint Ansatz) का लाभ उठाता है, जो स्थानिक-कालिक अभिव्यंजना (spatial-temporal expressivity) के महत्वपूर्ण ट्रेड-ऑफ्स को नेविगेट करते हुए मल्टीवेरिएट टाइम सीरीज़ वर्गीकरण में क्लासिकल बेसलाइन्स से बेहतर प्रदर्शन करने के लिए फेज-स्कैम्बलिंग और सूचना बाधाओं (information bottlenecks) पर सफलतापूर्वक विजय प्राप्त करता है।

मूल लेखक: Diego Alvarez-Estevez, Alejandro Mayorga-Redondo, Eduardo Mosqueira-Rey

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Diego Alvarez-Estevez, Alejandro Mayorga-Redondo, Eduardo Mosqueira-Rey

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 ही गाने की दो अलग-अलग रिकॉर्डिंग को मिलाने की कोशिश कर रहे हैं। एक व्यक्ति इसे तेज़ गुनगुनाता है, दूसरा धीरे। यदि आप उन्हें ठीक उसी सेकंड पर नोट-दर-नोट मिलाने की कोशिश करते हैं (एक सख्त रूलर की तरह), तो वे मेल नहीं खाएंगे। डायनेमिक टाइम वार्पिंग (DTW) एक लचीले रबर रूलर की तरह है जो गानों के उतार-चढ़ाव (peaks and valleys) से मेल खाने के लिए खुद को खींचता और सिकोड़ता है, जिससे गति की परवाह किए बिना वे पूरी तरह से मिल जाते हैं।

यह पेपर उस रबर रूलर का एक नया, सुपर-पावर्ड वर्जन पेश करता है जिसे क्वांटम डायनेमिक टाइम वार्पिंग (qDTW) कहा जाता है। नोट्स के बीच की दूरी को मापने के लिए मानक गणित का उपयोग करने के बजाय, यह यह देखने के लिए क्वांटम मैकेनिक्स के अजीब, उच्च-आयामी (high-dimensional) नियमों का उपयोग करता है कि नोट्स वास्तव में कितने समान हैं।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "फ्लैट मैप" बनाम "ग्लोब"

मानक DTW यूक्लिडियन दूरी (Euclidean distance) का उपयोग करता है (जैसे कागज के एक सपाट टुकड़े पर दूरी मापना)। यह सरल, सिंगल-लाइन डेटा (जैसे एक तापमान सेंसर) के लिए ठीक काम करता है। लेकिन जब आपके पास कई चैनल्स वाला जटिल डेटा हो (जैसे X, Y, और Z अक्षों वाला एक एक्सेलेरोमीटर, या कई सेंसरों से मस्तिष्क की तरंगें), तो एक फ्लैट मैप विफल हो जाता है। यह हर चैनल को इस तरह मानता है जैसे कि वे स्वतंत्र हों, जिससे उनके बीच के छिपे हुए संबंधों को अनदेखा कर दिया जाता है।

लेखक एक क्वांटम हिल्बर्ट स्पेस (Quantum Hilbert Space) का उपयोग करने का प्रस्ताव देते हैं। इसे एक सपाट मानचित्र के रूप में नहीं, बल्कि एक विशाल, बहु-आयामी ग्लोब के रूप में सोचें। इस स्थान में, विभिन्न डेटा चैनल्स के बीच जटिल संबंधों को एक साथ "फोल्ड" किया जा सकता है, जिससे ऐसे पैटर्न सामने आते हैं जिन्हें एक फ्लैट मैप देख ही नहीं सकता।

2. समाधान: "प्री-सेट स्टेज" (यूनिफाइड प्री-एम्बेडिंग एन्सैट्स)

इस क्वांटम रूलर को काम करने के योग्य बनाने के लिए, लेखकों को दो प्रमुख जाल (traps) को हल करना पड़ा:

स्कैम्बलर ट्रैप (Scrambler Trap): यदि आप अपने डेटा (गाने) को अपने क्वांटम "नॉब्स" (पैरामीटर्स) के साथ गलत क्रम में मिला देते हैं, तो मापने से पहले ही आपका डेटा शोर (noise) में बदल जाएगा।
ओवर-इंजीनियर ट्रैप (Over-Engineer Trap): यदि आप क्वांटम सर्किट को बहुत गहरा (प्रोसेसिंग के बहुत अधिक लेयर्स) बनाने की कोशिश करते हैं, तो यह अराजक हो जाता है और इसे ट्रेन करना असंभव हो जाता है, जैसे कि एक रेडियो को ट्यून करने की कोशिश करना जो एक साथ सभी स्टेशन पकड़ रहा हो।

उनका समाधान: उन्होंने एक "प्री-एम्बेडिंग एडजॉइंट एन्सैट्स" (Pre-Embedding Adjoint Ansatz) बनाया।

उपमा: एक स्टेज की कल्पना करें। पहले, वे डेटा (अभिनेताओं) के मंच पर आने से पहले स्टेज की लाइटें और बैकग्राउंड सीनरी (क्वांटम पैरामीटर्स) सेट करते हैं।
यह क्यों काम करता है: क्योंकि स्टेज पहले सेट हो जाता है, इसलिए अभिनेता आ सकते हैं, और उनकी गतिविधियों को एक स्थिर बैकग्राउंड के मुकाबले स्पष्ट रूप से मापा जा सकता है। यह "स्कैम्बलिंग" को रोकता है और सिस्टम को बिना प्रशिक्षित (train) हुए भी काम करने की अनुमति देता है।

3. स्वर्णिम नियम: चौड़ाई बनाम गहराई (Width vs. Depth)

पेपर ने इन क्वांटम कंप्यूटरों के लिए एक सख्त ट्रेड-ऑफ की खोज की, जो भौतिकी के एक नियम की तरह है:

साधारण डेटा के लिए (एक चैनल): आपको गहराई (Depth) की आवश्यकता होती है। यदि आपके पास केवल एक क्यूबिट (क्वांटम बस की एक "सीट") है, तो आपको जटिल गणित करने के लिए बस को ब्लॉक के चक्कर लगाने के लिए बनाना होगा (डेटा को बार-बार अपलोड करना)।
जटिल डेटा के लिए (कई चैनल्स): आपको गहराई नहीं, बल्कि चौड़ाई (Width) की आवश्यकता होती है। यदि आपके पास 8 चैनल्स हैं, तो आपके पास 8 सीटें हैं। आपको ब्लॉक के चक्कर लगाने की ज़रूरत नहीं है; आपको बस उन सभी 8 सीटों का एक साथ उपयोग करना है। यदि आप ब्लॉक के चक्कर लगाने की कोशिश करते हैं और साथ ही 8 सीटों का उपयोग करते हैं, तो सिस्टम अराजकता में फट जाएगा और काम करना बंद कर देगा।

निष्कर्ष: जटिल, मल्टी-सेंसर डेटा के लिए, सबसे अच्छी रणनीति एक चौड़ा, उथला (shallow) सर्किट उपयोग करना है (डेटा का एक ही बारผ่าน), न कि एक गहरा, संकीकर (narrow) सर्किट।

4. "लेजी" (Lazy) सुपरपावर

सबसे आश्चर्यजनक निष्कर्षों में से एक यह है कि यह क्वांटम सिस्टम प्रशिक्षण (training) के बिना भी काम करता है।

उपमा: आमतौर पर, AI मॉडल छात्रों की तरह होते जिन्हें परीक्षा पास करने के लिए वर्षों तक पढ़ाई करने की आवश्यकता होती है। यह क्वांटम मॉडल एक ऐसे छात्र की तरह है जो परीक्षा हॉल में प्रवेश करता है और, केवल कमरे के निर्माण के कारण, वह मानक कंप्यूटर की तुलना में पहले से ही उत्तर बेहतर जानता है।
परिणाम: रैंडम सेटिंग्स (अनट्रेन्ड) के साथ भी, क्वांटम रूलर अक्सर सर्वश्रेष्ठ क्लासिकल तरीकों के बराबर या उनसे बेहतर प्रदर्शन करता है। इसे "लेजी लर्निंग" बेसलाइन कहा जाता है।

5. जब प्रशिक्षण वास्तव में आवश्यक होता है

हालांकि "लेजी" वर्जन शानदार है, लेकिन लेखकों ने पाया कि बहुत ही अस्त-व्यस्त, ओवरलैपिंग डेटा (जहाँ पैटर्न अत्यधिक उलझे हुए हों) के लिए, आपको नॉब्स घुमाने और सिस्टम को ट्रेन करने की आवश्यकता होती है।

उपमा: यदि डेटा ऊन का एक उलझा हुआ गोला है, तो अनट्रेन्ड क्वांटम रूलर केवल उसे देखते ही अधिकांश को सुलझा सकता है। लेकिन यदि गांठ बहुत कसकर बंधी है, तो आपको रंगों को अलग करने के लिए धागों को सक्रिय रूप से खींचने (ट्रेनिंग) की आवश्यकता होगी।
रणनीति: अनट्रेन्ड वर्जन को अपना डिफॉल्ट रखें (यह तेज़ और मुफ्त है)। केवल तभी समय और ऊर्जा खर्च करें जब डेटा अविश्वसनीय रूप से जटिल हो और अनट्रेन्ड वर्जन पर्याप्त न हो।

सारांश

यह पेपर तर्क देता है कि जटिल टाइम-सीरीज डेटा (जैसे मूवमेंट या ब्रेन सिग्नल) को वर्गीकृत करने के लिए क्वांटम कंप्यूटरों का उपयोग करते समय:

डेटा को गहरे, जटिल क्वांटम भूलभुलैया (maze) के माध्यम से जबरदस्ती भेजने की कोशिश न करें।
पहले एक स्थिर, चौड़ा क्वांटम स्टेज सेट करें, फिर डेटा लोड करें।
पूरे सिस्टम को एक साथ मापें (ग्लोबल व्यू) बजाय इसके कि केवल एक हिस्से को देखें (लोकल व्यू)।
यह महसूस करें कि कभी-कभी, केवल क्वांटम स्टेज को सही ढंग से सेट करना ही पारंपरिक कंप्यूटरों को हराने के लिए पर्याप्त होता है, बिना घंटों की ट्रेनिंग के।

यह दृष्टिकोण जटिल संकेतों की तुलना करने का एक नया, अत्यधिक कुशल तरीका बनाता है, जो मानक गणित द्वारा छूटे हुए पैटर्न को खोजने के लिए क्वांटम भौतिकी की प्राकृतिक ज्यामिति का लाभ उठाता है।

तकनीकी सारांश: मल्टीवेरिएट टाइम सीरीज़ वर्गीकरण के लिए क्वांटम डायनेमिक टाइम वार्पिंग

समस्या विवरण

डायनेमिक टाइम वार्पिंग (DTW) अनुक्रमों (sequences) के बीच इष्टतम गैर-रेखीय टेम्पोरल अलाइनमेंट खोजने के लिए एक मानक एल्गोरिदम है। हालाँकि, पारंपरिक DTW पॉइंटवाइज कॉस्ट (pointwise costs) की गणना करने के लिए यूक्लिडियन दूरी मेट्रिक पर निर्भर करता है। हालांकि यह यूनिवैरिएट डेटा के लिए प्रभावी है, लेकिन यूक्लिडियन दूरी फीचर स्वतंत्रता को मानती है और मल्टीवेरिएट टाइम सीरीज़ (जैसे शारीरिक संकेत या किनेमैटिक डेटा) में निहित जटिल, गैर-रेखीय क्रॉस-चैनल सहसंबंधों को पकड़ने में विफल रहती है। इसके अलावा, डीप लर्निंग दृष्टिकोण अक्सर डेटा की भारी आवश्यकता और अपारदर्शिता (opacity) से ग्रस्त होते हैं, जबकि फीचर-आधारित विधियाँ समग्र टेम्पोरल डायनेमिक्स को छोड़ सकती हैं। लेखक तर्क देते हैं कि क्लासिकल मेट्रिक को एक सीखने योग्य (learnable) क्वांटम मेट्रिक से बदलकर, DTW के मजबूत डायनेमिक प्रोग्रामिंग फ्रेमवर्क को बदले बिना, इस रिप्रजेंटेशनल बॉटलनेक को हल किया जा सकता है।

कार्यप्रणाली

यह शोध पत्र क्वांटम डायनेमिक टाइम वार्पिंग (qDTW) का प्रस्ताव करता है, जो एक हाइब्रिड आर्किटेक्चर है जो क्लासिकल DTW डायनेमिक प्रोग्रामिंग पाथ-फाइंडिंग एल्गोरिदम को बरकरार रखता है, लेकिन यूक्लिडियन दूरी मेट्रिक को स्टेट फिडेलिटी (state fidelity) पर आधारित एक ट्रेन करने योग्य क्वांटम डिस्टेंस मेट्रिक से बदल देता है।

मुख्य आर्किटेक्चर: यूनिफाइड प्री-एम्बेडिंग एडजॉइंट एंसेट (Unified Pre-Embedding Adjoint Ansatz)

केंद्रीय नवाचार एक विशिष्ट क्वांटम सर्किट टोपोलॉजी है जिसे दो टाइम स्टेप्स $x_i$ और $y_j$ के बीच की दूरी $d_Q(x_i, y_j)$ की गणना करने के लिए डिज़ाइन किया गया है:

प्री-एम्बेडिंग एंटैंगलमेंट: एक पैरामीटराइज्ड यूनिटरी ब्लॉक $V(\theta)$ , जिसमें $L=3$ स्ट्रॉन्गली एंटैंगलिंग लेयर्स शामिल हैं, क्लासिकल डेटा लोड होने से पहले लागू किया जाता है। यह हिल्बर्ट स्पेस में एक निश्चित, उच्च-आयामी समन्वय प्रणाली स्थापित करता है।
डेटा एनकोडिंग: क्लासिकल डेटा को व्यक्तिगत क्यूबिट्स (प्रत्येक फीचर चैनल के लिए एक क्यूबिट) पर समानांतर $R_x$ रोटेशन के माध्यम से एनकोड किया जाता है।
एडजॉइंट मेजरमेंट: अनुक्रम $X$ और $Y$ के बीच की दूरी की गणना करने के लिए, सर्किट $X$ को फॉरवर्ड लोड करता है, फिर $Y$ के लिए डेटा एनकोडिंग का व्युत्क्रम (adjoint) और $V^\dagger(\theta)$ का व्युत्क्रम लागू करता है।
ग्लोबल फिडेलिटी: दूरी को ग्राउंड स्टेट $|00\dots0\rangle$ के साथ अंतिम अवस्था के ज्यामितीय ओवरलैप (फिडेलिटी) से प्राप्त किया जाता है। दूरी मेट्रिक को $d_Q = 1 - |\langle \psi(x_i) | \psi(y_j) \rangle|^2$ के रूप में परिभाषित किया गया है।

यह "प्री-एम्बेडिंग" डिज़ाइन भौतिक रूप से ट्रेन करने योग्य मापदंडों को डेटा लोडिंग प्रक्रिया से अलग करता है, जिसका उद्देश्य पोस्ट-एम्बेडिंग आर्किटेक्चर से जुड़ी फेज-स्कैम्बलिंग और सूचना बाधाओं को रोकना है।

अनुकूलन (Optimization)

क्वांटम मापदंडों $\theta$ को पेयरवाइज कॉन्ट्रास्टिव लॉस के बजाय ट्रिपलेट मार्जिन लॉस (Triplet Margin Loss) का उपयोग करके अनुकूलित किया जाता है। लेखकों का तर्क है कि एक आवधिक क्वांटम हिल्बर्ट स्पेस में पूर्ण दूरियों को लागू करने से फेज-रैपिंग कोलिजन हो सकते हैं। ट्रिपलेट लॉस एक सापेक्ष पदानुक्रम ( $d(A, N) > d(A, P)$ ) को लागू करता है, जिससे ऑप्टिमाइज़र क्वांटम ऑपरेटर्स की आवधिक सीमाओं से लड़ने के बजाय वर्गों (classes) को क्लस्टर करने में सक्षम होता है।

प्रयोगात्मक सेटअप

इस आर्किटेक्चर का मूल्यांकन चार डेटासेट्स (BasicMotions, RacketSports, FingerMovements, और एक कस्टम Apnea डेटासेट) पर किया गया, जिनमें स्थानिक आयाम ( $C$ ) 1 से 8 तक थे। 8-क्यूबिट सिमुलेशन में फिट होने के लिए FingerMovements डेटासेट को 28 से घटाकर 8 चैनल कर दिया गया था। प्रयोग्स साको-चिबा बैंड बाधा ( $W=15$ ) के साथ सटीक स्टेट-वेक्टर सिम्युलेटर (PennyLane) का उपयोग करके आयोजित किए गए थे ताकि वार्पिंग पाथ को सीमित किया जा सके।

प्रमुख योगदान और निष्कर्ष

1. यूनिफाइड प्री-एम्बेडिंग एंसेट और अनट्रेन्ड बेसलाइन्स

लेखक प्रदर्शित करते हैं कि अनट्रेन्ड (Untrained) qDTW (जिसमें $V(\theta)$ में रैंडम पैरामीटर्स का उपयोग किया गया है) एक अत्यधिक अभिव्यंजक "लेज़ी लर्निंग" बेसलाइन के रूप में कार्य करता है। ग्लोबल एडजॉइंट मेजरमेंट और प्री-एम्बेडिंग टोपोलॉजी के कारण, अनट्रेन्ड क्वांटम कर्नेल किसी भी ग्रेडिएंट ऑप्टिमाइजेशन से पहले ही सभी डेटासेट्स और आयामीताओं में क्लासिकल DTW के प्रदर्शन की बराबरी या उससे अधिक प्रदर्शन करता है। यह सुझाव देता है कि क्वांटम हिल्बर्ट स्पेस स्वाभाविक रूप से मल्टीवेरिएट डेटा को अत्यधिक विभाज्य ज्यामिति में प्रोजेक्ट करता है।

2. स्थानिक-काल्पनिक अभिव्यंजना ट्रेडऑफ़ (Spatial-Temporal Expressivity Tradeoff)

एक महत्वपूर्ण निष्कर्ष क्वांटम सीक्वेंस अलाइनमेंट में स्थानिक चौड़ाई और टेम्पोरल गहराई के बीच परस्पर अनन्यता (mutual exclusivity) है:

यूनिवैरिएट ( $C=1$ ): एक एकल क्यूबिट में स्थानिक आयतन की कमी होती है। यहाँ, डेटा री-अपलोडिंग (टेम्पोरल गहराई) आवश्यक और प्रभावी है, जो एकल क्यूबिट को जटिल निर्णय सीमाएं बनाने के लिए अपनी अवस्था को पुनरावृत्ति से घुमाने की अनुमति देता है।
मल्टीवेरिएट ( $C>1$ ): मल्टी-क्यूबिट रजिस्टरों पर गहरा टेम्पोरल री-अपलोडिंग लागू करने से "फ्रीक्वेंसी-स्पेक्ट्रम एक्सप्लोजन" शुरू हो जाता है। इससे अराजक ग्रेडिएंट, रिप्रजेंटेशन कोलैप्स और ऑप्टिमाइजेशन पैरालिसिस उत्पन्न होता है।
निष्कर्ष: मल्टीवेरिएट डेटा के लिए, स्थानिक चौड़ाई (एंटैंगलमेंट) प्राथमिक अभिव्यंजना तंत्र है; टेम्पोरल गहराई हानिकारक है। इष्टतम आर्किटेक्चर सिंगल-लोड (नो री-अपलोडिंग) प्री-एम्बेडिंग एंसेट का उपयोग करता है।

3. लोकल ऑब्जर्वेबल्स की विफलता

यह शोध पत्र मल्टीवेरिएट अलाइनमेंट के लिए स्थानीय अवलोकनों (जैसे एक एकल क्यूबिट $\langle Z_0 \rangle$ को मापना) के उपयोग को कड़ाई से अमान्य करता है। यह दृष्टिकोण एक गंभीर सूचना बाधा के रूप में कार्य करता है, जो उच्च-आयामी ज्यामितीय सहसंबंधों को त्याग देता है। एब्लेशन अध्ययनों में, लोकल ऑब्जर्वेबल आर्किटेक्चर अनट्रेन्ड डेटा पर रैंडम गेसिंग (random guessing) पर गिर गए और प्रशिक्षित डेटा पर सामान्यीकरण करने में विफल रहे, जबकि ग्लोबल एडजॉइंट फिडेलिटी मेट्रिक ने स्थिरता बनाए रखी।

4. प्रदर्शन परिणाम

डायमेंशनल स्केलिंग: 8-चैनल FingerMovements डेटासेट पर, प्रशिक्षित qDTW ने 65.48% सटीकता प्राप्त की, जिसने क्लासिकल DTW (59.62%) और क्लासिकल यूक्लिडियन बेसलाइन (54.76%) को पछाड़ दिया।
उच्च-आयामी लाभ: जैसे-जैसे आयामीता बढ़ी, क्लासिकल DTW का प्रदर्शन अक्सर कम हो गया क्योंकि यह 'कर्स ऑफ डायमेंशनलिटी' से प्रभावित था, जबकि प्रशिक्षित qDTW ने घातीय हिल्बर्ट स्पेस का लाभ उठाते हुए मजबूत प्रदर्शन बनाए रखा।
प्रशिक्षण की आवश्यकता: हालांकि अनट्रेन्ड एंसेट एक मजबूत बेसलाइन है, लेकिन अत्यधिक ओवरलैपिंग, जटिल किनेमैटिक डेटा (जैसे $C \ge 4$ के लिए BasicMotions) के लिए पैरामीटराइज्ड ट्रेनिंग आवश्यक है, जहाँ इसने अनट्रेन्ड अवस्था की तुलना में महत्वपूर्ण प्रदर्शन मार्जिन हासिल किया।

महत्व और दावे

यह शोध पत्र पैरामीटराइज्ड क्वांटम सर्किट्स को डायनेमिक प्रोग्रामिंग के साथ एकीकृत करने के लिए एक नया मानक स्थापित करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

टोपोलॉजिकल नियम: यह क्वांटम सीक्वेंस अलाइनमेंट के लिए सख्त वास्तुशिल्प बाधाओं की पहचान करता है, जैसे कि "स्थानिक-काल्पनिक ट्रेडऑफ़" और लोकल ऑब्जर्वेबल्स के ऊपर ग्लोबल एडजॉइंट मेजरमेंट की आवश्यकता।
ट्रेनिबिलिटी: यह डेटा लोडिंग से एंटैंगलमेंट को अलग करके उन समस्याओं को हल करता है जो अक्सर क्वांटम मशीन लर्निंग में "बैरन प्लेटो" (barren plateau) और फेज-स्कैम्बलिंग से जुड़ी होती हैं।
व्यावहारिक तैनाती: लेखक तर्क देते हैं कि अनट्रेन्ड qDTW शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के लिए एक व्यावहारिक, तैनाती-योग्य समाधान है। चूंकि यह ग्रेडिएंट ऑप्टिमाइजेशन के बिना अत्याधुनिक परिणाम प्राप्त करता है, इसलिए यह भौतिक हार्डवेयर पर क्वांटम सर्किटों को प्रशिक्षित करने की अत्यधिक लागत से बचते हुए, क्लासिकल DTW के लिए एक "लेज़ी लर्निंग" क्वांटम विकल्प प्रदान करता है।

यह कार्य यह दावा नहीं करता है कि डायनेमिक प्रोग्रामिंग चरण में स्वयं कोई कम्प्यूटेशनल गति वृद्धि (speedup) हुई है (जो शास्त्रीय ही रहता है), बल्कि यह दूरी मेट्रिक में एक रिप्रजेंटेशनल लाभ का दावा करता है, जो जटिल मल्टीवेरिएट टेम्पोरल डेटा के बेहतर वर्गीकरण को सक्षम बनाता है।