🤖 machine learning

GPTQ-2D: Cubic-Time Two-Sided Adaptive Rounding

यह शोधपत्र GPTQ-2D प्रस्तुत करता है, जो एक क्यूबिक-टाइम (cubic-time) एल्गोरिदम है जो एंटी-डायगोनल्स (anti-diagonals) के अनुदिश प्रविष्टियों को समानांतर में संसाधित करके मैट्रिसेस पर कुशलतापूर्वक टू-साइडेड एडेप्टिव राउंडिंग (two-sided adaptive rounding) करता है, जिससे मानक वेक्टरकरण विधियों द्वारा आवश्यक क्वार्टिक टाइम (quartic time) की तुलना में कम्प्यूटेशनल जटिलता कम हो जाती है और समान परिणाम प्राप्त होते हैं।

मूल लेखक: Jiale Chen, Torsten Hoefler, Dan Alistarh

प्रकाशित 2026-07-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiale Chen, Torsten Hoefler, Dan Alistarh

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 जेन्गा (Jenga) ब्लॉक्स के एक विशाल, डगमगाते हुए टॉवर को एक सलीके से, सख्त बक्से में पैक करने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, ये "ब्लॉक्स" एक विशाल स्प्रेडशीट (मैट्रिक्स) के भीतर मौजूद संख्याएँ हैं जो कंप्यूटर को सोचने का तरीका सिखाती हैं। इन कंप्यूटरों को तेज़ चलाने और कम ऊर्जा का उपयोग करने के लिए, इंजीनियर इन संख्याओं को सरल पूर्णांकों (integers) में सिकोड़ने की कोशिश करते हैं, जिसे "क्वांटाइजेशन" (quantization) कहा जाता है। लेकिन इसमें एक पेच है: यदि आप केवल बेतरतीब ढंग से दशमलव (decimals) को काट देते हैं, तो टॉवर ढह जाता है और कंप्यूटर गलतियाँ करने लगता है।

इसे ठीक करने के लिए, वैज्ञानिक "एडेप्टिव राउंडिंग" (adaptive rounding) नामक एक चतुर तकनीक का उपयोग करते हैं। इसे डोमिनोज़ के खेल की तरह समझें। जब आप एक डोमिनो गिराते हैं (एक संख्या को राउंड करते हैं), तो यह एक छोटी सी थरथराहट पैदा करता है। इस थरथराहट को अनदेखा करने के बजाय, एडेप्टिव राउंडिंग इसे पकड़ती है और अगली डोमिनो की ओर धकेल देती है, जिससे पूरी लाइन सीधी बनी रहती है। यह विधि, जिसे GPTQ कहा जाता है, वर्षों से सुपरस्टार रही है, लेकिन यह तभी अच्छी तरह काम करती है जब डोमिनोज़ एक लंबी, एकल रेखा में व्यवस्थित हों। हालाँकि, आधुनिक AI मॉडल एक विशाल, दो-आयामी (2D) ग्रिड की तरह होते हैं, जहाँ एक डोमिनो को गिराने से उसके दाईं ओर और नीचे के पड़ोसी भी प्रभावित होते हैं। इस 2D ग्रिड को पुराने "एक-लाइन" वाले तरीके से ठीक करने की कोशिश करना एक गाँठ को केवल एक सिरे से खींचकर सुलझाने जैसा है—यह काम तो करता है, लेकिन इसमें बहुत समय लगता है और यह एक ऐसे लूप में फंस जाता है जो आवश्यक से चार गुना धीमा है।

यह शोध पत्र एक नया तरीका पेश करता है, जिसे GPTQ-2D कहा जाता है। लेखक, जियाले चेन, टोरस्टन होफ़लर और डैन अलिस्टार, ने खोजा कि आपको डोमिनोज़ को एक लंबी लाइन में एक-एक करके खींचने की ज़रूरत नहीं है। इसके बजाय, आप डोमिनोज़ की पूरी विकर्ण पंक्तियों (diagonal rows) को पकड़ सकते हैं और उन्हें एक साथ ठीक कर सकते हैं। यह महसूस करते हुए कि एक ब्लॉक से होने वाली "थरथराहट" केवल नीचे और दाईं ओर यात्रा करती है, उन्होंने एक शॉर्टकट खोज निकाला जो उन्हें पूरे ग्रिड को बहुत कम समय में प्रोसेस करने देता है। उन्होंने गणितीय रूप से सिद्ध किया कि यह नया तरीका पुराने धीमे तरीके के समान ही सटीक टॉवर बनाता है, लेकिन यह इसे "क्यूबिक" (cubic) समय में करता है, न कि "क्वार्टिक" (quartic) समय में, जो बेहद धीमा होता है। इसका मतलब है कि अब हम इन विशाल AI दिमागों को बिना तोड़े अधिक कुशलता से सिकोड़ सकते हैं, जिससे शक्तिशाली AI रोज़मर्रा के उपकरणों पर अधिक सुलभ हो जाता है।

दो-तरफा पहेली की कहानी

आइए इस पहेली के तंत्र को समझते हैं। पुराने एक-तरफा तरीके (GPTQ) में, कल्पना करें कि आपके पास लोगों की एक पंक्ति है जो एक भारी बैकपैक पास कर रहे हैं। यदि पहला व्यक्ति एक सिक्का गिरा देता है, तो वह अगले व्यक्ति को क्षतिपूर्ति के लिए थोड़ा अतिरिक्त वजन उठाने के लिए कहता है। यह एक समय में एक व्यक्ति के माध्यम से, लाइन में नीचे की ओर होता है। यह एक सिंगल फाइल लाइन के लिए बहुत अच्छा काम करता है।

लेकिन AI की वास्तविक दुनिया में, "लोग" एक ग्रिड में व्यवस्थित होते हैं, जैसे कि एक चेकरबोर्ड। अब, यदि बीच में कोई व्यक्ति एक सिक्का गिराता है, तो वह वजन उनके नीचे खड़े सभी लोगों और उनके दवें ओर खड़े सभी लोगों के बीच साझा किया जाना चाहिए। यदि आप इस ग्रिड को हर एक वर्ग (square) में जाकर एक-एक करके ठीक करने की कोशिश करते हैं (वेक्टराइज्ड दृष्टिकोण), तो आप बहुत सारा अनावश्यक काम करते हैं। यह एक पूरे कमरे को साफ करने की कोशिश करने जैसा है जहाँ आप बार-बार फर्श के हर इंच को पोंछते हैं, यहाँ तक कि उन हिस्सों को भी जिन्हें आप पहले ही साफ कर चुके हैं। गणित बताता है कि इसमें बहुत अधिक समय लगता है, और यदि आप ग्रिड का आकार दोगुना करते हैं, तो काम चार गुना (या उससे भी अधिक) बढ़ जाता है।

इस शोध पत्र के लेखकों ने इस ग्रिड को देखा और कुछ जादुजी महसूस किया: किसी भी वर्ग से होने वाली "थरथराहट" या त्रुटि केवल एक विशिष्ट दिशा में—नीचे और दाईं ओर—यात्रा करती है। यह एक निर्भरता ग्राफ (dependency graph) बनाता है जो एक सीढ़ी जैसा दिखता है। यदि आप ग्रिड को विकर्ण रूप से (ऊपर-दाएं से नीचे-बाएं तक) देखते हैं, तो आप पाएंगे कि एक ही विकर्ण रेखा पर स्थित सभी वर्ग स्वतंत्र हैं। वे एक-दूसरे को प्रभावित नहीं करते!

यही वह "Aha!" क्षण है। क्योंकि वे स्वतंत्र हैं, आप एक ही विकर्ण रेखा पर सभी संख्याओं को एक साथ राउंड कर सकते हैं, जैसे कि बोर्ड पर टकराती हुई एक लहर। यही GPTQ-2D का मूल है।

"लेज़ी" (Lazy) बफर का जादू

तो, वे इसे तेज़ कैसे बनाते हैं? पुराने "धीमे" तरीके में, हर बार जब आप एक संख्या को ठीक करते थे, तो आप तुरंत उस विशाल आयत के नीचे और दाईं ओर के प्रत्येक वर्ग को अपडेट करने जाते थे। यह बहुत अधिक भाग-दौड़ वाला काम है।

नया GPTQ-2D एल्गोरिदम बहुत अधिक "लेज़ी" (आलसी) है (अच्छे अर्थ में)। पूरे आयत को तुरंत अपडेट करने के बजाय, यह बस अपनी ही कॉलम में और अपनी ही रो (row) में त्रुटि को धकेलता है, और एक "नोट" एक बफर में छोड़ देता है। यह एक शिक्षक की तरह है जो, हर छात्र के डेस्क पर जाकर गलती सुधारने के बजाय, केवल छात्र के अपने डेस्क पर और उनके दाईं ओर वाले छात्र के डेस्क पर सुधार लिख देता है। लाइन में आगे के छात्र अंततः इन नोट्स को देखेंगे और खुद को ठीक कर लेंगे।

इस "लेज़ी" दृष्टिकोण का उपयोग करके, एल्गोरिदम पूरे ग्रिड को लगातार अपडेट करने के भारी काम से बचता है। यह ग्रिड को "लहरों" (anti-diagonals) में प्रोसेस करता है। प्रत्येक लहर थोड़ा सा समय लेती है, और चूंकि लहरें समानांतर (parallel) में हो सकती हैं, इसलिए पूरी प्रक्रिया नाटकीय रूप रूप से तेज हो जाती है।

शोध पत्र यह सिद्ध करता है कि यह लेज़ी, विकर्ण दृष्टिकोण ठीक उसी परिणाम को देता है जो धीमे, एक-एक करके वाले तरीके से मिलता है। यह कोई अनुमान नहीं है; यह एक गणितीय गारंटी है। लेखक दिखाते हैं कि चाहे आप डोमिनोज़ को एक-एक करके ठीक करें या विकर्ण लहरों में, अंतिम टॉवर बिल्कुल एक जैसा खड़ा रहता है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र केवल यह अनुमान नहीं लगाता कि यह तेज़ है; उन्होंने इसे सिद्ध करने के लिए गणित का उपयोग किया है। एक वर्गाकार ग्रिड के लिए (जहाँ पंक्तियों की संख्या स्तंभों के बराबर है), पुराना तरीका ग्रिड के आकार की चौथी घात ( $O(m^2n^2)$ ) के अनुपात में समय लेता है। नया GPTQ-2D तरीका ग्रिड के आकार की तीसरी घात ( $O(m^3)$ ) के अनुपात में समय लेता है।

इसे समझने के लिए: यदि आपके पास 1,000 x 1,000 का ग्रिड है, तो पुराना तरीका नए तरीके की तुलना में एक अरब गुना अधिक काम कर रहा है। नया तरीका दो-तरफा ग्रिड को ठीक करने की लागत को एक साधारण एक-तरफा रेखा को ठीक करने के स्तर तक ले आता है।

लेखक इस एल्गोरिदम के एक "ब्लॉक" (blocked) संस्करण (एल्गोरिदम 4) का भी वर्णन करते हैं, जो इन विकर्ण लहरों को समूहों (chunks) में व्यवस्थित करता है। इसे आधुनिक कंप्यूटर चिप्स पर और भी बेहतर काम करने के लिए डिज़ाइन किया गया है, जो छोटे, बिखरे हुए टुकड़ों के बजाय एक साथ बड़े गणितीय कार्यों को करना पसंद करते हैं। यह सिद्धांत को वास्तविक दुनिया के उपयोग के लिए तैयार बनाता है।

संक्षेप में, यह शोध पत्र एक ऐसी समस्या को हल करता है जो बड़े, जटिल AI मॉडलों के लिए बहुत धीमी थी और उसे एक ऐसी गति प्रदान करता है जो इसे व्यवहार्य बनाती है। यह दिखाता है कि डेटा को देखने के तरीके को बदलकर—एक सीधी रेखा को एक विकर्ण लहर से बदलकर—हम किसी भी सटीकता को खोए बिना एक दो-तरफा पहेली को एक-तरफा पहेली जितनी आसानी से हल कर सकते हैं। यह एक याद दिलाता है कि कभी-कभी, समस्या को हल करने का सबसे तेज़ तरीका कड़ी मेहनत करना नहीं, बल्कि समस्या को एक अलग कोण से देखना होता है।

GPTQ-2D का तकनीकी सारांश: क्यूबिक-टाइम टू-साइडेड एडेप्टिव राउंडिंग (Cubic-Time Two-Sided Adaptive $\text{Adaptive Rounding}$ )

1. समस्या विवरण (Problem Statement)

यह शोध पत्र टू-साइडेड एडेप्टिव राउंडिंग (two-sided adaptive rounding) की समस्या को संबोधित करता है, जो कि GPTQ (Frantar et al., 2023) और बेबई के नियरएस्ट प्लेन एल्गोरिदम (Babai, 1986) जैसे क्वांटाइजेशन विधियों में उपयोग किए जाने वाले मानक वन-साइडेड मैट्रिक्स राउंडिंग का एक सामान्यीकरण है।

वन-साइडेड केस (One-Sided Case): एक वास्तविक मैट्रिक्स $X \in \mathbb{R}^{m \times n}$ और एक निश्चित नॉन-सिंगुलर बेसिस मैट्रिक्स $A \in \mathbb{R}^{m \times m}$ दिए जाने पर, लक्ष्य एक पूर्णांक मैट्रिक्स $Z$ खोजना है जो $\|A(Z - X)\|_F^2$ को न्यूनतम करे। इसे एक निश्चित क्रम (जैसे कॉलम-मेजर) में प्रविष्टियों (entries) को प्रोसेस करके और एक ट्राइएंगुलर फीडबैक मैट्रिक्स के माध्यम से राउंडिंग त्रुटियों को प्रसारित करके ग्रिडली (greedily) हल किया जाता है। यह दृष्टिकोण $O(m^2 \max(m, n))$ समय में चलता है (वर्ग मैट्रिक्स के लिए क्यूबिक)।
टू-साइडेड केस (Two-Sided Case): यह शोध पत्र एक दूसरा निश्चित नॉन-सिंगुलर बेसिस मैट्रिक्स $B \in \mathbb{R}^{n \times n}$ पेश करता है जो दाईं ओर कार्य करता है, जिससे उद्देश्य बदल जाता है:
$\|A(Z - X)B\|_F^2 = \|(B^\top \otimes A)(\text{vec}(Z) - \text{vec}(X))\|_2^2$
यहाँ, $\otimes$ क्रोनेकर उत्पाद (Kronecker product) को दर्शाता है। हालांकि इसे मैट्रिक्स को लंबाई-$mn $के वेक्टर में बदलकर और मानक 1D एडेप्टिव राउंडिंग लागू करके हल किया जा सकता है, लेकिन परिणामी ग्राम मैट्रिक्स$ H \otimes G $(जहाँ$ H=BB^\top, G=A^\top A $) होता है। सभी$ mn $कोऑर्डिनेट्स पर सीधा स्वीप करने से$ O(m^2 n^2)$ समय की जटिलता आती है (वर्ग मैट्रिक्स के लिए क्वार्टिक/quartic), जो गणनात्मक रूप से अत्यधिक कठिन है।

मुख्य चुनौती यह है कि एक ही 1D एडेप्टिव राउंडिंग ट्रैजेक्टरी प्राप्त की जाए, लेकिन कम गणनात्मक जटिलता के साथ, आदर्श रूप से वन-साइडेड केस की क्यूबिक लागत से मेल खाती हुई।

2. कार्यप्रणाली (Methodology)

लेखक GPTQ-2D प्रस्तावित करते हैं, जो जटिलता को क्वार्टिक से घटाकर क्यूबिक करने के लिए क्रोनेकर उत्पाद की विशिष्ट संरचना का लाभ उठाता है।

प्रमुख सैद्धांतिक अंतर्दृष्टि (Key Theoretical Insights):

क्रोनेकर फीडबैक संरचना (Kronecker Feedback Structure): वेक्टरकृत समस्या के लिए फीडबैक मैट्रिक्स $F = U^\top \otimes L$ है, जहाँ $L$ और $U$ ग्राम मैट्रिसेस $G$ और $H$ के व्युत्क्रमों से प्राप्त यूनिट लोअर/अपर ट्राइएंगुलर फैक्टर्स हैं।
रैंक-वन अपडेट (Rank-One Updates): प्रविष्टि $(i, j)$ पर एक राउंडिंग त्रुटि $L_{:,i} E_{ij} U_{j,:}$ के रूप में एक फीडबैक अपडेट उत्पन्न करती है। यह एक रैंक-वन अपडेट है जो केवल लोअर-राइट आयत $\{i, \dots, m\} \times \{j, \dots, n\}$ द्वारा समर्थित है।
एंटी-डायगोनल स्वतंत्रता (Anti-Diagonal Independence): क्योंकि $(i, j)$ से होने वाला अपडेट केवल उन प्रविष्टियों $(p, q)$ को प्रभावित करता है जहाँ $p \ge i$ और $q \ge j$ , इसलिए एक ही एंटी-डायगोनल ( $i+j = s$ ) पर स्थित प्रविष्टियाँ परस्पर स्वतंत्र हैं। एक बार पिछली एंटी-डायगोनल्स पूरी हो जाने के बाद, उन्हें समानांतर (parallel) में प्रोसेस किया जा सकता है।

एल्गोरिदम दृष्टिकोण (Algorithmic Approach):

एंटी-डायगोनल स्वीप (Anti-Diagonal Sweep): कॉलम-मेजर या रो-मेजर स्वीप के बजाय, एल्गोरिदम मैट्रिक्स को $m+n-1$ चरणों में प्रोसेस करता है, जो एंटी-डायगोनल्स के अनुरूप है।
लेजी प्रोपेगेशन (The "Buffer" Trick):
- एक नेटिव एंटी-डायगोनल स्वीप कार्यान्वयन अभी भी $O(m^2 n^2)$ कार्य की आवश्यकता रखेगा क्योंकि $L_{:,i} E_{ij} U_{j,:}$ को लागू करना एक बड़े ब्लॉक को सघन रूप से स्पर्श करता है।
- GPTQ-2D इसे एक सहायक बफर $C = LE$ बनाए रखकर टाल देता है।
- जब एक प्रविष्टि $(i, j)$ को राउंड किया जाता है, तो त्रुटि $E_{ij}$ को तुरंत उसके विशिष्ट कॉलम (वाया $L$ ) और रो (वाया $U$ ) के माध्यम से प्रसारित किया जाता है।
- आयत के "बल्क" अपडेट को स्थगित कर दिया जाता है। एल्गोरिदम त्रुटि को बफर $C$ में नीचे की ओर धकेलता है, और बाद में, बफर मानों को पंक्तियों के माध्यम से दाईं ओर धकेला जाता है।
- यह "पुश" रणनीति सुनिश्चित करती है कि प्रत्येक प्रविष्टि प्रत्येक निर्भरता (dependency) के लिए ठीक एक बार अपडेट की जाती है, जिससे स्वीप लागत $O(mn \max(m, n))$ हो जाती है।
ब्लॉक कार्यान्वयन (Blocked Implementation): व्यावहारिक प्रदर्शन में सुधार के लिए, लेखक एक ब्लॉक संस्करण (एल्गोरिदम 4) पेश करते हैं। यह एक बार में $w$ एंटी-डायगोनल्स को प्रोसेस करता है, एक ब्लॉक में त्रुटियों को संचित करता है और फिर उन्हें बैंड-जैसे मैट्रिक्स उत्पादों का उपयोग करके शेष मैट्रिक्स में फ्लश करता है, जैसा कि GPTQ में लेजी ब्लॉक अपडेट्स में होता है।

3. मुख्य योगदान (Key Contributions)

फॉर्मूलेशन (Formulation): यह शोध पत्र टू-साइडेड मैट्रिक्स राउंडिंग को क्रोनेकर मेट्रिक के तहत वेक्टर राउंडिंग के रूप में पुनर्गठित करता है, यह सिद्ध करते हुए कि परिणामी फीडबैक रैंक-वन और सेपरेबल (separable) है।
जटिलता में कमी (Complexity Reduction): यह प्रदर्शित करता है कि टू-साइडेड समस्या को $O((\max(m, n))^3)$ समय में हल किया जा सकता है, जो वन-साइडेड GPTQ की क्यूबिक लागत से मेल खाता है, न कि सीधे वेक्टरकृत स्वीप की $O(m^2 n^2)$ लागत से।
सटीक समानता (Exact Equivalence): थ्योरम 2 सिद्ध करता है कि यदि एक नियतात्मक (deterministic) टाई-ब्रेकिंग नियम का उपयोग किया जाए, तो GPTQ-2D वेक्टर इनपुट पर लागू मानक 1D एडेप्टिव राउंडिंग एल्गोरिदम के समान ही राउंडेड मैट्रिक्स प्रदान करता है।
ऑर्डर इनवेरिएंस (Order Invariance): यह शोध पत्र स्थापित करता है (थ्योरम 1) कि एडेप्टिव राउंडिंग प्रोसेसिंग के क्रम के प्रति अपरिवर्तनीय (invariant) है, बशर्ते कि क्रम फीडबैक निर्भरताओं (अर्थात, डिपेंडेंसी ग्राफ के टोपोलॉजिकल सॉर्ट) का सम्मान करता हो। यह एंटी-डायगोनल पैरेलल स्वीप को न्यायसंगत बनाता है।

4. परिणाम और जटिलता विश्लेषण (Results and Complexity Analysis)

समय जटिलता (Time Complexity):
- फैक्टरइजेशन (Factorization): व्युत्क्रम ग्राम मैट्रिसेस के LDL डिकम्पोजिशन को कंप्यूट करने में $O((\max(m, n))^3)$ समय लगता है।
- स्वीप (Sweep): राउंडिंग स्वीप $O(mn \max(m, n))$ समय लेता है।
- कुल (Total): वर्ग मैट्रिक्स ( $m=n$ ) के लिए, कुल जटिलता $O(m^3)$ है, जो सीधे डेंस (dense) दृष्टिकोण की $O(m^4)$ की तुलना में एक महत्वपूर्ण सुधार है।
पैरेललिज्म (Parallelism): एल्गोरिदम स्वाभाविक रूप से $m+n-1$ चरणों के साथ पैरेललिज्म का समर्थन करता है। प्रत्येक चरण (एंटी-डायगोनल) के भीतर, सभी प्रविष्टियों को एक साथ प्रोसेस किया जा सकता है।
मेमोरी (Memory): वर्किंग स्टोरेज फैक्टर्स के लिए $O((\max(m, n))^2)$ और स्वीप बफर्स के लिए $O(mn)$ है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र GPTQ-2D को वन-साइडेड GPTQ के प्रतिस्पर्धी के रूप में नहीं, बल्कि उन परिदृश्यों के लिए एक आवश्यक विस्तार के रूप में प्रस्तुत करता है जिनमें टू-साइडेड मेट्रिक्स (जैसे क्वांटाइजेशन में क्रोनेकर-फैक्टर्ड हेसियन) की आवश्यकता होती है।

GPTQ का विस्तार: लेखक कहते हैं कि वन-साइडेड राउंडिंग वह विशेष मामला है जहाँ $B=I$ है। GPTQ-2D इस क्षमता को बिना किसी $\Theta(\min(m, n))$ गणनात्मक लागत वृद्धि के टू-साइडेड मामले तक विस्तारित करता है।
व्यावहारिक उपयोगिता: एल्गोरिदम को YAQA (Tseng et al., 2026) जैसे मौजूदा टू-साइडेड तरीकों के राउंडिंग स्टेप के लिए एक ड्रॉप-इन रिप्लेसमेंट के रूप में डिज़ाइन किया गया है। जबकि YAQA एंटी-डायगोनल स्वीप का भी उपयोग करता है, इसका रेफरेंस इम्प्लीमेंटेशन डेंस मैट्रिक्स उत्पादों का उपयोग करता है, जिसके परिणामस्वरूप क्वार्टिक जटिलता होती है। GPTQ-2D उसी राउंडिंग ट्रैजेक्टरी को क्यूबिक जटिलता के साथ प्रदान करता है, जिससे यह बड़े पैमाने के अनुप्रयोगों के लिए व्यवहार्य हो जाता है।
सीमित दायरा (Modest Scope): शोध पत्र स्पष्ट रूप से ग्लोबल ऑप्टिमलिटी (यह नोट करते हुए कि निकटतम लैटिस पॉइंट खोजना NP-hard है) के दावे करने से बचता है और सख्ती से परिभाषित मेट्रिक द्वारा संचालित कुशल, एडेप्टिव राउंडिंग ट्रैजेक्टरी पर ध्यान केंद्रित करता है। यह नए अनुप्रयोगों का प्रस्ताव नहीं करता है बल्कि मौजूदा टू-साइडेड राउंडिंग फॉर्मूलेशन की गणनात्मक लागत को अनुकूलित करता है।