🤖 machine learning

RASP-QAOA: Resource-Aware Per-Instance Selection for Exact QAOA Simulation

यह शोध पत्र RASP-QAOA को प्रस्तुत करता है, जो एक संसाधन-जागरूक (resource-aware), प्रति-इन्स्टेंस चयन ढांचा है जो ग्राफ संरचना और हार्डवेयर बाधाओं के आधार पर सटीक QAOA सिमुलेशन के लिए इष्टतम कम्प्यूटेशनल निरूपणों (computational representations) को गतिशील रूप से चुनता है, जो स्टैटिक बेसलाइन की तुलना में लगभग पूर्ण चयन सटीकता और काफी कम रिग्रेट (regret) प्राप्त करता है।

मूल लेखक: Chih-Chung Hsu

प्रकाशित 2026-08-07

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chih-Chung Hsu

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, असंभव दिखने वाली पहेली को सुलझाने की कोशिश कर रहे हैं। विज्ञान की दुनिया में, एक विशेष प्रकार की पहेली है जिसे QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) कहा जाता है। इसे भविष्य के क्वांटम कंप्यूटरों को जटिल समस्याओं, जैसे कि डिलीवरी ट्रकों के रूटिंग या नई दवाओं को डिजाइन करने में मदद करने के लिए बनाया गया है। लेकिन समस्या यह है कि हमारे पास अभी तक जाने-माने शक्तिशाली क्वांटम कंप्यूटर तैयार नहीं हैं। इसलिए, वैज्ञानिक यह देखने के लिए कि एक क्वांटम कंप्यूटर कैसे व्यवहार करेगा, नियमित, सुपर-फास्ट क्लासिकल कंप्यूटरों का उपयोग करके उसका सिमुलेशन (अनुकरण) करते हैं। यह एक विमान बनाने से पहले उसके उड़ान सिम्युलेटर का परीक्षण करने जैसा है।

समस्या यह है कि ये सिमुलेशन पेचीदा होते हैं। पहेली का आकार (ग्राफ), सिमुलेशन कितना गहरा जाता है, और आपके कंप्यूटर में कितनी मेमोरी है, इस पर निर्भर करते हुए, अलग-अलग सिमुलेशन "इंजन" बेहतर काम करते हैं। कुछ रेस कारों की तरह होते हैं: तेज़ लेकिन केवल चिकके रास्तों पर। कुछ भारी-भरकम ट्रकों की तरह होते हैं: धीमे लेकिन बहुत बड़ा भार उठा सकते हैं। यदि आप काम के लिए गलत इंजन चुन लेते हैं, तो आपका कंप्यूटर क्रैश हो सकता है, मेमोरी खत्म हो सकती है, या इसे पूरा करने में बहुत समय लग सकता है। बड़ा सवाल यह है: बिना समय बर्बाद किए अनुमान लगाए, हर एक पहेली के लिए सही इंजन को स्वचालित रूप से कैसे चुनें?

यही वह जगह है जहाँ RASP-QAOA काम आता है। शोधकर्ता, चिह-चुंग सू (Chih-Chung Hsu) ने महसूस किया कि कंप्यूटर को केवल यह कहना कि "मानक सिम्युलेटर का उपयोग करें", एक शेफ को यह बताने जैसा है कि "चाकू का उपयोग करें" बिना यह बताए कि उन्हें बटर नाइफ चाहिए या क्लीवर। उन्होंने एक स्मार्ट सिस्टम बनाया जो एक बहुत ही व्यवस्थित प्रोजेक्ट मैनेजर की तरह काम करता है। सिमुलेशन शुरू होने से पहले ही, यह मैनेजर विशिष्ट पहेली और उपलब्ध कंप्यूटर संसाधनों को देखता है। यह पहले उन उपकरणों को बाहर निकाल देता है जिनका उपयोग करना भौतिक रूप से असंभव है (जैसे कि एक ट्रक को साइकिल लेन में फिट करने की कोशिश करना)। फिर, यह बचे हुए उपकरणों को रैंक करने के लिए पिछले अनुभव और त्वरित गणितीय अनुमानों के मिश्रण का उपयोग करता है, और उस एक को चुनता है जिसके जीतने की सबसे अधिक संभावना होती है।

टीम ने इस सिस्टम का परीक्षण H200 नामक एक शक्तिशाली नए कंप्यूटर चिप का उपयोग करके 60 अलग-अलग पहेलियों के एक नए सेट पर किया। उन्होंने पाया कि उनका स्मार्ट सेलेक्टर एक गेम-चेंजर था। जबकि पुराने, निश्चित तरीकों से केवल 31 में से 19 हल करने योग्य पहेलियाँ सफलतापूर्वक पूरी हो सकी थीं, RASP-QAOA सभी 31 को पूरा करने में सफल रहा। इससे भी बेहतर, इसने 31 में से 27 बार बिल्कुल सबसे तेज़ विकल्प को चुना। जब इसने सबसे तेज़ विकल्प नहीं चुना, तब भी यह बहुत करीब था, आमतौर पर बस थोड़ा सा धीमा। पेपर सुझाव देता है कि यह दृष्टिकोण 35 वेरिएबल्स और 5 की गहराई तक की समस्याओं के लिए सबसे अच्छा काम करता है, जो यह साबित करता है कि केवल एक फैंसी टूल होने से कहीं अधिक महत्वपूर्ण यह होना है कि आप किस टूल का उपयोग कर रहे हैं।

"टूलबॉक्स" की समस्या

एक क्वांटम कंप्यूटर को सिम्युलेट करने को एक घर बनाने की कोशिश करने के रूप में सोचें। आपके पास हथौड़ों, आरी और ड्रिल की एक टूलबॉक्स भरी हुई है। कुछ उपकरण लकड़ी काटने के लिए बेहतरीन हैं, कुछ कील ठोकने के लिए, और कुछ केवल नाजुक कांच के काम के लिए हैं। यदि आप घड़ी ठीक करने के लिए हथौड़े का उपयोग करने की कोशिश करते हैं, तो आप उसे तोड़ देंगे। यदि आप एक पेड़ को काटने के लिए छोटे स्क्रूड्राइवर का उपयोग करने की कोशिश करते हैं, तो आप थक जाएंगे और असफल हो जाएंगे।

QAOA की दुनिया में, "उपकरण" कंप्यूटर पर समस्या को दर्शाने के विभिन्न गणितीय तरीके हैं।

फुल-स्टेट सिम्युलेटर एक विशाल क्रेन की तरह हैं: वे एक साथ पूरे घर को उठा सकते हैं, लेकिन उन्हें बहुत अधिक स्थान (मेमोरी) की आवश्यकता होती है और एक छोटे से शेड के लिए यह बहुत ज्यादा हो सकता है।
टेंसर कॉन्ट्रैक्शन एक मॉड्यूलर निर्माण किट की तरह है: यह घर को टुकड़ों में बनाता है, जिससे जगह बचती है, लेकिन यदि घर में बहुत अधिक कमरे हैं तो यह जटिल हो सकता है।
लोकल इवैल्यूएटर्स एक हाथ के औज़ार की तरह हैं: छोटे, सरल कामों के लिए सुपर फास्ट, लेकिन गगनचुंबी इमारत के लिए बेकार।

लंबे समय तक, वैज्ञानिक बस एक टूल (आमतौर पर क्रेन) चुनते थे और उम्मीद करते थे कि यह हर चीज़ के लिए काम करेगा। लेकिन जैसे-जैसे पहेलियाँ बड़ी और अधिक जटिल होती गईं, यह "एक ही आकार सबके लिए" वाला दृष्टिकोण विफल होने लगा। कभी-कभी क्रेन का ईंधन खत्म हो जाता था (मेमोरी), और कभी-कभी हाथ का औज़ार बहुत धीमा होता था।

स्मार्ट सेलेक्टर: RASP-QAOA

इस पेपर के लेखक ने RASP-QAOA (रिसोर्स-अवेयर पर-इंस्टेंस सिलेक्शन) बनाया है। कल्पना कीजिए कि एक बहुत ही स्मार्ट रोबोट फोरमैन है जो निर्माण स्थल पर खड़ा है। कोई भी काम शुरू होने से पहले, रोबोट ब्लूप्रिंट (ग्राफ संरचना) और ट्रक के आकार (उपलब्ध मेमोरी) को देखता है।

सुरक्षा जांच: सबसे पहले, रोबोट नियम चेक करता है। "क्या यह क्रेन वास्तव में ड्राइववे में फिट हो सकती है?" "क्या यह आरी इस लकड़ी के लिए काफी मजबूत है?" यह तुरंत उन उपकरणों को प्रतिबंधित कर देता है जो उस विशिष्ट कार्य के लिए उपयोग करना भौतिक रूप रूप से असंभव है। यह महत्वपूर्ण है क्योंकि यह कंप्यूटर को उस सिमुलेशन को चलाने में समय बर्बाद करने से रोकता है जो निश्चित रूप से क्रैश हो जाएगा।
रैंकिंग: एक बार जब असंभव उपकरण हट जाते हैं, तो रोबोट के पास "शायद" वाले उपकरणों की एक छोटी सूची होती है। फिर वह विजेता चुनने के लिए दो रणनीतियों का उपयोग करता है:
- अनुभव: यदि रोबलेट ने इस प्रकार की पहेली पहले देखी है, तो उसे याद रहता है कि पिछली बार कौन सा टूल सबसे अच्छा काम कर रहा था।
- गणितीय अनुमान: यदि यह पूरी तरह से नया प्रकार का पहेली है, तो रोबोट पहेली के आकार के आधार पर यह अनुमान लगाने के लिए एक त्वरित मानसिक गणना करता है कि कौन सा टूल सबसे तेज़ होगा।

परिणाम: गति और सफलता

शोधकर्ताओं ने अपने रोबोट फोरमैन को एक नए, उच्च-शक्ति वाले कंप्यूटर (H200) पर टेस्ट किया। उन्होंने उसे हल करने के लिए 60 अलग-अलग पहेलियाँ दीं।

पुराना तरीका: एक मानक, निश्चित चुनाव (जैसे हमेशा क्रेन का उपयोग करना) केवल उन 31 पहेलियों में से 19 को सफलतापूर्वक पूरा कर सका जो वास्तव में हल करने योग्य थीं।
RASP-QAOA का तरीका: स्मार्ट सेलेक्टर ने सभी 31 हल करने योग्य पहेलियों को सफलतापूर्वक पूरा किया। इसने न केवल काम पूरा किया; बल्कि इसने इसे तेजी से भी किया। वास्तव में, इसने 31 में से 27 बार बिल्कुल सबसे तेज़ टूल को चुना।

पेपर ने यह भी देखा कि जब पहेलियाँ कठिन हो जाती हैं तो क्या होता है। कभी-कभी, "सर्वश्रेष्ठ" टूल पहेली के आकार के सूक्ष्म विवरणों के आधार पर बदल जाता है। शोधकर्ताओं ने पाया कि उनका सिस्टम इन सूक्ष्म अंतरों को पहचानने में बहुत अच्छा था। भले ही इसने नंबर 1 सबसे तेज़ टूल नहीं चुना, फिर भी यह टॉप 2 में था, जिसका अर्थ है कि यह अभी भी अविश्वसनीय रूप से कुशल था।

यह क्यों मायने रखता है

बड़ी बात यह नहीं है कि उन्होंने एक नया क्वांटम कंप्यूटर बनाया है। यह कि उन्होंने हमारे पास पहले से मौजूद कंप्यूटरों का उपयोग करने का एक स्मार्ट तरीका बनाया है। यह मानकर कि सिमुलेशन विधि का चयन स्वयं एक पहेली है, उन्होंने दिखाया है कि अपने टूल्स के बारे में चयनात्मक होकर आप बहुत बेहतर परिणाम प्राप्त कर सकते हैं।

पेपर सुझाव देता है कि एक निश्चित आकार (35 वेरिएबल्स तक) की समस्याओं के लिए, यह तरीका एक बड़ा सुधार है। यह समझने जैसा है कि आपको दौड़ जीतने के लिए बड़े इंजन की आवश्यकता नहीं है; आपको बस यह जानने की आवश्यकता है कि सही समय पर कौन सी गियर बदलनी है। शोधकर्ताओं ने यह भी नोट किया कि यह सिस्टम लचीला है। यदि कोई कल एक बिल्कुल नया सिमुलेशन टूल आविष्कार करता है, तो RASP-QAOA को इसे उपयोग करने के लिए सिखाया जा सकता है बिना इसे पूरी तरह से दोबारा बनाए। यह एक ऐसा सिस्टम है जिसे बढ़ने और अनुकूल होने के लिए डिज़ाइन किया गया है, यह सुनिश्चित करता है कि जैसे-जैसे क्वांटेशनल कंप्यूटिंग अनुसंधान आगे बढ़ता है, हमारे सिमुलेशन क्रैश या रुकने के बिना उसके साथ तालमेल बिठा सकें।

तकनीकी सारांश: RASP-QAOA

समस्या विवरण (Problem Statement)

क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) का सटीक सिमुलेशन शास्त्रीय कम्प्यूटेशनल निरूपणों (classical computational representations) पर निर्भर करता है, जो ग्राफ संरचना, सर्किट गहराई ( $p$ ), संख्यात्मक परिशुद्धता (numerical precision), और उपलब्ध मेमोरी के आधार पर अत्यधिक भिन्न प्रदर्शन विशेषताएँ प्रदर्शित करते हैं। कोई भी एकल बैकएंड या निरूपण समान रूप से इष्टतम नहीं है। उदाहरण के लिए, फुल-स्टेट GPU कार्यान्वयन तब कुशल होते हैं जब मेमोरी पर्याप्त हो लेकिन बड़े $n$ के लिए विफल हो जाते हैं; टेंसर कॉन्ट्रैक्शन (tensor contraction) स्टेट मटेरियलाइजेशन से बचता है लेकिन कॉन्ट्रैक्शन विड्थ के साथ खराब स्केल करता है; और लोकल इवैल्यूएटर केवल उथली गहराई (shallow depths) पर प्रभावी होते हैं। इसके अतिरिक्त, बाधा-संरक्षण मिक्सर (constraint-preserving mixers) बेसिस साइज को $2^n$ से घटाकर $\binom{n}{k}$ कर सकते हैं, जिससे विशिष्ट व्यवहार्य क्षेत्र (feasible regions) खुलते हैं।

वर्तमान दृष्टिकोण अक्सर एक "बैकएंड नाम" (जैसे, CUDA-Q) चुनते हैं, जो अप्रत्यक्ष रूप से निरूपण, एडॉप्टर, परिशुद्धता मोड और मेमोरी पॉलिसी को निर्धारित करता है। यह मोटा चयन उपलब्ध सिमुलेटर्स की विषमता (heterogeneity) का लाभ उठाने में विफल रहता है। शोध प्रबंध यह तर्क देता है कि निर्णय एग्जीक्यूटेबल एक्शन (executable action) के स्तर पर किया जाना चाहिए—जो कि निरूपण, एडॉप्टर, कॉन्फ़िगरेशन, परिशुद्धता और मेमोरी पॉलिसी का एक विशिष्ट टुपल (tuple) है—न कि एक जेनेरिक बैकएंड के रूप में। मुख्य चुनौती एक विशिष्ट QAOA अनुरोध $x = (G, H_C, p, M, \epsilon, B, H)$ के लिए इष्टतम एक्शन का चयन करना है, जहाँ $G$ ग्राफ है, $p$ गहराई है, और $B$ मेमोरी बजट है, जबकि यह सुनिश्चित करना है कि एक्शन अर्थपूर्ण रूप से संगत (semantically compatible) है और संसाधन सीमाओं के भीतर पूरा हो सकता है।

कार्यप्रणाली: RASP-QAOA (Methodology: RASP-QAOA)

लेखक RASP-QAOA (Exact QAOA के लिए रिसोर्स-अवेयर प्रति-इंस्टेंस सिलेक्शन) का प्रस्ताव करते हैं, जो दस अलग-अलग एग्जीक्यूटेबल एक्शन्स के पोर्टफोलियो पर संचालित होने वाला एक दो-चरणीय चयन ढांचा है। यह विधि निर्णय को संगतता (compatibility) (व्यवहार्यता) और क्रमबद्धता (ordering) (प्रदर्शन भविष्यवाणी) में विभाजित करती है।

1. संगतता फ़िल्टरिंग (Compatibility Filtering)

रैंकिंग से पहले, सिस्टम कैंडिडेट सेट $C(x)$ बनाने के लिए एक्शन पोर्टफोलियो को फ़िल्टर करता है। एक एक्शन $a$ को तभी शामिल किया जाता है यदि वह चार शर्तों को पूरा करता है:

सिमेंटिक ( $S_a$ ): निरूपण और मिक्सर समस्या की बाधाओं (जैसे, फिक्स्ड-वेट मिक्सर के लिए विशिष्ट सबस्पेस निरूपण की आवश्यकता होती है) का समर्थन करते हैं।
परिशुद्धता ( $P_a$ ): कॉन्फ़िगर की गई परिशुद्धता (जैसे, fp32 बनाम fp64) अनुरोध की संख्यात्मक सहनशीलता (numerical tolerance) से मेल खाती है।
डिप्लॉयमेंट ( $D_a$ ): आवश्यक सॉफ़्टवेयर पैकेज और डिवाइस पाथ उपलब्ध है।
मेमोरी ( $M_a$ ): एक कैलिब्रेटेड पीक-मेमोरी अनुमान (जो $n$ , $p$ , और निरूपण प्रकार पर आधारित है) $\min(B, 0.9 \times \text{VRAM})$ के भीतर फिट बैठता है।

यह चरण सुनिश्चित करता है कि चयनित एक्शन अनुरोधित QAOA सिमेंटिक्स और निष्पादन आवश्यकताओं को लागू करने में सक्षम है।

2. क्रमबद्धता रणनीति (Ordering Strategy)

एक बार $C(x)$ स्थापित हो जाने के बाद, RASP-QAOA एक हाइब्रिड दृष्टिकोण का उपयोग करके एक्शन्स को क्रमबद्ध करता है:

लर्नड सपोर्ट ( $A_\phi$ ): विकास के दौरान देखे गए एक्शन्स के लिए, एक फीचर-आधारित रँकर $q_\phi(a, z(x))$ प्रदर्शन की भविष्यवाणी करता है। फीचर वेक्टर $z(x)$ में ग्राफ का आकार, घनत्व, गहराई, डिग्री सांख्यिकी, और कॉन्ट्रैक्शन विड्थ या कॉज़ल कोन्स (causal cones) के प्रॉक्सी शामिल हैं।
एनालिटिकल एस्टीमेशन (Analytical Estimation): यदि $C(x)$ में लर्नड सपोर्ट से बाहर के एक्शन्स हैं (अर्थात, $C(x) \cap A_\phi = \emptyset$ ), तो सिस्टम रिप्रेजेंटेशन-अवेयर वर्क एस्टीमेट्स पर वापस जाता है। ये सैद्धांतिक स्केलिंग पर आधारित एनालिटिकल प्रॉक्सी हैं, जैसे फुल-स्टेट के लिए $p2^n$ , फिक्स्ड-वेट के लिए $p\binom{n}{k}$ , और टेंसर मेथड्स के लिए कॉन्ट्रैक्शन-विड्थ अनुमान।

अंतिम पॉलिसी उपलब्ध लर्नड सेट से उच्चतम स्कोर वाले एक्शन को चुनती है; अन्यथा, यह सबसे कम एनालिटिकल वर्क एस्टीमेट वाले एक्शन को चुनती है। दोनों चरणों की कभी भी साझा स्केल पर तुलना नहीं की जाती है; लर्नड पाथ को प्राथमिकता दी जाती है।

मुख्य योगदान (Key Contributions)

प्रति-इंस्टेंस फॉर्मूलेशन: निर्णय ऑब्जेक्ट को एक पूर्ण एग्जीक्यूटेबल एक्शन की (निरूपण + एडॉप्टर + कॉन्फ़िगरेशन) के रूप में परिभाषित किया गया है, जिसमें संगतता प्रदर्शन रैंकिंग से पहले सख्ती से निर्धारित की जाती है।
हाइब्रिड सिलेक्शन पॉलिसी: RASP-QAOA अनुरोध-जागरूक संगतता जाँच, विकास-समर्थित एक्शन्स के लिए फीचर-आधारित ऑर्डरिंग, और लर्नड सपोर्ट से बाहर के संगत एक्शन्स के लिए एनालिटिकल ऑर्डरिंग को एकीकृत करता है।
कंपोनेंट-रिजॉल्व्ड इवैल्यूएशन: शोध प्रबंध एक नए H200 हार्डवेयर पोर्टफोलियो पर कठोर मूल्यांकन प्रदान करता है, जो कवरेज (एक वैध एक्शन खोजना) और रैंकिंग गुणवत्ता (सबसे तेज़ वैध एक्शन खोजना) के बीच अंतर करता है।

प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन NVIDIA H200 GPUs का उपयोग करके एक ताज़ा 60-अनुरोध टेस्ट सेट पर किया गया था, जो विकास डेटा से अलग था।

कवरेज (Coverage): 60 अनुरोधों में से, 31 में कम से कम एक स्वीकार्य एक्शन था जिसने पूर्णता और सत्यापन (स्ट्रिक्ट कंप्लीशन) किया। RASP-QAOA ने इन सभी 31 अनुरोधों के लिए एक वैध एक्शन सफलतापूर्वक चुना। इसके विपरीत, डेवलपमेंट-सिलेक्टेड CUAOA ने केवल 19 और एक स्टैटिक प्रायोरिटी बेसलाइन ने 23 कवर किए।
रैंकिंग क्वालिटी (Ranking Quality): 31 समाधान योग्य अनुरोधों पर, RASP-QAOA ने 27/31 टॉप-1 चयन प्राप्त किया (पहले 5% टाइमिंग-इक्विवेलेंट ग्रुप के भीतर) और 31/31 टॉप-2 चयन प्राप्त किया।
प्रदर्शन मेट्रिक्स (Performance Metrics):
- ज्यामितीय-माध्य रिग्रेट (Geometric-mean regret): 1.051।
- फेलियर-पेनलाइज्ड PAR10: डेवलपमेंट-सिलेक्टेड CUAOA का 0.0396 गुना (25.26 गुना सुधार)।
- प्लानिंग टाइम: माध्य 22.5 $\mu$ s।
स्ट्रक्चरल क्रॉसओवर (Structural Crossover): ग्राफ संरचनाओं को बदलते हुए (फिक्स्ड $n=20, p=2$ के साथ) एक अलग 30-अनुरोध क्रॉसओवर प्रयोग ने दिखाया कि केवल $n$ और $p$ का उपयोग करने की तुलना में पूर्ण स्ट्रक्चरल फीचर्स का उपयोग करने से टॉप-1 चयन 12/30 से बढ़कर 25/30 हो गया। एक सरल डेप्थ-1 डिसीजन स्टंप ने ग्रेडिएंट बूस्टिंग के प्रदर्शन की बराबरी की, जो बताता है कि लाभ क्लासिफायर की जटिलता से नहीं बल्कि रिप्रेजेंटेशन फीचर्स से आता है।
मजबूती (Robustness): परिणाम विभिन्न पुन: उपयोग क्षितिज ( $h=1$ से $3$ तक) और संख्यात्मक सहनशीलता सेटिंग्स में स्थिर रहे।

महत्व और दावे (Significance and Claims)

शोध प्रबंध का दावा है कि $n \le 35$ और $p \le 5$ के स्केल पर सटीक QAOA सिमुलेशन के लिए रिसोर्स-अवेयर रिप्रेजेंटेशन सिलेक्शन महत्वपूर्ण है। प्राथमिक योगदान एक नया सिमुलेटर नहीं है, बल्कि एक सिलेक्शन मैकेनिज्म है जो समस्या के इंस्टेंस को सबसे उपयुक्त कम्प्यूटेशनल रिप्रेजेंटेशन के साथ गतिशील रूप से जोड़ता है।

लेखक इस बात पर जोर देते हैं कि देखे गए प्रदर्शन लाभ निम्नलिखित द्वारा संचालित हैं:

पोर्टफोलियो ब्रैडथ (Portfolio Breadth): उन रिप्रेजेंटेशन (जैसे फिक्स्ड-वेट या लोकल इवैल्यूएटर) को पहचानने और चुनने की क्षमता जिन्हें डेवलपमेंट-सिलेक्टेड बेसलाइन्स (जैसे CUAOA) सिमेंटिक या मेमोरी असंगतता के कारण उपयोग नहीं कर सकते।
फीचर-बेस्ड ऑर्डरिंग: इंस्टेंस स्ट्रक्चर के आधार पर ओवरलैपिंग संगत एक्शन्स को रैंक करने की क्षमता।

शोध प्रबंध स्पष्ट रूप से कहता है कि परिणाम परीक्षण किए गए हार्डवेयर (H200), सॉफ़्टवेयर स्टैक और सटीक एक्सपेक्टेशन-वैल्यू सिमुलेशन के लिए विशिष्ट हैं। यह अनुमानित (approximate) सिमुलेशन या विभिन्न हार्डवेयर लक्ष्यों के लिए समाधान का दावा नहीं करता है, यह नोट करते हुए कि इनके लिए नए एक्शन डेफिनिशन और कैलिब्रेशन की आवश्यकता होगी। कार्य यह प्रदर्शित करता है कि संगतता जाँच को प्रदर्शन रैंकिंग से अलग करने से एक मजबूत चयन नीति मिलती है जो उच्च रैंकिंग सटीकता बनाए रखते हुए कवरेज को अधिकतम करती है।