⚛️ quantum physics

Q-MERGE: Parallelising Quantum State Preparation for Large-Scale Classical Data

यह शोध पत्र Q-MERGE को प्रस्तुत करता है, जो एक स्केलेबल फ्रेमवर्क है जो डेटा को समानांतर प्रसंस्करण और सुसंगत पुनर्संयोजन (coherent recombination) के लिए खंडों में विभाजित करके बड़े पैमाने पर क्वांटम अवस्था तैयारी की बाधा को दूर करता है, जिससे इन्फिडेलिटी (infidelity) में सात-क्रम-का परिमाण (seven-order-of-magnitude) का सुधार प्राप्त होता है और एक ट्रैप्ड-आयन क्वांटम कंप्यूटर पर प्रयोगात्मक व्यवहार्यता प्रदर्शित होती है।

मूल लेखक: Archie Butterworth, Jens Renders, Jingbo Wang

प्रकाशित 2026-10-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Archie Butterworth, Jens Renders, Jingbo Wang

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

क्वांटम कंप्यूटिंग के उभरते क्षेत्र में, वैज्ञानिक आज के सुपरकंप्यूटरों के लिए असंभव समस्याओं को हल करने के लिए भौतिकी के विचित्र नियमों का उपयोग करने पर काम कर रहे हैं। इस यात्रा में एक प्रमुख बाधा सीधे मशीन में सही डेटा डालना है। जबकि क्लासिकल कंप्यूटर सूचना को शून्य और एक के बिट्स के रूप में संग्रहीत करते हैं, क्वांटम कंप्यूटर क्वांटम अवस्थाओं (quantum states) का उपयोग करते हैं, जहाँ सूचना एक सिस्टम के प्रायिकता आयामों (probability amplitudes) में एनकोडेड होती है। एक क्वांटम कंप्यूटर का उपयोग करने के लिए, एक शोधकर्ता को पहले एक विशाल क्लासिकल डेटासेट, जैसे कि एक छवि या मेडिकल स्कैन, को इस विशिष्ट क्वांटिक भाषा में अनुवादित करना होगा। यह अनुवाद प्रक्रिया, जिसे 'स्टेट प्रिपरेशन' (state preparation) कहा जाता है, ऐतिहासिक रूप से एक गंभीर बाधा रही है। जैसे-जैसे डेटा की मात्रा बढ़ती है, इसे क्वांटम सिस्टम पर मैप करने के लिए आवश्यक प्रयास अक्सर अत्यधिक बढ़ जाता है, जो इतना जटिल हो जाता है कि यह उस गति लाभ को समाप्त कर देता है जो कंप्यूटर प्रदान कर सकता है। बड़े डेटासेट को कुशलतापूर्वक लोड करने के तरीके के बिना, कई आशाजनक क्वांटम एल्गोरिदम केवल सैद्धांतिक बने रहते हैं, जो उस वास्तविक दुनिया के डेटा के साथ इंटरैक्ट करने में असमर्थ होते हैं जिसे प्रोसेस करने के लिए उन्हें डिज़ाइन किया गया है।

वेस्टर्न ऑस्ट्रेलिया विश्वविद्यालय के शोधकर्ताओं और फ्रांस के सहयोगियों ने इस बाधा को दूर करने के लिए एक नई विधि विकसित की है, जो क्वांटम कंप्यूटर में भारी मात्रा में डेटा लोड करने का एक व्यावहारिक तरीका प्रदान करती है। वे अपने इस दृष्टिकोण को Q-MERGE कहते हैं। एक विशाल डेटासेट को एक ही बार में क्वांटम सिस्टम में डालने की कोशिश करने के बजाय—एक ऐसा कार्य जो अक्सर विफल हो जाता है या जिसके लिए असंभव संसाधनों की आवश्यकता होती है—टीम डेटा को कई छोटे, प्रबंधनीय टुकड़ों में तोड़ देती है। वे प्रत्येक टुकड़े को स्वतंत्र रूप से और क्वांटम प्रोसेसर के अलग-अलग हिस्सों पर समानांतर रूप से तैयार करते हैं। एक बार जब ये व्यक्तिगत खंड तैयार हो जाते हैं, तो यह विधि उन्हें एक एकल, एकीकृत क्वांटम अवस्था में वापस जोड़ने के लिए विशिष्ट क्वांटम ऑपरेशन्स के सेट का उपयोग करती है। यह प्रक्रिया कंप्यूटर को उन डेटा आकारों को संभालने की अनुमति देती है जो पहले पहुंच से बाहर थे, जिससे उस घातीय जटिलता (exponential complexity) को प्रभावी रूप से दरकिनार किया जा सका जो आमतौर पर इस चरण में बाधा बनती है।

मुख्य नवाचार इस बात में निहित है कि टीम क्वांटम कंप्यूटर के भौतिक संसाधनों का प्रबंधन कैसे करती है। एक पारंपरिक दृष्टिकोण में, एक बड़ी अवस्था तैयार करने के लिए डेटा के प्रत्येक टुकड़े के लिए एक अलग क्वांटम मेमोरी रजिस्टर की आवश्यकता हो सकती है, जिससे वर्तमान मशीनों पर उपलब्ध क्यूबिट्स की सीमित संख्या जल्दी समाप्त हो जाती है। Q-MERGE इसे तैयारी रजिस्टरों के पुन: उपयोग की अनुमति देकर हल करता है। सिस्टम एक खंड तैयार करता है, उसे एक केंद्रीय स्टोरेज क्षेत्र में स्थानांतरित करता है, आवश्यक जानकारी निकालने के लिए तैयारी रजिस्टर को मापता है, और फिर अगले खंड को तैयार करने के लिए उस रजिस्टर को रीसेट करता है। हार्डवेयर के इस पुनर्चक्रण (recycling) का अर्थ है कि यह विधि उस डेटा को एनकोड कर सकती है जो मशीन में भौतिक रूप से मौजूद क्यूबिट्स की संख्या से घातीय रूप से बड़ा है। यह एक लचीला समझौता बनाता है: यदि किसी मशीन में कई क्यूबिट्स हैं, तो यह सभी खंडों को समानांतर में तैयार कर सकती है; यदि कम हैं, तो यह उसी हार्डवेयर का पुन: उपयोग करते हुए उन्हें क्रमिक रूप से तैयार कर सकती है, और यह सब अंतिम परिणाम को संयोजित करने की क्षमता बनाए रखते हुए किया जा सकता है।

अंतिम संयुक्त अवस्था सटीक सुनिश्चित करने के लिए, शोधकर्ताओं को एक सूक्ष्म समस्या का समाधान करना पड़ा जहाँ विलय प्रक्रिया के दौरान प्रत्येक डेटा खंड का सापेक्ष महत्व विकृत हो सकता था। उन्होंने एक क्लासिकल प्रीप्रोसेसिंग स्टेप पेश किया जो क्वांटम सर्किट में प्रवेश करने से पहले डेटा को सुचारू (smooth) बनाता है। यह चरण सूचना को इस तरह व्यवस्थित करता है कि कोई भी एक खंड दूसरों पर हावी न हो, जिससे यह संभावना काफी बढ़ जाती है कि अंतिम क्वांटम अवस्था सही होगी। उनके परीक्षणों में, इस प्रीप्रोसेसिंग ने सफलता की दर को एक नगण्य अंश से बढ़ाकर एक बहुत अधिक व्यवहार्य स्तर तक पहुँचा दिया, जिससे पूरी प्रक्रिया वास्तविक दुनिया के अनुप्रयोगों के लिए व्यावहारिक बन गई।

टीम ने अपने मेथड को अल्ट्रासाउंड छवियों के एक वास्तविक डेटासेट का उपयोग करके मान्य किया, जो चिकित्सा निदान के लिए महत्वपूर्ण डेटा का एक प्रकार है। उन्होंने सफलतापूर्वक 128 x 256 पिक्सेल की छवि को एक क्वांटम अवस्था में एनकोड किया। जब उन्होंने अपने Q-MERGE मेथड की तुलना उसी अंतर्निहित तकनीकों का उपयोग करने वाले प्रत्यक्ष, पारंपरिक दृष्टिकोण से की, तो अंतर स्पष्ट था। प्रत्यक्ष विधि ने उच्च त्रुटि दर के साथ परिणाम दिया, जो डेटा का सटीक प्रतिनिधित्व करने में विफल रहा। इसके विपरीत, Q-MERGE विधि ने सात आदेशों (seven orders of magnitude) के क्रम छोटा त्रुटि दर प्राप्त किया, जो एक इतना विशाल अंतर है जो क्षमता में एक मौलिक छलांग का प्रतिनिधित्व करता है। यह परिणाम प्रदर्शित करता है कि नया ढांचा जटिल डेटा की अखंडता को बनाए रखते हुए उसे क्वांटम प्रारूप में संकुचित करने में सक्षम है।

यह सिद्ध करने के लिए कि यह विधि केवल कंप्यूटर सिमुलेशन में नहीं, बल्कि वास्तविक हार्डवेयर पर भी काम करती है, शोधकर्ताओं ने प्रयोग को ट्रैप्ड-आयन क्वांटम कंप्यूटर, 'क्वान्टिनियम सिस्टम मॉडल H2' (Quantinuum System Model H2) पर चलाया। उन्होंने अल्ट्रासाउंड डेटा के एक छोटे, डाउनसैम्पल्ड संस्करण को एनकोड किया और परिणामी क्वांटम अवस्था की गुणवत्ता को मापा। उन्होंने 'शैडो-ओवरलैप टोमोग्राफी' (shadow-overlap tomography) नामक एक तकनीक का उपयोग किया, जो अवस्था को नष्ट किए बिना उसे सत्यापित करने के लिए एक विशेष फिंगरप्रिंट चेक की तरह कार्य करती है, और पुष्टि की कि क्वांटम कंप्यूटर ने डेटा खंडों को सफलतापूर्वक मर्ज कर दिया है। प्रयोग ने दिखाया कि तैयार की गई अवस्था उच्च निष्ठा (fidelity) के साथ इच्छित लक्ष्य से मेल खाती है, जो यह साबित करता है कि सैद्धांतिक ढांचा वास्तविक क्वांटम डिवाइस की शोर वाली स्थितियों (noisy conditions) में भी खरा उतरता है।

अध्ययन ने यह भी देखा कि यदि डेटा और भी बड़ा हो तो यह विधि कितनी अच्छी तरह स्केल करेगी। यादृच्छिक डेटा पैटर्न के साथ प्रक्रिया का अनुकरण करके, शोधकर्ताओं ने पाया कि जब डेटा खंडों की संख्या दस मिलियन तक पहुँच जाती है, तब भी यह विधि प्रभावी रहती है। अवस्था को सफलतापूर्वक मर्ज करने की संभावना डेटा का आकार बढ़ने पर भी कम नहीं हुई, जो यह सुझाव देती है कि यह दृष्टिकोण विशाल पैमाने के डेटासेट को संभाल सकता है। यह स्केलेबिलिटी महत्वपूर्ण है, क्योंकि इसका तात्पर्य है कि यह विधि केवल छोटे उदाहरणों के लिए नहीं है, बल्कि आधुनिक विज्ञान और उद्योग को परिभाषित करने वाले विशाल डेटासेट के लिए एक मजबूत रणनीति है।

यह कार्य क्वांटम कंप्यूटिंग के भविष्य के लिए एक मौलिक निर्माण खंड प्रदान करता है। बड़े क्लासिकल डेटासेट्स को कुशलतापूर्वक लोड करने की समस्या को हल करके, Q-MERGE उस प्राथमिक बाधा को हटा देता है जिसने कई क्वांटम एल्गोरिदम को केवल सिद्धांत के दायरे में रखा था। कम संसाधनों का उपयोग करके उच्च निष्ठा के साथ अवस्थाओं को तैयार करने की क्षमता का अर्थ है कि क्वांटम कंप्यूटर जल्द ही चिकित्सा इमेजिंग जैसे क्षेत्रों में वास्तविक दुनिया की समस्याओं से निपटना शुरू कर सकते हैं, जहाँ बड़ी मात्रा में डेटा को तेजी से और अधिक सटीक रूप से प्रोसेस करने की क्षमता से तेजी से और अधिक सटीक निदान संभव हो सकता है। शोधकर्ताओं ने दिखाया है कि एक बड़ी समस्या को छोटे, समानांतर कार्यों में तोड़कर और फिर उन्हें बुद्धिमानी से पुनर्संयोजित करके, वर्तमान हार्डवेयर की सीमाओं को पार किया जा सकता है, जो अगली पीढ़ी के क्वांटम अनुप्रयोगों के लिए मार्ग प्रशस्त करता है।

तकनीकी सारांश: Q-MERGE

समस्या विवरण
क्लासिकल डेटासेट्स को क्वांटम अवस्थाओं के आयामों (amplitudes) पर कुशलतापूर्वक मैप करना कई क्वांटम एल्गोरिदम के लिए एक मौलिक पूर्व शर्त है जो क्वांटम लाभ का वादा करते हैं। हालांकि, बड़े पैमाने पर आयाम-एन्कोडेड अवस्थाओं को तैयार करना एक महत्वपूर्ण बाधा बना हुआ है। प्रत्यक्ष तैयारी विधियां अक्सर घातीय गेट जटिलता (exponential gate complexity) से ग्रस्त होती हैं, विशेष रूप से जटिल एंटैंगलमेंट संरचनाओं या बड़े आयामों वाले डेटा के लिए। जबकि टेंसर नेटवर्क का उपयोग करने वाले अनुकूलन-आधारित दृष्टिकोण 1D संरचनाओं के लिए आशाजनक दिखते हैं, वे अक्सर जटिल अनुकूलन परिदृश्यों के कारण स्थानीय मिनिमा (local minima) में फंस जाते हैं, जिससे बड़े डेटासेट्स के लिए उच्च-फिडेलिटी तैयारी में कठिनाई होती है। इसके अलावा, इस समस्या को कम करने की मौजूदा रणनीतियां—जैसे कि अलग-अलग रजिस्टरों पर खंडों को अलग से तैयार करना—सब-ऑप्टिमल स्पेस उपयोग और सापेक्ष स्केलिंग के नुकसान का परिणाम देती हैं, जबकि एक ही रजिस्टर पर क्रमिक तैयारी (sequential preparation) समानांतरवाद (parallelism) को रोकती है और जटिल नियंत्रण संचालनों की आवश्यकता होती है जो गेट काउंट को बढ़ा देते हैं।

कार्यप्रणाली: Q-MERGE फ्रेमवर्क
लेखक Q-MERGE (Quantum Multi-ReGister Encoding) पेश करते हैं, जो एक दो-चरणीय फ्रेमवर्क है जिसे एक बड़े लक्ष्य अवस्था $|\psi\rangle$ को $M$ छोटे, $n$ -qubit खंडों $|\psi_i\rangle$ में विभाजित करने, उन्हें स्वतंत्र रूप से और समानांतर में तैयार करने और फिर उन्हें एक एकल आयाम-एन्कोडेड अवस्था में सुसंगत रूप से संयोजित करने के लिए डिज़ाइन किया गया है।

चरण 1: समानांतर तैयारी और SELECT-SWAP संपीड़न
- विभाजन (Partitioning): लक्ष्य अवस्था को $M$ सामान्यीकृत खंडों में विभाजित किया जाता है।
- समानांतर तैयारी: प्रत्येक खंड $|\psi_i\rangle$ को एक विशिष्ट स्टेट प्रिपरेशन सर्किट $U^{(i)}_{prep}$ का उपयोग करके एक अलग प्रिपरेशन रजिस्टर $A_i$ पर तैयार किया जाता है। यह छोटे उप-समस्याओं पर मौजूदा, कुशल तकनीकों के उपयोग की अनुमति देता है।
- संपीड़न (Compression): एक स्टोरेज रजिस्टर $S$ और एक इंडेक्स रजिस्टर $I$ को सुपरपोजिशन में इनिशियलाइज़ किया जाता है। नियंत्रित SELECT-SWAP ऑपरेशन्स की एक श्रृंखला लागू की जाती है, जो इंडेक्स $|i\rangle_I$ पर आधारित होकर प्रत्येक प्रिपरेशन रजिस्टर $A_i$ की सामग्री को स्टोरेज रजिस्टर $S$ में स्वैप करती है।
- मापन (Measurement): सभी प्रिपरेशन रजिस्टरों को कंप्यूटेशनल बेसिस में मापा जाता है। यह मापन सिस्टम को एक "वेटेड स्टैक" अवस्था $|\psi_w\rangle = \sum w_i |\psi_i\rangle_S |i\rangle_I$ में कोलैप्स कर देता है। वेट्स $w_i$ मापन परिणामों और अन्य तैयार खंडों के विशिष्ट प्रविष्टियों द्वारा निर्धारित होते हैं।
- संसाधन ट्रेड-ऑफ: फ्रेमवर्क सर्किट डेप्थ और क्वबिट संख्या के बीच एक ट्यूनेबल ट्रेड-ऑफ प्रदान करता है।
  - समानांतर डिज़ाइन: अधिकतम समानांतरवाद के लिए $O(Mn)$ एंसिलर क्वबिट्स (प्रत्येक खंड के लिए एक) का उपयोग करता है।
  - कॉम्पैक्ट डिज़ाइन: मिड-सर्किट मेजरमेंट और रजिस्टर रिसेट का उपयोग करके एक निश्चित संख्या में प्रिपरेशन रजिस्टरों ( $\tilde{M} < M$ ) को पुनः उपयोग करता है, जिससे क्वबिट की आवश्यकता को $O(n)$ तक कम किया जाことで सर्किट डेप्थ और आर्किटेक्चर को बनाए रखा जा सकता है।
चरण 2: वेटिंग रीडिस्ट्रीब्यूशन (Weighting Redistribution)
- अवस्था $|\psi_w\rangle$ में सही खंड होते हैं लेकिन मूल लक्ष्य वेट्स $\sigma_i$ की तुलना में गलत सापेक्ष वेट्स $w_i$ होते हैं।
- एक क्लासिकल पोस्ट-प्रोसेसिंग स्टेप आवश्यक करेक्शन फैक्टर्स $\alpha_i = \sigma_i / w_i$ की गणना करता है।
- मूल आयामों को बहाल करने के लिए एक ब्लॉक-एनकोडेड डायगोनल ऑपरेटर को अवस्था पर लागू किया जाता है। यह चरण संभाव्यतावादी (probabilistic) है, जो सफलता की संभावना $P = 1/\beta^2$ के साथ सफल होता है, जहाँ $\beta = \max |\alpha_i|$ है।
- क्लासिकल प्रीप्रोसेसिंग: उन मामलों को संबोधित करने के लिए जहाँ $\beta$ बड़ा है (जिससे सफलता की संभावना कम हो जाती है), लेखक एक क्लासिकल प्रीप्रोसेसिंग लेयर का प्रस्ताव करते हैं। डेटा को विभाजन से पहले एक "फ्लैटनिंग सर्किट" $V$ (जो $SU(4)$ गेट्स के ब्रिकवॉल लेयर्स से बना है) लागू किया जाता है। यह इनवर्स पार्टिसिपेशन रेशियो (IPR) को न्यूनतम करता है, प्रभावी रूप से वेरिएंस को आयामों से फेज (phases) की ओर स्थानांतरित करता है, जिससे री-वेटिंग चरण की सफलता की संभावना बढ़ जाती है। लक्ष्य अवस्था को बहाल करने के लिए अंत में इन्वर्स सर्किट $V^\dagger$ लागू किया जाता है।

प्रमुख योगदान

नवीन आर्किटेक्चर: Q-MERGE एक स्केलेबल फ्रेमवर्क प्रदान करता है जो बड़े राज्यों की तैयारी की कठिनाई को हार्डवेयर बाधाओं से अलग करता है, जिससे खंडों की समानांतर तैयारी संभव होती है।
क्वबिट दक्षता: मिड-सर्किट मेजरमेंट और रिसेट प्रोटोकॉल पेश करके, यह विधि एंसिलर क्वबिट की आवश्यकता को $O(Mn)$ से घटाकर $O(n)$ कर देती है, जिससे यह सीमित क्वबिट संख्या वाले निकट-अवधि (near-term) उपकरणों के लिए व्यवहार्य हो जाता है।
सफलता की संभावना का अनुकूलन: क्लासिकल प्रीप्रोसेसिंग स्टेप (IPR को न्यूनतम करना) का एकीकरण री-वेटिंग के गैर-यूनिटरी चरण की सफलता की संभावना को काफी बढ़ा देता है, जिससे एक संभावित अत्यधिक बाधा एक प्रबंधनीय प्रक्रिया में बदल जाती है।
हार्डवेयर सत्यापन: विधि को Quantinuum System Model H2 ट्रैप्ड-आयन क्वांटम कंप्यूटर पर प्रयोगात्मक रूप से सत्यापित किया गया है।

परिणाम

संख्यात्मक बेंचमार्किंग: एक वास्तविक दुनिया के $128 \times 256$ अल्ट्रासाउंड डेटासेट पर लागू किए जाने पर, Q-MERGE ने $1.066 \times 10^{-8}$ की इन्फिडेलिटी (infidelity) प्राप्त की। इसके विपरीत, उसी अंडरलाइंग श्मिट स्पेक्ट्रम ऑप्टिमाइजेशन (SSO) विधि का उपयोग करके प्रत्यक्ष तैयारी ने $3.413 \times 10^{-1}$ की इन्फिडेलिटी दिखाई, जो सात-ऑर्डर-ऑफ-मैग्निट्यूड का सुधार है।
सफलता की संभावना: अल्ट्रासाउंड डेटासेट के लिए, क्लासिकल प्रीप्रोसेसिंग स्टेप ने केवल 10-लेयर ओवरहेड के साथ री-वेटिंग सफलता की संभावना को $0.0053 $से बढ़ाकर$ 0.3154$ कर दिया।
हार्डवेयर प्रदर्शन:
- अपसैंपल्ड डेटा: 53 क्वबिट्स पर $N=1024$ डेटा पॉइंट्स के 4 पंक्तियों को एनकोड करने पर $0.7135 \pm 0.0720$ की वेटेड औसत फिडेलिटी मिली।
- डाउनसैंपल्ड डेटा: गहरे प्रिपरेशन सर्किट (10 SSO लेयर्स) के साथ $4 \times 32$ डेटासेट को एनकोड करने पर $0.6081 \pm 0.0689$ की वेटेड औसत फिडेलिटी मिली।
- फिडेलिटी को शैडो-ओवरलैप टोमोग्राफी और इन्वर्स लीनियर रिग्रेशन का उपयोग करके सत्यापित किया गया।
स्केलेबिलिटी: Haar-रैंडम स्टेट्स पर संख्यात्मक विश्लेषण इंगित करता है कि सफलता की संभावना $M = 10^7$ खंडों तक सुसंगत रहती है, जो यह सुझाव देता है कि विधि खंडों की संख्या के साथ अच्छी तरह से स्केल करती है और खंड के आकार $N$ से काफी हद तक स्वतंत्र है।

महत्व और दावे
पेपर का दावा है कि Q-MERGE क्वांटम डेटा लोडिंग की एक महत्वपूर्ण बाधा को दूर करता है, जो प्रत्यक्ष स्टेट प्रिपरेशन के लिए एक लचीला, स्केलेबल विकल्प प्रदान करता है। यह दावा करता है कि यह विधि क्लासिकल डेटा को उसके क्वांटम संसाधनों के सापेक्ष घातीय आकार में एनकोड करने की अनुमति देती है, बशर्ते डेटा को ऑन-द-फ्लाई जनरेट किया जा सके या खंडों में प्रोसेस किया जा सके। लेखक Q-MERGE को केवल एक विशिष्ट एल्गोरिदम के रूप में नहीं, बल्कि स्टेट प्रिपरेशन विधियों के लिए एक "मौलिक बिल्डिंग ब्लॉक" के रूप में देखते हैं जो मौजूदा दृष्टिकोणों की स्केलेबिलिटी में सुधार कर सकते हैं। वे आगे सुझाव देते हैं कि यह आर्किटेक्चर समर्पित स्टेट प्रिपरेशन हार्डवेयर के लिए एक संभावित प्रतिमान (paradigm) की ओर इशारा करता है, जहाँ विशेष रजिस्टर्स मुख्य क्वांटम प्रोसेसर की सहायता करते हैं। कार्य इस बात पर जोर देता है कि हालांकि री-वेटिंग चरण गैर-यूनिटरी है, समानांतर तैयारी और क्लासिकल प्रीप्रोसेसिंग का संयोजन इस दृष्टिकोण को विशाल डेटासेट्स के लिए व्यवहार्य बनाता है।

इसी तरह के और पेपर