सघन टेंसर नेटवर्क अब तत्व-वार गैर-रैखिक फ़ंक्शन की गणना कर सकते हैं: ITNT फ्रेमवर्क प्रस्तुत किया गया
नया एल्गोरिदमिक दृष्टिकोण सीधे संपीड़ित रूप में टेंसर ट्रेनों के साथ काम करता है और 2^70 कॉन्फ़िगरेशन तक के विशाल डेटा सेट को संसाधित करने में सक्षम बनाता है। इस विधि को पहले ही प्रतिक्रियाशील प्रवाह के मॉडलिंग और चरम मान खोजने के कार्यों पर प्रदर्शित किया जा चुका है।

परिचय
टेंसर नेटवर्क लंबे समय से अत्यधिक उच्च-आयामी डेटा के साथ कुशलतापूर्वक काम करने का वादा करते रहे हैं। उनके मूल में टेंसर ट्रेन (TT-प्रारूप) का विचार है: एक बहुआयामी सरणी को छोटे कोर की एक श्रृंखला में विघटित किया जाता है, जिससे उन वस्तुओं को संग्रहीत और संसाधित करना संभव हो जाता है जिनमें तत्वों की संख्या घातांकीय रूप से बड़ी होती है। हालाँकि, अब तक यह प्रश्न खुला था कि टेंसर को पूर्ण प्रतिनिधित्व में विस्तारित किए बिना तत्व-वार अरेखीय परिवर्तन — जैसे साइन, घातांक या थ्रेशोल्ड फ़िल्टर की गणना — कैसे की जाए। नया फ्रेमवर्क ITNT इस अंतर को भरता है।
ITNT का सामान्य विचार
पुनरावृत्त टेंसर नेटवर्क परिवर्तन, संक्षेप में ITNT, एक सामान्य एल्गोरिथमिक ढांचा है जो TT-प्रारूप में डेटा पर तत्व-वार कार्य करने वाले कार्यों की एक विस्तृत श्रेणी को लागू करने की अनुमति देता है। टेंसर को सामान्य सरणी में अनपैक करने के बजाय, गणना सीधे संपीड़ित स्थान में की जाती है। यह प्रबंधनीय कम्प्यूटेशनल लागत पर विशाल आकार के डेटासेट के साथ काम करना संभव बनाता है।
दृष्टिकोण का प्रमुख लाभ इसकी सार्वभौमिकता है। ITNT न केवल जोड़ और गुणा जैसे सरल गणितीय संचालन का समर्थन करता है, बल्कि अत्यधिक अरेखीय प्राथमिक कार्यों के साथ-साथ फ़िल्टरिंग परिवर्तनों का भी समर्थन करता है जो डेटा के रुचि के क्षेत्रों को उजागर करते हैं। यह विधि स्वचालित रूप से सटीकता को नियंत्रित करती है, जो व्यावहारिक अनुप्रयोगों के लिए महत्वपूर्ण है।

त्रि-आयामी अभिक्रियाशील प्रवाह पर अनुप्रयोग
एक प्रदर्शन में, ITNT को त्रि-आयामी अभिक्रियाशील प्रवाह पर लागू किया गया है। ऐसे मॉडलों में, रासायनिक प्रतिक्रिया की दर तापमान और सांद्रता के स्थानीय मानों पर अरेखीय रूप से निर्भर करती है। नई विधि का उपयोग करके, TT-प्रारूप में रहते हुए डेटा की पूरी मात्रा के लिए अत्यधिक अरेखीय कार्यों की गणना करना संभव था।
परिणाम प्रभावशाली है: प्रतिक्रिया दर उच्च सटीकता के साथ पुनर्प्राप्त की जाती है, और डेटा को सीधे संपीड़ित रूप में फ़िल्टर किया जा सकता है — उदाहरण के लिए, तीव्र अभिक्रिया के क्षेत्रों को उजागर करना। इसका मतलब है कि यह विधि मानों की पूर्ण सरणियों को संग्रहीत या संसाधित किए बिना बड़े सिमुलेशन के विश्लेषण का आधार बन सकती है।
अनुकूलन: एक्स्ट्रेमा से Max-SAT तक
ITNT का एक और महत्वपूर्ण अनुप्रयोग क्षेत्र एक्स्ट्रेमा की खोज है। कई अनुकूलन समस्याएं, जिनमें NP-कठिन समस्याएं भी शामिल हैं, बूलियन या बहु-मूल्यवान चर के साथ काम करने के लिए कम की जा सकती हैं। फ्रेमवर्क यहां वैश्विक खोज के एक उपकरण के रूप में उपयोग किया जाता है: यह उन कॉन्फ़िगरेशन की खोज करता है जो उद्देश्य फ़ंक्शन का अधिकतम या न्यूनतम प्रदान करते हैं, और खोज स्थान का आकार खगोलीय हो सकता है।
कार्य में 2^70 संभावित कॉन्फ़िगरेशन तक के स्थानों पर Max-SAT — बूलियन सूत्रों की अधिकतम संतुष्टि की समस्या — का समाधान दिखाया गया है। यह शास्त्रीय दृष्टिकोणों के लिए अप्राप्य है जो विकल्पों को स्पष्ट रूप से खोजते हैं। साथ ही, नई विधि नियंत्रणीय जटिलता बनाए रखती है, जो कॉम्बिनेटरियल अनुकूलन और मशीन लर्निंग में अनुप्रयोग का मार्ग खोलती है।

यह महत्वपूर्ण क्यों है
टेंसर विधियां आमतौर पर उन संचालनों के लिए अच्छी होती हैं जो डेटा की संरचना को नहीं बदलते हैं, लेकिन मजबूत अरेखीयता के साथ संघर्ष करती हैं। ITNT इस सीमा को हटा देता है, टेंसर नेटवर्क को सामान्य-उद्देश्यीय डेटा विश्लेषण उपकरण में बदल देता है। संक्षेप में, यह संपीड़ित प्रतिनिधित्वों को न केवल भंडारण और रैखिक परिवर्तनों के लिए, बल्कि जटिल कार्यात्मक गणनाओं के लिए भी उपयोग करने की दिशा में एक कदम है।
इसके अलावा, फ्रेमवर्क किसी विशिष्ट डोमेन से बंधा नहीं है। यह भौतिक-रासायनिक सिमुलेशन और असतत अनुकूलन समस्याओं दोनों के साथ समान रूप से सफलतापूर्वक सामना करता है। ऐसी सार्वभौमिकता शास्त्रीय कम्प्यूटेशनल विधियों के लिए भी दुर्लभ है।
निष्कर्ष
arXiv पर प्रस्तुत (लेख 2608.17135) ITNT फ्रेमवर्क टेंसर कम्प्यूटिंग के विकास में उल्लेखनीय प्रगति है। कार्य में 23 पृष्ठ और 10 चित्र शामिल हैं, जो सिद्धांत और प्रयोगों दोनों के विस्तृत विकास को दर्शाता है। लेखक — विभिन्न संगठनों के शोधकर्ताओं का एक समूह — ITNT को टेंसर नेटवर्क के भविष्य के अनुप्रयोगों के लिए एक बुनियादी निर्माण खंड के रूप में मानने का सुझाव देते हैं। यह उम्मीद की जा सकती है कि निकट भविष्य में बड़े डेटा विश्लेषण, मॉडलिंग और अनुकूलन में इस दृष्टिकोण का उपयोग करने वाले नए कार्य सामने आएंगे।

अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
RL सिम्युलेटरों की विफलताओं के निदान में कैनोनिकल बहुपद अपरिवर्तांक: वे वास्तव में कहाँ उपयोगी हैं
यह अध्ययन जाँचता है कि क्या सीखने योग्य गतिशीलता मॉडल में भौतिक नियमों को शामिल करना उचित है: प्रक्षेप पथों से निकाले गए और ग्रोबनर आधारों के माध्यम से विहित रूप में लाए गए अपरिवर्तक पूर्वानुमानों में मामूली सुधार देते हैं, लेकिन निदान में प्रभावी साबित होते हैं—वे उल्लंघित बाधा का स्थान निर्धारित करने और विशिष्ट गलत पैरामीटर की पहचान करने में सक्षम बनाते हैं।
10 नवम्बर 2026
AURA-Eval: कैसे जाँचें कि LLM एजेंट ने जोखिम को पहचाना और अगला कदम बदल दियाેણ
यह फ्रेमवर्क LLM एजेंटों के व्यवहार का आकलन अंतिम निर्णय के आधार पर नहीं, बल्कि अहम बिंदुओं पर जोखिम के प्रति उनकी प्रतिक्रिया के आधार पर करता है: टूल-कॉल की ट्रैजेक्टरी बीच में रोक दी जाती हैं, जिसके बाद मॉडल को अपना तर्क और कार्रवाई जारी रखनी होती है, जबकि LLM जजों का एक पैनल जोखिम की पहचान, कदम की प्रकृति और उसकी सुरक्षा का विश्लेषण करता है। R-Judge की 157 ट्रैजेक्टरी से संकलित 1249 कार्यों में, 20 मॉडलों में सुरक्षित रास्ता न होने पर असुरक्षित कार्रवाइयाँ बढ़ जाती हैं, और निष्पादन से पहले निगरानी हटाने पर शुरुआत में सुरक्षित रहे 52,3% मामले असुरक्षित हो जाते हैं।
10 नवम्बर 2026
चेर्न–साइमन रिज़र्वॉयर की स्मृति: संयोजकता की स्वायत्त गतिशीलता और घनत्व का परिवहन
यह लेख बताता है कि रिज़र्वॉयर इनपुट संकेतों का इतिहास घनत्व वितरण और ज्यामितीय स्वतंत्रता की डिग्रियों—दोनों में कैसे बनाए रखता है। चार तंत्रों की तुलना से पता चलता है कि धारा एक अलग संयोजकता घटक बनाती है, जो घनत्व की बाद की प्रतिक्रिया को बदलती है, जबकि सभी मापे गए लक्षणों को शामिल करने से पल्स के क्रम को डिकोड करने में थोड़ा सुधार होता है।
10 नवम्बर 2026