हाइपरडायमेंशनल कंप्यूटिंग: Difference between revisions

Latest revision as of 10:08, 23 August 2023

हाइपरडायमेंशनल कंप्यूटिंग (एचडीसी) विशेष रूप से अर्टिफिशियल इंटेलिजेंस की गणना के लिए एक पद्धति है, जहाँ सूचना को हाइपरडायमेंशनल (लंबे) वेक्टर (गणित और भौतिकी), संख्याओं की एक श्रृंखला के रूप में दर्शाया जाता है। एक हाइपरडायमेंशनल वेक्टर (हाइपरवेक्टर) में हजारों संख्याएं सम्मिलित हो सकती हैं जो हजारों आयामों वाले स्थान में एक बिंदु का प्रतिनिधित्व करती हैं।^[1] वेक्टर सिम्बोलिक आर्किटेक्चर उसी व्यापक दृष्टिकोण का पुराना नाम है।^[1]

प्रक्रिया

एन्कोडिंग फ़ंक्शन φ : X → H के अंतर्गत डेटा को इनपुट स्पेस से विरल HD स्पेस में मैप किया जाता है। एचडी निरूपित डेटा संरचनाओं में संग्रहीत होते हैं जो ध्वनि/हार्डवेयर विफलताओं द्वारा अवमिश्रण के अधीन होते हैं। ध्वनि /दूषित एचडी प्रस्तुतिकरण अभी भी सीखने, वर्गीकरण आदि के लिए इनपुट के रूप में कार्य कर सकते हैं। इनपुट डेटा को पुनर्प्राप्त करने के लिए उन्हें डिकोड भी किया जा सकता है। सामान्यतः H प्रक्षेत्र सीमा पूर्णांक (-v-v) तक ही सीमित है।^[2]

यह फल मक्खियों की घ्राण प्रणाली (फ्रूट फ्लाइज ऑल्फेक्ट्री सिस्टम) द्वारा संचालित सीखने की प्रक्रिया के अनुरूप है। इनपुट ऑडर रिसेप्टर न्यूरॉन प्रकारों के समरूपी लगभग 50-आयामी वेक्टर है। एचडी प्रतिनिधित्व ~2,000-आयामों का उपयोग करता है।^[2]

पारदर्शिता

एचडीसी बीजगणित से यह ज्ञात होता है कि कृत्रिम न्यूरल नेटवर्क के विपरीत सिस्टम कैसे और क्यों निर्णय लेता है। भौतिक जगत की वस्तुओं को बीजगणित द्वारा संसाधित करने के लिए हाइपरवेक्टर में मैप किया जा सकता है।^[1]

प्रदर्शन

एचडीसी "इन-मेमोरी कंप्यूटिंग सिस्टम" के लिए उपयुक्त है, जो डेटा ट्रांसफर की देरी से बचने के लिए एकल चिप पर डेटा की गणना और भंडारण करता है। एनालॉग उपकरण कम वोल्टता पर कार्य करते हैं। वे ऊर्जा-कुशल हैं किन्तु त्रुटि उत्पन्न करने वाले ध्वनि से ग्रस्त हैं। एचडीसी इस प्रकार की त्रुटियों को सहन कर सकता है।^[1]

विभिन्न टीमों ने अल्प-शक्ति वाले एचडीसी हार्डवेयर उत्प्रेरक विकसित किए हैं।^[2]

गणना करने के लिए नैनोस्केल गणनीय उपकरणों का उपयोग किया जा सकता है। एक इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग सिस्टम पेरिफेरल डिजिटल सीएमओएस परिपथ के साथ दो मेमरिस्टिव क्रॉसबार इंजनों पर संचालन प्रयुक्त कर सकता है। एनालॉग इन-मेमोरी कंप्यूटिंग करने वाले 760,000 प्रावस्था अंतरण मेमोरी उपकरणों का उपयोग करने वाले प्रयोगों ने सॉफ्टवेयर कार्यान्वयन के समान शुद्धता प्राप्त की।^[3]

त्रुटियाँ

HDC त्रुटि संशोधन प्रक्रिया द्वारा विचलित होने पर विशिष्ट बिट त्रुटि (0 से 1 या इसके विपरीत) जैसी त्रुटियों के लिए सशक्त है। ऐसे त्रुटि संशोधन प्रक्रिया को समाप्त करने से गणना लागत में 25% तक की बचत हो सकती है। यह संभव है क्योंकि ऐसी त्रुटियाँ परिणाम को सही वेक्टर के "निकट" छोड़ देती हैं। वैक्टर का उपयोग करके तर्क से समझौता नहीं किया जाता है। एचडीसी पारंपरिक कृत्रिम न्यूरल नेटवर्क की तुलना में कम से कम 10 गुना अधिक त्रुटि प्रचुर है जो पहले से ही पारंपरिक कंप्यूटिंग की तुलना में अधिक सहनशील है।^[1]

उदाहरण

एक सरल उदाहरण काले वृत्तों और सफेद वर्गों वाली छवियों पर विचार करता है। हाइपरवेक्टर आकार और रंग चर का प्रतिनिधित्व कर सकते हैं तथा संबंधित मान वृत्त, वर्ग, काला और सफेद रख सकते हैं। बाउंड हाइपरवेक्टर काले और वृत्त आदि युग्मों को नियन्त्रित कर सकते हैं।^[1]

लंबकोणीयता

उच्च-आयामी स्थान अनेक परस्पर ओर्थोगोनल वैक्टर की अनुमति देता है। हालाँकि, यदि इसके स्थान पर वैक्टर को लगभग ऑर्थोगोनल होने की अनुमति दी जाती है, तो उच्च-आयामी स्थान में भिन्न - भिन्न वैक्टर की संख्या अत्यधिक विशाल है।^[1]

एचडीसी वितरित अभ्यावेदन की अवधारणा का उपयोग करता है जिसमें एक वस्तु/अवलोकन को एक स्थिरांक के स्थान पर अनेक आयामों में मानों के एक पैटर्न द्वारा दर्शाया जाता है।^[2]

संचालन

एचडीसी पूर्णतः स्पष्ट रूप से परिभाषित वेक्टर स्पेस ऑपरेशंस का उपयोग करके हाइपरवेक्टर को नए हाइपरवेक्टर में जोड़ सकता है।

हाइपरवेक्टर पर समूह (गणित), रिंग (गणित), और फ़ील्ड (गणित) आदिम कंप्यूटिंग संचालन के रूप में जोड़, गुणा, क्रमचय, मानचित्रण तथा व्युत्क्रमण के साथ अंतर्निहित कंप्यूटिंग संरचनाएं बन जाते हैं।^[3]सभी अभिकलन कार्य तत्व-अर्हत संकलन और डॉट उत्पादों जैसे सरल संचालन का उपयोग करके उच्च-आयामी स्थान में प्रदर्शित किए जाते हैं।^[2]

बाइंडिंग क्रमित बिंदु टुपल्स बनाता है तथा यह एक फ़ंक्शन ⊗ : H × H → H भी है। इनपुट H में दो बिंदु हैं जबकि आउटपुट एक असमान बिंदु है। शेप वेक्टर को सर्कल से गुणा करने पर दोनों परस्पर जुड़ जाते हैं, जो इस विचार को दर्शाता है कि "शेप" एक "सर्कल" है। यह वेक्टर शेप और सर्कल के लिए लगभग ओर्थोगोनल है। घटक वेक्टर से पुनर्प्राप्त करने योग्य हैं (उदाहरण के लिए, प्रश्न का उत्तर दें कि क्या शेप एक सर्कल है?)।^[2]

जोड़ एक वेक्टर बनाता है जो अवधारणाओं को जोड़ता है। उदाहरण के लिए, "COLOR RED है" में "शेप सर्कल है" जोड़ने से एक वेक्टर बनता है जो लाल वृत्त का प्रतिनिधित्व करता है।

क्रमचय वेक्टर तत्वों को पुनर्व्यवस्थित करता है। उदाहरण के लिए, x, y और z लेबल वाले मानों वाले त्रि-आयामी वेक्टर का क्रमचय करने से x को y, y को z और z को x में परिवर्तित किया जा सकता है। हाइपरवेक्टर ए और बी द्वारा दर्शाई गई घटनाओं को एक वेक्टर बनाकर जोड़ा जा सकता है किन्तु इससे घटना अनुक्रम समाप्त हो जाएगा। क्रमचय के साथ संयोजी को जोड़ने से क्रम सुरक्षित रहता है; संचालन को उलट कर घटना क्रम को पुनः प्राप्त किया जा सकता है।

बंडलिंग H में तत्वों के एक सेट को फ़ंक्शन ⊕ : H ×H → H के रूप में जोड़ती है। इनपुट H में दो बिंदु है और आउटपुट एक तीसरा बिंदु है जो दोनों के समान है।^[2]

इतिहास

वेक्टर प्रतीकात्मक आर्किटेक्चर (वीएसए) ने संबंध स्थापित करने जैसे संचालन का समर्थन करने के लिए उच्च-आयामी प्रतीक प्रतिनिधित्व के लिए एक व्यवस्थित दृष्टिकोण प्रदान किया है, प्रारंभिक उदाहरणों में होलोग्राफिक कम प्रतिनिधित्व, बाइनरी स्पैटर कोड और एडिटिव शब्दों के मैट्रिक्स बाइंडिंग सम्मिलित हैं। एचडी कंप्यूटिंग ने विशेष रूप से हार्डवेयर दक्षता पर जोर देते हुए इन मॉडलों को उन्नत किया।^[2]

वर्ष 2018 में, एरिक वीस ने दिखाया कि हाइपरवेक्टर के रूप में एक छवि को पूर्णतया किस प्रकार प्रस्तुत किया जाए। एक वेक्टर में छवि में रंग, स्थिति और आकार जैसे गुणों सहित सभी ऑब्जेक्ट्स के विषय में जानकारी हो सकती है।^[1]

वर्ष 2023 में, अब्बास रहीमी और अन्य ने रेवेन के प्रोग्रेसिव मैट्रिक्स को हल करने के लिए तंत्रिका नेटवर्क के साथ एचडीसी का उपयोग किया।^[1]

ऍप्लिकेशन्स

छवि अभिज्ञान

एचडीसी एल्गोरिदम छवियों को वर्गीकृत करने जैसे तीव्र तंत्रिका नेटवर्क द्वारा लंबे समय तक पूर्ण किए गए कार्यों को दोहरा सकता है।^[1]

हस्तलिखित अंकों के एक एनोटेटेड सेट को वर्गीकृत करने में प्रत्येक छवि की विशेषताओं का विश्लेषण करने के लिए एक एल्गोरिदम का उपयोग किया जाता है जो प्रति छवि एक हाइपरवेक्टर उत्पन्न करता है। तत्पश्चात एल्गोरिदम शून्य की अवधारणा तथा एक प्रोटोटाइप हाइपरवेक्टर का निर्माण करने के लिए उदाहरण के रूप में शून्य की सभी लेबिल छवियों के लिए हाइपरवेक्टर जोड़ता है तथा अन्य अंकों के लिए इसे दोहराता है।^[1]

एक लेबल रहित छवि को वर्गीकृत करने में इसके लिए एक हाइपरवेक्टर बनाना तथा संदर्भित हाइपरवेक्टरों से इसकी तुलना करना सम्मिलित है। यह तुलना उस अंक की पहचान करती है जिससे नई छवि सबसे अधिक मिलती है।^[1]

दिए गए लेबल वाले उदाहरण सेट $S=\{(x_{i},y_{i})\}_{i=1}^{N},\ {\scriptstyle {\text{where}}}\ x_{i}\in X\ {\scriptstyle {\text{and}}}\ y_{i}\in \{c_{i}\}_{i=1}^{K}$ एक विशेष x_i का वर्ग है।^[2]

दी गई क्वेरी x_q ∈ X के साथ अत्यधिक समान प्रोटोटाइप $k^{*}=_{k\in 1,...,K}^{argmax}\ p(\phi (x_{q})),\phi (c_{k}))$ के साथ पाया जा सकता है। समानता मीट्रिक ρ सामान्यतः डॉट-उत्पाद है।^[2]

तर्कबुद्धि

हाइपरवेक्टर का उपयोग तर्क-वितर्क के लिए भी किया जा सकता है। रेवेन के प्रोग्रेसिव मैट्रिक्स के एक ग्रिड में ऑब्जेक्ट्स की छवियां प्रस्तुत करते हैं। ग्रिड में एक स्थान रिक्त है। परीक्षण में अभ्यर्थी की छवियों में से उस छवि का चयन करना है जो अत्याधिक उपयुक्त हो।^[1]

हाइपरवेक्टरों का एक शब्दकोश विशेष ऑब्जेक्ट्स का प्रतिनिधित्व करता है। प्रत्येक हाइपरवेक्टर अपनी विशेषताओं के साथ एक ऑब्जेक्ट कांसेप्ट का प्रतिनिधित्व करता है। प्रत्येक परीक्षण छवि के लिए एक तंत्रिका नेटवर्क एक बाइनरी हाइपरवेक्टर उत्पन्न करता है (मान +1 या -1 हैं) जो शब्दकोश हाइपरवेक्टर के कुछ सेट के जितना संभव हो उतना निकट है। इस प्रकार उत्पन्न हाइपरवेक्टर छवि में सभी ऑब्जेक्ट्स तथा उनकी विशेषताओं का वर्णन करता है।^[1]

एक अन्य एल्गोरिदम प्रत्येक छवि में ऑब्जेक्ट्स की संख्या और उनकी विशेषताओं के लिए प्रायिकता वितरण का निर्माण करता है। ये प्रायिकता वितरण कॉन्टेक्स्ट और अभ्यर्थी छवियों दोनों की संभावित विशेषताओं का वर्णन करते हैं। वे भी हाइपरवेक्टर में परिवर्तित हो जाते हैं, तत्पश्चात बीजगणित रिक्त स्थान को भरने के लिए अत्यधिक संभावित अभ्यर्थी छवि की भविष्यवाणी करता है।^[1]

इस दृष्टिकोण ने तंत्रिका नेटवर्क पीछे छोड़ते हुए एक समस्या सेट पर 88% की सटीकता प्राप्त की- केवल हल जो 61% सटीक थे। 3-बाय-3 ग्रिड के लिए, सिस्टम उस विधि की तुलना में 250 गुना तेज़ था जो संबंधित नियम पुस्तिका के आकार के कारण प्रतीकात्मक तर्क का उपयोग करता था।^[1]

अन्य

अन्य अनुप्रयोगों में बायो-सिग्नल प्रोसेसिंग, प्राकृतिक भाषा प्रसंस्करण और रोबोटिक्स सम्मिलित हैं।^[2]

यह भी देखें

सपोर्ट वेक्टर मशीन

संदर्भ

↑ ^1.00 ^1.01 ^1.02 ^1.03 ^1.04 ^1.05 ^1.06 ^1.07 ^1.08 ^1.09 ^1.10 ^1.11 ^1.12 ^1.13 ^1.14 ^1.15 Ananthaswamy, Anan (April 13, 2023). "गणना के लिए एक नया दृष्टिकोण आर्टिफिशियल इंटेलिजेंस की पुनर्कल्पना करता है". Quanta Magazine.
↑ ^2.00 ^2.01 ^2.02 ^2.03 ^2.04 ^2.05 ^2.06 ^2.07 ^2.08 ^2.09 ^2.10 Thomas, Anthony; Dasgupta, Sanjoy; Rosing, Tajana (2021-10-05). "हाइपरडायमेंशनल कंप्यूटिंग पर एक सैद्धांतिक परिप्रेक्ष्य" (PDF). Journal of Artificial Intelligence Research (in English). 72: 215–249. doi:10.1613/jair.1.12664. ISSN 1076-9757. S2CID 239007517.
↑ ^3.0 ^3.1 Karunaratne, Geethan; Le Gallo, Manuel; Cherubini, Giovanni; Benini, Luca; Rahimi, Abbas; Sebastian, Abu (June 2020). "इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग". Nature Electronics (in English). 3 (6): 327–337. arXiv:1906.01548. doi:10.1038/s41928-020-0410-3. ISSN 2520-1131. S2CID 174797921.

बाहरी संबंध

"HD/VSA". www.hd-computing.com (in English). Retrieved 2023-04-15.
Neubert, Peer; Schubert, Stefan; Protzel, Peter (2019-12-01). "An Introduction to Hyperdimensional Computing for Robotics". KI - Künstliche Intelligenz (in English). 33 (4): 319–330. doi:10.1007/s13218-019-00623-z. ISSN 1610-1987. S2CID 202642163.
Neubert, Peer; Schubert, Stefan (2021-01-19). "Hyperdimensional computing as a framework for systematic aggregation of image descriptors" (in English). arXiv:2101.07720v1 [cs.CV].
Kanerva, Pentti (2009-06-01). "Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors". Cognitive Computation (in English). 1 (2): 139–159. doi:10.1007/s12559-009-9009-8. ISSN 1866-9964. S2CID 733980.
Ananthaswamy, Anil. "Hyperdimensional Computing Reimagines Artificial Intelligence". Wired (in English). ISSN 1059-1028. Retrieved 2023-06-13.

[:0-1] 1.00 ^1.01 ^1.02 ^1.03 ^1.04 ^1.05 ^1.06 ^1.07 ^1.08 ^1.09 ^1.10 ^1.11 ^1.12 ^1.13 ^1.14 ^1.15 Ananthaswamy, Anan (April 13, 2023). "गणना के लिए एक नया दृष्टिकोण आर्टिफिशियल इंटेलिजेंस की पुनर्कल्पना करता है". Quanta Magazine.

[:1-2] 2.00 ^2.01 ^2.02 ^2.03 ^2.04 ^2.05 ^2.06 ^2.07 ^2.08 ^2.09 ^2.10 Thomas, Anthony; Dasgupta, Sanjoy; Rosing, Tajana (2021-10-05). "हाइपरडायमेंशनल कंप्यूटिंग पर एक सैद्धांतिक परिप्रेक्ष्य" (PDF). Journal of Artificial Intelligence Research (in English). 72: 215–249. doi:10.1613/jair.1.12664. ISSN 1076-9757. S2CID 239007517.

[:2-3] 3.0 ^3.1 Karunaratne, Geethan; Le Gallo, Manuel; Cherubini, Giovanni; Benini, Luca; Rahimi, Abbas; Sebastian, Abu (June 2020). "इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग". Nature Electronics (in English). 3 (6): 327–337. arXiv:1906.01548. doi:10.1038/s41928-020-0410-3. ISSN 2520-1131. S2CID 174797921.

[1]

[2]

[3]

@@ Line 1: / Line 1: @@
-हाइपरडायमेंशनल कंप्यूटिंग (एचडीसी) गणना के लिए एक दृष्टिकोण है, विशेष रूप से कृत्रिम बुद्धिमत्ता, जहां जानकारी को हाइपरडायमेंशनल (लंबे) [[वेक्टर (गणित और भौतिकी)]], संख्याओं की एक श्रृंखला के रूप में दर्शाया जाता है। एक हाइपरडायमेंशनल वेक्टर (हाइपरवेक्टर) में हजारों संख्याएं शामिल हो सकती हैं जो हजारों आयामों वाले स्थान में एक बिंदु का प्रतिनिधित्व करती हैं।<ref name=":0">{{Cite web |last=Ananthaswamy |first=Anan |date=April 13, 2023 |title=गणना के लिए एक नया दृष्टिकोण आर्टिफिशियल इंटेलिजेंस की पुनर्कल्पना करता है|url=https://www.quantamagazine.org/a-new-approach-to-computation-reimagines-artificial-intelligence-20230413/?mc_cid=ad9a93c472&mc_eid=506130a407 |website=Quanta Magazine}}</ref> वेक्टर सिम्बोलिक आर्किटेक्चर उसी व्यापक दृष्टिकोण का पुराना नाम है।<ref name=":0" />
+'''हाइपरडायमेंशनल कंप्यूटिंग (एचडीसी)''' विशेष रूप से अर्टिफिशियल इंटेलिजेंस की गणना के लिए एक पद्धति है, जहाँ सूचना को हाइपरडायमेंशनल (लंबे) [[वेक्टर (गणित और भौतिकी)]], संख्याओं की एक श्रृंखला के रूप में दर्शाया जाता है। एक हाइपरडायमेंशनल वेक्टर (हाइपरवेक्टर) में हजारों संख्याएं सम्मिलित हो सकती हैं जो हजारों आयामों वाले स्थान में एक बिंदु का प्रतिनिधित्व करती हैं।<ref name=":0">{{Cite web |last=Ananthaswamy |first=Anan |date=April 13, 2023 |title=गणना के लिए एक नया दृष्टिकोण आर्टिफिशियल इंटेलिजेंस की पुनर्कल्पना करता है|url=https://www.quantamagazine.org/a-new-approach-to-computation-reimagines-artificial-intelligence-20230413/?mc_cid=ad9a93c472&mc_eid=506130a407 |website=Quanta Magazine}}</ref> वेक्टर सिम्बोलिक आर्किटेक्चर उसी व्यापक दृष्टिकोण का पुराना नाम है।<ref name=":0" />
 {{Toclimit}}
@@ Line 6: / Line 6: @@
 एन्कोडिंग फ़ंक्शन φ : X → H के अंतर्गत डेटा को इनपुट स्पेस से विरल HD स्पेस में मैप किया जाता है। एचडी निरूपित डेटा संरचनाओं में संग्रहीत होते हैं जो ध्वनि/हार्डवेयर विफलताओं द्वारा अवमिश्रण के अधीन होते हैं। ध्वनि /दूषित एचडी प्रस्तुतिकरण अभी भी सीखने, वर्गीकरण आदि के लिए इनपुट के रूप में कार्य कर सकते हैं। इनपुट डेटा को पुनर्प्राप्त करने के लिए उन्हें डिकोड भी किया जा सकता है। सामान्यतः H प्रक्षेत्र सीमा पूर्णांक (-v-v) तक ही सीमित है।<ref name=":1">{{Cite journal |last1=Thomas |first1=Anthony |last2=Dasgupta |first2=Sanjoy |last3=Rosing |first3=Tajana |date=2021-10-05 |title=हाइपरडायमेंशनल कंप्यूटिंग पर एक सैद्धांतिक परिप्रेक्ष्य|url=https://redwood.berkeley.edu/wp-content/uploads/2021/08/Thomas2021.pdf |journal=Journal of Artificial Intelligence Research |language=en |volume=72 |pages=215–249 |doi=10.1613/jair.1.12664 |s2cid=239007517 |issn=1076-9757}}</ref>
-'''यह [[ड्रोसोफिला]] घ्राण प्रणाली द्वारा संचालित सीखने की प्रक्रिया के अनुरूप है।''' '''इनपुट गंध रिसेप्टर न्यूरॉन प्रकारों के अनुरूप लगभग 50-आयामी वेक्टर है।''' एचडी प्रतिनिधित्व ~2,000-आयामों का उपयोग करता है।<ref name=":1" />
+यह फल मक्खियों की घ्राण प्रणाली (फ्रूट फ्लाइज ऑल्फेक्ट्री सिस्टम) द्वारा संचालित सीखने की प्रक्रिया के अनुरूप है। इनपुट ऑडर रिसेप्टर न्यूरॉन प्रकारों के समरूपी लगभग 50-आयामी वेक्टर है। एचडी प्रतिनिधित्व ~2,000-आयामों का उपयोग करता है।<ref name=":1" />
 ==पारदर्शिता ==
 एचडीसी बीजगणित से यह ज्ञात होता है कि [[कृत्रिम तंत्रिका नेटवर्क|कृत्रिम न्यूरल नेटवर्क]] के विपरीत सिस्टम कैसे और क्यों निर्णय लेता है। भौतिक जगत की वस्तुओं को बीजगणित द्वारा संसाधित करने के लिए हाइपरवेक्टर में मैप किया जा सकता है।<ref name=":0" />
 == प्रदर्शन ==
-एचडीसी "इन-मेमोरी कंप्यूटिंग सिस्टम" के लिए उपयुक्त है, जो डेटा ट्रांसफर देरी से बचने के लिए डेटा को एक चिप पर गणना और संग्रहीत करता है। एनालॉग डिवाइस कम वोल्टेज पर काम करते हैं। वे ऊर्जा-कुशल हैं, लेकिन त्रुटि उत्पन्न करने वाले शोर से ग्रस्त हैं। एचडीसी ऐसी त्रुटियों को सहन कर सकता है।<ref name=":0" />
+एचडीसी "इन-मेमोरी कंप्यूटिंग सिस्टम" के लिए उपयुक्त है, जो डेटा ट्रांसफर की देरी से बचने के लिए एकल चिप पर डेटा की गणना और भंडारण करता है। एनालॉग उपकरण कम वोल्टता पर कार्य करते हैं। वे ऊर्जा-कुशल हैं किन्तु त्रुटि उत्पन्न करने वाले ध्वनि से ग्रस्त हैं। एचडीसी इस प्रकार की त्रुटियों को सहन कर सकता है।<ref name=":0" />
-विभिन्न टीमों ने कम-शक्ति वाले एचडीसी हार्डवेयर त्वरक विकसित किए हैं।<ref name=":1" />
+विभिन्न टीमों ने अल्प-शक्ति वाले एचडीसी हार्डवेयर उत्प्रेरक विकसित किए हैं।<ref name=":1" />
-गणना करने के लिए नैनोस्केल [[ यादगार ]] उपकरणों का उपयोग किया जा सकता है। एक इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग सिस्टम परिधीय डिजिटल [[सीएमओएस]] सर्किट के साथ दो मेमरिस्टिव क्रॉसबार इंजनों पर संचालन लागू कर सकता है। एनालॉग इन-मेमोरी कंप्यूटिंग करने वाले 760,000 चरण-परिवर्तन मेमोरी उपकरणों का उपयोग करने वाले प्रयोगों ने सॉफ्टवेयर कार्यान्वयन के बराबर सटीकता हासिल की।<ref name=":2">{{Cite journal |last1=Karunaratne |first1=Geethan |last2=Le Gallo |first2=Manuel |last3=Cherubini |first3=Giovanni |last4=Benini |first4=Luca |last5=Rahimi |first5=Abbas |last6=Sebastian |first6=Abu |date=June 2020 |title=इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग|url=https://www.nature.com/articles/s41928-020-0410-3 |journal=Nature Electronics |language=en |volume=3 |issue=6 |pages=327–337 |doi=10.1038/s41928-020-0410-3 |arxiv=1906.01548 |s2cid=174797921 |issn=2520-1131}}</ref>
+गणना करने के लिए नैनोस्केल गणनीय उपकरणों का उपयोग किया जा सकता है। एक इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग सिस्टम पेरिफेरल डिजिटल [[सीएमओएस]] परिपथ के साथ दो मेमरिस्टिव क्रॉसबार इंजनों पर संचालन प्रयुक्त कर सकता है। एनालॉग इन-मेमोरी कंप्यूटिंग करने वाले 760,000 प्रावस्था अंतरण मेमोरी उपकरणों का उपयोग करने वाले प्रयोगों ने सॉफ्टवेयर कार्यान्वयन के समान शुद्धता प्राप्त की।<ref name=":2">{{Cite journal |last1=Karunaratne |first1=Geethan |last2=Le Gallo |first2=Manuel |last3=Cherubini |first3=Giovanni |last4=Benini |first4=Luca |last5=Rahimi |first5=Abbas |last6=Sebastian |first6=Abu |date=June 2020 |title=इन-मेमोरी हाइपरडायमेंशनल कंप्यूटिंग|url=https://www.nature.com/articles/s41928-020-0410-3 |journal=Nature Electronics |language=en |volume=3 |issue=6 |pages=327–337 |doi=10.1038/s41928-020-0410-3 |arxiv=1906.01548 |s2cid=174797921 |issn=2520-1131}}</ref>
 ==त्रुटियाँ==
-HDC त्रुटि-सुधार तंत्र द्वारा चूक गई व्यक्तिगत बिट त्रुटि (0 से 1 या इसके विपरीत) जैसी त्रुटियों के लिए मजबूत है। ऐसे त्रुटि-सुधार तंत्र को समाप्त करने से गणना लागत में 25% तक की बचत हो सकती है। यह संभव है क्योंकि ऐसी त्रुटियाँ परिणाम को सही वेक्टर के करीब छोड़ देती हैं। वैक्टर का उपयोग करके तर्क से समझौता नहीं किया जाता है। एचडीसी पारंपरिक कृत्रिम तंत्रिका नेटवर्क की तुलना में कम से कम 10 गुना अधिक त्रुटि सहिष्णु है, जो पहले से ही पारंपरिक कंप्यूटिंग की तुलना में अधिक सहनशील है।<ref name=":0" />
+HDC त्रुटि संशोधन प्रक्रिया द्वारा विचलित होने पर विशिष्ट बिट त्रुटि (0 से 1 या इसके विपरीत) जैसी त्रुटियों के लिए सशक्त है। ऐसे त्रुटि संशोधन प्रक्रिया को समाप्त करने से गणना लागत में 25% तक की बचत हो सकती है। यह संभव है क्योंकि ऐसी त्रुटियाँ परिणाम को सही वेक्टर के "निकट" छोड़ देती हैं। वैक्टर का उपयोग करके तर्क से समझौता नहीं किया जाता है। एचडीसी पारंपरिक कृत्रिम न्यूरल नेटवर्क की तुलना में कम से कम 10 गुना अधिक त्रुटि प्रचुर है जो पहले से ही पारंपरिक कंप्यूटिंग की तुलना में अधिक सहनशील है।<ref name=":0" />
 == उदाहरण ==
 एक सरल उदाहरण काले वृत्तों और सफेद वर्गों वाली छवियों पर विचार करता है। हाइपरवेक्टर आकार और रंग चर का प्रतिनिधित्व कर सकते हैं तथा संबंधित मान वृत्त, वर्ग, काला और सफेद रख सकते हैं। बाउंड हाइपरवेक्टर काले और वृत्त आदि युग्मों को नियन्त्रित कर  सकते हैं।<ref name=":0" />
-== ऑर्थोगोनैलिटी ==
+== लंबकोणीयता ==
-उच्च-आयामी स्थान कई परस्पर [[ ओर्थोगोनल ]] वैक्टर की अनुमति देता है। हालाँकि, यदि इसके बजाय वैक्टर को लगभग ऑर्थोगोनल होने की अनुमति दी जाती है, तो उच्च-आयामी अंतरिक्ष में अलग-अलग वैक्टर की संख्या बहुत बड़ी है।<ref name=":0" />
+उच्च-आयामी स्थान अनेक परस्पर [[ ओर्थोगोनल |ओर्थोगोनल]] वैक्टर की अनुमति देता है। हालाँकि, यदि इसके स्थान पर वैक्टर को लगभग ऑर्थोगोनल होने की अनुमति दी जाती है, तो उच्च-आयामी स्थान में भिन्न - भिन्न वैक्टर की संख्या अत्यधिक विशाल है।<ref name=":0" />
-एचडीसी वितरित अभ्यावेदन की अवधारणा का उपयोग करता है, जिसमें एक वस्तु/अवलोकन को एक स्थिरांक के बजाय कई आयामों में मूल्यों के एक पैटर्न द्वारा दर्शाया जाता है।<ref name=":1" />
+एचडीसी वितरित अभ्यावेदन की अवधारणा का उपयोग करता है जिसमें एक वस्तु/अवलोकन को एक स्थिरांक के स्थान पर अनेक आयामों में मानों के एक पैटर्न द्वारा दर्शाया जाता है।<ref name=":1" />
 ==संचालन ==
-एचडीसी अच्छी तरह से परिभाषित [[ सदिश स्थल ]] ऑपरेशंस का उपयोग करके हाइपरवेक्टर को नए हाइपरवेक्टर में जोड़ सकता है।
+एचडीसी पूर्णतः स्पष्ट रूप से परिभाषित [[ सदिश स्थल |वेक्टर स्पेस]] ऑपरेशंस का उपयोग करके हाइपरवेक्टर को नए हाइपरवेक्टर में जोड़ सकता है।
-हाइपरवेक्टर पर [[समूह (गणित)]], रिंग (गणित), और [[फ़ील्ड (गणित)]] आदिम कंप्यूटिंग संचालन के रूप में जोड़, गुणा, क्रमपरिवर्तन, मानचित्रण और व्युत्क्रम के साथ अंतर्निहित कंप्यूटिंग संरचनाएं बन जाते हैं।<ref name=":2" />सभी कम्प्यूटेशनल कार्य तत्व-वार परिवर्धन और [[डॉट उत्पाद]]ों जैसे सरल संचालन का उपयोग करके उच्च-आयामी स्थान में किए जाते हैं।<ref name=":1" />
+हाइपरवेक्टर पर [[समूह (गणित)]], रिंग (गणित), और [[फ़ील्ड (गणित)]] आदिम कंप्यूटिंग संचालन के रूप में जोड़, गुणा, क्रमचय, मानचित्रण तथा व्युत्क्रमण के साथ अंतर्निहित कंप्यूटिंग संरचनाएं बन जाते हैं।<ref name=":2" />सभी अभिकलन कार्य तत्व-अर्हत संकलन और [[डॉट उत्पाद|डॉट उत्पादों]] जैसे सरल संचालन का उपयोग करके उच्च-आयामी स्थान में प्रदर्शित किए जाते हैं।<ref name=":1" />
-बाइंडिंग क्रमबद्ध बिंदु टुपल्स बनाता है और यह एक फ़ंक्शन ⊗ : H × H → H भी है। इनपुट में दो बिंदु हैं {{Var|H}}, जबकि आउटपुट एक असमान बिंदु है। SHAPE वेक्टर को CIRCLE से गुणा करने पर दोनों आपस में जुड़ जाते हैं, जो इस विचार को दर्शाता है कि "SHAPE वृत्त है"। यह वेक्टर SHAPE और CIRCLE के लगभग ओर्थोगोनल है। घटक वेक्टर से पुनर्प्राप्त करने योग्य हैं (उदाहरण के लिए, प्रश्न का उत्तर दें कि क्या आकार एक वृत्त है?)।<ref name=":1" />
+बाइंडिंग क्रमित बिंदु टुपल्स बनाता है तथा यह एक फ़ंक्शन ⊗ : H × H → H भी है। इनपुट {{Var|H}} में दो बिंदु हैं जबकि आउटपुट एक असमान बिंदु है। शेप वेक्टर को सर्कल से गुणा करने पर दोनों परस्पर जुड़ जाते हैं, जो इस विचार को दर्शाता है कि "शेप" एक "सर्कल" है। यह वेक्टर शेप और सर्कल के लिए लगभग ओर्थोगोनल है। घटक वेक्टर से पुनर्प्राप्त करने योग्य हैं (उदाहरण के लिए, प्रश्न का उत्तर दें कि क्या शेप एक सर्कल है?)।<ref name=":1" />
-जोड़ एक वेक्टर बनाता है जो अवधारणाओं को जोड़ता है। उदाहरण के लिए, "रंग लाल है" में "आकार वृत्त है" जोड़ने से एक वेक्टर बनता है जो लाल वृत्त का प्रतिनिधित्व करता है।
+जोड़ एक वेक्टर बनाता है जो अवधारणाओं को जोड़ता है। उदाहरण के लिए, "COLOR RED है" में "शेप सर्कल है" जोड़ने से एक वेक्टर बनता है जो लाल वृत्त का प्रतिनिधित्व करता है।
-क्रमपरिवर्तन वेक्टर तत्वों को पुनर्व्यवस्थित करता है। उदाहरण के लिए, x, y और z लेबल वाले मानों वाले त्रि-आयामी वेक्टर को क्रमपरिवर्तित करने से x को y, y से z और z से x में बदला जा सकता है। हाइपरवेक्टर ए और बी द्वारा प्रस्तुत घटनाओं को जोड़ा जा सकता है, जिससे एक वेक्टर बनता है, लेकिन इससे घटना क्रम समाप्त हो जाएगा। क्रमपरिवर्तन के साथ जोड़ को जोड़ने से क्रम सुरक्षित रहता है; संचालन को उलट कर घटना क्रम को पुनः प्राप्त किया जा सकता है।
+क्रमचय वेक्टर तत्वों को पुनर्व्यवस्थित करता है। उदाहरण के लिए, x, y और z लेबल वाले मानों वाले त्रि-आयामी वेक्टर का क्रमचय करने से x को y, y को z और z को x में परिवर्तित किया जा सकता है। हाइपरवेक्टर ए और बी द्वारा दर्शाई गई घटनाओं को एक वेक्टर बनाकर जोड़ा जा सकता है किन्तु इससे घटना अनुक्रम समाप्त हो जाएगा। क्रमचय के साथ संयोजी को जोड़ने से क्रम सुरक्षित रहता है; संचालन को उलट कर घटना क्रम को पुनः प्राप्त किया जा सकता है।
 बंडलिंग H में तत्वों के एक सेट को फ़ंक्शन ⊕ : H ×H → H के रूप में जोड़ती है। इनपुट H में दो बिंदु है और आउटपुट एक तीसरा बिंदु है जो दोनों के समान है।<ref name=":1" />
 == इतिहास ==
-वेक्टर प्रतीकात्मक आर्किटेक्चर (वीएसए) ने संबंध स्थापित करने जैसे संचालन का समर्थन करने के लिए उच्च-आयामी प्रतीक प्रतिनिधित्व के लिए एक व्यवस्थित दृष्टिकोण प्रदान किया है। प्रारंभिक उदाहरणों में होलोग्राफिक कम प्रतिनिधित्व, बाइनरी स्पैटर कोड और एडिटिव शब्दों के मैट्रिक्स बाइंडिंग शामिल हैं। एचडी कंप्यूटिंग ने इन मॉडलों को उन्नत किया, विशेष रूप से हार्डवेयर दक्षता पर जोर दिया।<ref name=":1" />
+वेक्टर प्रतीकात्मक आर्किटेक्चर (वीएसए) ने संबंध स्थापित करने जैसे संचालन का समर्थन करने के लिए उच्च-आयामी प्रतीक प्रतिनिधित्व के लिए एक व्यवस्थित दृष्टिकोण प्रदान किया है, प्रारंभिक उदाहरणों में होलोग्राफिक कम प्रतिनिधित्व, बाइनरी स्पैटर कोड और एडिटिव शब्दों के मैट्रिक्स बाइंडिंग सम्मिलित हैं। एचडी कंप्यूटिंग ने विशेष रूप से हार्डवेयर दक्षता पर जोर देते हुए इन मॉडलों को उन्नत किया।<ref name=":1" />
-में, एरिक वीस ने दिखाया कि हाइपरवेक्टर के रूप में एक छवि को पूरी तरह से कैसे प्रस्तुत किया जाए। एक वेक्टर में छवि में सभी वस्तुओं के बारे में जानकारी हो सकती है, जिसमें रंग, स्थिति और आकार जैसे गुण शामिल हैं।<ref name=":0" />
+वर्ष 2018 में, एरिक वीस ने दिखाया कि हाइपरवेक्टर के रूप में एक छवि को पूर्णतया किस प्रकार प्रस्तुत किया जाए। एक वेक्टर में छवि में रंग, स्थिति और आकार जैसे गुणों सहित सभी ऑब्जेक्ट्स के विषय में जानकारी हो सकती है।<ref name=":0" />
-में, अब्बास रहीमी और अन्य ने रेवेन के प्रोग्रेसिव मैट्रिसेस|रेवेन के प्रोग्रेसिव मैट्रिसेस को हल करने के लिए तंत्रिका नेटवर्क के साथ एचडीसी का उपयोग किया।<ref name=":0" />
+वर्ष 2023 में, अब्बास रहीमी और अन्य ने रेवेन के प्रोग्रेसिव मैट्रिक्स को हल करने के लिए तंत्रिका नेटवर्क के साथ एचडीसी का उपयोग किया।<ref name=":0" />
-== अनुप्रयोग ==
+== ऍप्लिकेशन्स ==
-=== छवि पहचान ===
+=== छवि अभिज्ञान ===
-एचडीसी एल्गोरिदम [[गहरे तंत्रिका नेटवर्क]] द्वारा लंबे समय तक पूरे किए गए कार्यों को दोहरा सकता है, जैसे छवियों को वर्गीकृत करना।<ref name=":0" />
+एचडीसी एल्गोरिदम छवियों को वर्गीकृत करने जैसे [[गहरे तंत्रिका नेटवर्क|तीव्र तंत्रिका नेटवर्क]] द्वारा लंबे समय तक पूर्ण किए गए कार्यों को दोहरा सकता है।<ref name=":0" />
-हस्तलिखित अंकों के एक एनोटेटेड सेट को वर्गीकृत करने से प्रत्येक छवि की विशेषताओं का विश्लेषण करने के लिए एक एल्गोरिदम का उपयोग किया जाता है, जिससे प्रति छवि एक हाइपरवेक्टर प्राप्त होता है। फिर एल्गोरिदम शून्य की अवधारणा के लिए एक प्रोटोटाइप हाइपरवेक्टर बनाने के लिए, उदाहरण के लिए, शून्य की सभी लेबल छवियों के लिए हाइपरवेक्टर जोड़ता है और अन्य अंकों के लिए इसे दोहराता है।<ref name=":0" />
+हस्तलिखित अंकों के एक एनोटेटेड सेट को वर्गीकृत करने में प्रत्येक छवि की विशेषताओं का विश्लेषण करने के लिए एक एल्गोरिदम का उपयोग किया जाता है जो प्रति छवि एक हाइपरवेक्टर उत्पन्न करता है। तत्पश्चात एल्गोरिदम शून्य की अवधारणा तथा एक प्रोटोटाइप हाइपरवेक्टर का निर्माण करने के लिए उदाहरण के रूप में शून्य की सभी लेबिल छवियों के लिए हाइपरवेक्टर जोड़ता है तथा अन्य अंकों के लिए इसे दोहराता है।<ref name=":0" />
-एक बिना लेबल वाली छवि को वर्गीकृत करने में इसके लिए एक हाइपरवेक्टर बनाना और संदर्भ हाइपरवेक्टरों से इसकी तुलना करना शामिल है। यह तुलना उस अंक की पहचान करती है जिससे नई छवि सबसे अधिक मिलती जुलती है।<ref name=":0" />
+एक लेबल रहित छवि को वर्गीकृत करने में इसके लिए एक हाइपरवेक्टर बनाना तथा संदर्भित हाइपरवेक्टरों से इसकी तुलना करना सम्मिलित है। यह तुलना उस अंक की पहचान करती है जिससे नई छवि सबसे अधिक मिलती है।<ref name=":0" />
-दिए गए लेबल वाले उदाहरण सेट <math>S = \{(x_{i}, y_{i})\}_{i=1}^N, \ {\scriptstyle\text{where}} \ x_{i} \in X \ {\scriptstyle\text{and}} \ y_{i} \in \{c_{i}\}_{i=1}^K</math> एक विशेष x का वर्ग है<sub>i</sub>.<ref name=":1" />
+दिए गए लेबल वाले उदाहरण सेट <math>S = \{(x_{i}, y_{i})\}_{i=1}^N, \ {\scriptstyle\text{where}} \ x_{i} \in X \ {\scriptstyle\text{and}} \ y_{i} \in \{c_{i}\}_{i=1}^K</math> एक विशेष ''x<sub>i</sub>'' का वर्ग है।<ref name=":1" />
-दी गई क्वेरी x<sub>q</sub> ∈ X के साथ सबसे समान प्रोटोटाइप पाया जा सकता है <math>k^* = _{k \in 1,...,K}^{argmax} \ p(\phi(x_{q})), \phi(c_{k}))</math>. समानता मीट्रिक ρ आमतौर पर डॉट-उत्पाद है।<ref name=":1" />
+दी गई क्वेरी x<sub>q</sub> ∈ X के साथ अत्यधिक समान प्रोटोटाइप <math>k^* = _{k \in 1,...,K}^{argmax} \ p(\phi(x_{q})), \phi(c_{k}))</math> के साथ पाया जा सकता है। समानता मीट्रिक ρ सामान्यतः डॉट-उत्पाद है।<ref name=":1" />
-=== तर्क ===
+=== तर्कबुद्धि ===
-हाइपरवेक्टर का उपयोग तर्क-वितर्क के लिए भी किया जा सकता है। रेवेन के प्रगतिशील मैट्रिक्स एक ग्रिड में वस्तुओं की छवियां प्रस्तुत करते हैं। ग्रिड में एक स्थान रिक्त है. परीक्षण में उम्मीदवार की छवियों में से वह चुनना है जो सबसे उपयुक्त हो।<ref name=":0" />
+हाइपरवेक्टर का उपयोग तर्क-वितर्क के लिए भी किया जा सकता है। रेवेन के प्रोग्रेसिव मैट्रिक्स के एक ग्रिड में ऑब्जेक्ट्स की छवियां प्रस्तुत करते हैं। ग्रिड में एक स्थान रिक्त है। परीक्षण में अभ्यर्थी की छवियों में से उस छवि का चयन करना है जो अत्याधिक उपयुक्त हो।<ref name=":0" />
-हाइपरवेक्टरों का एक शब्दकोश व्यक्तिगत वस्तुओं का प्रतिनिधित्व करता है। प्रत्येक हाइपरवेक्टर अपनी विशेषताओं के साथ एक वस्तु अवधारणा का प्रतिनिधित्व करता है। प्रत्येक परीक्षण छवि के लिए एक तंत्रिका नेटवर्क एक बाइनरी हाइपरवेक्टर उत्पन्न करता है (मान +1 या -1 हैं) जो शब्दकोश हाइपरवेक्टर के कुछ सेट के जितना संभव हो उतना करीब है। इस प्रकार उत्पन्न हाइपरवेक्टर छवि में सभी वस्तुओं और उनकी विशेषताओं का वर्णन करता है।<ref name=":0" />
+हाइपरवेक्टरों का एक शब्दकोश विशेष ऑब्जेक्ट्स का प्रतिनिधित्व करता है। प्रत्येक हाइपरवेक्टर अपनी विशेषताओं के साथ एक ऑब्जेक्ट कांसेप्ट का प्रतिनिधित्व करता है। प्रत्येक परीक्षण छवि के लिए एक तंत्रिका नेटवर्क एक बाइनरी हाइपरवेक्टर उत्पन्न करता है (मान +1 या -1 हैं) जो शब्दकोश हाइपरवेक्टर के कुछ सेट के जितना संभव हो उतना निकट है। इस प्रकार उत्पन्न हाइपरवेक्टर छवि में सभी ऑब्जेक्ट्स तथा उनकी विशेषताओं का वर्णन करता है।<ref name=":0" />
-एक अन्य एल्गोरिदम प्रत्येक छवि में वस्तुओं की संख्या और उनकी विशेषताओं के लिए संभाव्यता वितरण बनाता है। ये संभाव्यता वितरण संदर्भ और उम्मीदवार छवियों दोनों की संभावित विशेषताओं का वर्णन करते हैं। वे भी हाइपरवेक्टर में तब्दील हो जाते हैं, फिर बीजगणित स्लॉट को भरने के लिए सबसे संभावित उम्मीदवार छवि की भविष्यवाणी करता है।<ref name=":0" />
+एक अन्य एल्गोरिदम प्रत्येक छवि में ऑब्जेक्ट्स की संख्या और उनकी विशेषताओं के लिए प्रायिकता वितरण का निर्माण करता है। ये प्रायिकता वितरण कॉन्टेक्स्ट और अभ्यर्थी छवियों दोनों की संभावित विशेषताओं का वर्णन करते हैं। वे भी हाइपरवेक्टर में परिवर्तित हो जाते हैं, तत्पश्चात बीजगणित रिक्त स्थान को भरने के लिए अत्यधिक संभावित अभ्यर्थी छवि की भविष्यवाणी करता है।<ref name=":0" />
-इस दृष्टिकोण ने एक समस्या सेट पर 88% सटीकता हासिल की, और तंत्रिका नेटवर्क-केवल समाधानों को पछाड़ दिया जो 61% सटीक थे। 3-बाय-3 ग्रिड के लिए, संबंधित नियम पुस्तिका के आकार के कारण, सिस्टम तर्क के लिए [[प्रतीकात्मक तर्क]] का उपयोग करने वाली विधि की तुलना में 250 गुना तेज था।<ref name=":0" />
+इस दृष्टिकोण ने तंत्रिका नेटवर्क पीछे छोड़ते हुए एक समस्या सेट पर 88% की सटीकता प्राप्त की- केवल हल जो 61% सटीक थे। 3-बाय-3 ग्रिड के लिए, सिस्टम उस विधि की तुलना में 250 गुना तेज़ था जो संबंधित नियम पुस्तिका के आकार के कारण प्रतीकात्मक तर्क का उपयोग करता था।<ref name=":0" />
 === अन्य ===
-अन्य अनुप्रयोगों में बायो-सिग्नल प्रोसेसिंग, प्राकृतिक भाषा प्रसंस्करण और रोबोटिक्स शामिल हैं।<ref name=":1" />
+अन्य अनुप्रयोगों में बायो-सिग्नल प्रोसेसिंग, प्राकृतिक भाषा प्रसंस्करण और रोबोटिक्स सम्मिलित हैं।<ref name=":1" />
 == यह भी देखें ==
-* [[समर्थन वेक्टर यंत्र]]
+* [[समर्थन वेक्टर यंत्र|सपोर्ट वेक्टर मशीन]]
 == संदर्भ ==
@@ Line 78: / Line 78: @@
 * {{Cite arXiv |last1=Neubert |first1=Peer |last2=Schubert |first2=Stefan |date=2021-01-19 |title=Hyperdimensional computing as a framework for systematic aggregation of image descriptors |class=cs.CV |eprint=2101.07720v1 |language=en}}
 * {{Cite journal |last=Kanerva |first=Pentti |date=2009-06-01 |title=Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors |url=https://doi.org/10.1007/s12559-009-9009-8 |journal=Cognitive Computation |language=en |volume=1 |issue=2 |pages=139–159 |doi=10.1007/s12559-009-9009-8 |s2cid=733980 |issn=1866-9964}}
-* {{Cite magazine |last=Ananthaswamy |first=Anil |title=Hyperdimensional Computing Reimagines Artificial Intelligence |language=en-US |magazine=Wired |url=https://www.quantamagazine.org/a-new-approach-to-computation-reimagines-artificial-intelligence-20230413/ |access-date=2023-06-13 |issn=1059-1028}}[[Category: कृत्रिम तंत्रिका प्रसार]] [[Category: ध्यान लगा के पढ़ना या सीखना]]
+* {{Cite magazine |last=Ananthaswamy |first=Anil |title=Hyperdimensional Computing Reimagines Artificial Intelligence |language=en-US |magazine=Wired |url=https://www.quantamagazine.org/a-new-approach-to-computation-reimagines-artificial-intelligence-20230413/ |access-date=2023-06-13 |issn=1059-1028}}
+[[Category:CS1 English-language sources (en)]]
+[[Category:Citation Style 1 templates|M]]
-[[Category: Machine Translated Page]]
+[[Category:Collapse templates]]
 [[Category:Created On 25/07/2023]]
+[[Category:Machine Translated Page]]
+[[Category:Navigational boxes| ]]
+[[Category:Navigational boxes without horizontal lists]]
+[[Category:Pages with script errors]]
+[[Category:Sidebars with styles needing conversion]]
+[[Category:Template documentation pages|Documentation/doc]]
+[[Category:Templates Vigyan Ready]]
+[[Category:Templates based on the Citation/CS1 Lua module]]
+[[Category:Templates generating COinS|Cite magazine]]
+[[Category:Templates generating microformats]]
+[[Category:Templates that are not mobile friendly]]
+[[Category:Templates using TemplateData]]
+[[Category:Wikipedia fully protected templates|Cite magazine]]
+[[Category:Wikipedia metatemplates]]
+[[Category:कृत्रिम तंत्रिका प्रसार]]
+[[Category:ध्यान लगा के पढ़ना या सीखना]]

Anonymous

Search

हाइपरडायमेंशनल कंप्यूटिंग: Difference between revisions

Namespaces

More

Page actions

Latest revision as of 10:08, 23 August 2023

Contents

प्रक्रिया

पारदर्शिता

प्रदर्शन

त्रुटियाँ

उदाहरण

लंबकोणीयता

संचालन

इतिहास

ऍप्लिकेशन्स

छवि अभिज्ञान

तर्कबुद्धि

अन्य

यह भी देखें

संदर्भ

बाहरी संबंध

Navigation

Navigation

Wiki tools

Wiki tools

Anonymous

Search

हाइपरडायमेंशनल कंप्यूटिंग: Difference between revisions

Latest revision as of 10:08, 23 August 2023

प्रक्रिया

पारदर्शिता

प्रदर्शन

त्रुटियाँ

उदाहरण

लंबकोणीयता

संचालन

इतिहास

ऍप्लिकेशन्स

छवि अभिज्ञान

तर्कबुद्धि

अन्य

यह भी देखें

संदर्भ

बाहरी संबंध

Navigation

Wiki tools

Page tools

Other projects

Categories