ಕನ್ಯಂತ್ರಾವಿಷ್ಕಾರವು ಶ್ರೇಣಿಯ ಗುಣಲಕ್ಷಣಗಳ ಊಹೆಗೊಳಿಸುವಿಕೆ ಕ್ಷೇತ್ರವನ್ನು ಕ್ರಾಂತಿಯಾಗಿ ಬದಲಾಯಿಸುತ್ತಿದೆ, ಮಾಹಿತಿಯ ಬಹುತೇಕ ಲಿಮೆಟೆಡ್ ಇರುವಿದ್ದಾಗಲೂ. ಯಾಂತ್ರಿಕ ಗುಣಲಕ್ಷಣಗಳು, ನಿರ್ಬಂಧಿಸುವ ಬಂಡಿಗಳು ಮತ್ತು ರಚನೆಗಳ ಶಕ್ತಿ ಮುಂತಾದ ವಿಸ್ತಾರಗಳ ನಿರೀಕ್ಷಣೆಯು ದೊಡ್ಡ ಪ್ರಯತ್ನವಾಗಿರುತ್ತದೆ. ಹೊಸ ಸಾಮಗ್ರಿಗಳ ಹುಡುಕಾಟವನ್ನು ಆನ್ವಯಿಕವಾಗಿಸುವ ಅಗತ್ಯಸ್ಥೆಗಳು ತಂತ್ರಜ್ಞಾನ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ನಿರಂತರವಾಗಿ ವರ್ಧಿಸಿದ್ದಾಗಿದೆ.
ಕನ್ಗಣಕಾಂಶಗಳ ಚಿಕ್ಕ ಗಟ್ಟಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಹೊಸ ಮಾದರಿಗಳನ್ನು ವೇಗವಾಗಿ ಅಭಿವೃದ್ಧಿಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಸ್ಥಾಯಿರೇಖಾತ್ಮಕ ಕಲಿಕೆವನ್ನು ಬಳಸುವ ವಿಧಾನಗಳು ನಿರ್ದಿಷ್ಟ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸೂಕ್ತವಾಗಿ ಊಹಿಸುವಿಕೆಗಾಗಿ ಸಂಶೋಧಕರಿಗೆ ಪರಿಣಾಮಕಾರಿಯಾದ ಸಾಧನಗಳನ್ನು ನೀಡುತ್ತವೆ. ಈ ಪ್ರಗತಿ ಆಧುನಿಕ ಸವಾಲುಗಳಿಗೆ ಅನುಕೂಲವಾಗುವ ಸಾಮಗ್ರಿಗಳ ಶೋಧನೆಗೆ ಮುಖ್ಯವಾಗಿದೆ.
ಯಂತ್ರಾವಿಷ್ಕಾರದಿಂದ ಶ್ರೇಣಿಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸುವಿಕೆ
ಭಾರತದ ವಿಜ್ಞಾನ ಸಂಸ್ಥೆಯ (IISc) ಸಂಶೋಧಕರು, ಲಂಡನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಜೊತೆಗೆ, ಬೆಳೆಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸುವಿಕೆಗಾಗಿ ಯಂತ್ರಾವಿಷ್ಕಾರ ಆಧಾರಿತ ವಿಧಾನಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದಾರೆ, ಮಾಹಿತಿ ಇದ್ದರೂ ಸಹ. ಈ ಪ್ರಗತಿ ಹೆಚ್ಚು ಅಗತ್ಯವಿರುವ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುವ ಸಾಮಗ್ರಿಗಳನ್ನು ಅನ್ವಯಿಸಲು ರೂಪಾಂತರಗೊಳಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಅರ್ಧಚಾಲಕ ಕ್ಷೇತ್ರದಲ್ಲಿ.
ಸಾಮ್ಗ್ರಿಗಳ ಲಕ್ಷಣಗಳ ವ್ಯತ್ಯಾಸಗಳು
ಕಾಕೆ ಕಲೆ ಮಾಡಲು ಕೆಲವು ವರ್ಷಗಳಿಂದ, ಸಾಮ್ಗ್ರಿ ಇಂಜಿನಿಯರುಗಳು ಮಾದರಿ ಗಣಿಗಳಿಗೆ ಬಳಸುವ ಯಂತ್ರಾವಿಷ್ಕಾರ ರೂಪಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದಾರೆ, ಇಲೆಕ್ಟ್ರಾನಿಕ್ ಶ್ರೇಣಿಯ ವಿವಿಧ ಸ್ಪಷ್ಟೀಕರಣಗಳ, ಶ್ರೇಣಿಯ ಶಕ್ತಿಗಳು ಮತ್ತು ಯಾಂತ್ರಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು. ಸಮಗ್ರ ಬೌದ್ಧಿಕ ಶಕ್ತಿ ಅಗತ್ಯವಿದೆ, ಏಕೆಂದರೆ ಶ್ರೇಣಿಯ ಗುಣಲಕ್ಷಣಗಳ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುವುದು ದುಬಾರಿ ಮತ್ತು ಸಮಯದ ತೊಂದರೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
ಸ್ಥಾಯಿರೇಖಾತ್ಮಕ ಕಲಿಕೆ
ಸಾಯಿ ಗೌತಮ್ ಗೋಪಾಲಕ್ರಿಷ್ಣನ್ ಅವರ ಇತ್ತೀಚಿನ ಕಾರ್ಯವು ಸ್ಥಾಯಿರೇಖಾತ್ಮಕ ಕಲಿಕೆಯ ಪರಿಣಾಮಕಾರಿ ಬಳಸಿನ ಎಳೆಗಳನ್ನು ಹಿರಿಯವಾಗಿ ಬೆಳಗಿಸುತ್ತದೆ. ಈ ತಂತ್ರಜ್ಞಾನವು ದೊಡ್ಡ ಮಾಹಿತಿಯಿಂದ ಪೂರ್ವ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನನ್ನು ಉಪಯೋಗಿಸುವಂತಾಗುತ್ತದೆ, ನಂತರ ದೊಡ್ಡ ಮಾಹಿತಿಯ ಗಟ್ಟಿಯಲ್ಲಿ ಅದನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ. ಗೌತಮೀಗೋಪಾಲಕ್ರಿಷ್ಣನ್ ಈ ಪ್ರಕ್ರಿಯೆಯ ಉಲ್ಲೇಖ ಒದಗಿಸುತ್ತಾರೆ: “ಮಾದರಿಯು ಮೊದಲಿಗೆ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಕಲಿಯುತ್ತದೆ, ನಂತರ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಕ್ಕಾಗಿ ಹೊಂದಿಸುತ್ತದೆ.” ಈ ಬದಲಾವಣೆಯು ಜಟಿಲ ಮಾದರಿಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳಿಗೆ ಹೊಂದಿಸಲು ಮಹತ್ವಪೂರ್ಣವಾಗಿದೆ.
ಯಂತ್ರಾವಿಷ್ಕಾರ ಮಾದರಿಯ ಕಾರ್ಯವಿಧಾನ
ಯಂತ್ರಾವಿಷ್ಕಾರವು ಚಿತ್ರಗಳನ್ನು ಎಲ್ಲಾದರೂ ಮಾಹಿತಿ ಸ್ವೀಕರಿಸುತ್ತವೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಪುಟಗಳನ್ನು ತಯಾರಿಸುತ್ತವೆ. ಮಾದರಿಯ ಮೊದಲನೇ ಹಂತಗಳು ಜಾತಕದ ಮೂಲ ವಿಷಯಗಳನ್ನು ಹೊಂದಿದ್ದಾರೆ, ಮತ್ತು ನಂತರ ಹಂತಗಳು ಸಮಾನುತುಪಾದಗಳನ್ನು ಹೊಂದಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ಮೊದಲ ವ್ಯಕ್ತಿಯ ವಿನ್ಯಾಸಗಳು ಮತ್ತು ರೂಪಗಳು. ಅಂತಿಮ ಹಂತಗಳು ಈ ಸಮನಗಳನ್ನು ಅಭಿನವ ಮಾಡಲು ಪರಿಷಿಕ್ಷಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ತೃತೀಯ ವ್ಯಕ್ತಿಯ ರೂಪಗಳು.
ಗ್ರಾಫ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳ ಅನ್ವಯಗಳು
ಅನ್ವಯಿಸುವಿಕೆಗೆ ಸಾಧಿತ GNN (ಗ್ರಾಫ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್)ಗಳು ಪ್ರಮುಖವಾದವು. ಈ ನೆಟ್ವರ್ಕ್ಗಳು ತೋಜನ ಹಂತದ ಪ್ರಕಾರ ಹೆಸರಿಸಲು ಡೇಟಾಗಳನ್ನು ಗ್ರಾಫ್ ರೂಪದಲ್ಲಿ ಸಂಸ್ಕರಿಸುತ್ತವೆ ಮತ್ತು ಎಲ್ಲಾ ಸಾಮಗ್ರಿಯ ಕ್ರಿಸ್ಟಲ[column]ನ ವಿನ್ಯಾಸವನ್ನು ಕಾಣಿಸುತ್ತವೆ. ಈ ಪ್ರಕಾರ, ಪ್ರತಿ ಹಂತವು ಆಣುಗಳಿಗೆ ಸಂಬಂಧಿತ ನೋಡ್ಸ್ ಅನ್ನು ವರ್ಗೀಕರಿಸುತ್ತವೆ, ಮತ್ತು ಸಂಪರ್ಕಗಳನ್ನು (ವರ್ತನೆಗಳ) ಈ ಆಣುಗಳ ನಡುವಿನ ಸಂಪರ್ಕವಾಗಿ ಅರ್ಥವಾಗುತ್ತದೆ. ಸಂಶೋಧಕ ತಂಡವು ನಿರ್ಧಾರವನ್ನು ನಡೆಸಲು GNN ಆಧಾರಿತ ಮಾದರಿಯನ್ನು ರಚಿಸಿದೆ.
ಮಾದರಿಯ ವಿನ್ಯಾಸ ವೃತಾ
GNN ಕಂಡುಹಿಡಿಯುವ ಶ್ರೇಣಿಯ ವೃತ್ತವನ್ನು ರಚಿಸಿ, ಶ್ರೇಣಿಯ ಸಂಖ್ಯೆ ಮತ್ತು ಪರಸ್ಪರ ಸಂಪರ್ಕವು ಮಾದರಿಯ ಶಕ್ತಿಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, ಜಟಿಲ ಮತ್ತು ಸಂಕೀರ್ಣವಾದ ಶ್ರೇಣಿಯ ಒಳಹೊರೆಯುವಿಕೆಗಳಿಗೆ ಸುಲಭವಾಗುತ್ತದೆ. ಶ್ರೇಣಿಯ ಉತ್ತಮತೆಯನ್ನು ನಿರ್ಧರಿಸಿದ ನಂತರ, ಸಂಶೋಧಕರು ಮಾದರಿಯನ್ನು ಪೂರ್ವ ತರಬೇತಿ ನೀಡುತ್ತವೆ, ಕೆಲವು ಹಂತಗಳನ್ನು ಪರಿಷ್ಕಾರ ಮಾಡುತ್ತಾರೆ, ಇತರದ ಕಷಾಯ ವೃತ್ತವನ್ನು ತಟ್ಟುತ್ತವೆ. ಈ ವಿಧಾನವು ಹಿಂತಿರುಗುವಾಗಿನ ಸಮಸ್ಯೆಗಳನ್ನು ಬಗ್ಗಿಸುತ್ತಿದೆ.
ನಿರ್ದಿಷ್ಟ ಸಾಮಾಗ್ರಿಗಳ ಗುಣಲಕ್ಷಣಗಳ ಊಹಿಸುವಿಕೆ
ಪೂರ್ವ ತರಬೇತಿಯಾದ ಮಾದರಿಯೋ ವಿಡಿಯೋ ಡೇಟಾದಕಿ, ಡೈಲೆಕ್ಟ್ರಿಕ್ ಪ್ರಾಪರ್ಟಿ ಮತ್ತು ಶ್ರೇಣಿಯ ಶಕ್ತಿಯನ್ನು ಹೇಳುವುದು, ವಸ್ತುವಿನ ಪಿಜೋಇಲೆಕ್ಟ್ರಿಕ್ ಗುಣಲಕ್ಷಣವನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ನಿರೀಕ್ಷಿತಮಾದರಿಯು ಟ್ರ್ಯಾನ್ಸ್ಫರ್ ಕಲಿಕೆಯನ್ನು ಆಧಾರಿತ ಸಂಖ್ಯಾ ಮಾದರಿಗಳೊಡನೆ ಹೆಚ್ಚು ಶ್ರೇಣಿಯಲ್ಲಿ ಪ್ರಸಾರವಾಗಿದೆ.
ಮೂಲವಹಿಸಲು ಪೂರ್ವ ತರಬೇತಿ (MPT)
ಚಾರಣವು ಪೂರ್ವ ತರಬೇತಿಸುವ ವ್ಯವಸ್ಥೆಯ ಹೆಸರನ್ನು ಮೂಲಹಣ ನಿಯಮಾತ್ಮಕವಾದ ಪೂರ್ವ ತರಬೇತಿ (MPT) ಅನ್ನು ಆಸ್ಥಿರವಾಗಿ ತೆರೆದಿದ್ದು, ಶ್ರೇಣಿಯ ಐದು ಪ್ರಭಾವಗಳ ಗಟ್ಟಿಗಳನ್ನು ಮೂಡಿಸುತ್ತವೆ. ಶ್ರೇಣಿಯ ವಿಷಯದಲ್ಲಿ, ಈ ಮಾದರಿಯು ಬೆವರುದು ಶ್ರೇಣಿಯ ನಿಯಮಾಶ್ರಾಯ ಶ್ರೇಣಿಯ ಉತ್ಪತ್ತಿ ಪರಿಣಲಿ, ಸಂಬಂಧ ಹಿರಿಯ ಸಂಪಾದನೆಯನ್ನು ತಯಾರಿಸಿದಾಗ, ಮತ್ತು ಚಿಕ್ಕ ಪೂರ್ವ ತರಬೇತಿ ನೀಡುವಂತಾಗುತ್ತದೆ.
ಭವಿಷ್ಯದ ಅನ್ವಯಗಳು ಮತ್ತು ಪರಿಣಾಮಗಳು
ಮಾಡಿನ ಮೂಲಕ ಐನ್ಜೀಂಡುಗಳ ತ್ವರಿತದ ಚಾಲನೆಯನ್ನು ಊಹಿಸಲು ಈ ಮಾದರಿಯೊಳಗೊ, ಬೆಟರಿಯ ಇಲೆಕ್ಟ್ರೋಡ್ಗಳ ಅಂತರಗತಿಯಲ್ಲಿ ಇರುವ ಐನ್ಜಿಗಳನ್ನು, ಇದು ಶಕ್ತಿ ಸಂಕುಚಿತಗೊಳ್ಳಲು ಸುಧಾರಿತ ಸಾಧನಗಳಿಗೆ ಪರಮಫಲಗಳಾದವು. ಗೌತಮೀಗೋಪಾಲಕ್ರಿಷ್ಣನ್ ಅವರು ಈ ಮಾದರಿಯು ಕಂಡಾಯಿಸುವ ಶ್ರೇಣಿಯ ಶ್ರೇಣಿಯು ಏನು ಹಾಡಿಸುತ್ತವೆ, ಇದರಿಂದ ಮೇಲ್ಬದ್ಧವಾಗುವುದಿಲ್ಲ ಎಂದು ಹಿಂತೆಗೆದುಕೊಡುತ್ತವೆ.
ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಳು: ರೇಷ್ಮಾ ದೇವಿ ಮತ್ತು ಇತರರು, ಸಮಗ್ರ ಶ್ರೇಣಿಯ ಗುಣಲಕ್ಷಣಗಳ ಶ್ರೇಣಿಯ ಶ್ರೇಣಿಯ ಹಕ್ಕುಗಳನ್ನು ಪೂರ್ವ/ನೆಂಬರ್-strategies, npj Computational Materials (2024). DOI: 10.1038/s41524-024-01486-1
ವಿಮರ್ಶೆ: ಪರಿಣಾಮಕಾರಿ ಯಂತ್ರಾವಿಷ್ಕಾರ: ಲಿಮಿಟೆಡ್ ಡೇಟಾದೊಂದಿಗೆ ಸಾಮಗ್ರಿಪ್ರದರ್ಶನವನ್ನು ಊಹಿಸುವಿಕೆ (2024, ಡಿಸೆಂಬರ್ 30) 31 ಡಿಸೆಂಬರ್ 2024 ತೋಟ ಒದಗಿಸುತ್ತದೆ ಟೆಕ್ಸ್ಪ್ಲೋರ್.
ಈ ಲೇಖನವು ಕಾಪಿರೈಟ್ ಹಕ್ಕುಗಳನ್ನು ಹೊಂದಿದೆ. ಅನುಮತಿ ಇಲ್ಲದೆ ಪುನರ್ನಮೀಕರಣವನ್ನು ನಿಲ್ಲಿಸುವುದು. ಈ ವಿಷಯವು ಮಾಹಿತಿಗಾಗಿ ಒದಗಿಸಲಾಗುತ್ತದೆ.
ಸರಾಸರಿ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳು
ದತವಾಸದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸುವಿಕೆಗಾಗಿ ಯಂತ್ರಾವಿಷ್ಕಾರ ನಿಯಮವನ್ನು ಬಳಸುವುದು ಏನು ?
ಯಂತ್ರಾವಿಷ್ಕಾರವು ಡೇಟಾದ ಪ್ರೇರಣೆಗಳಿಗೆ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪ್ರಯೋಗಿಸುತ್ತವೆ, ಹೀಗಾಗಿ ಹೆಚ್ಚು ಶ್ರೇಣಿಯಲ್ಲಿ ಉದ್ದೇಶ ಪಡೆದ ಸಮಗ್ರ ಶ್ರೇಣಿಯ ರೂಪವನ್ನು ಅನುಸರಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಡೇಟಾಗುವ ಮೂಲಕ ಪ್ರಸಾರಿತವಾಗಿ ಸದರಿ ಹಕ್ಕುಗಳನ್ನು ಹೊಂದಿಲ್ಲ.
ಕೆಲವು ತಂದೆಗಳು ಲಿಮಿಟೆಡ್ ಮಾಹಿತಿಯು ಸಮಗ್ರ ಮಾದರಿಯ ಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸಲು ಕಷಾಯವಾಗಿದೆ ?
ಸಮಗ್ರ ವಸ್ತುಗಳನ್ನು ಶ್ರೇಣಿಯ ಗಳಿಕೆಗೆ ಅವಕಾಶ ನೀಡುವುದು, ಏಕೆಂದರೆ ಸೇಮಾಜಿ ಗುಣಲಕ್ಷಣಗಳ ಮಾದರಿಗಳು ತಮ್ಮ ಬೇರೆಬೇರೆಯಲ್ಲದೆ ಆದಾಗಾಗೆ ಪ್ರಯೋಗಗಳು ಲಭ್ಯವಾಗುತ್ತವೆ.
ಯಂತ್ರವಾದಿಕೆಗಾಗಿ ವೈಶಿಷ್ಟ್ಯಶೀಲವನ್ನು ಹೇಗೆ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಮಾಡುವುದು ?
ಯಂತ್ರಾಯಿತಾ ಕಲಿಕೆ ಮುಖ್ಯ ಅಂಶಗಳಲ್ಲಿದ್ದಾಗ, ಹಂತಗಳನ್ನು ತಕ್ಕಪಡುವಿಕೆಗೆ ಪೂರ್ವಭಾವಿ ಶ್ರೇಣಿರೂಪಗಳನ್ನು ಸಹ ಅಪ್ಲೋಡ್ ಮಾಡುತ್ತೇವೆ, ಸ್ವೀಕರಿತವೆಂದು ಶ್ರೇಣಿಯನ್ನು ಆರಿಸಿಕೊಂಡು.
ಯಂತ್ರದ ದೊಡ್ಡ ಸಂಬಂಧವನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಹೇಗೆ ಬದ್ಧಾವುದೇ ?
ಮಾಹಿತಿಯ ಆಧಾರಿತ ಪಠ್ಯಗಳು (GNN) ಹೆಚ್ಚಾಗಿ ಬಳಸುತ್ತಾರೆ, ಅಂದರೆ ಗ್ರಾಫ್ ಆಕೃತಿಯಲ್ಲಿನ ಈ ಡೇಟಾಗಳನ್ನು ಅಮರ್ ಸಾರುವುದಕ್ಕೆ ಡಿಕ್ಕಾಶಕಗಳನ್ನು ಹೊಂದಿಸುತ್ತದೆ.
ಗರಿಷ್ಟ ಡೇಟಾಗಳನ್ನು ಲಂಬವಾಗಿ ಹೊಂದಲು ನಮ್ಮ ಅಥವಾ ಶ್ರೇಣಿಯ ಅಧrance ಹೇಗೆ?
ಮಾದರಿಯ ಸರಳ ತತ್ತ್ವವನ್ನು ಅನುಸರಿಸಬೇಕು మరియు ಉತ್ತಮ ಪ್ರಮಾಣೀಕರಣಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಬೇಕು, ಗ್ರಾಫ್ ಶ್ರೇಣಿಯ ಮೇಲೆ ಶ್ರೇಣಿಗಳನ್ನು ಹೊಂದಿಸಿ.
ಮೂಲಭೂತ ಗುಣಲಕ್ಷಣಗಳ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಊಹಿಸಲು ಕೆಲವು ಸಮಗ್ರ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತವೆ?
ಎಂತಹ ವಿಧಾನಗಳು ಸಮಗ್ರ ಮಾದರಿಗಳಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಬಳಸಬಹುದು, ಸೆಮಿಕಂಡಕ್ಟರ್, ಸಂಗೀತಗಳ ಮೂಲಗಳು, ಮತ್ತು ಇನ್ನಷ್ಟು ವಿವಿಧ ಪ್ರಭೇದಗಳ ಬಳಸಬಹುದು.
ಕಂಡ ಮತ್ತು ಹಕ್ಕುಗಳನ್ನು ಅರಿಯುವುದರಿಂದ ಸುಲಭವಾಗಿ ನೂತನವಾದ ನಿಕ್ಷೇಪಗಳು ಹೇಗೆ?
ಈ ಮಾದರಿಗಳು ಹೊಸದಾದ ವಸ್ತುಗಳನ್ನು ಶ್ರೇಣಿಯನ್ನು ನೀಡಿ, ಹೆಚ್ಚು ವೇಗವಾಗಿ ಹಾಗೂ ಕಡಿಮೆ ವೆಚ್ಚಕ್ಕೆ ಶ್ರೇಣಿಯ ತಾತ್ಕಾಲಿಕತೆಗೆ ಹೊಂದುಗುತ್ತವೆ, ಹೊಸದಾಗಿ ಮಾಡಲು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಶ್ರೇಣಿಯ ಸಂಪತ್ತಾಗಿಸುವಿಕೆ.