സാരാംശത്തിലേക്ക് മടങ്ങുമ്പോൾ, എഐജിസിയുടെ ഏകത്വത്തിലെ മുന്നേറ്റം മൂന്ന് ഘടകങ്ങളുടെ സംയോജനമാണ്:

1. മനുഷ്യ ന്യൂറോണുകളുടെ ഒരു പകർപ്പാണ് GPT

NLP പ്രതിനിധീകരിക്കുന്ന GPT AI ഒരു കമ്പ്യൂട്ടർ ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതം ആണ്, ഇതിന്റെ സാരാംശം മനുഷ്യന്റെ സെറിബ്രൽ കോർട്ടക്സിലെ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ അനുകരിക്കുക എന്നതാണ്.

ഭാഷ, സംഗീതം, ചിത്രങ്ങൾ, രുചി വിവരങ്ങൾ എന്നിവയുടെ സംസ്കരണവും ബുദ്ധിപരമായ ഭാവനയും എല്ലാം മനുഷ്യൻ ശേഖരിക്കുന്ന പ്രവർത്തനങ്ങളാണ്.

ദീർഘകാല പരിണാമത്തിൽ മസ്തിഷ്കം ഒരു "പ്രോട്ടീൻ കമ്പ്യൂട്ടർ" ആയി.

അതിനാൽ, സമാന വിവരങ്ങൾ, അതായത് ഘടനാരഹിതമായ ഭാഷ, സംഗീതം, ചിത്രങ്ങൾ എന്നിവ പ്രോസസ്സ് ചെയ്യുന്നതിന് GPT സ്വാഭാവികമായും ഏറ്റവും അനുയോജ്യമായ അനുകരണമാണ്.

അതിന്റെ പ്രോസസ്സിംഗിന്റെ സംവിധാനം അർത്ഥം മനസ്സിലാക്കലല്ല, മറിച്ച് ശുദ്ധീകരിക്കുന്നതിനും തിരിച്ചറിയുന്നതിനും ബന്ധിപ്പിക്കുന്നതിനുമുള്ള ഒരു പ്രക്രിയയാണ്.ഇത് വളരെ ആണ്

വിരോധാഭാസമായ കാര്യം.

ആദ്യകാല സംഭാഷണ സെമാന്റിക് റെക്കഗ്നിഷൻ അൽഗോരിതങ്ങൾ അടിസ്ഥാനപരമായി ഒരു വ്യാകരണ മാതൃകയും സംഭാഷണ ഡാറ്റാബേസും സ്ഥാപിച്ചു, തുടർന്ന് സംഭാഷണത്തെ പദാവലിയിലേക്ക് മാപ്പ് ചെയ്തു,

പദാവലിയുടെ അർത്ഥം മനസ്സിലാക്കുന്നതിനായി പദാവലി വ്യാകരണ ഡാറ്റാബേസിൽ സ്ഥാപിക്കുകയും ഒടുവിൽ അംഗീകാര ഫലങ്ങൾ നേടുകയും ചെയ്തു.

ഈ "ലോജിക്കൽ മെക്കാനിസം" അടിസ്ഥാനമാക്കിയുള്ള വാക്യഘടന തിരിച്ചറിയലിന്റെ തിരിച്ചറിയൽ കാര്യക്ഷമത, വയാവോയ്സ് തിരിച്ചറിയൽ പോലെ 70% ചുറ്റുമുണ്ട്.

1990-കളിൽ IBM അവതരിപ്പിച്ച അൽഗോരിതം.

എഐജിസി ഇങ്ങനെ കളിക്കുകയല്ല.അതിന്റെ സാരാംശം വ്യാകരണത്തെക്കുറിച്ചല്ല, മറിച്ച് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്ക് അൽഗോരിതം സ്ഥാപിക്കുക എന്നതാണ്.

വ്യത്യസ്ത വാക്കുകൾ തമ്മിലുള്ള പ്രോബബിലിസ്റ്റിക് കണക്ഷനുകൾ കണക്കാക്കാൻ കമ്പ്യൂട്ടർ, അവ ന്യൂറൽ കണക്ഷനുകളാണ്, സെമാന്റിക് കണക്ഷനുകളല്ല.

ചെറുപ്പത്തിൽ നമ്മുടെ മാതൃഭാഷ പഠിക്കുന്നത് പോലെ, "വിഷയം, പ്രവചനം, വസ്തു, ക്രിയ, പൂരകം" എന്നിവ പഠിക്കുന്നതിനുപകരം ഞങ്ങൾ സ്വാഭാവികമായും അത് പഠിച്ചു.

എന്നിട്ട് ഒരു പാരഗ്രാഫ് മനസ്സിലാക്കുന്നു.

ഇത് AI യുടെ ചിന്താ മാതൃകയാണ്, ഇത് തിരിച്ചറിയലാണ്, മനസ്സിലാക്കലല്ല.

എല്ലാ ക്ലാസിക്കൽ മെക്കാനിസ മോഡലുകൾക്കും AI-യുടെ അട്ടിമറി പ്രാധാന്യം ഇതാണ് - കമ്പ്യൂട്ടറുകൾക്ക് ഈ കാര്യം ലോജിക്കൽ തലത്തിൽ മനസ്സിലാക്കേണ്ടതില്ല,

മറിച്ച് ആന്തരിക വിവരങ്ങൾ തമ്മിലുള്ള പരസ്പരബന്ധം തിരിച്ചറിയുകയും തിരിച്ചറിയുകയും ചെയ്യുക, തുടർന്ന് അത് അറിയുക.

ഉദാഹരണത്തിന്, പവർ ഫ്ലോ സ്റ്റേറ്റും പവർ ഗ്രിഡുകളുടെ പ്രവചനവും ക്ലാസിക്കൽ പവർ നെറ്റ്‌വർക്ക് സിമുലേഷനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇവിടെ ഒരു ഗണിതശാസ്ത്ര മാതൃക

ഒരു മാട്രിക്സ് അൽഗോരിതം ഉപയോഗിച്ച് മെക്കാനിസം സ്ഥാപിക്കുകയും പിന്നീട് സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു.ഭാവിയിൽ, അത് ആവശ്യമില്ലായിരിക്കാം.AI നേരിട്ട് തിരിച്ചറിയുകയും പ്രവചിക്കുകയും ചെയ്യും

ഓരോ നോഡിന്റെയും സ്റ്റാറ്റസ് അടിസ്ഥാനമാക്കിയുള്ള ചില മോഡൽ പാറ്റേൺ.

കൂടുതൽ നോഡുകൾ ഉള്ളതിനാൽ, ക്ലാസിക്കൽ മാട്രിക്സ് അൽഗോരിതം ജനപ്രിയമല്ല, കാരണം അൽഗോരിതം സങ്കീർണ്ണത വർദ്ധിക്കുന്നു

നോഡുകൾ, ജ്യാമിതീയ പുരോഗതി വർദ്ധിക്കുന്നു.എന്നിരുന്നാലും, AI വളരെ വലിയ തോതിലുള്ള നോഡ് കൺകറൻസിയാണ് ഇഷ്ടപ്പെടുന്നത്, കാരണം AI തിരിച്ചറിയുന്നതിലും മികച്ചതാണ്

ഏറ്റവും സാധ്യതയുള്ള നെറ്റ്‌വർക്ക് മോഡുകൾ പ്രവചിക്കുന്നു.

അത് Go-യുടെ അടുത്ത പ്രവചനമായാലും (AlphaGO ഓരോ ഘട്ടത്തിനും എണ്ണമറ്റ സാധ്യതകളോടെ അടുത്ത ഡസൻ ഘട്ടങ്ങൾ പ്രവചിക്കാനാകും) അല്ലെങ്കിൽ മോഡൽ പ്രവചനം

സങ്കീർണ്ണമായ കാലാവസ്ഥാ സംവിധാനങ്ങളിൽ, AI യുടെ കൃത്യത മെക്കാനിക്കൽ മോഡലുകളേക്കാൾ വളരെ കൂടുതലാണ്.

പവർ ഗ്രിഡിന് നിലവിൽ AI ആവശ്യമില്ലാത്തതിന്റെ കാരണം, പ്രവിശ്യകൾ നിയന്ത്രിക്കുന്ന 220 kV ലും അതിനുമുകളിലുള്ള പവർ നെറ്റ്‌വർക്കുകളിലും ഉള്ള നോഡുകളുടെ എണ്ണം

അയയ്‌ക്കുന്നത് വലുതല്ല, കൂടാതെ മാട്രിക്‌സിനെ രേഖീയമാക്കാനും വിരളമാക്കാനും നിരവധി വ്യവസ്ഥകൾ സജ്ജീകരിച്ചിരിക്കുന്നു.

മെക്കാനിസം മോഡൽ.

എന്നിരുന്നാലും, വിതരണ ശൃംഖലയുടെ പവർ ഫ്ലോ ഘട്ടത്തിൽ, പതിനായിരക്കണക്കിന് അല്ലെങ്കിൽ ലക്ഷക്കണക്കിന് പവർ നോഡുകൾ, ലോഡ് നോഡുകൾ, പരമ്പരാഗതം

ഒരു വലിയ വിതരണ ശൃംഖലയിലെ മാട്രിക്സ് അൽഗോരിതം ശക്തിയില്ലാത്തതാണ്.

വിതരണ ശൃംഖല തലത്തിൽ AI-യുടെ പാറ്റേൺ തിരിച്ചറിയൽ ഭാവിയിൽ സാധ്യമാകുമെന്ന് ഞാൻ വിശ്വസിക്കുന്നു.

2. ഘടനാരഹിതമായ വിവരങ്ങളുടെ ശേഖരണം, പരിശീലനം, സൃഷ്ടിക്കൽ

AIGC ഒരു വഴിത്തിരിവ് ഉണ്ടാക്കിയതിന്റെ രണ്ടാമത്തെ കാരണം വിവരങ്ങളുടെ ശേഖരണമാണ്.സംഭാഷണത്തിന്റെ A/D പരിവർത്തനത്തിൽ നിന്ന് (മൈക്രോഫോൺ+PCM

ചിത്രങ്ങളുടെ A/D പരിവർത്തനത്തിലേക്ക് (CMOS+കളർ സ്പേസ് മാപ്പിംഗ്) സാമ്പിൾ ചെയ്യൽ, മനുഷ്യർ വിഷ്വൽ, ഓഡിറ്ററി എന്നിവയിൽ ഹോളോഗ്രാഫിക് ഡാറ്റ ശേഖരിച്ചു.

കഴിഞ്ഞ ഏതാനും പതിറ്റാണ്ടുകളായി വളരെ കുറഞ്ഞ ചിലവിൽ ഫീൽഡുകൾ.

പ്രത്യേകിച്ചും, ക്യാമറകളുടെയും സ്മാർട്ട്ഫോണുകളുടെയും വലിയ തോതിലുള്ള ജനകീയവൽക്കരണം, മനുഷ്യർക്ക് ഓഡിയോവിഷ്വൽ ഫീൽഡിൽ ഘടനാരഹിതമായ ഡാറ്റയുടെ ശേഖരണം.

ഏതാണ്ട് പൂജ്യം ചെലവിൽ, ഇൻറർനെറ്റിലെ ടെക്സ്റ്റ് വിവരങ്ങളുടെ സ്ഫോടനാത്മകമായ ശേഖരണം AIGC പരിശീലനത്തിന്റെ താക്കോലാണ് - പരിശീലന ഡാറ്റ സെറ്റുകൾ വിലകുറഞ്ഞതാണ്.

മുകളിലുള്ള ചിത്രം ആഗോള ഡാറ്റയുടെ വളർച്ചാ പ്രവണത കാണിക്കുന്നു, അത് ഒരു എക്‌സ്‌പോണൻഷ്യൽ ട്രെൻഡ് വ്യക്തമായി അവതരിപ്പിക്കുന്നു.

വിവരശേഖരണത്തിന്റെ ഈ രേഖീയമല്ലാത്ത വളർച്ചയാണ് എഐജിസിയുടെ കഴിവുകളുടെ രേഖീയമല്ലാത്ത വളർച്ചയുടെ അടിത്തറ.

എന്നാൽ, ഈ ഡാറ്റയിൽ ഭൂരിഭാഗവും ഘടനാരഹിതമായ ഓഡിയോ-വിഷ്വൽ ഡാറ്റയാണ്, അത് പൂജ്യം ചെലവിൽ ശേഖരിക്കപ്പെടുന്നു.

വൈദ്യുത ശക്തിയുടെ മേഖലയിൽ, ഇത് നേടാനാവില്ല.ഒന്നാമതായി, ഇലക്ട്രിക് പവർ വ്യവസായത്തിന്റെ ഭൂരിഭാഗവും ഘടനാപരമായതും അർദ്ധ ഘടനാപരമായതുമായ ഡാറ്റയാണ്

വോൾട്ടേജും കറന്റും, അവ സമയ ശ്രേണിയുടെയും സെമി ഘടനയുടെയും പോയിന്റ് ഡാറ്റ സെറ്റുകളാണ്.

ഘടനാപരമായ ഡാറ്റാ സെറ്റുകൾ കമ്പ്യൂട്ടറുകൾക്ക് മനസ്സിലാക്കേണ്ടതുണ്ട്, കൂടാതെ ഉപകരണ വിന്യാസം പോലുള്ള "വിന്യാസം" ആവശ്യമാണ് - വോൾട്ടേജ്, കറന്റ്, പവർ ഡാറ്റ

ഒരു സ്വിച്ച് ഈ നോഡിലേക്ക് വിന്യസിക്കേണ്ടതുണ്ട്.

വോൾട്ടേജ്, കറന്റ്, സമയ സ്കെയിലിനെ അടിസ്ഥാനമാക്കി സജീവവും ക്രിയാത്മകവുമായ പവർ എന്നിവ വിന്യസിക്കുന്നതിന് സമയ വിന്യാസമാണ് കൂടുതൽ പ്രശ്‌നമുണ്ടാക്കുന്നത്.

തുടർന്നുള്ള തിരിച്ചറിയൽ നടത്താം.ഫോർവേഡ്, റിവേഴ്സ് ദിശകളുമുണ്ട്, അവ നാല് ക്വാഡ്രന്റുകളിലായി സ്പേഷ്യൽ വിന്യാസമാണ്.

വിന്യാസം ആവശ്യമില്ലാത്ത ടെക്സ്റ്റ് ഡാറ്റയിൽ നിന്ന് വ്യത്യസ്തമായി, ഒരു ഖണ്ഡിക കമ്പ്യൂട്ടറിലേക്ക് എറിയുന്നു, ഇത് സാധ്യമായ വിവര അസോസിയേഷനുകളെ തിരിച്ചറിയുന്നു.

തനിയെ.

ബിസിനസ്സ് ഡിസ്ട്രിബ്യൂഷൻ ഡാറ്റയുടെ ഉപകരണ വിന്യാസം പോലെയുള്ള ഈ പ്രശ്നം വിന്യസിക്കുന്നതിന്, അലൈൻമെന്റ് നിരന്തരം ആവശ്യമാണ്, കാരണം മീഡിയം

ലോ വോൾട്ടേജ് വിതരണ ശൃംഖല എല്ലാ ദിവസവും ഉപകരണങ്ങളും ലൈനുകളും കൂട്ടിച്ചേർക്കുകയും ഇല്ലാതാക്കുകയും പരിഷ്കരിക്കുകയും ചെയ്യുന്നു, കൂടാതെ ഗ്രിഡ് കമ്പനികൾ വലിയ തൊഴിൽ ചെലവ് ചെലവഴിക്കുന്നു.

"ഡാറ്റ വ്യാഖ്യാനം" പോലെ, കമ്പ്യൂട്ടറുകൾക്ക് ഇത് ചെയ്യാൻ കഴിയില്ല.

രണ്ടാമതായി, വൈദ്യുതി മേഖലയിൽ ഡേറ്റ അക്വിസിഷൻ ചെലവ് കൂടുതലാണ്, സംസാരിക്കാനും ഫോട്ടോയെടുക്കാനും മൊബൈൽ ഫോണിന് പകരം സെൻസറുകൾ ആവശ്യമാണ്.”

ഓരോ തവണയും വോൾട്ടേജ് ഒരു ലെവൽ കുറയുന്നു (അല്ലെങ്കിൽ വൈദ്യുതി വിതരണ ബന്ധം ഒരു ലെവൽ കുറയുന്നു), ആവശ്യമായ സെൻസർ നിക്ഷേപം വർദ്ധിക്കുന്നു

മാഗ്നിറ്റ്യൂഡിന്റെ ഒരു ക്രമത്തിലെങ്കിലും.ലോഡ് സൈഡ് (കാപ്പിലറി എൻഡ്) സെൻസിംഗ് നേടുന്നതിന്, ഇത് അതിലും വലിയ ഡിജിറ്റൽ നിക്ഷേപമാണ്.

പവർ ഗ്രിഡിന്റെ ക്ഷണികമായ മോഡ് തിരിച്ചറിയേണ്ടത് ആവശ്യമാണെങ്കിൽ, ഉയർന്ന കൃത്യതയുള്ള ഉയർന്ന ഫ്രീക്വൻസി സാമ്പിൾ ആവശ്യമാണ്, ചെലവ് ഇതിലും കൂടുതലാണ്.

ഡാറ്റ അക്വിസിഷന്റെയും ഡാറ്റ അലൈൻമെന്റിന്റെയും വളരെ ഉയർന്ന ചിലവ് കാരണം, പവർ ഗ്രിഡിന് നിലവിൽ മതിയായ നോൺ-ലീനിയർ ശേഖരിക്കാൻ കഴിയുന്നില്ല.

AI സിംഗുലാരിറ്റിയിലെത്താൻ ഒരു അൽഗോരിതം പരിശീലിപ്പിക്കുന്നതിനുള്ള ഡാറ്റ വിവരങ്ങളുടെ വളർച്ച.

ഡാറ്റയുടെ തുറന്നതയെക്കുറിച്ച് പരാമർശിക്കേണ്ടതില്ല, ഒരു പവർ AI സ്റ്റാർട്ടപ്പിന് ഈ ഡാറ്റ നേടുന്നത് അസാധ്യമാണ്.

അതിനാൽ, AI-ക്ക് മുമ്പ്, ഡാറ്റാ സെറ്റുകളുടെ പ്രശ്നം പരിഹരിക്കേണ്ടത് ആവശ്യമാണ്, അല്ലാത്തപക്ഷം ഒരു നല്ല AI നിർമ്മിക്കാൻ പൊതുവായ AI കോഡ് പരിശീലിപ്പിക്കാൻ കഴിയില്ല.

3. കമ്പ്യൂട്ടേഷണൽ പവറിലെ വഴിത്തിരിവ്

അൽഗോരിതങ്ങൾക്കും ഡാറ്റയ്ക്കും പുറമേ, എഐജിസിയുടെ സിംഗുലാരിറ്റി മുന്നേറ്റവും കമ്പ്യൂട്ടേഷണൽ പവറിലെ ഒരു മുന്നേറ്റമാണ്.പരമ്പരാഗത CPU-കൾ അങ്ങനെയല്ല

വലിയ തോതിലുള്ള കൺകറന്റ് ന്യൂറോണൽ കമ്പ്യൂട്ടിംഗിന് അനുയോജ്യമാണ്.3D ഗെയിമുകളിലും സിനിമകളിലും GPU-കളുടെ പ്രയോഗമാണ് വലിയ തോതിലുള്ള സമാന്തരമാക്കുന്നത്.

ഫ്ലോട്ടിംഗ് പോയിന്റ്+സ്ട്രീമിംഗ് കമ്പ്യൂട്ടിംഗ് സാധ്യമാണ്.മൂറിന്റെ നിയമം ഒരു യൂണിറ്റ് കമ്പ്യൂട്ടേഷണൽ പവറിന്റെ കമ്പ്യൂട്ടേഷണൽ ചെലവ് കുറയ്ക്കുന്നു.

പവർ ഗ്രിഡ് AI, ഭാവിയിൽ അനിവാര്യമായ ഒരു പ്രവണത

വിതരണം ചെയ്ത ഫോട്ടോവോൾട്ടെയ്ക്, ഡിസ്ട്രിബ്യൂഡ് എനർജി സ്റ്റോറേജ് സിസ്റ്റങ്ങളുടെ ഒരു വലിയ സംഖ്യയുടെ സംയോജനം, അതുപോലെ തന്നെ ആപ്ലിക്കേഷൻ ആവശ്യകതകൾ

ലോഡ് സൈഡ് വെർച്വൽ പവർ പ്ലാന്റുകൾ, പൊതുവിതരണ ശൃംഖല സംവിധാനങ്ങൾക്കും ഉപയോക്താവിനും ഉറവിടവും ലോഡ് പ്രവചനവും നടത്തേണ്ടത് വസ്തുനിഷ്ഠമായി ആവശ്യമാണ്.

ഡിസ്ട്രിബ്യൂഷൻ (മൈക്രോ) ഗ്രിഡ് സിസ്റ്റങ്ങൾ, അതുപോലെ വിതരണ (മൈക്രോ) ഗ്രിഡ് സിസ്റ്റങ്ങൾക്കുള്ള തത്സമയ പവർ ഫ്ലോ ഒപ്റ്റിമൈസേഷൻ.

വിതരണ ശൃംഖലയുടെ വശത്തിന്റെ കമ്പ്യൂട്ടേഷണൽ സങ്കീർണ്ണത യഥാർത്ഥത്തിൽ ട്രാൻസ്മിഷൻ നെറ്റ്‌വർക്ക് ഷെഡ്യൂളിങ്ങിനേക്കാൾ കൂടുതലാണ്.ഒരു പരസ്യത്തിന് പോലും

സങ്കീർണ്ണമായ, പതിനായിരക്കണക്കിന് ലോഡ് ഉപകരണങ്ങളും നൂറുകണക്കിന് സ്വിച്ചുകളും ഉണ്ടായിരിക്കാം, കൂടാതെ AI അടിസ്ഥാനമാക്കിയുള്ള മൈക്രോ ഗ്രിഡ്/വിതരണ ശൃംഖല പ്രവർത്തനത്തിനുള്ള ആവശ്യകതയും

നിയന്ത്രണം ഉണ്ടാകും.

സെൻസറുകളുടെ കുറഞ്ഞ വിലയും സോളിഡ്-സ്റ്റേറ്റ് ട്രാൻസ്ഫോർമറുകൾ, സോളിഡ്-സ്റ്റേറ്റ് സ്വിച്ചുകൾ, ഇൻവെർട്ടറുകൾ (കൺവെർട്ടറുകൾ) തുടങ്ങിയ പവർ ഇലക്ട്രോണിക് ഉപകരണങ്ങളുടെ വ്യാപകമായ ഉപയോഗവും,

പവർ ഗ്രിഡിന്റെ അരികിലുള്ള സെൻസിംഗ്, കമ്പ്യൂട്ടിംഗ്, നിയന്ത്രണം എന്നിവയുടെ സംയോജനവും ഒരു നൂതന പ്രവണതയായി മാറിയിരിക്കുന്നു.

അതിനാൽ, പവർ ഗ്രിഡിന്റെ എഐജിസി ഭാവിയാണ്.എന്നിരുന്നാലും, ഇന്ന് വേണ്ടത് പണമുണ്ടാക്കാൻ ഒരു AI അൽഗോരിതം ഉടനടി പുറത്തെടുക്കുകയല്ല,

പകരം, ആദ്യം AI-ന് ആവശ്യമായ ഡാറ്റ ഇൻഫ്രാസ്ട്രക്ചർ നിർമ്മാണ പ്രശ്നങ്ങൾ പരിഹരിക്കുക

AIGC-യുടെ ഉയർച്ചയിൽ, പവർ AI-യുടെ ആപ്ലിക്കേഷൻ നിലയെക്കുറിച്ചും ഭാവിയെക്കുറിച്ചും മതിയായ ശാന്തമായ ചിന്ത ആവശ്യമാണ്.

നിലവിൽ, പവർ AI യുടെ പ്രാധാന്യം കാര്യമായ കാര്യമല്ല: ഉദാഹരണത്തിന്, 90% പ്രവചന കൃത്യതയുള്ള ഒരു ഫോട്ടോവോൾട്ടെയ്ക് അൽഗോരിതം സ്പോട്ട് മാർക്കറ്റിൽ സ്ഥാപിച്ചിട്ടുണ്ട്.

ട്രേഡിംഗ് ഡീവിയേഷൻ ത്രെഷോൾഡ് 5%, അൽഗോരിതം വ്യതിയാനം എല്ലാ ട്രേഡിംഗ് ലാഭവും ഇല്ലാതാക്കും.

ഡാറ്റ വെള്ളമാണ്, അൽഗോരിതത്തിന്റെ കണക്കുകൂട്ടൽ ശക്തി ഒരു ചാനലാണ്.അത് സംഭവിക്കുമ്പോൾ, അത് സംഭവിക്കും.