নির্ধারক কম্পিউটিং পাওয়ার নেটওয়ার্কিং: স্থাপত্য, প্রযুক্তি ও সম্ভাবনা

1. ভূমিকা

কৃত্রিম বুদ্ধিমত্তা (AI), স্বায়ত্তশাসিত ড্রাইভিং, ক্লাউড-ভিত্তিক ভার্চুয়াল রিয়েলিটি (VR) এবং বুদ্ধিমান উৎপাদনের মতো অ্যাপ্লিকেশনের দ্রুত বিবর্তন শুধু উচ্চ ব্যান্ডউইথ নয়, বরং ট্রান্সমিশন লেটেন্সি এবং কম্পিউটেশনাল এক্সিকিউশন উভয় ক্ষেত্রেই নির্ধারক পারফরম্যান্স নিশ্চিত করে এমন নেটওয়ার্কের জন্য একটি অভূতপূর্ব চাহিদা তৈরি করেছে। ঐতিহ্যগত "বেস্ট এফোর্ট" নেটওয়ার্ক এবং বিচ্ছিন্ন কম্পিউটিং সম্পদ ব্যবস্থাপনা অপর্যাপ্ত। এই গবেষণাপত্রটি নির্ধারক কম্পিউটিং পাওয়ার নেটওয়ার্কিং (Det-CPN) উপস্থাপন করে, একটি নতুন প্যারাডাইম যা সময়-সংবেদনশীল এবং গণনা-নিবিড় কাজের জন্য এন্ড-টু-এন্ড গ্যারান্টিযুক্ত পরিষেবা প্রদানের জন্য নির্ধারক নেটওয়ার্কিং নীতির সাথে কম্পিউটিং পাওয়ার শিডিউলিংকে গভীরভাবে একীভূত করে।

2. গবেষণার পটভূমি ও উদ্দেশ্য

2.1 গণনা-নিবিড় অ্যাপ্লিকেশনের উত্থান

আধুনিক অ্যাপ্লিকেশনগুলি দ্বি-মুখী: এগুলি একই সাথে লেটেন্সি-সংবেদনশীল এবং গণনা-নিবিড়। উদাহরণস্বরূপ, স্বায়ত্তশাসিত ড্রাইভিংয়ের জন্য রিয়েল-টাইম ইনফারেন্সকে কঠোর সময়সীমার মধ্যে সেন্সর ডেটা প্রক্রিয়া করতে হবে, অন্যদিকে ক্লাউড VR-এর জন্য ন্যূনতম মোশন-টু-ফোটন লেটেন্সি সহ জটিল দৃশ্য রেন্ডার করতে হয়। এটি একটি "নির্ধারকতা ফাঁক" তৈরি করে যেখানে শুধুমাত্র কম্পিউটিং পাওয়ার নেটওয়ার্কিং (CPN) বা নির্ধারক নেটওয়ার্কিং (DetNet) কোনোটিই একটি সামগ্রিক সমাধান দিতে পারে না।

2.2 বর্তমান প্যারাডাইমের সীমাবদ্ধতা

বিদ্যমান CPN গবেষণা দক্ষ কম্পিউটিং টাস্ক শিডিউলিংয়ের উপর দৃষ্টি নিবদ্ধ করে কিন্তু প্রায়শই নেটওয়ার্কটিকে পরিবর্তনশীল লেটেন্সি সহ একটি ব্ল্যাক বক্স হিসেবে বিবেচনা করে। বিপরীতভাবে, DetNet আবদ্ধ, কম-জিটার প্যাকেট ডেলিভারি নিশ্চিত করে কিন্তু এন্ডপয়েন্টে কম্পিউটিং টাস্কগুলির নিজস্ব নির্ধারক এক্সিকিউশন সময়ের হিসাব রাখে না। টাস্ক জমা থেকে ফলাফল বিতরণ পর্যন্ত গ্যারান্টিযুক্ত মোট সমাপ্তির সময় প্রয়োজন এমন অ্যাপ্লিকেশনগুলির জন্য এই বিচ্ছিন্ন পদ্ধতি ব্যর্থ হয়।

3. নির্ধারক কম্পিউটিং পাওয়ার নেটওয়ার্কিং (Det-CPN) স্থাপত্য

3.1 সিস্টেম স্থাপত্যের সংক্ষিপ্ত বিবরণ

প্রস্তাবিত Det-CPN স্থাপত্য হল একীভূত নিয়ন্ত্রণের জন্য নকশাকৃত একটি বহু-স্তর বিশিষ্ট সিস্টেম। এটি একীভূত করে:

• অ্যাপ্লিকেশন স্তর: লেটেন্সি-সংবেদনশীল এবং গণনা-নিবিড় পরিষেবাগুলি হোস্ট করে।
• একীভূত নিয়ন্ত্রণ স্তর: Det-CPN-এর মস্তিষ্ক, যৌথ সম্পদ শিডিউলিং, গ্লোবাল টপোলজি ব্যবস্থাপনা এবং নির্ধারক পরিষেবা অর্কেস্ট্রেশনের জন্য দায়ী।
• সম্পদ স্তর: অন্তর্নিহিত নির্ধারক নেটওয়ার্ক অবকাঠামো (টাইম-অ্যাওয়্যার শেপিং সহ সুইচ, রাউটার) এবং ভিন্নধর্মী কম্পিউটিং নোড (এজ সার্ভার, ক্লাউড ডেটা সেন্টার, বিশেষায়িত এআই অ্যাক্সিলারেটর) নিয়ে গঠিত।

দ্রষ্টব্য: একটি ধারণাগত চিত্রটি একীভূত নিয়ন্ত্রণ স্তর এবং সম্পদ স্তরের মধ্যে দ্বিমুখী তীরচিহ্ন সহ এই স্তরগুলি দেখাবে, কেন্দ্রীভূত অর্কেস্ট্রেশনের উপর জোর দিয়ে।

3.2 মূল প্রযুক্তিগত সক্ষমতা

Det-CPN নির্ধারকতার চারটি স্তম্ভ প্রদান করার লক্ষ্য রাখে:

1. লেটেন্সি নির্ধারকতা: এন্ড-টু-এন্ড প্যাকেট বিলম্বের গ্যারান্টিযুক্ত ঊর্ধ্বসীমা।
2. জিটার নির্ধারকতা: বিলম্বের তারতম্যের গ্যারান্টিযুক্ত সীমা (আদর্শভাবে শূন্যের কাছাকাছি)।
3. পথ নির্ধারকতা: পূর্বাভাসযোগ্য এবং স্থিতিশীল ডেটা ফরওয়ার্ডিং পথ।
4. কম্পিউটিং নির্ধারকতা: একটি নির্দিষ্ট সম্পদে একটি কম্পিউটিং টাস্কের জন্য গ্যারান্টিযুক্ত এক্সিকিউশন সময়।

3.3 Workflow of Det-CPN

সাধারণ কার্যপ্রবাহে জড়িত: ১) একজন ব্যবহারকারী প্রয়োজনীয়তা সহ একটি টাস্ক জমা দেয় (যেমন, "২০ms-এর মধ্যে এই ইনফারেন্স সম্পন্ন করুন")। ২) একীভূত নিয়ন্ত্রক উপলব্ধ নেটওয়ার্ক এবং কম্পিউটিং সম্পদ উপলব্ধি করে। ৩) এটি যৌথভাবে একটি সর্বোত্তম পথ এবং কম্পিউটিং নোড অ্যাসাইনমেন্ট গণনা করে যা নির্ধারক সীমাবদ্ধতাগুলি পূরণ করে। ৪) এটি সম্পদ সংরক্ষণ করে এবং নির্ধারক ট্রান্সমিশন ও কম্পিউটেশন এক্সিকিউশন অর্কেস্ট্রেট করে।

4. মূল সক্ষমকারী প্রযুক্তিসমূহ

4.1 নির্ধারক নেটওয়ার্ক শিডিউলিং

সমালোচনামূলক ট্র্যাফিক ফ্লোর জন্য নির্ধারিত, হস্তক্ষেপমুক্ত পথ তৈরি করতে IETF DetNet এবং IEEE TSN থেকে টাইম-অ্যাওয়্যার শেপিং (TAS) এবং সাইক্লিক কিউইং অ্যান্ড ফরওয়ার্ডিং (CQF) এর মতো কৌশলগুলির সুবিধা নেয়।

4.2 কম্পিউটিং পাওয়ার উপলব্ধি ও মডেলিং

কম্পিউটিং সম্পদের একটি রিয়েল-টাইম ইনভেন্টরি (CPU/GPU টাইপ, উপলব্ধ মেমরি, বর্তমান লোড) এবং, গুরুত্বপূর্ণভাবে, টাস্ক এক্সিকিউশন সময় পূর্বাভাস দেওয়ার জন্য একটি মডেলের প্রয়োজন। টাস্কের ভিন্নধর্মীতার কারণে এটি নেটওয়ার্ক লেটেন্সি মডেলিংয়ের চেয়ে বেশি জটিল।

4.3 যৌথ কম্পিউটিং-নেটওয়ার্ক সম্পদ শিডিউলিং

মূল অ্যালগরিদমিক চ্যালেঞ্জ। নিয়ন্ত্রককে একটি সীমাবদ্ধ অপ্টিমাইজেশন সমস্যা সমাধান করতে হবে: মোট সম্পদ ব্যয় কমানো (বা ব্যবহার সর্বাধিক করা) এই শর্তে: নেটওয়ার্ক লেটেন্সি + টাস্ক এক্সিকিউশন সময় + ফলাফল ফেরত লেটেন্সি ≤ অ্যাপ্লিকেশন ডেডলাইন।

5. চ্যালেঞ্জ ও ভবিষ্যৎ প্রবণতা

গবেষণাপত্রটি বেশ কয়েকটি চ্যালেঞ্জ চিহ্নিত করেছে: ক্রস-ডোমেন সম্পদ মডেলিংয়ের জটিলতা, কেন্দ্রীভূত নিয়ন্ত্রণের স্কেলেবিলিটি, বিক্রেতাদের মধ্যে মানকীকরণ এবং কন্ট্রোল প্লেনের নিরাপত্তা। ভবিষ্যতের প্রবণতাগুলি ভবিষ্যদ্বাণীমূলক শিডিউলিংয়ের জন্য AI/ML-এর ব্যবহার, ৬জি নেটওয়ার্কের সাথে একীকরণ এবং IoT ডিভাইস থেকে ক্লাউড পর্যন্ত কম্পিউটিং ধারাবাহিকতায় সম্প্রসারণের দিকে ইঙ্গিত করে।

6. মূল অন্তর্দৃষ্টি ও বিশ্লেষকের দৃষ্টিভঙ্গি

মূল অন্তর্দৃষ্টি: Det-CPN হল শারীরিক প্রক্রিয়ার শিল্প-গ্রেড ডিজিটালাইজেশনের অনিবার্য স্থাপত্যিক প্রতিক্রিয়া। এটি পরিসংখ্যানগত প্রক্রিয়া নিয়ন্ত্রণ থেকে সিক্স সিগমায় স্থানান্তরের নেটওয়ার্কিং সমতুল্য—শুধু গড় পারফরম্যান্স নয়, বরং গ্যারান্টিযুক্ত, পরিমাপযোগ্য এবং পূর্বাভাসযোগ্য ফলাফলের দাবি করে। লেখকরা সঠিকভাবে চিহ্নিত করেছেন যে মূল্য অভিসারী-তে, উপাদানগুলিতে নয়। পূর্বাভাসযোগ্য কম্পিউট ছাড়া একটি নির্ধারক নেটওয়ার্ক একটি এআই ইনফারেন্স পাইপলাইনের জন্য অকেজো, এবং তদ্বিপরীত।

যুক্তিসঙ্গত প্রবাহ: যুক্তিটি সঠিক: বিস্ফোরক গণনা চাহিদা (GPT-3-এর ৩৫৫ GPU-বছর প্রশিক্ষণের উল্লেখ) কঠোর লেটেন্সি সীমার (শিল্প স্বয়ংক্রিয়করণ থেকে) সাথে মিলিত হয়ে সাইলোড স্থাপত্যের জন্য একটি অসমাধেয় সমস্যা তৈরি করে। প্রস্তাবিত সমাধানটি যৌক্তিকভাবে অনুসরণ করে—একটি একীভূত কন্ট্রোল প্লেন যা উভয় ডোমেইনকে এক হিসাবে পরিচালনা করে। এটি পৃথক সার্ভার এবং নেটওয়ার্ক পরিচালনা থেকে সফ্টওয়্যার-সংজ্ঞায়িত সবকিছুর বিবর্তনের প্রতিফলন ঘটায়।

শক্তি ও ত্রুটি: গবেষণাপত্রটির শক্তি হল এর স্পষ্ট সমস্যা সংজ্ঞা এবং সামগ্রিক দৃষ্টিভঙ্গি। যাইহোক, এটি "কীভাবে" এই বিষয়ে লক্ষণীয়ভাবে হালকা। প্রস্তাবিত স্থাপত্য উচ্চ-স্তরের, এবং "মূল প্রযুক্তি" বিভাগটি একটি ব্লুপ্রিন্টের চেয়ে বেশি একটি ইচ্ছা তালিকার মতো পড়ে। কন্ট্রোল প্রোটোকল, স্টেট ডিস্ট্রিবিউশন মেকানিজম, বা কীভাবে ব্যর্থতার পরিস্থিতি নির্ধারকভাবে পরিচালনা করা যায় সে বিষয়ে আলোচনার অভাব রয়েছে। CycleGAN গবেষণাপত্রের মতো মৌলিক কাজের কঠোর, গাণিতিক-ভিত্তিক পদ্ধতির তুলনায় (যা বিস্তারিত লস ফাংশন সহ একটি সম্পূর্ণ, নতুন কাঠামো উপস্থাপন করেছিল), এই Det-CPN প্রস্তাবনাটি আরও বেশি একটি অবস্থান পত্র বা গবেষণা এজেন্ডার মতো অনুভূত হয়।

কার্যকরী অন্তর্দৃষ্টি: শিল্পের খেলোয়াড়দের জন্য, টেকঅ্যাওয়ে হল ইনস্ট্রুমেন্টেশন এবং টেলিমেট্রি-তে বিনিয়োগ শুরু করা। আপনি যা পরিমাপ করতে পারবেন না তা শিডিউল করতে পারবেন না। কম্পিউট টাস্ক এক্সিকিউশন সময়ের বিস্তারিত, রিয়েল-টাইম মডেল তৈরি করা একটি অ-তুচ্ছ গবেষণা ও উন্নয়ন প্রকল্প যা NVIDIA-এর মতো কোম্পানিগুলি তাদের GPU-এর জন্য করা পারফরম্যান্স প্রোফাইলিংয়ের অনুরূপ। মানদণ্ড সংস্থাগুলির জন্য, অগ্রাধিকার হওয়া উচিত কম্পিউটিং সম্পদ বিমূর্ততা এবং নির্ধারক পরিষেবা অভিপ্রায়ের জন্য ওপেন API সংজ্ঞায়িত করা, IETF-এর YANG মডেলের কাজের অনুরূপ। "একীভূত নিয়ন্ত্রণ স্তর" এর মালিকানা পাওয়ার প্রতিযোগিতাটি হল যেখানে পরবর্তী প্ল্যাটফর্ম যুদ্ধটি হবে, ক্লাউড হাইপারস্কেলার, টেলিকম সরঞ্জাম বিক্রেতা এবং ওপেন-সোর্স কনসোর্টিয়ামের মধ্যে।

7. প্রযুক্তিগত গভীর অনুসন্ধান ও গাণিতিক সূত্রায়ন

Det-CPN-এ মূল শিডিউলিং সমস্যাটিকে একটি সীমাবদ্ধ অপ্টিমাইজেশন হিসাবে সূত্রায়িত করা যেতে পারে। আসুন একটি টাস্ক $T_i$ সংজ্ঞায়িত করি যার একটি ডেডলাইন $D_i$, ইনপুট ডেটা আকার $S_i$, এবং প্রয়োজনীয় কম্পিউটিং অপারেশন $C_i$। নেটওয়ার্কটি হল একটি গ্রাফ $G=(V,E)$ শীর্ষবিন্দু $V$ (কম্পিউটিং নোড এবং সুইচ) এবং প্রান্ত $E$ (লিঙ্ক) সহ। প্রতিটি কম্পিউটিং নোড $v \in V_c \subset V$ এর উপলব্ধ কম্পিউটিং পাওয়ার $P_v(t)$ (FLOPS-এ) এবং একটি কিউ রয়েছে। প্রতিটি লিঙ্ক $e$ এর ব্যান্ডউইথ $B_e$ এবং প্রচার বিলম্ব $d_e$ রয়েছে।

নিয়ন্ত্রককে একটি কম্পিউটিং নোড $v$ এবং একটি নেটওয়ার্ক পথ $p$ উৎস থেকে $v$ এবং ফিরে এমনভাবে খুঁজে বের করতে হবে যাতে:

$$ \underbrace{\sum_{e \in p_{to}} \left( \frac{S_i}{B_e} + d_e \right)}_{\text{কম্পিউটে ট্রান্সমিশন}} + \underbrace{\frac{C_i}{P_v}}_{\text{এক্সিকিউশন সময়}} + \underbrace{\sum_{e \in p_{back}} \left( \frac{S_{out}}{B_e} + d_e \right)}_{\text{ফলাফল ফেরত}} \leq D_i $$

এটি একটি সরলীকৃত মডেল। একটি বাস্তবসম্মত সূত্রায়নকে TAS-এর মাধ্যমে লিঙ্ক শিডিউলিং (টাইম-উইন্ডো সীমাবদ্ধতা যোগ করা), কম্পিউট নোডে কিউইং বিলম্ব এবং মাল্টি-টেনেন্সির কারণে $P_v(t)$-এর পরিবর্তনশীলতার হিসাব রাখতে হবে। গতিশীল টাস্ক আগমনের জন্য রিয়েল-টাইমে এটি সমাধান করা একটি জটিল কম্বিনেটোরিয়াল অপ্টিমাইজেশন সমস্যা, সম্ভবত হিউরিস্টিক বা ML-ভিত্তিক পদ্ধতির প্রয়োজন, যেমনটি গবেষণাপত্রে গভীর রিইনফোর্সমেন্ট লার্নিং [৭]-এর উল্লেখে ইঙ্গিত দেওয়া হয়েছে।

8. বিশ্লেষণ কাঠামো ও ধারণাগত কেস স্টাডি

দৃশ্যকল্প: একটি কারখানা উচ্চ-গতির অ্যাসেম্বলি লাইনে ত্রুটি সনাক্তকরণের জন্য রিয়েল-টাইম মেশিন ভিশন ব্যবহার করে। একটি ক্যামেরা একটি ছবি ক্যাপচার করে যা একটি এআই মডেল দ্বারা প্রক্রিয়া করা আবশ্যক, এবং একটি ত্রুটিপূর্ণ অংশ প্রত্যাখ্যান করতে ৫০ms-এর মধ্যে একটি পাস/ফেল সিদ্ধান্ত একটি রোবোটিক বাহুতে পাঠাতে হবে।

Det-CPN অর্কেস্ট্রেশন:

1. টাস্ক জমা: ক্যামেরা সিস্টেম টাস্ক জমা দেয়: "ছবি [ডেটা] বিশ্লেষণ করুন, ডেডলাইন=৫০ms।"
2. সম্পদ আবিষ্কার: একীভূত নিয়ন্ত্রক পরীক্ষা করে:
   • নেটওয়ার্ক: কারখানার ফ্লোর নেটওয়ার্কে উপলব্ধ TSN শিডিউল স্লট।
   • কম্পিউট: এজ সার্ভার A (GPU) ১০ms দূরে, আনুমানিক ইনফারেন্স সময়=১৫ms। এজ সার্ভার B (CPU) ৫ms দূরে, আনুমানিক ইনফারেন্স সময়=৩৫ms।
3. যৌথ শিডিউলিং সিদ্ধান্ত: নিয়ন্ত্রক মোট সময় গণনা করে:
   • A-তে পথ (১০ms) + কম্পিউট (১৫ms) + ফেরত (১০ms) = ৩৫ms।
   • B-তে পথ (৫ms) + কম্পিউট (৩৫ms) + ফেরত (৫ms) = ৪৫ms।
   উভয়ই ডেডলাইন পূরণ করে। নিয়ন্ত্রক নীতি অনুসারে, কম লেটেন্সি হেডরুমের জন্য সার্ভার A বা অন্যান্য কাজের জন্য GPU সম্পদ সংরক্ষণ করতে সার্ভার B বেছে নিতে পারে।
4. অর্কেস্ট্রেশন ও এক্সিকিউশন: নিয়ন্ত্রক ক্যামেরা-থেকে-সার্ভার A ফ্লোর জন্য TSN টাইম স্লট সংরক্ষণ করে, সার্ভার A-কে একটি GPU থ্রেড বরাদ্দ করার নির্দেশ দেয় এবং নির্ধারক ট্রান্সমিশন ও এক্সিকিউশন অর্কেস্ট্রেট করে।

এই কেসটি হাইলাইট করে যে কীভাবে Det-CPN ডোমেন জুড়ে সচেতন বিনিময় করে, যা পৃথক নেটওয়ার্ক এবং কম্পিউট শিডিউলার দিয়ে অসম্ভব।

9. অ্যাপ্লিকেশন সম্ভাবনা ও ভবিষ্যৎ দিকনির্দেশনা

তাত্ক্ষণিক অ্যাপ্লিকেশন (৩-৫ বছর): নিয়ন্ত্রিত, উচ্চ-মূল্যের পরিবেশে সহজলভ্য ফল:

• স্মার্ট কারখানা ও শিল্প IoT: ক্লোজড-লুপ প্রক্রিয়া নিয়ন্ত্রণ এবং রোবোটিক সমন্বয়ের জন্য।
• পেশাদার ক্লাউড XR: প্রশিক্ষণ, সিমুলেশন এবং দূরবর্তী সহযোগিতার জন্য যেখানে লেটেন্সি সিমুলেটর অসুস্থতা সৃষ্টি করে।
• টেলি-অপারেটেড ড্রাইভিং ও ড্রোন: যেখানে নিরাপত্তার জন্য কন্ট্রোল লুপ লেটেন্সি আবদ্ধ থাকতে হবে।

ভবিষ্যৎ দিকনির্দেশনা ও গবেষণার সীমানা:

• এআই-নেটিভ কন্ট্রোল প্লেন: ট্র্যাফিক প্যাটার্ন এবং কম্পিউট চাহিদা পূর্বাভাস দেওয়ার জন্য জেনারেটিভ এআই বা ফাউন্ডেশন মডেল ব্যবহার করে, সম্পদ সক্রিয়ভাবে শিডিউল করা। MIT-এর CSAIL-এর মতো প্রতিষ্ঠান থেকে শেখা-সম্পর্কিত অ্যালগরিদমের গবেষণা এখানে প্রাসঙ্গিক।
• কোয়ান্টাম কম্পিউটিং ইন্টিগ্রেশন: কোয়ান্টাম কম্পিউটিং পরিপক্ক হওয়ার সাথে সাথে, হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল অ্যালগরিদমের জন্য নির্ধারক লেটেন্সি সহ একটি নেটওয়ার্কের উপর কোয়ান্টাম প্রসেসিং ইউনিট (QPU) এর অ্যাক্সেস শিডিউল করা গুরুত্বপূর্ণ হবে।
• নির্ধারক মেটাভার্স: স্থায়ী, ভাগ করা ভার্চুয়াল বিশ্ব তৈরি করার জন্য লক্ষ লক্ষ সত্তা জুড়ে সিঙ্ক্রোনাইজড স্টেট আপডেটের প্রয়োজন—একটি বৃহৎ-স্কেল Det-CPN চ্যালেঞ্জ।
• মানকীকরণ ও আন্তঃক্রিয়াশীলতা: চূড়ান্ত সাফল্য এমন মানগুলির উপর নির্ভর করে যা Cisco, Huawei, NVIDIA এবং Intel-এর সরঞ্জামগুলিকে একটি Det-CPN-এ নির্বিঘ্নে একসাথে কাজ করতে দেয়, সম্ভবত IETF, ETSI এবং Linux Foundation-এর মতো সংস্থাগুলি দ্বারা চালিত।

10. তথ্যসূত্র

1. Brown, T. B., et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 33.
2. IDC. (2022). Worldwide Artificial Intelligence Spending Guide.
3. IEC/IEEE 60802. TSN Profile for Industrial Automation.
4. Liu, Y., et al. (2021). Computing Power Network: A Survey. IEEE Internet of Things Journal.
5. Finn, N., & Thubert, P. (2016). Deterministic Networking Architecture. IETF RFC 8557.
6. Li, H., et al. (2021). Task Deterministic Networking for Edge Computing. IEEE INFOCOM Workshops.
7. Zhang, H., et al. (2022). DRL-based Deterministic Scheduling for Computing and Networking Convergence. IEEE Transactions on Network and Service Management.
8. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV). [বাহ্যিক তথ্যসূত্র পদ্ধতিগত কঠোরতার জন্য]
9. MIT Computer Science & Artificial Intelligence Laboratory (CSAIL). Research on Learning-Augmented Algorithms. https://www.csail.mit.edu [ভবিষ্যৎ দিকনির্দেশনার জন্য বাহ্যিক তথ্যসূত্র]