ધ્વનિ સ્થાનિકીકરણ: મગજ અવાજના સ્ત્રોતોને કેવી રીતે ઓળખે છે

આપણી આસપાસની દુનિયા એ તમામ પ્રકારની માહિતીથી ભરેલી છે જે આપણું મગજ સતત પ્રક્રિયા કરે છે. તે આ માહિતી ઇન્દ્રિયો દ્વારા મેળવે છે, જેમાંથી દરેક તેના સિગ્નલોના હિસ્સા માટે જવાબદાર છે: આંખો (દ્રષ્ટિ), જીભ (સ્વાદ), નાક (ગંધ), ત્વચા (સ્પર્શ), વેસ્ટિબ્યુલર ઉપકરણ (સંતુલન, અવકાશમાં સ્થિતિ અને સંવેદના). વજન) અને કાન (ધ્વનિ). આ બધા અવયવોના સંકેતોને જોડીને, આપણું મગજ આપણા પર્યાવરણનું ચોક્કસ ચિત્ર બનાવી શકે છે. પરંતુ બાહ્ય સંકેતો પર પ્રક્રિયા કરવાના તમામ પાસાઓ અમને જાણીતા નથી. આ રહસ્યોમાંથી એક અવાજોના સ્ત્રોતને સ્થાનીકૃત કરવાની પદ્ધતિ છે.

લેબોરેટરી ઓફ ન્યુરોએન્જિનિયરીંગ ઓફ સ્પીચ એન્ડ હીયરીંગ (ન્યુ જર્સી ઇન્સ્ટીટ્યુટ ઓફ ટેકનોલોજી) ના વૈજ્ઞાનિકોએ ધ્વનિ સ્થાનિકીકરણની ન્યુરલ પ્રક્રિયાના નવા મોડેલની દરખાસ્ત કરી છે. અવાજની અનુભૂતિ દરમિયાન મગજમાં કઈ ચોક્કસ પ્રક્રિયાઓ થાય છે, આપણું મગજ અવાજના સ્ત્રોતની સ્થિતિને કેવી રીતે સમજે છે અને આ સંશોધન સાંભળવાની ખામી સામેની લડાઈમાં કેવી રીતે મદદ કરી શકે છે. અમે આ વિશે સંશોધન જૂથના અહેવાલમાંથી જાણીએ છીએ. જાઓ.

સંશોધનનો આધાર

આપણું મગજ આપણી ઇન્દ્રિયોમાંથી જે માહિતી મેળવે છે તે તેના સ્ત્રોતની દ્રષ્ટિએ અને તેની પ્રક્રિયાની દ્રષ્ટિએ એકબીજાથી અલગ છે. કેટલાક સંકેતો તરત જ આપણા મગજમાં ચોક્કસ માહિતી તરીકે દેખાય છે, જ્યારે અન્યને વધારાની કોમ્પ્યુટેશનલ પ્રક્રિયાઓની જરૂર પડે છે. સામાન્ય રીતે કહીએ તો, આપણે તરત જ સ્પર્શ અનુભવીએ છીએ, પરંતુ જ્યારે આપણે અવાજ સાંભળીએ છીએ, ત્યારે આપણે તે ક્યાંથી આવે છે તે શોધવાનું બાકી છે.

હોરીઝોન્ટલ પ્લેનમાં અવાજોનું સ્થાનિકીકરણ કરવાનો આધાર છે આંતરિક* સમય તફાવત (આઇટીડી થી આંતરિક સમયનો તફાવત) અવાજ સાંભળનારના કાન સુધી પહોંચે છે.

આંતરિક આધાર* - કાન વચ્ચેનું અંતર.

મગજમાં એક ચોક્કસ વિસ્તાર છે (મેડિયલ સુપિરિયર ઓલિવ અથવા MSO) જે આ પ્રક્રિયા માટે જવાબદાર છે. આ ક્ષણે MVO માં ધ્વનિ સિગ્નલ પ્રાપ્ત થાય છે, આંતરિક સમયના તફાવતો ચેતાકોષોના પ્રતિક્રિયા દરમાં રૂપાંતરિત થાય છે. ITD ના કાર્ય તરીકે MBO આઉટપુટ વેગ વણાંકોનો આકાર દરેક કાન માટે ઇનપુટ સિગ્નલોના ક્રોસ-કોરિલેશન ફંક્શનના આકારને મળતો આવે છે.

MBO માં માહિતીની પ્રક્રિયા અને અર્થઘટન કેવી રીતે કરવામાં આવે છે તે સંપૂર્ણપણે સ્પષ્ટ નથી, તેથી જ ત્યાં ઘણા વિરોધાભાસી સિદ્ધાંતો છે. ધ્વનિ સ્થાનિકીકરણનો સૌથી પ્રસિદ્ધ અને હકીકતમાં શાસ્ત્રીય સિદ્ધાંત જેફ્રેસ મોડેલ છે (લોયડ એ. જેફ્રેસ). તેના પર આધારિત છે ચિહ્નિત રેખા* ડિટેક્ટર ચેતાકોષો કે જે દરેક કાનમાંથી ન્યુરલ ઇનપુટ્સના દ્વિસંગી સમન્વયન માટે સંવેદનશીલ હોય છે, જેમાં પ્રત્યેક ચેતાકોષ ITD ની ચોક્કસ માત્રા માટે મહત્તમ સંવેદનશીલ હોય છે (1).

ચિહ્નિત રેખા સિદ્ધાંત* એ એક પૂર્વધારણા છે જે સમજાવે છે કે કેવી રીતે વિવિધ ચેતા, જે તમામ તેમના ચેતાક્ષ સાથે આવેગ પ્રસારિત કરવામાં સમાન શારીરિક સિદ્ધાંતોનો ઉપયોગ કરે છે, તે વિવિધ સંવેદનાઓ ઉત્પન્ન કરવામાં સક્ષમ છે. માળખાકીય રીતે સમાન ચેતાઓ વિવિધ સંવેદનાત્મક ધારણાઓ પેદા કરી શકે છે જો તેઓ કેન્દ્રિય નર્વસ સિસ્ટમમાં અનન્ય ચેતાકોષો સાથે જોડાયેલા હોય જે સમાન ચેતા સંકેતોને અલગ અલગ રીતે ડીકોડ કરવામાં સક્ષમ હોય.

છબી #1

આ મોડેલ કોમ્પ્યુટેશનલી ન્યુરલ કોડિંગ જેવું જ છે, જે બંને કાન સુધી પહોંચતા અવાજોના અનિયંત્રિત ક્રોસ-સંબંધો પર આધારિત છે.

ત્યાં એક મોડેલ પણ છે જે સૂચવે છે કે ધ્વનિ સ્થાનિકીકરણને મગજના વિવિધ ગોળાર્ધમાંથી ચેતાકોષોની ચોક્કસ વસ્તીના પ્રતિભાવ ગતિમાં તફાવતના આધારે મોડેલ કરી શકાય છે, એટલે કે. ઇન્ટરહેમિસ્ફેરિક અસમપ્રમાણતાનું મોડેલ (1B).

અત્યાર સુધી, બેમાંથી કયો સિદ્ધાંત (મોડેલ) સાચો છે તે અસ્પષ્ટપણે જણાવવું મુશ્કેલ હતું, કારણ કે તેમાંથી દરેક અવાજની તીવ્રતા પર ધ્વનિ સ્થાનિકીકરણની વિવિધ અવલંબનની આગાહી કરે છે.

આજે આપણે જે અભ્યાસ જોઈ રહ્યા છીએ તેમાં, સંશોધકોએ અવાજની ધારણા ન્યુરલ કોડિંગ પર આધારિત છે કે વ્યક્તિગત ન્યુરલ વસ્તીના પ્રતિભાવમાં તફાવત પર આધારિત છે તે સમજવા માટે બંને મોડલને જોડવાનું નક્કી કર્યું. કેટલાક પ્રયોગો હાથ ધરવામાં આવ્યા હતા જેમાં 18 થી 27 વર્ષની વયના લોકોએ (5 મહિલાઓ અને 7 પુરૂષો) ભાગ લીધો હતો. સહભાગીઓની ઓડિયોમેટ્રી (શ્રવણની તીવ્રતાનું માપ) 25 dB અથવા 250 અને 8000 Hz વચ્ચે વધુ હતું. પ્રયોગોમાં ભાગ લેનારને સાઉન્ડપ્રૂફ રૂમમાં મૂકવામાં આવ્યો હતો, જેમાં ખાસ સાધનો મૂકવામાં આવ્યા હતા, ઉચ્ચ ચોકસાઈ સાથે માપાંકિત કરવામાં આવ્યા હતા. સહભાગીઓએ, ધ્વનિ સિગ્નલ સાંભળીને, તે જે દિશામાંથી આવ્યો હતો તે દિશા સૂચવવાની હતી.

સંશોધન પરિણામો

નિર્ભરતાનું મૂલ્યાંકન કરવું લેટરલાઇઝેશન* લેબલવાળા ચેતાકોષોના પ્રતિભાવમાં ધ્વનિની તીવ્રતાથી મગજની પ્રવૃત્તિ, કોઠાર ઘુવડના મગજના લેમિનર ન્યુક્લિયસમાં ચેતાકોષોની પ્રતિક્રિયા ગતિ પરના ડેટાનો ઉપયોગ કરવામાં આવ્યો હતો.

પાર્શ્વીયતા* - શરીરના ડાબા અને જમણા ભાગોની અસમપ્રમાણતા.

ચેતાકોષોની અમુક વસ્તીની પ્રતિક્રિયા ગતિ પર મગજની પ્રવૃત્તિના પાર્શ્વીયકરણની અવલંબનનું મૂલ્યાંકન કરવા માટે, રીસસ વાંદરાના મગજના હલકી ગુણવત્તાવાળા કોલિક્યુલસની પ્રવૃત્તિના ડેટાનો ઉપયોગ કરવામાં આવ્યો હતો, જે પછી વિવિધ ગોળાર્ધમાંથી ચેતાકોષોની ગતિમાં તફાવતની પણ ગણતરી કરવામાં આવી હતી. .

ડિટેક્ટર ચેતાકોષોનું ચિહ્નિત રેખા મોડેલ આગાહી કરે છે કે જેમ જેમ ધ્વનિની તીવ્રતા ઘટતી જાય છે તેમ, માનવામાં આવતા સ્ત્રોતની બાજુનીતા નરમ અને મોટા અવાજોના ગુણોત્તર સમાન મૂલ્યોમાં એકરૂપ થશે (1).

ગોળાર્ધની અસમપ્રમાણતા મોડલ, બદલામાં, સૂચવે છે કે જેમ જેમ ધ્વનિની તીવ્રતા નજીકના થ્રેશોલ્ડ સ્તરો સુધી ઘટે છે, તેમ માનવામાં આવેલું પાર્શ્વીયતા મધ્યરેખા તરફ બદલાશે (1D).

ઉચ્ચ એકંદર અવાજની તીવ્રતા પર, લેટરલાઇઝેશન ઇન્ટેન્સિટી ઇન્વેરિઅન્ટ (ઇન્સેટ ઇન 1 и 1D).

તેથી, ધ્વનિની તીવ્રતા ધ્વનિની દેખીતી દિશાને કેવી રીતે અસર કરે છે તેનું વિશ્લેષણ કરવાથી તે ક્ષણે બનતી પ્રક્રિયાઓની પ્રકૃતિ સચોટ રીતે નક્કી કરવામાં આવે છે - સમાન સામાન્ય ક્ષેત્રના ચેતાકોષો અથવા વિવિધ ગોળાર્ધના ચેતાકોષો.

સ્પષ્ટપણે, અવાજની તીવ્રતાના આધારે ITD સાથે ભેદભાવ કરવાની વ્યક્તિની ક્ષમતા બદલાઈ શકે છે. જો કે, વૈજ્ઞાનિકો કહે છે કે આઇટીડી સાથે સંવેદનશીલતાને જોડતા અગાઉના તારણો અને ધ્વનિની તીવ્રતાના કાર્ય તરીકે ધ્વનિ સ્ત્રોતની દિશાના શ્રોતાઓના નિર્ણયનું અર્થઘટન કરવું મુશ્કેલ છે. કેટલાક અભ્યાસો કહે છે કે જ્યારે ધ્વનિની તીવ્રતા સીમાના થ્રેશોલ્ડ સુધી પહોંચે છે, ત્યારે સ્ત્રોતની દેખીતી બાજુમાં ઘટાડો થાય છે. અન્ય અભ્યાસો સૂચવે છે કે ધારણા પર તીવ્રતાની કોઈ અસર નથી.

બીજા શબ્દોમાં કહીએ તો, વૈજ્ઞાનિકો "નમ્રતાથી" સંકેત આપી રહ્યા છે કે સાહિત્યમાં ITD વચ્ચેના સંબંધ, ધ્વનિની તીવ્રતા અને તેના સ્ત્રોતની દિશા નક્કી કરવા અંગે થોડી માહિતી છે. એવા સિદ્ધાંતો છે જે સામાન્ય રીતે વૈજ્ઞાનિક સમુદાય દ્વારા સ્વીકૃત એક પ્રકારના સ્વયંસિદ્ધ તરીકે અસ્તિત્વ ધરાવે છે. તેથી, વ્યવહારમાં સુનાવણીની દ્રષ્ટિની તમામ સિદ્ધાંતો, મોડેલો અને સંભવિત પદ્ધતિઓનું વિગતવાર પરીક્ષણ કરવાનું નક્કી કરવામાં આવ્યું હતું.

પ્રથમ પ્રયોગ સાયકોફિઝિકલ પેરાડાઈમ પર આધારિત હતો જેણે દસ સામાન્ય સુનાવણી સહભાગીઓના જૂથમાં અવાજની તીવ્રતાના કાર્ય તરીકે ITD-આધારિત લેટરલાઇઝેશનના અભ્યાસને મંજૂરી આપી હતી.

છબી #2

ધ્વનિ સ્ત્રોતો ખાસ કરીને મોટાભાગની ફ્રીક્વન્સી રેન્જને આવરી લેવા માટે ટ્યુન કરવામાં આવ્યા હતા જેમાં માનવીઓ ITD શોધી શકે છે, એટલે કે. 300 થી 1200 Hz સુધી (2).

પ્રત્યેક અજમાયશ પર, શ્રોતાએ 375 થી 375 ms સુધીના ITD મૂલ્યોની શ્રેણીમાં, સંવેદના સ્તરના કાર્ય તરીકે માપવામાં આવેલ કથિત પાર્શ્વીયતાને સૂચવવાની હતી. ધ્વનિની તીવ્રતાની અસર નક્કી કરવા માટે, નોનલાઇનર મિક્સ્ડ ઇફેક્ટ મોડલ (NMLE) નો ઉપયોગ કરવામાં આવ્યો હતો જેમાં સ્થિર અને રેન્ડમ અવાજની તીવ્રતા બંનેનો સમાવેશ થાય છે.

ગ્રાફ 2B પ્રતિનિધિ શ્રોતા માટે બે ધ્વનિ તીવ્રતા પર સ્પેક્ટ્રલ ફ્લેટ અવાજ સાથે અંદાજિત લેટરલાઇઝેશન દર્શાવે છે. અને શેડ્યૂલ 2 તમામ શ્રોતાઓના કાચો ડેટા (વર્તુળો) અને ફીટ કરેલ NMLE મોડેલ (લાઇન) બતાવે છે.

કોષ્ટક નં. 1

ઉપરનું કોષ્ટક તમામ NLME પરિમાણો દર્શાવે છે. તે જોઈ શકાય છે કે વિજ્ઞાનીઓની અપેક્ષા મુજબ ITD વધવાની સાથે કથિત પાર્શ્વીયતામાં વધારો થયો છે. જેમ જેમ ધ્વનિની તીવ્રતા ઘટતી ગઈ તેમ તેમ ધારણા મધ્યરેખા તરફ વધુને વધુ સ્થાનાંતરિત થઈ (ગ્રાફમાં ઇન્સેટ 2C).

આ વલણોને NLME મૉડલ દ્વારા સમર્થન આપવામાં આવ્યું હતું, જેમાં ITD ની નોંધપાત્ર અસરો અને લેટરાલિટીની મહત્તમ ડિગ્રી પર અવાજની તીવ્રતા દર્શાવવામાં આવી હતી, જે ઇન્ટરહેમિસ્ફેરિક ડિફરન્સના મૉડલને સમર્થન આપે છે.

વધુમાં, શુદ્ધ ટોન માટે સરેરાશ ઓડિયોમેટ્રિક થ્રેશોલ્ડની ધારેલી બાજુ પર થોડી અસર પડી હતી. પરંતુ ધ્વનિની તીવ્રતા સાયકોમેટ્રિક કાર્યોના સૂચકાંકોને નોંધપાત્ર રીતે અસર કરતી નથી.

બીજા પ્રયોગનો મુખ્ય ધ્યેય એ નિર્ધારિત કરવાનો હતો કે અગાઉના પ્રયોગમાં મેળવેલા પરિણામો ઉત્તેજના (ધ્વનિ) ની વર્ણપટની વિશેષતાઓને ધ્યાનમાં લેતી વખતે કેવી રીતે બદલાશે. ઓછી ધ્વનિની તીવ્રતા પર સ્પેક્ટ્રલ ફ્લેટ અવાજ માટે ચકાસવાની જરૂરિયાત એ છે કે સ્પેક્ટ્રમના ભાગો સાંભળી શકાતા નથી અને આ અવાજની દિશાના નિર્ધારણને અસર કરી શકે છે. પરિણામે, પ્રથમ પ્રયોગના પરિણામોને ભૂલથી એ હકીકત માટે ભૂલ કરી શકાય છે કે સ્પેક્ટ્રમના શ્રાવ્ય ભાગની પહોળાઈ ઘટતી અવાજની તીવ્રતા સાથે ઘટી શકે છે.

તેથી, બીજો પ્રયોગ કરવાનો નિર્ણય લેવામાં આવ્યો, પરંતુ વિપરીત ઉપયોગ કરીને A-ભારિત* અવાજ

A-વજન* માનવ કાન દ્વારા જોવામાં આવતા સાપેક્ષ અવાજને ધ્યાનમાં લેવા માટે ધ્વનિ સ્તરો પર લાગુ કરવામાં આવે છે, કારણ કે કાન ઓછી ધ્વનિ ફ્રીક્વન્સીઝ માટે ઓછો સંવેદનશીલ હોય છે. dB માં માપેલા ધ્વનિ દબાણ સ્તરોમાં ઓક્ટેવ બેન્ડમાં સૂચિબદ્ધ મૂલ્યોના કોષ્ટકને અંકગણિત રીતે ઉમેરીને A-વેઇટિંગ લાગુ કરવામાં આવે છે.

ચાર્ટ પર 2D પ્રયોગમાં તમામ સહભાગીઓનો કાચો ડેટા (વર્તુળો) અને NMLE મોડલ-ફિટેડ ડેટા (લાઇન) બતાવે છે.

ડેટાના પૃથ્થકરણે દર્શાવ્યું હતું કે જ્યારે ધ્વનિના તમામ ભાગો લગભગ સમાન રીતે શ્રાવ્ય હોય છે (બંને પ્રથમ અને બીજા અજમાયશમાં), અનુભૂતિની પાર્શ્વીયતા અને ગ્રાફમાં ઢોળાવ અવાજની તીવ્રતામાં ઘટાડાની સાથે ITD ઘટવા સાથે પાર્શ્વીયતામાં ફેરફારને સમજાવે છે.

આમ, બીજા પ્રયોગના પરિણામોએ પ્રથમના પરિણામોની પુષ્ટિ કરી. એટલે કે, વ્યવહારમાં એવું દર્શાવવામાં આવ્યું છે કે જેફ્રેસ દ્વારા 1948 માં પાછા પ્રસ્તાવિત મોડેલ યોગ્ય નથી.

તે તારણ આપે છે કે ધ્વનિની તીવ્રતા ઘટવાથી ધ્વનિનું સ્થાનિકીકરણ બગડે છે, અને જેફ્રેસ માનતા હતા કે અવાજોની તીવ્રતાને ધ્યાનમાં લીધા વિના માનવો દ્વારા તે જ રીતે સમજાય છે અને પ્રક્રિયા કરવામાં આવે છે.

અભ્યાસની ઘોંઘાટ સાથે વધુ વિગતવાર પરિચય માટે, હું જોવાની ભલામણ કરું છું વૈજ્ઞાનિકો અહેવાલ આપે છે.

ઉપસંહાર

સૈદ્ધાંતિક ધારણાઓ અને તેમની પુષ્ટિ કરતા પ્રાયોગિક પ્રયોગો દર્શાવે છે કે સસ્તન પ્રાણીઓમાં મગજના ચેતાકોષો ધ્વનિ સંકેતની દિશાને આધારે અલગ-અલગ દરે સક્રિય થાય છે. પછી મગજ ગતિશીલ રીતે ધ્વનિ વાતાવરણનો નકશો બનાવવા માટે પ્રક્રિયામાં સામેલ તમામ ચેતાકોષો વચ્ચે આ ગતિની તુલના કરે છે.

જેફરસનનું મોડેલ વાસ્તવમાં 100% ખોટું નથી, કારણ કે તેનો ઉપયોગ કોઠારના ઘુવડમાં અવાજના સ્ત્રોતના સ્થાનિકીકરણને સંપૂર્ણ રીતે વર્ણવવા માટે થઈ શકે છે. હા, કોઠાર ઘુવડ માટે અવાજની તીવ્રતા વાંધો નથી; કોઈ પણ સંજોગોમાં, તેઓ તેના સ્ત્રોતની સ્થિતિ નક્કી કરશે. જો કે, આ મોડેલ રીસસ વાંદરાઓ સાથે કામ કરતું નથી, જેમ કે અગાઉના પ્રયોગો દર્શાવે છે. તેથી, આ જેફરસન મોડેલ તમામ જીવંત વસ્તુઓ માટે અવાજોના સ્થાનિકીકરણનું વર્ણન કરી શકતું નથી.

માનવ સહભાગીઓ સાથેના પ્રયોગોએ ફરી એકવાર પુષ્ટિ કરી છે કે વિવિધ સજીવોમાં ધ્વનિ સ્થાનિકીકરણ અલગ રીતે થાય છે. ધ્વનિની ઓછી તીવ્રતાને કારણે ઘણા સહભાગીઓ ધ્વનિ સંકેતોના સ્ત્રોતની સ્થિતિને યોગ્ય રીતે નિર્ધારિત કરવામાં અસમર્થ હતા.

વૈજ્ઞાનિકો માને છે કે તેમનું કાર્ય આપણે કેવી રીતે જોઈએ છીએ અને આપણે કેવી રીતે સાંભળીએ છીએ તે વચ્ચે ચોક્કસ સમાનતા દર્શાવે છે. બંને પ્રક્રિયાઓ મગજના જુદા જુદા ભાગોમાં ચેતાકોષોની ગતિ સાથે સંકળાયેલી છે, તેમજ આ તફાવતના મૂલ્યાંકન સાથે આપણે અવકાશમાં જોયેલ પદાર્થોની સ્થિતિ અને આપણે સાંભળીએ છીએ તે અવાજના સ્ત્રોતની સ્થિતિ બંને નક્કી કરવા માટે.

ભવિષ્યમાં, સંશોધકો માનવ સુનાવણી અને દ્રષ્ટિ વચ્ચેના જોડાણને વધુ વિગતવાર તપાસવા માટે શ્રેણીબદ્ધ પ્રયોગો કરવા જઈ રહ્યા છે, જે આપણને વધુ સારી રીતે સમજવાની મંજૂરી આપશે કે આપણું મગજ કેવી રીતે ગતિશીલ રીતે આપણી આસપાસના વિશ્વનો નકશો બનાવે છે.

તમારા ધ્યાન બદલ આભાર, ઉત્સુક રહો અને દરેકનું અઠવાડિયું સરસ રહે! 🙂

અમારી સાથે રહેવા બદલ આભાર. શું તમને અમારા લેખો ગમે છે? વધુ રસપ્રદ સામગ્રી જોવા માંગો છો? ઓર્ડર આપીને અથવા મિત્રોને ભલામણ કરીને અમને ટેકો આપો, $4.99 થી વિકાસકર્તાઓ માટે ક્લાઉડ VPS, એન્ટ્રી-લેવલ સર્વર્સના અનન્ય એનાલોગ પર Habr વપરાશકર્તાઓ માટે 30% ડિસ્કાઉન્ટ, જેની શોધ અમારા દ્વારા તમારા માટે કરવામાં આવી હતી: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps વિશેનું સંપૂર્ણ સત્ય $20 થી અથવા સર્વર કેવી રીતે શેર કરવું? (RAID1 અને RAID10 સાથે ઉપલબ્ધ, 24 કોરો સુધી અને 40GB DDR4 સુધી).

ડેલ R730xd 2 ગણું સસ્તું? માત્ર અહીં 2 x ઇન્ટેલ ટેટ્રાડેકા-કોર Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ટીવી $199 થી નેધરલેન્ડમાં! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 થી! વિશે વાંચો ઇન્ફ્રાસ્ટ્રક્ચર કોર્પોરેશન કેવી રીતે બનાવવું. ડેલ R730xd E5-2650 v4 સર્વર્સના ઉપયોગ સાથેનો વર્ગ એક પેની માટે 9000 યુરોના મૂલ્યના છે?

સોર્સ: www.habr.com