जवळजवळ अदृश्य, रंगात देखील पाहणे: डिफ्यूझरद्वारे वस्तूंचे दृश्यमान करण्याचे तंत्र

सुपरमॅनच्या सर्वात प्रसिद्ध क्षमतेपैकी एक म्हणजे सुपर व्हिजन, ज्यामुळे त्याला अणूंकडे पाहण्याची, अंधारात आणि मोठ्या अंतरावर पाहण्याची आणि वस्तूंमधून देखील पाहण्याची परवानगी मिळाली. ही क्षमता अत्यंत क्वचितच स्क्रीनवर दर्शविली जाते, परंतु ती अस्तित्वात आहे. आपल्या वास्तवात, काही वैज्ञानिक युक्त्या वापरून जवळजवळ पूर्णपणे अपारदर्शक वस्तूंमधून पाहणे देखील शक्य आहे. तथापि, परिणामी प्रतिमा नेहमी काळा आणि पांढर्या रंगात होत्या, अलीकडे पर्यंत. आज आपण एक अभ्यास पाहणार आहोत ज्यामध्ये ड्यूक युनिव्हर्सिटी (यूएसए) मधील शास्त्रज्ञ प्रकाशाच्या एकाच प्रदर्शनाचा वापर करून अपारदर्शक भिंतीच्या मागे लपलेल्या वस्तूंचे रंगीत छायाचित्र काढू शकले. हे सुपर तंत्रज्ञान काय आहे, ते कसे कार्य करते आणि ते कोणत्या क्षेत्रात वापरले जाऊ शकते? संशोधन गटाचा अहवाल आम्हाला याबद्दल सांगेल. जा.

संशोधनाचा आधार

स्कॅटरिंग मीडियामध्ये ऑब्जेक्ट्स व्हिज्युअलायझ करण्यासाठी तंत्रज्ञानाचे सर्व संभाव्य फायदे असूनही, या तंत्रज्ञानाच्या अंमलबजावणीमध्ये अनेक समस्या आहेत. मुख्य म्हणजे स्कॅटररमधून जाणारे फोटॉनचे मार्ग मोठ्या प्रमाणात बदलतात, ज्यामुळे यादृच्छिक नमुने होतात. ठिपके* दुसऱ्या बाजूला.

ठिपके* यादृच्छिक फेज शिफ्ट आणि/किंवा तीव्रतेचा यादृच्छिक संच असलेल्या सुसंगत लहरींच्या परस्पर हस्तक्षेपामुळे तयार झालेला यादृच्छिक हस्तक्षेप नमुना आहे. बर्याचदा ते गडद पार्श्वभूमीवर प्रकाश स्पॉट्स (डॉट्स) च्या संचासारखे दिसते.

अलिकडच्या वर्षांत, स्कॅटरर प्रभावांना रोखण्यासाठी आणि स्पेकल पॅटर्नमधून ऑब्जेक्टची माहिती काढण्यासाठी अनेक इमेजिंग तंत्र विकसित केले गेले आहेत. या तंत्रांमधील समस्या ही त्यांच्या मर्यादा आहेत - आपल्याला ऑब्जेक्टबद्दल विशिष्ट ज्ञान असणे आवश्यक आहे, स्कॅटरिंग माध्यम किंवा ऑब्जेक्टमध्ये प्रवेश असणे आवश्यक आहे.

त्याच वेळी, शास्त्रज्ञांच्या मते, एक अधिक प्रगत पद्धत आहे - मेमरी इफेक्टसह व्हिज्युअलायझेशन (एमई). ही पद्धत तुम्हाला स्वतःच्या किंवा स्कॅटरिंग माध्यमाविषयी पूर्व माहिती न घेता एखाद्या वस्तूची कल्पना करू देते. प्रत्येकामध्ये कमतरता आहेत, जसे आपल्याला माहित आहे, आणि ME पद्धत अपवाद नाही. उच्च-कॉन्ट्रास्ट स्पेकल पॅटर्न आणि त्यानुसार, अधिक अचूक प्रतिमा मिळविण्यासाठी, प्रकाश व्यवस्था अरुंद-बँड असणे आवश्यक आहे, म्हणजे. 1 एनएम पेक्षा कमी.

एमई पद्धतीच्या मर्यादांवर मात करणे देखील शक्य आहे, परंतु पुन्हा या युक्त्यांमध्ये डिफ्यूझरच्या आधी ऑप्टिकल स्त्रोत किंवा ऑब्जेक्टमध्ये प्रवेश करणे किंवा थेट मोजमाप करणे समाविष्ट आहे. PSF*.

PSF* - पॉइंट स्प्रेड फंक्शन जे बिंदू प्रकाश स्रोत किंवा पॉइंट ऑब्जेक्टचे निरीक्षण करताना इमेजिंग सिस्टमला प्राप्त झालेल्या प्रतिमेचे वर्णन करते.

संशोधक या पद्धतींना कार्य करण्यायोग्य म्हणतात, परंतु परिपूर्ण नाही, कारण PSF मापन नेहमीच शक्य नसते, उदाहरणार्थ, स्कॅटररच्या गतिशीलतेमुळे किंवा इमेजिंग प्रक्रियेपूर्वी त्याच्या दुर्गमतेमुळे. दुसऱ्या शब्दांत, काम करण्यासाठी काहीतरी आहे.

त्यांच्या कामात, संशोधक एक वेगळा दृष्टिकोन मांडतात. मोनोक्रोम कॅमेर्‍याने सिंगल स्पेकल मापन वापरून स्कॅटरिंग माध्यमाद्वारे वस्तूंचे मल्टीस्पेक्ट्रल इमेजिंग साकारण्याची पद्धत ते आम्हाला दाखवतात. इतर तंत्रांप्रमाणे, यासाठी PSF प्रणाली किंवा स्त्रोत स्पेक्ट्रमचे पूर्व ज्ञान आवश्यक नाही.

नवीन पद्धत 450 nm आणि 750 nm दरम्यान पाच चांगल्या-विभक्त वर्णक्रमीय चॅनेलमध्ये लक्ष्य ऑब्जेक्टच्या उच्च-गुणवत्तेच्या प्रतिमा तयार करते, ज्याची गणना द्वारे पुष्टी केली गेली. व्यवहारात, आतापर्यंत 450 nm आणि 650 nm मधील तीन चांगल्या-विभक्त वर्णक्रमीय वाहिन्या आणि 515 आणि 575 nm मधील सहा लगतच्या वर्णक्रमीय चॅनेलची कल्पना करणे शक्य झाले आहे.

नवीन पद्धत कशी कार्य करते

प्रतिमा क्रमांक 1: दिवा - अवकाशीय प्रकाश मॉड्युलेटर - डिफ्यूझर (आयरिस डायाफ्रामसह) - कोडिंग छिद्र - प्रिझम - ऑप्टिकल रिले (1:1 व्हिज्युअलायझेशन) - मोनोक्रोम कॅमेरा.

संशोधक कोणत्याही डिफ्यूझर इमेजिंगचे तीन मूलभूत घटक लक्षात घेतात: स्वारस्य असलेली वस्तू (बाहेरून प्रकाशित किंवा स्वयं-प्रकाशित), डिफ्यूझर आणि डिटेक्टर.

मानक ME प्रणालींप्रमाणे, हा अभ्यास एखाद्या वस्तूचा विचार करतो ज्याचा कोनीय आकार ME क्षेत्राच्या दृश्याच्या आत आणि डिफ्यूझरच्या मागे u अंतरावर असतो. डिफ्यूझरशी संवाद साधल्यानंतर, प्रकाश डिटेक्टरपर्यंत पोहोचण्यापूर्वी v अंतर प्रवास करतो.

पारंपारिक ME इमेजिंग मानक कॅमेरे वापरते, परंतु ही पद्धत एन्कोडिंग डिटेक्टर मॉड्यूल वापरते ज्यामध्ये एन्कोडिंग छिद्र आणि तरंगलांबी-आश्रित ऑप्टिकल घटक असतात. या घटकाचा उद्देश प्रत्येक स्पेक्ट्रल चॅनेल एकत्र करण्यापूर्वी आणि त्यांना मोनोक्रोम डिटेक्टरमध्ये रूपांतरित करण्यापूर्वी अनन्यपणे मोड्युलेट करणे हा आहे.

अशा प्रकारे, कमी-कॉन्ट्रास्ट स्पेकल ज्याचे स्पेक्ट्रल चॅनेल अविभाज्यपणे मिश्रित आहेत मोजण्याऐवजी, एक वर्णपट मल्टीप्लेक्स सिग्नल रेकॉर्ड केला गेला, जो विभक्त होण्यासाठी योग्य आहे.

संशोधक पुन्हा एकदा यावर जोर देतात की त्यांच्या पद्धतीला डिफ्यूझर किंवा प्रकाश स्रोताबद्दल कोणतीही पूर्व-ज्ञात वैशिष्ट्ये किंवा गृहितकांची आवश्यकता नाही.

मल्टिप्लेक्स स्पेकलचे प्राथमिक मोजमाप केल्यानंतर, Tλ चे ज्ञात मूल्य (तरंगलांबी-आश्रित कोडिंग पॅटर्न) प्रत्येक स्पेक्ट्रल बँडमधील स्पेकलची वैयक्तिकरित्या पुनर्रचना करण्यासाठी वापरले गेले.

त्यांच्या कामात, गणना आणि मॉडेलिंगच्या टप्प्यावर, शास्त्रज्ञांनी काही मशीन शिक्षण पद्धती वापरल्या ज्या पूर्वी विचारात न घेतलेल्या पद्धतीच्या अंमलबजावणीमध्ये मदत करू शकतात. प्रथम, स्पॅकलचे प्रतिनिधित्व करण्यासाठी विरळ मॅट्रिक्स वैशिष्ट्य शिक्षण वापरले गेले.

फीचर लर्निंग* — प्रणालीला स्त्रोत डेटाची वैशिष्ट्ये ओळखण्यासाठी आवश्यक असलेले प्रतिनिधित्व स्वयंचलितपणे शोधण्याची परवानगी देते.

परिणाम विविध मापन कॉन्फिगरेशनमधून स्पेकल प्रतिमांवर प्रशिक्षित डेटाबेस होता. हा आधार अगदी सामान्यीकृत आहे आणि Iλx, y या मास्कच्या निर्मितीमध्ये भाग घेणाऱ्या विशिष्ट वस्तू आणि स्कॅटरर्सवर अवलंबून नाही. दुसऱ्या शब्दांत, प्रणालीला डिफ्यूझरवर आधारित प्रशिक्षित केले जाते जे प्रायोगिक कॉन्फिगरेशनमध्ये वापरले जात नाही, म्हणजे. संशोधकांना हवे तसे सिस्टीमला त्यात प्रवेश नाही.

ओएमपी अल्गोरिदमचा वापर प्रत्येक तरंगलांबीवर स्पेकल प्रतिमा मिळविण्यासाठी केला गेला (ऑर्थोगोनल जुळणीचा पाठपुरावा).

शेवटी, प्रत्येक स्पेक्ट्रल चॅनेलच्या स्वयंसंबंधाची स्वतंत्रपणे गणना करून आणि प्रत्येक तरंगलांबीवर स्वयंसंबंध उलटवून, ऑब्जेक्टच्या प्रतिमा प्राप्त केल्या गेल्या. प्रत्येक तरंगलांबीवरील परिणामी प्रतिमा नंतर ऑब्जेक्टची रंगीत प्रतिमा तयार करण्यासाठी एकत्र केली जातात.

प्रतिमा क्रमांक 2: एखाद्या वस्तूची प्रतिमा तयार करण्याची चरण-दर-चरण प्रक्रिया.
हे तंत्र, त्याच्या निर्मात्यांनुसार, स्पेक्ट्रल चॅनेलमधील परस्परसंबंधांबद्दल कोणतेही गृहितक करत नाही आणि केवळ तरंगलांबी मूल्य अगदी यादृच्छिक आहे असे गृहित धरण्याची आवश्यकता आहे. याव्यतिरिक्त, या पद्धतीसाठी एन्कोडिंग डिटेक्टरबद्दल माहिती आवश्यक आहे, एन्कोडिंग ऍपर्चरच्या पूर्व-कॅलिब्रेशनवर आणि पूर्व-प्रशिक्षित डेटा लायब्ररीवर अवलंबून आहे. ही वैशिष्ट्ये ही इमेजिंग पद्धत अत्यंत अष्टपैलू आणि गैर-आक्रमक बनवतात.

सिम्युलेशन परिणाम

प्रथम, सिम्युलेशन परिणाम पाहू.

प्रतिमा #3

वरील प्रतिमा डिफ्यूझरद्वारे घेतलेल्या दोन वस्तूंच्या मल्टीस्पेक्ट्रल प्रतिमेची उदाहरणे दर्शवते. वरची पंक्ती एक्सएनयूएमएक्स खोट्या रंगात दर्शविलेले आणि वर्णक्रमीय चॅनेलद्वारे खंडित केलेले, अनेक संख्यांचा समावेश असलेली स्वारस्य असलेली वस्तू आहे. खोट्या रंगात एखादी वस्तू प्लॉट करताना, प्रत्येक तरंगलांबीची तीव्रता प्रोफाइल CIE 1931 RGB स्पेसमध्ये प्रदर्शित केली जाते.

पुनर्रचित ऑब्जेक्ट (खालील पंक्ती चालू एक्सएनयूएमएक्स) दोन्ही खोट्या रंगात आणि वैयक्तिक स्पेक्ट्रल चॅनेलच्या दृष्टीने, हे दाखवते की तंत्र उत्कृष्ट व्हिज्युअलायझेशन प्रदान करते आणि स्पेक्ट्रल चॅनेल दरम्यान फक्त किरकोळ क्रॉसस्टॉक प्रदान करते, जे प्रक्रियेत विशेष भूमिका बजावत नाही.

पुनर्रचित ऑब्जेक्ट प्राप्त केल्यानंतर, i.e. रेंडरिंग केल्यानंतर, वास्तविक ऑब्जेक्टची वर्णक्रमीय तीव्रता (सर्व तेजस्वी पिक्सेलपेक्षा सरासरी) आणि पुनर्रचना (3b).

प्रतिमांमध्ये 3c कापूस स्टेम सेलसाठी एक वास्तविक वस्तू (वरची पंक्ती) आणि पुनर्रचित प्रतिमा (खालची पंक्ती) दर्शवते आणि 3d व्हिज्युअलायझेशन अचूकतेचे विश्लेषण दर्शविले आहे.

इमेजिंग अचूकतेचे मूल्यांकन करण्यासाठी, प्रत्येक स्पेक्ट्रल चॅनेलसाठी स्ट्रक्चरल समानता निर्देशांक (SSIM) मूल्ये आणि वास्तविक ऑब्जेक्टचे पीक सिग्नल-टू-नॉईज रेशो (pSNR) मोजणे आवश्यक होते.

वरील सारणी दर्शविते की प्रत्येक पाच चॅनेलमध्ये SSIM गुणांक 0,8–0,9 आणि 20 पेक्षा जास्त PSNR आहे. हे खालीलप्रमाणे आहे की स्पेकल सिग्नलचा कमी विरोधाभास असूनही, 10 एनएम रूंदी असलेल्या पाच स्पेक्ट्रल बँडचे सुपरपोझिशन डिटेक्टरवर अभ्यास केल्या जात असलेल्या ऑब्जेक्टच्या स्थानिक-स्पेक्ट्रल गुणधर्मांची अचूक पुनर्रचना करण्यास अनुमती देते. दुसऱ्या शब्दांत, तंत्र कार्य करते, परंतु हे केवळ सिम्युलेशन परिणाम आहेत. त्यांच्या कामावर पूर्ण आत्मविश्वास मिळविण्यासाठी, शास्त्रज्ञांनी व्यावहारिक प्रयोगांची मालिका आयोजित केली.

प्रयोगात्मक निकाल

सिम्युलेशन आणि वास्तविक प्रयोगांमधील सर्वात लक्षणीय फरक म्हणजे पर्यावरण, म्हणजे. ज्या परिस्थितीत दोन्ही चालते. पहिल्या प्रकरणात नियंत्रित परिस्थिती आहेत, दुसऱ्यामध्ये अप्रत्याशित परिस्थिती आहेत, म्हणजे. ते कसे होते ते आपण पाहू.

8, 12 आणि 450 nm केंद्रस्थानी 550-650 nm रुंदी असलेल्या तीन वर्णक्रमीय चॅनेलचा विचार केला गेला, जे भिन्न सापेक्ष परिमाणांसह एकत्रित केल्यावर, रंगांची विस्तृत श्रेणी निर्माण करतात.

प्रतिमा #4

वरील प्रतिमा वास्तविक वस्तू (बहु-रंगीत "H") आणि पुनर्रचना केलेली तुलना दर्शवते. लाइट एक्सपोजर वेळ (शटर स्पीड, म्हणजे एक्सपोजर) 1800 s वर सेट केला होता, ज्यामुळे 60-70 dB च्या श्रेणीमध्ये SNR मिळविणे शक्य झाले. हा SNR निर्देशक, शास्त्रज्ञांच्या मते, प्रयोगासाठी अत्यंत महत्वाचा नाही, परंतु त्यांच्या तंत्राच्या कार्यक्षमतेची अतिरिक्त पुष्टी म्हणून काम करतो, विशेषत: जटिल वस्तूंच्या बाबतीत. प्रत्यक्षात, आणि प्रयोगशाळेच्या परिस्थितीत नाही, ही पद्धत वेगवान परिमाणाचा क्रम असू शकते.

इमेज #4 ची वरची पंक्ती प्रत्येक तरंगलांबी (डावीकडून उजवीकडे) आणि वास्तविक पूर्ण रंगीत ऑब्जेक्ट दर्शवते.

इमेजिंगच्या परिणामी वास्तविक वस्तूची प्रतिमा प्राप्त करण्यासाठी, स्पेक्ट्रल घटकांची थेट प्रतिमा घेण्यासाठी आणि परिणामी वर्णक्रमीय चॅनेलची बेरीज करून पूर्ण-रंगाची प्रतिमा मिळविण्यासाठी योग्य बँडपास फिल्टरसह संगणक दृष्टी कॅमेरा वापरला गेला.

वरील प्रतिमेची दुसरी पंक्ती प्रत्येक पुनर्रचित वर्णक्रमीय चॅनेलचे ऑटोकॉरिलेशन पॅटर्न दाखवते जे डेटा प्रोसेसिंग स्टेजसाठी इनपुट असलेल्या मल्टीप्लेक्स मोजमापांची रचना करते.

तिसरी पंक्ती प्रत्येक स्पेक्ट्रल चॅनेलमध्ये पुनर्रचना केलेली वस्तू आहे, तसेच पुनर्रचित पूर्ण-रंग ऑब्जेक्ट आहे, म्हणजे. अंतिम व्हिज्युअलायझेशन परिणाम.

पूर्ण-रंगीत प्रतिमा दर्शविते की स्पेक्ट्रल चॅनेलमधील सापेक्ष परिमाण देखील बरोबर आहेत, कारण एकत्रित पुनर्रचित प्रतिमेचा रंग वास्तविक मूल्याशी जुळतो आणि प्रत्येक चॅनेलसाठी SSIM गुणांक 0,92 पेक्षा जास्त पोहोचतो.

खालची पंक्ती या विधानाची पुष्टी करते, वास्तविक ऑब्जेक्टची तीव्रता आणि पुनर्रचना केलेली तुलना दर्शवते. दोन्हीकडील डेटा सर्व वर्णक्रमीय श्रेणींमध्ये एकरूप होतो.

यावरून असे दिसून येते की आवाज आणि संभाव्य मॉडेलिंग त्रुटींची उपस्थिती देखील आम्हाला उच्च-गुणवत्तेची प्रतिमा मिळविण्यापासून रोखू शकली नाही आणि प्रायोगिक परिणाम मॉडेलिंगच्या परिणामांशी चांगले संबंधित आहेत.

वर वर्णन केलेला प्रयोग विभक्त वर्णक्रमीय चॅनेल लक्षात घेऊन केला गेला. शास्त्रज्ञांनी आणखी एक प्रयोग केला, परंतु यावेळी जवळच्या चॅनेलसह किंवा 60 एनएमच्या सतत स्पेक्ट्रल श्रेणीसह.

प्रतिमा #5

खरी वस्तु म्हणजे अक्षर "X" आणि चिन्ह "+" (एक्सएनयूएमएक्स). "X" अक्षराचा स्पेक्ट्रम तुलनेने एकसमान आणि अखंड असतो - 515 आणि 575 nm दरम्यान, परंतु "+" मध्ये एक संरचित स्पेक्ट्रम आहे, मुख्यतः 535 आणि 575 nm (5b). या प्रयोगासाठी, 120 dB चा अपेक्षित (पूर्वीप्रमाणे) SNR प्राप्त करण्यासाठी एक्सपोजर 70 s होते.

संपूर्ण ऑब्जेक्टवर 60 nm रुंद बँडपास फिल्टर आणि “+” चिन्हावर कमी-पास फिल्टर देखील वापरला गेला. पुनर्बांधणी दरम्यान, 60 एनएम स्पेक्ट्रम 6 एनएम रुंदीसह 10 समीप चॅनेलमध्ये विभागले गेले आहे (5b).

जसे आपण प्रतिमांमधून पाहू शकतो 5c, परिणामी प्रतिमा वास्तविक ऑब्जेक्टसह उत्कृष्ट सहमत आहेत. या प्रयोगातून असे दिसून आले की मोजलेल्या स्पेकलमध्ये वर्णक्रमीय सहसंबंधांची उपस्थिती किंवा अनुपस्थिती अभ्यासाअंतर्गत इमेजिंग तंत्राच्या प्रभावीतेवर परिणाम करत नाही. शास्त्रज्ञांचा स्वतःचा असा विश्वास आहे की व्हिज्युअलायझेशन प्रक्रियेमध्ये किंवा त्याऐवजी त्याच्या यशामध्ये, ऑब्जेक्टच्या वर्णक्रमीय वैशिष्ट्यांद्वारे प्रणालीच्या कॅलिब्रेशन आणि त्याच्या एन्कोडिंग डिटेक्टरच्या तपशीलांद्वारे फार मोठी भूमिका बजावली जात नाही.

अभ्यासाच्या बारकावे अधिक तपशीलवार पाहण्यासाठी, मी एक कटाक्ष टाकण्याची शिफारस करतो शास्त्रज्ञांनी अहवाल दिला и अतिरिक्त साहित्य त्याला.

एपिलोग

या कामात, शास्त्रज्ञांनी डिफ्यूझरद्वारे मल्टीस्पेक्ट्रल इमेजिंगची नवीन पद्धत वर्णन केली. कोडिंग ऍपर्चर वापरून वेव्हलेंथ-आश्रित स्पेकल मॉड्युलेशनने मशीन लर्निंग-आधारित OMP अल्गोरिदम वापरून सिंगल मल्टीप्लेक्स्ड मापन आणि स्पेकल गणना सक्षम केली.

उदाहरण म्हणून बहु-रंगीत अक्षर "H" वापरुन, शास्त्रज्ञांनी दाखवले की वायलेट, हिरवा आणि लाल रंगाच्या तीन छटाशी संबंधित पाच वर्णक्रमीय चॅनेलवर लक्ष केंद्रित केल्याने एखाद्याला मूळचे सर्व रंग (निळा, पिवळा, इ.).

संशोधकांच्या मते, त्यांचे तंत्र वैद्यकशास्त्र आणि खगोलशास्त्र या दोन्ही क्षेत्रात उपयुक्त ठरू शकते. रंग दोन्ही दिशांनी महत्त्वाची माहिती वाहून नेतो: खगोलशास्त्रात - अभ्यासल्या जाणार्‍या वस्तूंची रासायनिक रचना, औषधात - पेशी आणि ऊतींची आण्विक रचना.

या टप्प्यावर, शास्त्रज्ञ फक्त एक समस्या लक्षात घेतात ज्यामुळे व्हिज्युअलायझेशन अयोग्यता येऊ शकते: मॉडेलिंग त्रुटी. प्रक्रिया पूर्ण करण्यासाठी बराच वेळ लागल्यामुळे, वातावरणात असे बदल घडू शकतात जे तयारीच्या टप्प्यावर विचारात न घेतलेले समायोजन सादर करतील. तथापि, भविष्यात आम्ही ही समस्या कमी करण्याचा मार्ग शोधण्याचा विचार करत आहोत, ज्यामुळे वर्णन केलेले इमेजिंग तंत्र केवळ अचूकच नाही तर कोणत्याही परिस्थितीत स्थिर देखील होईल.

शुक्रवारी ऑफ-टॉप:

दिवे, रंग, संगीत आणि जगातील सर्वात प्रसिद्ध ब्लू विरडोजची त्रिकूट (ब्लू मॅन ग्रुप).

वाचल्याबद्दल धन्यवाद, उत्सुक रहा आणि मित्रांनो एक चांगला शनिवार व रविवार जावो! 🙂

आमच्यासोबत राहिल्याबद्दल धन्यवाद. तुम्हाला आमचे लेख आवडतात का? अधिक मनोरंजक सामग्री पाहू इच्छिता? ऑर्डर देऊन किंवा मित्रांना शिफारस करून आम्हाला समर्थन द्या, एंट्री-लेव्हल सर्व्हरच्या अनन्य अॅनालॉगवर Habr वापरकर्त्यांसाठी 30% सवलत, ज्याचा शोध आम्ही तुमच्यासाठी लावला आहे: VPS (KVM) E5-2650 v4 (6 Cores) 10GB DDR4 240GB SSD 1Gbps बद्दल संपूर्ण सत्य $20 पासून किंवा सर्व्हर कसा शेअर करायचा? (RAID1 आणि RAID10 सह उपलब्ध, 24 कोर पर्यंत आणि 40GB DDR4 पर्यंत).

Dell R730xd 2 पट स्वस्त? फक्त इथेच 2 x इंटेल टेट्राडेका-कोर Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 टीव्ही $199 पासून नेदरलँड मध्ये! Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - $99 पासून! बद्दल वाचा इन्फ्रास्ट्रक्चर कॉर्पोरेशन कसे तयार करावे. डेल R730xd E5-2650 v4 सर्व्हरचा वापर करून 9000 युरो किमतीचा वर्ग?

स्त्रोत: www.habr.com