🔬 applied physics

An information-matching approach to optimal experimental design and active learning

यह योगदान एक स्केलेबल, कॉनवेक्स ऑप्टिमाइज़ेशन-आधारित सूचना संरेखण दृष्टिकोण प्रस्तुत करता है जो रुचि की मात्राओं (quantities of interest) की सटीक भविष्यवाणी करने के लिए न्यूनतम, उच्च-गुणवत्ता वाले प्रशिक्षण डेटा का चयन करने हेतु फिशर सूचना मैट्रिक्स का लाभ उठाता है, जिससे विविध वैज्ञानिक मॉडलिंग और सक्रिय शिक्षण अनुप्रयोगों में डेटा की कमी और पैरामीटर गैर-पहचान क्षमता (parameter non-identifiability) को संबोधित किया जा सके।

मूल लेखक: Yonatan Kurniawan, Tracianne B. Neilsen, Benjamin L. Francis, Alex M. Stankovic, Mingjian Wen, Ilia Nikiforov, Ellad B. Tadmor, Vasily V. Bulatov, Vincenzo Lordi, Mark K. Transtrum

प्रकाशित 2026-05-08

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yonatan Kurniawan, Tracianne B. Neilsen, Benjamin L. Francis, Alex M. Stankovic, Mingjian Wen, Ilia Nikiforov, Ellad B. Tadmor, Vasily V. Bulatov, Vincenzo Lordi, Mark K. Transtrum

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बेहतरीन चॉकलेट केक बनाने की कोशिश कर रहे हैं। आपके पास एक रेसिपी (एक गणितीय मॉडल) है जिसमें दर्जनों सामग्रियां हैं: मैदा, चीनी, कोको, बेकिंग पाउडर, वनीला, नमक, इत्यादि। अपनी रेसिपी को सही करने के लिए, आप सामान्य रूप से सोच सकते हैं कि आपको हर एक सामग्री को हर संभव संयोजन में टेस्ट करने की आवश्यकता है। लेकिन इसमें बहुत समय लगेगा, बहुत पैसा खर्च होगा और बहुत सारा भोजन बर्बाद होगा।

यह लेख बेहतर तरीके से बेक करने का एक स्मार्ट तरीका पेश करता है: इन्फॉर्मेशन मैचिंग (सूचना मिलान)।

यहाँ मूल विचार सरल शब्दों में दिया गया है:

समस्या: बहुत सारी सामग्रियां, समय की कमी

विज्ञान और इंजीनियरिंग में, हम भविष्यवाणियां करने के लिए जटिल मॉडलों का उपयोग करते हैं। इन मॉडलों में कई "नॉब्स" (पैरामीटर) होते हैं जिन्हें हम घुमा सकते हैं।

पुराना तरीका: वैज्ञानिक अक्सर हर एक नॉब को पूरी तरह से घुमाने की कोशिश करते हैं। वे प्रत्येक व्यक्तिगत पैरामीटर का सटीक मान खोजने के लिए भारी मात्रा में डेटा एकत्र करते हैं।
वास्तविकता: इनमें से कई नॉब्स "ढीले" होते हैं। आप उन्हें बहुत अधिक घुमा सकते हैं, और अंतिम परिणाम (केक) में शायद ही कोई बदलाव आता है। अन्य नॉब्स "सख्त" होते हैं—यदि आप उन्हें थोड़ा भी गलत घुमाते हैं, तो केक खराब हो जाता है।
लक्ष्य: आमतौर पर, हमें हर एक सामग्री के सटीक मान में दिलचस्पी नहीं होती है। हमें केवल अंतिम स्वाद (Quantity of Interest, या QoI) की परवाह होती है। हम यह जानना चाहते हैं कि केक पर्याप्त मीठा होगा या नहीं, न कि वनीला बीन का सटीक आणविक भार क्या है।

समाधान: "लक्ष्य-प्रथम" दृष्टिकोण

लेखक एक ऐसा तरीका प्रस्तावित करते हैं जो लक्ष्य से पीछे की ओर काम करता है।

लक्ष्य निर्धारित करें: पहले, यह तय करें कि आपकी अंतिम भविष्यवाणी कितनी सटीक होनी चाहिए। मान लीजिए: "मुझे एक ऐसा केक चाहिए जो मिठास के मामले में एकदम सटीक से 5% के भीतर हो।"
पीछे की ओर काम करें: यह पूछने के बजाय कि "मुझे हर एक सामग्री को जानने के लिए किस डेटा की आवश्यकता है?", यह विधि पूछती है: "इस 5% मिठास की गारंटी देने के लिए मुझे किस विशिष्ट डेटा की आवश्यकता है?"
मिलान (The Matching): यह विधि फिशर इंफॉर्मेशन मैट्रिक्स (इसे एक "डेटा मैप" के रूप में सोचें जो दिखाता है कि कौन से प्रयोग हमें सबसे अधिक सिखाते हैं) नामक एक गणितीय उपकरण का उपयोग करती है। यह उस डेटा के "मैप" की तुलना करती है जिसे आप एकत्र कर सकते हैं, उस सूचना के "मैप" से जिसकी आपको अपने लक्ष्य को प्राप्त करने के लिए आवश्यकता है।
चयन (The Selection): यह प्रयोगों के सबसे छोटे, सबसे कुशल सेट को चुनता जो आपके लक्ष्य के लिए आवश्यक सूचना से "मैच" करता है। यह उस डेटा को अनदेखा कर देता है जो केवल उन "ढीले" नॉब्स के बारे में बताएगा जो अंतिम स्वाद को प्रभावित नहीं करते हैं।

एक रचनात्मक उपमा: जासूस और संदिग्ध

कल्पना कीजिए कि एक जासूस अपराध सुलझाने की कोशिश कर रहा है।

पुराना तरीका: जासूस शहर के हर व्यक्ति का इंटरव्यू लेता है (सारा डेटा एकत्र करता है) यह पता लगाने के लिए कि हर कोई हर क्षण कहाँ था। यह महंगा और थकाऊ है।
नया तरीका: जासूस को केवल हत्यारे (Quantity of Interest) को खोजने की परवाह है। वह समझ जाता है कि शहर में दूर कहीं बेकर के दोपहर के भोजन के ऑर्डर के बारे में जानना उसे हत्यारे को पकड़ने में मदद नहीं करेगा।
इन्फॉर्मेशन मैचिंग: जासूस उन सुरागों पर विचार करता जिनकी उसे हत्यारे की पहचान करने के लिए आवश्यकता है। फिर वह केवल उन विशिष्ट सुरागों को इकट्ठा करने के लिए बाहर जाता है जो उसकी इस आवश्यकता को पूरा करते हैं। वह बाकी सब कुछ अनदेखा कर देता है। उसे लग सकता है कि मामले को सुलझाने के लिए केवल तीन विशिष्ट लोगों का इंटरव्यू लेना ही काफी है, जबकि पुराने तरीके में उसे 1,000 लोगों का इंटरव्यू लेना पड़ता।

उन्होंने इसका परीक्षण कहाँ किया

लेखकों ने सिद्ध किया कि यह तीन बहुत अलग वास्तविक दुनिया के परिदृश्यों में काम करता है:

पावर ग्रिड (विद्युत मानचित्र):
- लक्ष्य: एक विशाल पावर ग्रिड में हर बिंदु पर वोल्टेज को जानना।
- चुनौती: आप हर एक तार से सेंसर नहीं जोड़ सकते; वह बहुत महंगा है।
- परिणाम: इस विधि ने पूरे ग्रिड की स्थिति जानने के लिए आवश्यक सेंसरों की सटीक न्यूनतम संख्या निर्धारित की। इसने पाया कि कुछ रणनीतिक स्थानों पर सेंसर लगाना पूरे नेटवर्क को "देखने" के लिए पर्याप्त था, जिससे भारी मात्रा में धन की बचत हुई।
अंडरवॉटर साउंड (समुद्र का मानचित्र):
- लक्ष्य: समुद्र में ध्वनि का स्रोत (जैसे पनडुब्बी या व्हेल) कहाँ छिपा है, इसका पता लगाना।
- चुनौती: समुद्र अराजक है। पानी का तापमान और समुद्र तल पर रेत का प्रकार ध्वनि के प्रसार को बदल देता है। सामान्यतः, वैज्ञानिक पहले पूरे समुद्री वातावरण का मानचित्र बनाने की कोशिश करते हैं।
- परिणाम: इस विधि ने महसूस किया कि उन्हें समुद्र के बारे में सब कुछ जानने की आवश्यकता नहीं है। उन्हें केवल उस ध्वनि डेटा को एकत्र करने की आवश्यकता थी जो स्रोत का स्थान बताने में मदद करे। उन्होंने पाया कि स्रोत का स्थान बताने के लिए संभावित सुनने वाले स्थानों (रिसीवर) का एक बहुत छोटा हिस्सा ही पर्याप्त था, और उन्होंने बाकी समुद्र की जटिलता को अनदेखा कर दिया।
मटेरियल्स साइंस (परमाणु रेसिपी):
- लक्ष्य: यह भविष्यवाणी करना कि एक सामग्री (जैसे मोलिब्डेनम डाइसल्फाइड की एक पतली शीट) कैसे खिंचेगी और मुड़ेगी।
- चुनौती: परमाणुओं का कंप्यूटर मॉडल बनाने के लिए, आपको आमतौर पर मॉडल को प्रशिक्षित करने के लिए हजारों महंगे और समय लेने वाले कंप्यूटर सिमुलेशन चलाने पड़ते हैं।
- परिणाम: अपने तरीके के साथ, उन्होंने पाया कि उन्हें अपने लक्ष्य के लिए मॉडल को पूरी तरह से प्रशिक्षित करने के लिए केवल 7 विशिष्ट परमाणु विन्यास (परमाणुओं के स्नैपशॉट) की आवश्यकता थी। यह आमतौर पर आवश्यक हजारों के मुकाबले एक बहुत बड़ी कमी है।

"एक्टिव लर्निंग" लूप

लेख एक तरीका भी बताता है जिसका उपयोग काम करते समय किया जा सकता है। कल्पना कीजिए कि आप बेकिंग कर रहे हैं, और पहले परीक्षण के बाद, आपको एहसास होता है कि आपको थोड़ी और जानकारी की आवश्यकता है।

यह विधि एक स्मार्ट सहायक की तरह कार्य करती है। यह कहती है: "अब तक जो हम जानते हैं, उसके आधार पर, अगला एक प्रयोग जो हमारी सबसे अधिक मदद करेगा, वह X है।"
आप X को करते हैं, अपने मॉडल को अपडेट करते हैं, और फिर से पूछते हैं।
यह तब तक जारी रहता है जब तक कि आपके पास ठीक उतनी ही जानकारी न हो जितनी आपको अपनी लक्षित सटीकता तक पहुँचने के लिए चाहिए, और उससे अधिक नहीं।

निचोड़ (The Bottom Line)

यह लेख तर्क देता है कि हमें किसी प्रणाली के बारे में सब कुछ सीखने की कोशिश नहीं करनी चाहिए। हमें केवल वही सीखना चाहिए जो हमारे विशिष्ट प्रश्न का उत्तर देने के लिए आवश्यक है। एकत्र किए गए डेटा को आवश्यक सटीकता के साथ मिलाकर, हम अत्यधिक सटीक भविष्यवाणियां प्राप्त करते हुए समय, धन और संसाधनों की बचत कर सकते हैं। यह "डेटा संग्रह" की प्रक्रिया को एक शॉटगन अप्रोच (हर तरफ निशाना साधना) से बदलकर एक स्नाइपर अप्रोच (सटीक निशाना लगाना) में बदल देता है।

समस्या विवरण
गणितीय मॉडलों की प्रभावशीलता काफी हद तक प्रशिक्षण डेटा की गुणवत्ता और मात्रा पर निर्भर करती है, फिर भी पर्याप्त डेटा का संग्रह अक्सर लागत, उपकरण और संसाधनों द्वारा बाधित होता है। जबकि इष्टतम प्रयोगात्मक डिजाइन (OED) और सक्रिय शिक्षण (AL) सूचनात्मकता को अधिकतम करने के लिए रणनीतियां प्रदान करते हैं, पारंपरिक दृष्टिकोण अपनी सीमाओं तक पहुँच जाते हैं। कई मौजूदा OED मानदंड (जैसे कि A-, D-, और E-इष्टतमता) वैश्विक पैरामीटर अनिश्चितता को कम करने पर ध्यान केंद्रित करते हैं (उदाहरण के लिए, फिशर इंफॉर्मेशन मैट्रिक्स के ट्रेस या डिटर्मिनेंट के माध्यम से)। हालांकि, कई अनुप्रयोग जो प्रेडिक्टिव मॉडलिंग में उपयोग किए जाते हैं, उन्हें सभी मापदंडों के सटीक अनुमान की आवश्यकता नहीं होती है; बल्कि, वे विशिष्ट क्वांटिटीज ऑफ इंटरेस्ट (QoIs) के लिए सटीक भविष्यवाणियों पर निर्भर करते हैं।

यह अंतर "स्लोपी" (sloppy) मॉडलों में महत्वपूर्ण है, जहाँ कई पैरामीटर संयोजन व्यावहारिक रूप से अनिश्चित (unidentifiable) होते हैं, फिर भी मॉडल सटीक भविष्यवाणियां देता है क्योंकि QoIs केवल कुछ 'स्टिफ' (stiff), पहचानने योग्य दिशाओं पर निर्भर करते हैं। इसके अतिरिक्त, प्रशिक्षण डेटा से पहचाने जाने वाले मापदंडों का उन मापदंडों से मेल खाना आवश्यक नहीं है जो QoIs की भविष्यवाणी के लिए प्रासंगिक हैं। यदि QoI-प्रासंगिक दिशाएं पहचानने योग्य उप-स्थान (identifiable subspace) के बाहर स्थित हैं, तो अन्य मापदंडों को कितनी भी अच्छी तरह से नियंत्रित किया जाए, भविष्यवाणी की अनिश्चितता बड़ी या विचलित हो सकती है। इसके अलावा, स्लोपी मॉडलों का विशिष्ट सूचना स्पेक्ट्रम (जिसके आइगेनवैल्यू कई क्रमों तक फैले होते हैं) पारंपरिक OED मानदंडों को संख्यात्मक शोर (numerical noise) के प्रति संवेदनशील बनाता है।

कार्यप्रणाली
लेखक एक सूचना मिलान (Information Matching) दृष्टिकोण प्रस्तुत करते हैं जो वैश्विक पैरामीटर परिशुद्धता के बजाय QoI भविष्यवाणियों की परिशुद्धता को प्राथमिकता देता है। यह विधि चुनी गई प्रशिक्षण डेटा की सूचना सामग्री को विशिष्ट QoIs के लिए लक्षित परिशुद्धता प्राप्त करने हेतु आवश्यक सूचना के साथ मिलाने के लिए फिशर इंफॉर्मेशन मैट्रिक्स (FIM) का उपयोग करती है।

यह ढांचा दो परिदृश्यों में कार्य करता है:

प्रशिक्षण: एक मॉडल $f(\theta; x_m)$ को पैरामीटर $\theta$ को इन्फर करने के लिए एक डेटासेट $\{x_m, p_m\}$ पर प्रशिक्षित किया जाता है। प्रशिक्षण डेटा के लिए FIM, $I(\theta)$ , व्यक्तिगत डेटा बिंदुओं के FIM का योग है, जो उनके मापन परिशुद्धता द्वारा भारित (weighted) होता है।
भविदन: प्रशिक्षित मापदंडों का उपयोग $q$ के लिए भविष्यवाणियों हेतु किया जाता है, जहाँ $g(\theta; y)$ एक मैपिंग है। इन QoIs के लिए लक्षित कोवेरिएंस $\Sigma$ प्राप्त करने के लिए आवश्यक सूचना को एक लक्षित FIM द्वारा परिभाषित किया जाता है: $J(\theta) = J_g^T \Sigma^{-1} J_g$ , जहाँ $J_g$ QoI मैपिंग का जैकोबियन मैट्रिक्स है।

इस पद्धति का मूल एक कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या (convex optimization problem) है जिसे न्यूनतम प्रशिक्षण डेटा सेट चुनने के लिए डिज़ाइन किया गया है। $M$ संभावित डेटा बिंदुओं के पूल के लिए, एल्गोरिदम एक वेट वेक्टर $w = [w_1, \dots, w_M]^T$ के लिए समाधान करता है:
$\begin{aligned} & \text{न्यूनतम करें} & & \|w\|_1 \\ & \text{प्रतिबंध} & & w_m \ge 0 \\ & & & \sum_{m=1}^M w_m I_m(\theta) \succeq J(\theta) \end{aligned}$
जहाँ $I_m$ $m$ -वें डेटा बिंदु का FIM योगदान है। मैट्रिक्स असमानता की स्थिति ( $I \succeq J$ ) यह सुनिश्चित करती है कि चयनित डेटा में पर्याप्त सूचना है ताकि मापदंडों को इस प्रकार नियंत्रित किया जा सके कि QoIs में प्रसारित अनिश्चितता लक्षित कोवेरिएंस $\Sigma$ के भीतर रहे। $\ell_1$ -नॉर्म को न्यूनतम करना स्पार्स (sparse) समाधानों को बढ़ावा देता है और आवश्यक न्यूनतम डेटा बिंदुओं की पहचान करता है।

उन परिदृश्यों के लिए जहाँ नए डेटा के साथ मापदंड महत्वपूर्ण रूप से बदलते हैं, इस पद्धति को एक सक्रिय शिक्षण (Active Learning - AL) लूप में एकीकृत किया गया है। एल्गोरिदम निम्नलिखित चरणों को दोहराता है:

वर्तमान पैरामीटर अनुमानों पर लक्षित FIM $J$ और उम्मीदवार FIM $I_m$ का मूल्यांकन करता है।
इष्टतम भार निर्धारित करने के लिए कॉन्वेक्स ऑप्टिमाइज़ेशन को हल करता है।
गैर-शून्य भार वाले डेटा बिंदुओं के लिए लेबल उत्पन्न करता है।
मापदंडों को अपडेट करता है और प्रक्रिया को तब तक दोहराता है जब तक कि भार अभिसरित (converge) न हो जाएं।

प्रमुख परिणाम
लेखक तीन अलग-अलग वैज्ञानिक डोमेन में इस पद्धति की प्रभावशीलता प्रदर्शित करते हैं:

पावर ग्रिड (PMU प्लेसमेंट):
- कार्य: पूर्ण या आंशिक दृश्यता (observability) प्राप्त करने के लिए IEEE-39-बस सिस्टम में फेजर मेजरमेंट यूनिट्स (PMUs) का इष्टतम स्थान।
- परिणाम: इस पद्धति ने स्वाभाविक रूप से उन्हीं बसों का चयन किया जिन्हें पिछले अध्ययनों में पूर्ण नेटवर्क दृश्यता के लिए पहचाना गया था। आंशिक दृश्यता (विशिष्ट उप-क्षेत्रों पर ध्यान केंद्रित करना) के लिए, इसने न्यूनतम सेंसर सेट की पहचान की जो उन क्षेत्रों में दृश्यता सुनिश्चित करते हैं, भले ही क्षेत्र के बाहर के राज्यों को अनंत अनिश्चितता के साथ छोड़ दिया गया हो।
अंडरवॉटर एकॉस्टिक्स (स्रोत स्थानीयकरण):
- कार्य: अज्ञात तलछट गुणों वाले उथले महासागरीय वातावरण में दो ध्वनि स्रोतों को स्थानीयकृत करने के लिए इष्टतम रिसीवर स्थानों का निर्धारण करना।
- परिणाम: पारंपरिक मैच-फील्ड प्रोसेसिंग के विपरीत, जिसके लिए पूर्ण पर्यावरणीय व्युत्क्रमण (environmental inversion) की आवश्यकता होती है, सूचना मिलान दृष्टिकोण ने केवल उन मापदंडों को सीमित करने के लिए रिसीवर स्थानों का चयन किया जो स्रोत स्थानीयकरण के लिए आवश्यक थे। इस पद्धति ने उम्मीदवार रिसीवर स्थानों के केवल 5% का उपयोग करके लक्षित स्थानीयकरण सटीकता (ऊर्ध्वाधर ±2.5 मीटर, क्षैतिज ±100 मीटर) प्राप्त की।
सामग्री विज्ञान (इंटरएटोमिक पोटेंशियल):
- कार्य: जाली पैरामीटर (lattice parameter) के रूप में ऊर्जा की भविष्यवाणी करने के लिए एक्टिव लर्निंग के माध्यम से मोलिब्डेनम डाइसल्फाइड (MoS $_2$ ) के लिए स्टिलिंगर-वेबर क्षमता विकसित करना।
- परिणाम: 2,000 परमाणु विन्यासों के पूल से शुरू करते हुए, AL लूप ने पहचाना कि लक्षित परिशुद्धता प्राप्त करने के लिए क्षमता मापदंडों को सीमित करने के लिए केवल सात विन्यास पर्याप्त थे (पूर्ण डेटासेट से प्राप्त भविष्यवाणी सटीकता का 10%)। इस पद्धति को सिलिकॉन (Si) पोटेंशियल पर भी लागू किया गया और इसने अधिकतम पांच परमाणु विन्यासों का उपयोग करके जाली स्थिरांक (lattice constants), प्रत्यास्थ स्थिरांक (elastic constants), और फोनन डिस्पर्शन कर्व्स की सफलतापूर्वक भविष्यवाणी की।

महत्व और दावे
लेखक दावा करते हैं कि सूचना मिलान पद्धति शास्त्रीय FIM-आधारित OED की तुलना में मौलिक रूप से भिन्न लक्ष्य प्रदान करती है। वैश्विक पैरामीटर अनिश्चितता को कम करने के बजाय, यह डेटा सूचना को डाउनस्ट्रीम QoIs की विशिष्ट परिशुद्धता आवश्यकताओं के साथ मिलाती है।

दक्षता और स्पर्सिटी (Efficiency and Sparsity): विधि न्यूनतम डेटा सेट की पहचान करती है जिसमें अक्सर उम्मीदवार डेटा बिंदुओं का केवल एक छोटा हिस्सा शामिल होता है, जिससे प्रयोगात्मक लागत और कम्प्यूटेशनल प्रयास कम हो जाता है।
स्लोपीनेस के प्रति मजबूती (Robustness to Sloppiness): QoI के लिए प्रासंगिक पहचानने योग्य उप-स्थान (identifiable subspace) पर ध्यान केंद्रित करके, यह विधि खराब-अनुकूलित (ill-conditioned) FIM से जुड़ी संख्यात्मक स्थिरता समस्याओं से बचती है।
सैद्धांतिक गारंटी: लेखक एक प्रमेय (Theorem 1) प्रदान करते हैं जो सिद्ध करता है कि यदि सूचना मिलिंग की शर्तें पूरी होती हैं, तो QoIs की प्रसारित अनिश्चितता लक्षित कोवेरिएंस द्वारा सीमित होती है (तीसरे क्रम के पदों तक), भले ही पूर्ण पैरामीटर स्थान पहचानने योग्य न हो।
व्यवहार्यता (Feasibility): इस दृष्टिकोण को एक कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या के रूप में तैयार किया गया है, जो इसे बड़े मॉडलों और डेटासेट्स के लिए स्केलेबल बनाता है। लेखक नोट करते हैं कि व्यवहार्यता प्रारंभिक उम्मीदवार पूल की विविधता पर निर्भर करती; यदि प्रासंगिक मापदंडों को किसी भी उम्मीदवार द्वारा सीमित नहीं किया जा सकता है, तो यह अव्यवहार्य (infeasible) है, एक ऐसी स्थिति जिसे कॉन्वेक्स सॉल्वर पहचान सकता है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण उन अनुप्रयोगों के लिए नई संभावनाएं खोलता है जहां पूर्ण पैरामीटर पहचान आवश्यक या व्यवहार्य नहीं है, जैसे कि आंशिक नेटवर्क दृश्यता या पर्यावरणीय व्युत्क्रमण के बिना स्रोत स्थानीयकरण, और बड़े मशीन लर्निंग मॉडलों के साथ भविष्य के एकीकरण के लिए इसकी क्षमता का सुझाव देते हैं।