📊 statistics

Parallel computations for Metropolis Markov chains with Picard maps

यह शोध पत्र पिकाड मानचित्रों (Picard maps) पर आधारित ज़ीरो-ऑर्डर मेट्रोपोलिस मार्कोव श्रृंखलाओं (Metropolis Markov chains) के अनुकरण के लिए समानांतर एल्गोरिदम पेश करता है जो केवल लॉग-घनत्व के बिंदु-वार मूल्यांकन (point-wise evaluations) का उपयोग करके लॉग-कॉन्केव वितरणों से नमूने उत्पन्न करने के लिए समानांतर कंप्यूटिंग का लाभ उठाकर उच्च-आयामी सेटिंग्स में अभिसरण (convergence) को महत्वपूर्ण रूप से तेज़ करता है।

मूल लेखक: Sebastiano Grazzi, Giacomo Zanella

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sebastiano Grazzi, Giacomo Zanella

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 विशाल, धुंधले परिदृश्य में "परफेक्ट स्पॉट" (सबसे सटीक स्थान) खोजने की कोशिश कर रहे हैं। यह परिदृश्य एक जटिल गणितीय समस्या (जैसे कि कोई बीमारी कैसे फैलती है इसका अनुमान लगाना या किसी कैंसर रोगी के लिए सबसे अच्छा उपचार तय करना) का प्रतिनिधित्व करता है। "परफेक्ट स्पॉट" सबसे संभावित उत्तर है, लेकिन धुंध इतनी घनी है कि आप एक बार में पूरी तस्वीर नहीं देख सकते। आप केवल छोटे कदम उठा सकते हैं, और अपने पैरों के ठीक नीचे की जमीन को देखकर यह पता लगा सकते हैं कि आप ऊपर जा रहे हैं या नीचे।

यह मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ करती हैं। ये एक ऐसे हाइकर (पदमयात्री) की तरह हैं जो यादृच्छिक (random) कदम उठाता है, और अंततः पूरे इलाके का नक्शा बनाने के लिए पर्याप्त घूमता है ताकि वह सबसे अच्छे स्थान को खोज सके।

हालाँकि, इस हाइकर के साथ दो बड़ी समस्याएँ हैं:

यह धीमा है: हाइकर को एक कदम उठाना पड़ता है, जमीन को चेक करना पड़ता है, फिर अगला कदम उठाना पड़ता है, फिर से चेक करना पड़ता है, और इसी तरह। यह एक बहुत ही रैखिक (linear), क्रमिक प्रक्रिया है।
कोई नक्शा नहीं है: कभी-कभी, परिदृश्य इतना अजीब होता है (जैसे कि एक ब्लैक बॉक्स या एक जटिल सिमुलेशन) कि आप "ढलान" (gradient) की गणना नहीं कर सकते जिससे पता चले कि ऊपर की दिशा कौन सी है। आप केवल अपने ठीक पैरों के नीचे की जमीन को महसूस कर सकते हैं। इसे जीरो-ऑर्डर (zeroth-order) सैंपलिंग कहा जाता है।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (क्रमिक/Sequential):
एक अकेले हाइकर की कल्पना करें जो एक लंबे रास्ते पर चल रहा है। 1,000 कदमों को सिम्युलेट करने के लिए, उसे कदम 1, फिर कदम 2, फिर कदम 3... लेकर 1,000 तक जाना होगा। यदि आपके पास 10 दोस्त हैं, तो आप उन्हें 10 अलग-अलग रास्ते चलने के लिए भेज सकते हैं। लेकिन इससे मूल हाइकर को अपना रास्ता तेजी से पूरा करने में मदद नहीं मिलेगी; उसे अभी भी 1,000 कदम एक-एक करके चलने होंगे।

नया तरीका (पिकार्ड मैप्स):
लेखकों, ग्राज़ी और ज़नेला (Grazzi and Zanella) ने पिकार्ड मैप (Picard Map) नामक एक चतुर तकनीक विकसित की है।

कल्पना कीजिए कि एक रास्ता तय करने वाले अकेले हाइकर के बजाय, आपके पास 100 लोगों की एक टीम है जो एक लाइन में खड़ी है और सभी ने एक लंबी रस्सी का एक हिस्सा पकड़ा हुआ है।

चतुराई (The Trick): इस बात का इंतज़ार करने के बजाय कि सामने वाला व्यक्ति अपना कदम पूरा करे और फिर अगला व्यक्ति आगे बढ़े, हर कोई एक साथ अंदाज़ा लगाता है कि पूरा रास्ता कैसा दिखेगा।
सुधार (The Correction): वे सभी अपने अंदाज़ों को चिल्लाकर बताते हैं। फिर वे जाँच करते हैं: "क्या मैंने अपने से पिछले कदम के बारे में सही अंदाज़ा लगाया था?"
- यदि आपने पिछले कदम का सही अंदाज़ा लगाया, तो आपका वर्तमान कदम भी संभवतः सही है!
- यदि आपका अंदाज़ा गलत था, तो आपको पुनर्गणना (recalculate) करनी होगी।
जादू (The Magic): क्योंकि परिदृश्य (गणितीय समस्या) में कुछ सुचारू (smooth) गुण होते हैं, टीम को एहसास होता है कि केवल कुछ राउंड "अनुमान और जाँच" के बाद, पथ के पहले 50 कदम पहले से ही सही हैं। उन्हें एक-एक करके हाइकर के चलने का इंतज़ार करने की ज़रूरत नहीं है। वे तुरंत उन 50 कदमों को "लॉक इन" कर सकते हैं और अगले बैच की ओर बढ़ सकते हैं।

"ऑनलाइन" अपग्रेड

लेखकों ने यहीं नहीं रुकते। उन्होंने एक "ऑनलाइन पिकार्ड एल्गोरिदम" बनाया।

इसे एक रिले रेस की तरह समझें जहाँ धावक बहुत बुद्धिमान होते हैं।

एक मानक दौड़ में, आप एक निश्चित दूरी दौड़ते हैं, रुकते हैं, और अगले धावक का इंतज़ार करते हैं।
इस ऑनलाइन संस्करण में, जैसे ही एक धावक को एहसास होता है, "अरे, मैं पहले से ही इस सेक्शन के फिनिश लाइन पर हूँ!", वह उस सेक्शन को दौड़ना बंद कर देता है और तुरंत ट्रैक के अगले खाली सेक्शन में कूद जाता है ताकि मदद कर सके।
इसका मतलब है कि आप कभी भी ऊर्जा बर्बाद नहीं करते। यदि 50 कदम पहले से ही हल हो चुके हैं, तो आप अपने 100 कंप्यूटरों का उपयोग उन्हें फिर से हल करने के लिए नहीं करते। आप उन अगले 50 कदमों को तुरंत हल करने के लिए अपने सभी 100 कंप्यूटरों का उपयोग करते हैं।

यह एक बड़ी बात क्यों है?

गति (Speed): यदि आपके पास 100 प्रोसेसर (कोर्स) वाला कंप्यूटर है, तो यह तरीका हाइकर को उसकी 1,000-कदम की यात्रा लगभग 10 गुना तेज़ी से (विशेष रूप से, स्पीडअप प्रोसेसर की संख्या के वर्गमूल के समानुपाती है) पूरी करने में मदद कर सकता है।
ग्रेडिएंट की आवश्यकता नहीं है: यह तब भी काम करता है जब आप ढलान नहीं देख सकते। आपको केवल यह जानने की आवश्यकता है कि एक विशिष्ट स्थान "अच्छा" है या "बुरा" (पॉइंट-वाइज इवैल्यूएशन)। यह वास्तविक दुनिया की समस्याओं के लिए महत्वपूर्ण है जैसे:
- महामारी (Epidemics): यह सिम्युलेट करना कि वायरस कैसे फैलता है जहाँ गणित जटिल है और ग्रेडिएंट मौजूद नहीं हैं।
- प्रिसिजन मेडिसिन (Precision Medicine): जटिल जैविक सिमुलेशन का उपयोग करके एक मरीज के लिए सबसे अच्छी दवा की खुराक तय करना, जो "ब्लैक बॉक्स" की तरह काम करते हैं।

"अनुमानित" शॉर्टकट (The "Approximate" Shortcut)

पेपर एक "चीट कोड" भी पेश करता है जिसे एप्रोक्सिमेट ऑनलाइन पिकार्ड (Approximate Online Picard) कहा जाता है।

कल्पना कीजिए कि टीम 100% के बजाय 95% सुनिश्चित होने पर सहमत होती है।
वे अपने अंदाज़ों में कुछ छोटी गलतियाँ करने की अनुमति देते हैं।
परिणाम: वे बहुत अधिक कंप्यूटरों (समस्या के कुल आयामों तक) का उपयोग कर सकते हैं और काम को लगभग तुरंत (कॉन्स्टेंट टाइम में) पूरा कर सकते हैं, जिसमें केवल बहुत कम त्रुटि होती है। यह एक थोड़े कम सटीक नक्शे का उपयोग करके गंतव्य तक 100 गुना तेज़ी से पहुँचने जैसा है।

निष्कर्ष

यह पेपर हमें आधुनिक सुपरकंप्यूटरों पर जटिल सिमुलेशन चलाने का एक नया तरीका देता है। कंप्यूटर को एक-एक करके चीजें करने के लिए मजबूर करने के बजाय (जैसे कि एक अकेला हाइकर), यह कंप्यूटर के कई कोर्सों को एक समन्वित टीम की तरह मिलकर काम करने के लिए व्यवस्थित करता है, जो उनके अंदाज़ों को तुरंत सुधारकर समस्या को बहुत तेज़ी से हल करती है।

यह एक धीमी, एक-लाइन वाली भीड़ को एक सिंक्रोनाइज्ड डांस ट्रूप (तालमेल में नाचने वाले समूह) में बदलने जैसा है जो पूरे मंच को सेकंडों में कवर कर सकता है, भले ही वे एक बार में पूरे मंच को न देख पा रहे हों।

यहाँ S. Grazzi और G. Zanella के शोध पत्र "Parallel computations for Metropolis Markov chains with Picard maps" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ बेयसियन अनुमान (Bayesian inference) और सांख्यिकीय नमूनाकरण (statistical sampling) के लिए मौलिक हैं, विशेष रूप से तब जब विश्लेषणात्मक समाधान उपलब्ध नहीं होते। हालाँकि, मानक MCMC एल्गोरिदम (जैसे रैंडम वॉक मेटापोलिस) स्वाभाविक रूप से क्रमिक (sequential) होते हैं, जो उच्च-आयामी सेटिंग्स ( $d$ आयामों) में एक बाधा उत्पन्न करते हैं जहाँ अभिसरण (convergence) धीमा होता है।

जबकि समानांतर कंप्यूटिंग आर्किटेक्चर (CPUs, GPUs) व्यापक रूप से उपलब्ध हैं, सरल समांतरीकरण रणनीतियाँ (जैसे कई स्वतंत्र श्रृंखलाओं को चलाना) व्यक्तिगत श्रृंखलाओं के "बर्न-इन" (burn-in) काल को कम नहीं करती हैं। मौजूदा समानांतर MCMC विधियाँ (जैसे मल्टीपल-ट्राई मेटापोलिस, प्री-फेचिंग) अक्सर लॉग-कॉन्केव (log-concave) वितरणों को लक्षित करने वाले ज़ीरोथ-ऑर्डर (ग्रेडिएंट-मुक्त) तरीकों के लिए केवल लॉगरिदमिक स्पीडअप ( $O(\log K)$ ) ही प्राप्त करती हैं।

मुख्य चुनौती: बिना ग्रेडिएंट जानकारी की आवश्यकता के, उच्च-आयामी लॉग-कॉन्केव लक्ष्यों के लिए ज़ीरोथ-ऑर्डर मेटापोलिस-हेस्टिंग्स एल्गोरिदम को समानांतर करने में रैखिक स्पीडअप ( $O(K)$ ) कैसे प्राप्त किया जाए, जो कि ब्लैक-बॉक्स मॉडल (जैसे जटिल सिमुलेशन, सेंसर डेटा, या प्रोप्रायटरी कोड) में अक्सर उपलब्ध नहीं होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन ढांचा प्रस्तावित करते हैं जो पिकार्ड मैप (Picard map) पर आधारित है, जो मार्कोव श्रृंखला के सिमुलेशन को प्रक्षेपवक्रों (trajectories) पर एक फिक्स्ड-पॉइंट समस्या के रूप में पुनर्गठित करता है।

A. पिकार्ड मैप पुनर्गठन (The Picard Map Reformulation)

एक श्रृंखला को चरण-दर-चरण क्रमिक रूप से ( $X_{i+1} = X_i + f(X_i, W_i)$ ) सिम्युलेट करने के बजाय, लेखक प्रक्षेपवक्र $X = (X_0, \dots, X_K)$ को एक मैप $\Phi$ के फिक्स्ड पॉइंट के रूप में परिभाषित करते हैं:
$X'_i = X_0 + \sum_{\ell=0}^{i-1} f(X_\ell, W_\ell)$
मैप $\Phi$ एक संभावित प्रक्षेपवक्र और यादृच्छिक नवाचारों (random innovations) के एक अनुक्रम $W$ को लेता है और एक नया प्रक्षेपवक्र लौटाता है। वास्तविक मार्कोव श्रृंखला प्रक्षेपवक्र $\Phi$ का अद्वितीय फिक्स्ड पॉइंट है।

B. ऑनलाइन पिकार्ड एल्गोरिदम (The Online Picard Algorithm)

लेखक एक ऑनलाइन पिकार्ड एल्गोरिदम पेश करते हैं जो मेटापोलिस-हेस्टिंग्स कर्नेल की विशिष्ट संरचना का लाभ उठाता है।

पीसवाइज कांस्टेंट प्रॉपर्टी (Piecewise Constant Property): ज़ीरोथ-ऑर्डर मेटापोलिस श्रृंखलाओं (जैसे रैंडम वॉक मेटापोलिस - RWM) के लिए, अपडेट फंक्शन $f(x, W)$ पीसवाइज कांस्टेंट (यह स्वीकृति अनुपात के इंडिकेटर फंक्शन पर निर्भर करता है) होता है।
अभिसरण तंत्र (Convergence Mechanism): एल्गोरिदम प्रक्षेपवक्र पर $\Phi$ को पुनरावृत्त रूप से लागू करता है। महत्वपूर्ण रूप से, क्योंकि $f$ पीसवाइज कांस्टेंट है, एक बार जब एल्गोरिदम प्रक्षेपवक्र के एक खंड के लिए स्वीकृति/अस्वीकृति निर्णयों के अनुक्रम का "सही अनुमान" लगा लेता है, तो वह खंड फिक्स्ड पॉइंट पर अभिसरित हो जाता है और आगामी पुनरावृत्तियों में अपरिवर्तित रहता है।
डायनेमिक रिसोर्स एलोकेशन (Dynamic Resource Allocation): क्लासिकल पिकार्ड इटरेशन के विपरीत जो पूरे ब्लॉक को अपडेट करते हैं, ऑनलाइन एल्गोरिदम उस इंडेक्स $L(j)$ की निगरानी करता है जहाँ तक प्रक्षेपवक्र अभिसरित हो चुका है। इसके बाद यह $K$ समानांतर प्रोसेसरों को केवल अनकन्वर्ज्ड (unconverged) भाग ( $L(j)$ से $L(j)+K$ ) के लिए आवंटित करता है, जिससे अनावश्यक गणनाओं से बचा जा सके।

C. अनुमानित ऑनलाइन पिकार्ड (Approximate Online Picard)

$K \approx \sqrt{d}$ से आगे बढ़ने के लिए, लेखक एक अनुमानित ऑनलाइन पिकार्ड एल्गोरिदम प्रस्तावित करते हैं। यह संस्करण स्वीकृति निर्णयों में गलत अनुमानों (गलतियों) के एक छोटे अंश $r$ को सहन करता है।

ट्रेड-ऑफ (Trade-off): यह इनवेरिएंट डिस्ट्रीब्यूशन में एक बायस (bias) पेश करता है लेकिन एल्गोरिदम को $K = O(d)$ प्रोसेसरों का उपयोग करने की अनुमति देता है, जिससे समानांतर पुनरावृत्तियों की संख्या घटकर $O(1)$ हो जाती है।

3. मुख्य योगदान (Key Contributions)

ज़ीरोथ-ऑर्डर MCMC के लिए पहला प्रमाणित रैखिक स्पीडअप: यह पेपर यह सैद्धांतिक प्रमाण प्रदान करता है कि एक समानांतर ज़ीरोथ-ऑर्डर MCMC योजना लॉग-कॉन्केव लक्ष्यों के लिए अनुकूलतम स्पीडअप ( $O(K)$ ) प्राप्त कर सकती है।
सैद्धांतिक जटिलता सीमाएँ (Theoretical Complexity Bounds):
- सटीक योजना (Exact Scheme): लक्ष्य आयाम $d$ और $K$ प्रोसेसरों के लिए (जहाँ $K \leq O(\sqrt{d})$ ), एल्गोरिदम $O(d/K)$ समानांतर पुनरावृत्तियों में एक नमूना उत्पन्न करता है। यह क्रमिक $O(d)$ जटिलता की तुलना में $K$ का स्पीडअप फैक्टर प्रदान करता है।
- अनुमानित योजना (Approximate Scheme): एक छोटा बायस ( $r > 0$ ) की अनुमति देकर, एल्गोरिदम $K = O(d)$ प्रोसेसरों का उपयोग करके $O(1)$ समानांतर पुनरावृत्तियों में नमूने उत्पन्न कर सकता है।
मेट्रोपोलिस-विदिन-गिब्स (Metropolis-within-Gibbs - MwG) का विस्तार: सिद्धांत को MwG श्रृंखलाओं तक विस्तारित किया गया है, जिसे लेखक अनुभवजन्य रूप से RWM की तुलना में और भी बेहतर प्रदर्शन करते हुए पाते हैं, विशेष रूप से आइसोट्रोपिक (isotropic) लक्ष्यों के लिए जहाँ अभिसरण तात्कालिक हो सकता है।
व्यावहारिक कार्यान्वयन: लेखक एक कुशल समानांतर कार्यान्वयन (एल्गोरिदम 5) प्रदान करते हैं जो प्रति प्रोसेसर टारगेट डेंसिटी मूल्यांकन की संख्या को केवल एक प्रति स्टेप तक कम कर देता है, जिससे यह दृष्टिकोण कम्प्यूटेशनल रूप से व्यवहार्य हो जाता है।

4. मुख्य परिणाम (Key Results)

सैद्धांतिक परिणाम (Theoretical Results)

अभिसरण प्रायिकता (Convergence Probability): "गलत अनुमान" (गलत स्वीकृति/अस्वीकृति का पूर्वानुमान) लगाने की प्रायिकता तेजी से घटती है। $O(\log d)$ पिकार्ड पुनरावृत्तियों के बाद, अगले $O(\sqrt{d})$ चरणों के लिए सही अनुमान की प्रायिकता उच्च होती है।
टेल व्यवहार (Tail Behavior): जब श्रृंखला वितरण के पूंछ (tails) में शुरू होती है, तो अभिसरण तेज़ होता है (प्रपोजिशन 1), क्योंकि उन क्षेत्रों में स्वीकृति प्रायिकता नियत (deterministic) हो जाती है।
स्पीडअप (Speedup):
- सटीक (Exact): $O(\sqrt{d})$ प्रोसेसरों का उपयोग करके $O(\sqrt{d})$ का स्पीडअप फैक्टर।
- अनुमानित (Approximate): $O(d)$ प्रोसेसरों का उपयोग करके $O(d)$ का स्पीडअप फैक्टर (बायस के साथ)।

अनुभवजन्य परिणाम (Empirical Results)

एल्गोरिदम का परीक्षण निम्नलिखित पर किया गया था:

उच्च-आयामी प्रतिगमन (High-Dimensional Regression): लीनियर, लॉजिस्टिक और पॉइसन प्रतिगमन मॉडल ( $d$ $d$ अप टू 1000 तक)।
- परिणामों ने सैद्धांतिक स्केलिंग की पुष्टि की: सटीक एल्गोरिदम के लिए स्पीडअप $\hat{G}$ $O(\sqrt{d})$ के रूप में और अनुमानित संस्करण के लिए $O(d)$ के रूप में बढ़ा।
- MwG ने RWM की तुलना में समानांतर दक्षता में बेहतर प्रदर्शन किया।
SIR महामारी मॉडल (SIR Epidemic Model): एक जटिल मॉडल जिसमें सेंसर डेटा और नॉन-स्मूथ लाइकलीहुड (likelihoods) शामिल हैं जहाँ ग्रेडिएंट उपलब्ध नहीं हैं।
- पिकार्ड एल्गोरिदम ने 4x और 10x के बीच स्पीडअप हासिल किया।
- इसने सफलतापूर्वक उन विच्छिन्न (discontinuous) लाइकलीहुड्स को संभाला जहाँ ग्रेडिएंट-आधारित विधियाँ (जैसे HMC) विफल हो जाती हैं।
प्रिसिजन मेडिसिन अनुप्रयोग (Precision Medicine Application): ODEs से जुड़ा एक वास्तविक ब्लैक-बॉक्स मॉडल।
- एप्पल M3 सीपीयू (8 कोर) पर, समानांतर कार्यान्वयन ने समानांतर ओवरहेड्स के बावजूद 2.52x प्रभावी स्पीडअप (वॉल-क्लॉक टाइम में कमी) प्राप्त किया, जो इसकी व्यावहारिक उपयोगिता को दर्शाता है।

5. महत्व और प्रभाव (Significance and Impact)

अंतर को पाटना (Bridging the Gap): यह कार्य ज़ीरोथ-ऑर्डर सैंपलिंग की सैद्धांतिक सीमाओं और समानांतर हार्डवेयर की व्यावहारिक उपलब्धता के बीच के अंतर को पाटता है। यह सिद्ध करता है कि समांतरीकरण केवल अधिक श्रृंखलाएं चलाने के बारे में नहीं है, बल्कि यह एक एकल श्रृंखला के अभिसरण को मौलिक रूप से तेज कर सकता है।
ब्लैक-बॉक्स संगतता (Black-Box Compatibility): यह विधि इंजीनियरिंग, महामारी विज्ञान और भौतिकी में सामान्य ब्लैक-बॉक्स समस्याओं के लिए अनूठी रूप से उपयुक्त है जहाँ ग्रेडिएंट या तो गणना करना असंभव है या उन्हें अनुमानित करना बहुत महंगा है।
स्केलेबिलिटी (Scalability): यह दिखाते हुए कि $O(\sqrt{d})$ प्रोसेसर अनुकूलतम स्पीडअप के लिए पर्याप्त हैं, यह विधि अत्यधिक उच्च-आयामी समस्याओं के लिए स्केलेबल है जहाँ $O(d)$ प्रोसेसर प्रबंधित करना अव्यावहारिक या महंगा हो सकता है।
व्यावहारिक उपकरण (Practical Tool): एल्गोरिदम को लागू करना सरल है और वे उन अभ्यासकर्ताओं के लिए एक नया उपकरण प्रदान करते हैं जो महंगे, ग्रेडिएंट-फ्री लाइकलीहुड मूल्यांकन से जूझ रहे हैं, जिससे सिमुलेशन समय को दिनों से घंटों में कम करने की संभावना है।

संक्षेप में, ग्राज़ी और ज़ानेला यह प्रदर्शित करते हैं कि पिकार्ड फिक्स्ड-पॉइंट इटरेशन के माध्यम से मार्कोव श्रृंखला सिमुलेशन को देखकर और मेटापोलिस स्वीकृति की पीसवाइज कांस्टेंट प्रकृति का लाभ उठाकर, हम समानांतर कंप्यूटिंग वातावरण में लगभग रैखिक स्पीडअप प्राप्त कर सकते है, जो ज़ीरोथ-ऑर्डर बेयसियन अनुमान के क्षेत्र में अत्याधुनिक स्थिति को महत्वपूर्ण रूप से आगे बढ़ाता है।