🔢 mathematics

Digital Twins: McKean-Pontryagin Control for Partially Observed Physical Twins

यह शोध पत्र डिजिटल ट्विन्स जैसे आंशिक रूप से प्रेक्षित भौतिक प्रणालियों के लिए एक वास्तविक समय अनुकूल नियंत्रण ढांचे का प्रस्ताव करता है, जो डेटा आत्मसात (डेटा एसिमिलेशन) करने और फॉरवर्ड-इवॉल्विंग मीन-फील्ड समीकरणों के माध्यम से नियंत्रण नियमों की गणना करने के लिए एन्सेम्बल कलमन फ़िल्टर को मैककेन-पॉन्ट्रैगिन दृष्टिकोण के साथ एकीकृत करके इसे एक साथ निष्पादित करता है।

मूल लेखक: Manfred Opper, Sebastian Reich

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Manfred Opper, Sebastian Reich

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 घने, घूमते हुए कोहरे के बीच एक जहाज को दिशा देने की कोशिश कर रहे हैं। आप जहाज को खुद नहीं देख सकते (यह "भौतिक जुड़वां" या "Physical Twin" है), लेकिन आपके पास एक रडार स्क्रीन है जो धुंधले, शोर वाले संकेतों (blips) को दिखा रही है जो आपको मोटे तौर पर बताते हैं कि वह कहाँ हो सकता है। आपका लक्ष्य जहाज को इस तरह चलाना है कि वह टकरा न जाए, लेकिन आप केवल उन धुंधले संकेतों के आधार पर ही निर्णय ले सकते हैं।

यह शोध पत्र इस समस्या को हल करने का एक नया तरीका प्रस्तुत करता है, जिसे एक "डिजिटल ट्विन" (Digital Twin)—कंप्यूटर पर रहने वाली उस जहाज की एक आभासी प्रति—का उपयोग करके सुलझाया गया है।

यहाँ इसका सरल विवरण दिया गया है कि लेखक, मैनफ्रेड ओपर और सेबस्टियन रीच, क्या कर रहे हैं:

1. समस्या: अंधेरे में दिशा देना

आमतौर पर, यदि आप किसी जटिल प्रणाली (जैसे कि कोई रोबोट, मौसम का पैटर्न, या पेंडुलम) को नियंत्रित करना चाहते हैं, तो आपको यह जानने की आवश्यकता होती है कि वह हर क्षण वास्तव में कहाँ है। लेकिन वास्तविक दुनिया में, सेंसर दोषपूर्ण होते हैं। आपको शोर वाला डेटा मिलता है, और अक्सर आप पूरी तस्वीर नहीं देख पाते।

भौतिक जुड़वां (The Physical Twin): वास्तविक वस्तु (जैसे कि पेंडुलम या एक अराजक मौसम प्रणाली)। यह चल रही है, लेकिन हम इसे केवल एक "धुंधली खिड़की" (शोर वाले मापन) के माध्यम से देखते हैं।
डिजिटल जुड़वां (The Digital Twin): उस वस्तु का एक कंप्यूटर सिमुलेशन।
चुनौती: आप वास्तविक वस्तु के लिए सर्वोत्तम स्टीयरिंग कमांड (नियंत्रण) कैसे निकाल सकते हैं जब आप यह नहीं जानते कि वह वास्तव में कहाँ है, बल्कि केवल यह जानते हैं कि वह संभवतः कहाँ है?

2. पुराना तरीका बनाम नया तरीका

पुराना तरीका (पृथक्करण सिद्धांत - Separation Principle): पारंपरिक रूप से, इंजीनियर दो अलग-अलग काम करते थे:
1. अनुमान लगाना कि वस्तु कहाँ है (डेटा आत्मसात करना/Data Assimilation)।
2. एक ऐसा सर्वोत्तम स्टीयरिंग कमांड निकालना जैसे कि वह अनुमान 100% सत्य हो।
- दोष: यह "अनुमान" और "स्टीयरिंग" को दो अलग-अलग चरणों के रूप में मानता है। यह अक्सर तब विफल हो जाता है जब प्रणाली अत्यधिक अराजक (chaotic) या गैर-रेखीय (non-linear) होती है क्योंकि अनुमान में अनिश्चितता स्टीयरिंग की गणना को बिगाड़ देती है।
नया तरीका ("मैककेन-पॉन्ट्रैगिन" नृत्य - The "McKean–Pontryagin" Dance): लेखक एक ऐसी विधि प्रस्तावित करते हैं जहाँ "अनुमान लगाना" और "स्टीयरिंग करना" एक साथ होता है और वे वास्तविक समय में एक-दूसरे को प्रभावित करते हैं। वे दो शक्तिशाली गणितीय उपकरणों को मिलाते हैं:
1. एन्सेम्बल कलमन फ़िल्टर (The Ensemble Kalman Filter): इसे 100 "भूतिया जहाजों" (कणों/particles) की एक टीम के रूप में सोचें जो कंप्यूटर पर चल रहे हैं। वे सभी वास्तविक जहाज की नकल करने की कोशिश करते हैं। जब नया धुंधला रडार डेटा आता है, तो टीम डेटा के साथ बेहतर तालमेल बिठाने के लिए अपनी स्थिति को अपडेट करती है।
2. मैककेन-पॉन्ट्रैगिन दृष्टिकोण (The McKean–Pontryagin Approach): यह आगे के सबसे अच्छे पथ को खोजने के लिए एक परिष्कृत नियम पुस्तिका है। केवल यह देखने के बजाय कि जहाज कहाँ हैं, यह प्रत्येक भूतिया जहाज के लिए एक "छाया" या "को-स्टेट" (co-state) की भी गणना करता है। यह छाया जहाज को बताती है कि भविष्य की समस्याओं को कम करने के लिए उसे कितना हिलना चाहिए।
यह कैसे काम करता है: कल्पना करें कि एक डांस फ्लोर पर $M$ नर्तक (कण) हैं।
डेटा: हर कुछ सेकंड में, एक लाउडस्पीकर वास्तविक जहाज के बारे में एक शोर वाला सुराग घोषित करता है।
अपडेट: सभी नर्तक उस सुराग से मेल खाने के लिए तुरंत अपनी स्थिति को समायोजित करते हैं।
नियंत्रण: उसी समय, प्रत्येक नर्तक एक "छाया" (को-स्टेट) पकड़े हुए होता है। वे अपनी छाया और अपने पड़ोसियों की छाया को देखते हैं और तय करते हैं: "यदि मैं इस दिशा में हिलता हूँ, तो क्या मैं भविष्य में दुर्घटना से बच पाऊँगा?"
परिणाम: कंप्यूटर इन सभी नर्तकों के निर्णयों का औसत निकालता है ताकि वास्तविक जहाज के लिए एक एकल स्टीयरिंग कमांड बनाया जा सके।

क्योंकि नर्तक नए डेटा के आधार पर अपनी स्थिति को लगातार अपडेट करते हैं और साथ ही अपने भविष्य के कदमों की गणना भी करते हैं, इसलिए प्रणाली तुरंत अनुकूलित हो जाती है। यह केवल यह पता लगाने के लिए नहीं रुकता कि स्थिति क्या है और फिर स्टीर्ष करने का निर्णय लेता है; यह दोनों कार्य एक साथ करता है।

3. उन्होंने क्या परीक्षण किया

लेखकों ने यह सिद्ध करने के लिए कि यह काम करता है, इस "नृत्य" का तीन अलग-अलग परिदृश्यों पर परीक्षण किया:

अराजक मौसम प्रणाली (Lorenz-63): अराजक मौसम का एक प्रसिद्ध मॉडल। उन्होंने सिस्टम को ग्राफ के धनात्मक पक्ष पर बनाए रखने की कोशिश की।
- परिणाम: एक मजबूत "स्टीयरिंग हाथ" (नियंत्रण सीमा) के साथ, वे अराजकता को वश में कर सकते थे और सिस्टम को स्थिर रख सकते थे। कमजोर हाथ के साथ, यह डगमगाता रहा लेकिन क्रैश नहीं हुआ।
इनवर्टेड पेंडुलम (Inverted Pendulus): कल्पना कीजिए कि आप अपने हाथ पर एक झाड़ू को संतुलित कर रहे हैं। लक्ष्य इसे सीधा खड़ा रखना है (जो स्वाभाविक रूप से अस्थिर है)।
- परिणाम: बहुत कम "भूतिया नर्तकों" (केवल 3 कणों) के साथ भी, सिस्टम ने झाड़ू को सफलतापूर्वक संतुलित किया, उसे विश्राम की स्थिति से अस्थिर ऊर्ध्वाधर स्थिति तक पहुँचाया और वहीं बनाए रखा।
उच्च-आयामी अराजकता (Lorenz-96): एक बहुत अधिक जटिल प्रणाली जिसमें 40 चर (variables) हैं, जो एक बड़े मौसम पैटर्न का अनुकरण करती है।
- परिणाम: उन्होंने उच्च जटिलता और शोर के बावजूद सिस्टम को सफलतापूर्वक स्थिर किया (ऊर्जा को कम रखा), जिससे सिद्ध हुआ कि यह विधि बड़े पैमाने पर भी काम करती है।

4. मुख्य निष्कर्ष (The Takeaway)

यह शोध पत्र दावा करता है कि इंटरैक्टिंग पार्टिकल्स का उपयोग करके डेटा आत्मसात करने (शोर वाले डेटा के साथ मॉडल को अपडेट करना) और इष्टतम नियंत्रण (सबसे अच्छे भविष्य के पथ की गणना करना) को एक एकल, साथ-साथ चलने वाली प्रक्रिया में मिलाकर, हम एक ऐसा "डिजिटल ट्विन" बना सकते हैं जो उन प्रणालियों के वास्तविक समय नियंत्रण के लिए आदर्श है जिन्हें हम स्पष्ट रूप से नहीं देख सकते।

यह एक सह-पायलट होने जैसा है जो न केवल मानचित्र को देखता है, बल्कि कोहरे के बीच कार चलाते समय लगातार सबसे अच्छा रास्ता भी पुनर्गणना करता है, और सूचना का एक नया टुकड़ा मिलते ही तुरंत स्टीयरिंग व्हील को समायोजित करता है।

महत्वपूर्ण नोट: लेखक स्पष्ट रूप से कहते हैं कि हालांकि यह इन गणितीय मॉडलों (मौसम और पेंडुलम) के लिए काम करता है, लेकिन उन्होंने अभी तक इसका परीक्षण वास्तविक दुनिया के नैदानिक अनुप्रयोगों या विशिष्ट इंजीनियरिंग हार्डवेयर पर नहीं किया है। ध्यान पूरी तरह से गणितीय ढांचे और सिम्युलेटेड वातावरण में इसके प्रदर्शन पर है।

यहाँ मैनफ्रेड ओपर और सेबेस्टियन रीच के शोध पत्र "Digital Twins: McKean–Pontryagin Control for Partially Observed Physical Twins" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र डिजिटल ट्विन (Digital Twin) प्रतिमान के भीतर आंशिक रूप से प्रेक्षित भौतिक प्रणालियों (physical twins) के लिए इष्टतम नियंत्रण (optimal control) की चुनौती को संबोधित करता है।

परिदृश्य: एक भौतिक प्रणाली एक नियंत्रित स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) के अनुसार विकसित होती है। हालाँकि, इसकी वास्तविक अवस्था ( $X^\dagger_t$ ) अज्ञात है और इसे केवल शोरयुक्त (noisy), अप्रत्यक्ष और असतत-समय मापों ( $Y^\dagger_{t_n}$ ) के माध्यम से ही समझा जा सकता है।
लक्ष्य: ऐसे नियंत्रण नियम ( $U_t$ ) प्राप्त करना जो अनंत-क्षितिज (infinite-horizon) डिस्काउंटेड लागत फलन को कम करें। महत्वपूर्ण बात यह है कि नियंत्रण को वास्तविक अवस्था के बजाय विश्वास अवस्था (belief state - यानी अवलोकनों के आधार पर अवस्था का सशर्त संभाव्यता वितरण $\pi_t$ ) पर निर्भर होना चाहिए।
चुनौती:
- मानक इष्टतम नियंत्रण विधियाँ (जैसे बेलमैन का सिद्धांत या पोंट्रियागिन का अधिकतम सिद्धांत) पूर्ण दृश्यता (full observability) मानकर चलती हैं।
- आंशिक रूप से प्रेक्षित प्रणालियों के लिए, यह समस्या सैद्धांतिक रूप से संभाव्यता वितरणों के स्थान पर हैमिल्टन-जैकोबी-बेलमैन (HJB) समीकरण या फॉरवर्ड-बैकवर्ड स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशंस (FB-SPDEs) की ओर ले जाती है।
- ये समीकरण उच्च-आयामी प्रणालियों के लिए कम्प्यूटेशनल रूप से अव्यवहार्य हैं, और वर्तमान में स्केलेबल एल्गोरिदम उपलब्ध नहीं हैं।
- मौजूदा सन्निकटन (approximations) अक्सर सेपरेशन प्रिंसिपल (separation principle) पर निर्भर करते हैं (पहले अवस्था का अनुमान लगाना, फिर पूर्णतः प्रेक्षित मामले के लिए इष्टतम नियंत्रण लागू करना), जो गैर-रैखिक प्रणालियों के लिए उप-इष्टतम (suboptimal) होता है।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन ढांचा प्रस्तावित करते हैं जो डेटा आत्मसात (Data Assimilation - विशेष रूप से एनसेम्बल कलमन फ़िल्टर) को स्टोकेस्टिक इष्टतम नियंत्रण के मैकन-पोंट्रियागिन (McKean–Pontryagin) दृष्टिकोण के साथ जोड़ता है। इसके परिणामस्वरूप अवस्था और को-स्टेट (adjoint variable) दोनों का प्रतिनिधित्व करने वाले परस्पर क्रिया करने वाले कणों (interacting particles) का एक तंत्र प्राप्त होता है।

A. मुख्य घटक

एनसेम्बल कलमन फ़िल्टर (EnKF): भौतिक ट्विन के मापों के आधार पर डिजिटल ट्विन की अवस्था वितरण को अपडेट करने के लिए उपयोग किया जाता है। शोध पत्र $\pi_t$ को अनुमानित करने के लिए EnKF के मीन-फील्ड फॉर्मूलेशन (निरंतर समय के लिए एनसेम्बल कलमन-ब्यूसी फ़िल्टर और असतत समय के लिए EnKF) का उपयोग करता है।
मैकन-पोंट्रियागिन फॉर्मूलेशन: HJB समीकरण को हल करने के बजाय, लेखक अनंत-क्षितिज समस्याओं के लिए पोंट्रियागिन के न्यूनतम सिद्धांत के पुनर्गठन का उपयोग करते हैं। इसमें शामिल है:
- अवस्थाएँ ( $X_t$ ): समय में आगे की ओर विकसित होती हैं।
- को-स्टेट्स ( $P_t$ ): ये भी समय में आगे की ओर विकसित होते हैं (क्लासिकल स्टोकेस्टिक कंट्रोल के विपरीत जो पीछे की ओर विकसित होते हैं), जो वैल्यू फंक्शन के ग्रेडिएंट से जुड़े होते हैं।
- मीन-फील्ड इंटरेक्शन: व्यक्तिगत कणों का विकास संपूर्ण एनसेम्बल के एम्पिरिकल वितरण पर निर्भर करता है।

B. प्रस्तावित एल्गोरिदम

यह विधि $M$ परस्पर क्रिया करने वाले कणों $(X^{(i)}_t, P^{(i)}_t)$ के रूप में एक डिजिटल ट्विन का निर्माण करती है:

अवस्था का विकास (State Evolution): अवस्था कण भौतिक गतिकी के अनुसार विकसित होते हैं, जिसमें एक नियंत्रण पद और एक डेटा आत्मसात सुधार पद (जो प्रेक्षित और अनुमानित मापों के बीच के अंतर द्वारा संचालित होता है) जोड़ा जाता है।
को-स्टेट का विकास (Co-state Evolution): को-स्टेट कण हैमिल्टोनियन डेंसिटी से प्राप्त एक फॉरवर्ड समीकरण के अनुसार विकसित होते हैं। इसमें डिस्काउंट फैक्टर, रनिंग कॉस्ट का ग्रेडिएंट और श्रोडिंगर ब्रिज सन्निकटन से प्राप्त इंटरेक्शन पद शामिल हैं।
नियंत्रण नियम (Control Law): $U^*_t$ को को-स्टेट्स के एनसेम्बल औसत के आधार पर एक ओपन-लूप नियंत्रण के रूप में परिकलित किया जाता है:
$U^*_t = -\frac{1}{M} \sum_{i=1}^M G(X^{(i)}_t)^T P^{(i)}_t$
यह नियंत्रण अवस्था अनुमान के साथ ही सह-विकसित होता है, जिससे सख्त सेपरेशन प्रिंसिपल से बचा जा सके।
सन्निकटन (Approximations):
- नाडाराया-वाटनासन कर्नेल रिग्रेशन: कण एनसेम्बल से फलन $\psi_t(x)$ (अवस्थाओं को को-स्टेट्स से जोड़ने वाला) को अनुमानित करने के लिए उपयोग किया जाता है।
- श्रोडिंगर ब्रिज: डिफ्यूजन प्रक्रिया के जनरेटर से उत्पन्न होने वाले ड्रिफ्ट पदों को अनुमानित करने के लिए उपयोग किया जाता है।
- कोवेरियेंस लोकलाइजेशन (Covariance Localization): उच्च-आयामी प्रणालियों के लिए (जहाँ $M \ll dx$ ) लागू किया जाता है ताकि सिंगुलर कोवेरियंस मैट्रिसेस को रोका जा सके और कम्प्यूटेशनल लागत कम की जा सके।

3. प्रमुख योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): यह शोध पत्र आंशिक रूप से प्रेक्षित प्रणालियों को संभालने के लिए डेटा आत्मसात (EnKF) और अनंत-क्षितिज इष्टतम नियंत्रण (Mcckean–Pontryagin) के बीच के अंतर को पाटता है।
ऑनलाइन गणना (Online Computation): प्रस्तावित विधि फिल्टरिंग वितरण और नियंत्रण नियम दोनों की एक साथ ऑनलाइन गणना की अनुमति देती है। दोनों समय में आगे की ओर विकसित होते हैं, जो इसे वास्तविक समय के डिजिटल ट्विन अनुप्रयोगों के लिए उपयुक्त बनाता है।
पार्टिकल-आधारित कार्यान्वयन: इसका व्युत्पन्न एक सुलभ इंटरैक्टिंग पार्टिकल सिस्टम की ओर ले जाता है जिसे उच्च-आयामी PDEs को हल किए बिना संख्यात्मक रूप से लागू किया जा सकता है।
सैद्धांतिक विस्तार: यह डेटा आत्मसात सुधार को ध्यान में रखते हुए को-स्टेट समीकरण में ड्रिफ्ट टर्म को संशोधित करके मैककन-पोंट्रियागिन दृष्टिकोण (जो पहले पूर्णतः प्रेक्षित प्रणालियों के लिए था) को आंशिक रूप से प्रेक्षित सेटिंग में विस्तारित करता है।

4. संख्यात्मक परिणाम (Numerical Results)

लेखक तीन अलग-अलग प्रणालियों पर अपनी कार्यप्रणाली को सत्यापित करते हैं:

नियंत्रित लोरेन्ज़-63 प्रणाली (Controlled Lorenz-63 System):
- कार्य: अराजक प्रक्षेपवक्र (chaotic trajectory) को धनात्मक $x$ -डोमेन ( $x_t \geq 0$ ) के भीतर सीमित करना।
- परिणाम: पद्धति ने प्रणाली को सफलतापूर्वक स्थिर किया। उच्च नियंत्रण सीमा ( $|U| \leq 100$ ) के साथ, अराजक प्रकृति समाप्त हो गई और प्रणाली एक अर्ध-आवर्ती कक्षा (quasi-periodic orbit) में स्थिर हो गई। कम सीमा ( $|U| \leq 50$ ) के साथ, ऋणात्मक मानों की ओर कुछ संक्रमण हुए, लेकिन प्रणाली बद्ध (bounded) रही।
- मजबूती (Robustness): यह दृष्टिकोण एक छोटे एनसेम्बल आकार ( $M=4$ ) के साथ प्रभावी ढंग से काम कर गया, जो कम्प्यूटेशनल मजबूती को दर्शाता है।
इनवर्टेड पेंडुलम (Inverted Pendulum):
- कार्य: स्थिर नीचे की स्थिति ( $\theta = 0$ ) से शुरू होकर, पेंडुलम को अस्थिर ऊर्ध्वाधर संतुलन ( $\theta = \pi$ ) पर स्थिर करना।
- परिणाम: डिजिटल ट्विन ने प्रणाली को स्थिर स्थिति से अस्थिर स्थिति तक सफलतापूर्वक पहुँचाया और वहां बनाए रखा, भले ही इसके लिए केवल $M=3$ कणों का उपयोग किया गया हो। कोण और वेग के लिए अनुमान त्रुटि (estimation error) कम रही।
नियंत्रित लोरेन्ज़-96 प्रणाली (उच्च-आयामी):
- कार्य: 40-आयामी अराजक प्रणाली को शून्य अवस्था ( $x=0$ ) पर स्थिर करना।
- परिणाम: पद्धति ने अराजक गतिकी को प्रभावी ढंग से दबा दिया, जिससे ऊर्जा नॉर्म (energy norm) शून्य हो गया। इसने दिखाया कि कोवेरियंस लोकलाइजेशन और इन्फ्लेशन तकनीकों के संयोजन के साथ यह दृष्टिकोण उच्च आयामों तक स्केलेबल है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

वास्तविक समय प्रयोज्यता (Real-Time Applicability): बैकवर्ड SPDEs या उच्च-आयामी HJB समीकरणों को हल करने से बचकर, यह विधि जटिल, आंशिक रूप से प्रेक्षित भौतिक प्रणालियों के वास्तविक समय नियंत्रण के लिए एक कम्प्यूटेशनल रूप से व्यवहार्य मार्ग प्रदान करती है।
सेपरेशन प्रिंसिपल से परे: पारंपरिक दृष्टिकोणों के विपरीत जो अनुमान और नियंत्रण को अलग करते हैं (जो गैर-रैखिक प्रणालियों के लिए उप-इष्टतम है), यह पद्धति उन्हें एकीकृत करती है, जिससे नियंत्रण नियम विकसित होती अनिश्चितता (belief state) के अनुसार गतिशील रूप से अनुकूलित हो सकता है।
डिजिटल ट्विन प्रतिमान: यह कार्य "सक्रिय" डिजिटल ट्विन के लिए एक ठोस गणितीय और कम्प्यूटेशनल ब्लूप्रिंट प्रदान करता है जो न केवल एक भौतिक प्रणाली की नकल करते हैं, बल्कि शोरयुक्त सेंसर डेटा के आधार पर वास्तविक समय में इसके व्यवहार को सक्रिय रूप से अनुकूलित भी करते हैं।
भावी कार्य: लेखक नोट करते हैं कि हालांकि संख्यात्मक परिणाम आशाजनक हैं, इस सन्निकटन की अभिसरण (convergence) और त्रुटि सीमाओं की कठोर गणितीय जांच अभी भी एक खुला प्रश्न है। यहाँ तक कि उच्च-आयामी प्रणालियों के विस्तार के लिए लोकलाइजेशन रणनीतियों के और अधिक परिष्करण की आवश्यकता है।

संक्षेप में, ओपर और रीच एक शक्तिशाली, पार्टिकल-आधारित नियंत्रण रणनीति प्रस्तुत करते हैं जो डेटा आत्मसात और इष्टतम नियंत्रण को एकीकृत करती है, जो डिजिटल ट्विन के युग में आंशिक रूप से प्रेक्षित स्टोकेस्टिक प्रणालियों के नियंत्रण के लिए एक व्यावहारिक समाधान प्रदान करती है।