🔢 mathematics

Towards Sharp Minimax Risk Bounds for Operator Learning

यह शोध पत्र हिल्बर्ट स्पेस में ऑपरेटर लर्निंग के लिए एक मिनिमैक्स सिद्धांत स्थापित करता है, यह सिद्ध करते हुए कि उच्च नियमितता (regularity) संबंधी धारणाओं के बावजूद, शोरयुक्त नमूनों (noisy samples) से जेनेरिक लिप्सचिट्ज़ ऑपरेटरों को सीखना अनिवार्य रूप से नमूना जटिलता (sample complexity) के अभिशाप से ग्रस्त होता है जहाँ जोखिम किसी भी बीजगणितीय दर (algebraic rate) से कम नहीं हो सकता है।

मूल लेखक: Ben Adcock, Gregor Maier, Rahul Parhi

प्रकाशित 2026-03-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ben Adcock, Gregor Maier, Rahul Parhi

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 कंप्यूटर को मौसम को समझना सिखाने की कोशिश कर रहे हैं। आप केवल एक विशिष्ट शहर के लिए कल के तापमान की भविष्यवाणी नहीं करना चाहते; आप चाहते हैं कि वह वायुमंडल के काम करने के पूरे नियमों की किताब (rulebook) को सीख ले। यदि आप हवा की गति बदलते हैं, तो बारिश का पैटर्न कैसे बदलता है? यदि आप समुद्र के तापमान को बदलते हैं, तो तूफान का रास्ता कैसे बदल जाता है?

गणित और विज्ञान में, इस "नियमों की किताब" को एक ऑपरेटर (operator) कहा जाता है। यह एक ऐसी मशीन है जो एक पूरे फंक्शन (जैसे हवा की गति का एक नक्शा) को लेती है और उसे दूसरे फंक्शन (जैसे बारिश का एक नक्शा) में बदल देती है।

यह शोध पत्र यह पता लगाने के बारे में है कि इन नियमों की किताबों को डेटा का उपयोग करके सीखने की परम सीमा (absolute hardest limit) क्या है। लेखक पूछ रहे हैं: "चाहे हमारा AI कितना भी स्मार्ट क्यों न हो, और हमारे पास कितना भी डेटा क्यों न हो, हम अधिकतम कितनी सटीकता हासिल करने की उम्मीद कर सकते हैं?"

यहाँ उनके निष्कर्षों का विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

1. अनंत पहेली (The Infinite Puzzle)

आमतौर पर, जब हम मशीन लर्निंग करते हैं, तो हम सीमित चीजों से निपटते हैं। जैसे 10 विशेषताओं (आकार, स्थान, आयु) के आधार पर घर की कीमतों की भविष्यवाणी करना। वह एक निश्चित संख्या में टुकड़ों वाली पहेली है।

लेकिन "ऑपरेटर लर्निंग" में, पहेली के टुकड़े अनंत (infinite) हैं। इनपुट केवल एक संख्या नहीं है; यह एक निरंतर वक्र (continuous curve) या एक पूरी छवि है। आउटपुट भी एक निरंतर वक्र है।

उदाहरण: कल्पना कीजिए कि आप एक ऐसे खेल के नियम सीखने की कोशिश कर रहे हैं जहाँ बोर्ड अनंत है, और हर एक वर्ग खेल की स्थिति को बदल सकता है। आप केवल बोर्ड को याद नहीं कर सकते; आपको पूरे ब्रह्मांड के तर्क (logic) को सीखना होगा।

2. "सैंपल कॉम्प्लेक्सिटी का अभिशाप" (The "Curse of Sample Complexity")

इस शोध पत्र की सबसे बड़ी हेडलाइन थोड़ी बुरी खबर है, जिसे वे "सैंपल कॉम्प्लेक्सिटी का अभिशाप" कहते हैं।

सामान्य मशीन लर्निंग में, यदि आप अपने डेटा को दोगुना करते हैं, तो आपकी त्रुटि (error) आमतौर पर एक अनुमानित मात्रा में कम हो जाती है (जैसे त्रुटि को आधा करना)। यह एक "बीजगणितीय" (algebraic) दर है। यह कहने जैसा है कि, "यदि मैं दोगुनी मेहनत करता हूँ, तो मैं दोगुना बेहतर हो जाता हूँ।"

लेखक सिद्ध करते हैं कि इन अनंत-आयामी नियमों की किताबों के लिए, यह काम नहीं करता।

उदाहरण: कल्पना कीजिए कि आप एक बहुत छोटी, धुंधली खिड़की से देखकर एक बादल के आकार का अनुमान लगाने की कोशिश कर रहे हैं। आप कितनी भी बार देखें (आप कितना भी डेटा एकत्र करें), आप केवल उसे देखकर बादल के आकार को कभी भी पूरी तरह से पुनर्निर्मित नहीं कर सकते। आप जितना अधिक देखते हैं, आप उतने ही बेहतर होते जाते हैं, लेकिन सुधार अत्यंत धीमा होता है। यह एक सीधी रेखा नहीं है; यह एक ऐसा वक्र है जो लगभग तुरंत समतल हो जाता है।

वे दिखाते हैं कि "जेनेरिक" ऑपरेटरों (जो अव्यवस्थित और वास्तविक प्रकार के हैं) के लिए, त्रुटि $1/\text{data}$ की तरह कम नहीं होती है। यह $1/\sqrt{\log(\text{data})}$ की तरह कम होती है।

साधारण शब्दों में: थोड़ी सी अधिक सटीक होने के लिए, आपको डेटा की एक विशाल विस्फोट की आवश्यकता होती है। यह एक चम्मच से स्विमिंग पूल भरने जैसा है। आप इसे कर सकते हैं, लेकिन आपको चम्मचों के एक महासागर की आवश्यकता होगी।

3. शोर का कारक (रेडियो पर स्टेटिक)

वास्तविक दुनिया का डेटा कभी भी पूर्ण नहीं होता। इसमें शोर (noise) होता है। शोध पत्र दो प्रकार के शोर को देखता है:

हिल्बर्ट-वैल्यूड शोर (Hilbert-valued noise): रेडियो पर स्टेटिक की तरह, जो अभी भी एक स्पष्ट ध्वनि तरंग है।
व्हाइट नॉइज़ (White noise): शुद्ध, अराजक स्टेटिक की तरह जो इतना तेज है कि अब यह एक तरंग जैसा भी नहीं लगता।

लेखकों ने पाया कि सर्वोत्तम संभव एल्गोरिदम के साथ भी, सिस्टम में मौजूद "स्टेटिक" नियमों की किताब को सीखना अविश्वसनीय रूप से कठिन बना देता है। आपके सीखने की गति डेटा के "स्पेक्ट्रम" पर बहुत अधिक निर्भर करती—बेसिकली, इस पर कि सिग्नल का कितना हिस्सा मजबूत है और कितना कमजोर।

उदाहरण: यदि सिग्नल एक रेडियो स्टेशन की तरह है, तो कुछ आवृत्तियाँ (frequencies) तेज और स्पष्ट हैं (सीखने में आसान), और कुछ बहुत शांत हैं (सीखने में कठिन)। यदि शांत आवृत्तियाँ बहुत तेजी से खत्म हो जाती हैं (exponential decay), तो आप नियम की किताब को काफी अच्छी तरह से सीख सकते हैं। लेकिन यदि शांत आवृत्तियाँ लंबे समय तक बनी रहती हैं (algebraic decay), तो आप एक ऐसे कोहरे में फंस जाते हैं जहाँ सीखना बहुत धीमा हो जाता है।

4. क्या "स्मार्टर" होना मदद करता है?

एक स्वाभाविक प्रश्न यह है: "क्या होगा यदि जिस नियम की किताब को हम सीखने की कोशिश कर रहे हैं वह बहुत स्मूथ और परफेक्ट है? जैसे एक खुरदरे पत्थर के बजाय एक पूरी तरह से पॉलिश की गई संगमरमर की मूर्ति? क्या इससे सीखना आसान हो जाएगा?"

लेखक कहते हैं: नहीं।
वे सिद्ध करते हैं कि भले ही ऑपरेटर अविश्वसनीय रूप से स्मूथ (गणितीय रूप से "होल्डर स्मूथ") हो, फिर भी यह सैंपल कॉम्प्लेक्सिटी के अभिशाप को ठीक नहीं करता है।

उदाहरण: कल्पना कीजिए कि आप एक ड्राइंग को ट्रेस करने की कोशिश कर रहे हैं। यदि ड्राइंग कागज के एक ऐसे टुकड़े पर है जो हिंसक रूप से कंपन कर रहा है (शोर), तो इससे कोई फर्क नहीं पड़ता कि ड्राइंग एक रफ स्केच है या दा विंची की एक उत्कृष्ट कृति। कंपन इसे पूरी तरह से ट्रेस करना असंभव बना देता है। कठिनाई रेखाओं की स्मूथनेस से नहीं, बल्कि शोर और ड्राइंग की अनंत प्रकृति से आती है।

5. "अच्छी खबर" (जब यह असंभव नहीं होता)

हालांकि सामान्य मामला निराशाजनक है, लेखकों ने एक "स्वीट स्पॉट" पाया है। यदि डेटा के छिपे हुए पैटर्न (eigenvalues) अत्यंत तेजी से (exponentially) खत्म होते हैं, तो सीखने की दर बहुत अधिक प्रबंधनीय हो जाती है।

उदाहरण: यदि दूर देखने पर "कोहरा" बहुत जल्दी साफ हो जाता है, तो आप वास्तव में सड़क देख सकते हैं। इन विशिष्ट, दुर्लभ मामलों में, त्रुटि इतनी तेजी से कम होती है कि यह उपयोगी हो जाती है। लेकिन अधिकांश वास्तविक दुनिया की जटिल समस्याओं के लिए, कोहरा घना बना रहता है।

सारांश

यह शोध पत्र विज्ञान के लिए AI के क्षेत्र के लिए एक वास्तविकता की जाँच (reality check) है।

लक्ष्य: डेटा से भौतिकी/गणित के नियमों को सीखना।
वास्तविकता: क्योंकि दुनिया निरंतर और अनंत है, और हमारा डेटा शोर युक्त है, इसलिए सीखने की गति पर एक मौलिक सीमा है।
निष्कर्ष: हम केवल इस समस्या पर अधिक डेटा नहीं डाल सकते और रैखिक सुधारों की उम्मीद नहीं कर सकते। कई जटिल वैज्ञानिक समस्याओं के लिए, "नियमों की किताब" सीखना स्वाभाविक रूप से कठिन है, और हमें यह स्वीकार करना होगा कि हमारे मॉडल में हमेशा एक निश्चित स्तर की अनिश्चितता रहेगी, चाहे हम कितना भी डेटा एकत्र करें।

यह कुछ ऐसा कहने जैसा है, "आप कुछ वाक्यों को पढ़कर किसी भाषा के पूरे शब्दकोश को नहीं सीख सकते, चाहे आप कितने भी स्मार्ट क्यों न हों।" आप एक ऐसी दीवार से टकराते हैं जहाँ ज्ञान के अगले हिस्से को सीखने की लागत अत्यधिक महंगी हो जाती है।

यहाँ बेन एडकॉक, ग्रेगर मेयर, और राहुल पारही के शोध पत्र "Towards Sharp Minimax Risk Bounds for Operator Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र ऑपरेटर लर्निंग (operator learning) की मौलिक सांख्यिकीय सीमाओं को संबोधित करता है, जो वैज्ञानिक मशीन लर्निंग में एक प्रतिमान (paradance) है जहाँ लक्ष्य दो पृथक हिल्बर्ट स्पेस (separable Hilbert spaces) $\mathcal{X}$ और $\mathcal{Y}$ (आमतौर पर अनंत-आयामी) के बीच एक अज्ञात ऑपरेटर $F: \mathcal{X} \to \mathcal{Y}$ को सीखना है।

डेटा मॉडल: शिक्षार्थी (learner) $m$ शोर वाले इनपुट-आउटपुट युग्मों $\{(X_i, Y_i)\}_{i=1}^m$ को देखता है जो निम्नलिखित द्वारा उत्पन्न होते हैं:
$Y_i = F(X_i) + \sigma E_i$
जहाँ $X_i$ डिज़ाइन बिंदु (निश्चित या यादृच्छिक) हैं जो एक माप $\mu$ से लिए गए हैं, और $E_i$ शोर के पद (noise terms) हैं।
शोर मॉडल (Noise Models): लेखक दो मानक शोर व्यवस्थाओं (noise regimes) पर विचार करते हैं:
1. हिल्बर्ट-मूल्य वाला गाऊसी शोर (Hilbert-valued Gaussian noise): $E_i$ एक ट्रेस-क्लास कोवेरिएंस ऑपरेटर के साथ i.i.d. गाऊसी शोर हैं।
2. गाऊसी व्हाइट नॉइज़ (Gaussian white noise): $E_i$ व्हाइट नॉइज़ है (जो लगभग निश्चित रूप से $\mathcal{Y}$ में नहीं है), जिसके लिए अनुमान त्रुटि (estimation error) को परिभाषित करने के लिए हिल्बर्ट स्केल्स (Hilbert scales) का उपयोग आवश्यक है।
उद्देश्य: ऑपरेटरों के एक वर्ग $\mathcal{F}$ (विशेष रूप से समान रूप से परिबद्ध लिप्सचिट्ज़ ऑपरेटरों ( $\mathcal{F}_{B,L}$ ) और उनके स्मूथ समकक्षों (Hölder classes)) से $F$ का अनुमान लगाने के लिए मिनिमैक्स रिस्क (सर्वोत्तम संभावित बदतर-स्थिति त्रुटि) को निर्धारित करना। जोखिम को $L^p_\mu(\mathcal{X}; \mathcal{Y})$ नॉर्म में मापा जाता है।

2. कार्यप्रणाली (Methodology)

लेखक मिलान करने वाले (या निकट-मिलान करने वाले) सूचना-सैद्धांतिक निम्न (lower) और उच्च (upper) सीमाओं को स्थापित करके एक कठोर मिनिमैक्स सिद्धांत विकसित करते हैं।

A. निम्न सीमाएँ (Lower Bounds - Information-Theoretic)

तकनीक: प्रमाण Fano's inequality का उपयोग करके एक बहु-परिकल्पना परीक्षण समस्या (multi-hypothesis testing problem) में न्यूनीकरण (reduction) का उपयोग करता है।
निर्माण: वे इनपुट माप $\mu$ $μ$ के पहले $d$ $d$ आइगेनकोऑर्डिनेट्स (eigencoordinates) में स्थानीयकृत "बम्प" फंक्शन (ऑपरेटरों) के एक सेट का निर्माण करते हैं।
- वे बड़े हैमिंग डिस्टेंस (Hamming distance) वाली बाइनरी अनुक्रमों के एक उपसमुच्चय को निकालने के लिए Varshamov–Gilbert bound का उपयोग करते हैं, जो यह सुनिश्चित करता है कि परिणामी ऑपरेटर $L^p$ मीट्रिक में अलग (separated) हों।
- पृथक्करण दूरी $\mu$ के कोवेरिएंस ऑपरेटर के आइगेनवैल्यूज़ $\{\lambda_i\}$ और लिप्सचिट्ज़ स्थिरांक $L$ पर निर्भर करती है।
मुख्य अंतर्दृष्टि: निम्न सीमा व्युत्पत्ति यह प्रकट करती है कि अनुमान की कठिनाई इनपुट माप के कोवेरिएंस ऑपरेटर के आइगेनवैल्यूज़ $\{\lambda_i\}$ के क्षय दर (decay rate) द्वारा नियंत्रित होती है।

B. उच्च सीमाएँ (Upper Bounds - Algorithmic)

तकनीक: लेखक अनंत आयामों के अनुकूल हिस्टोग्राम-प्रकार के एस्टिमेटर (ब्लॉक एस्टिमेटर) का निर्माण करते हैं।
तंत्र:
- इनपुट स्पेस को पहले $d$ आइगेनकोऑर्डिनेट्स के आधार पर सेल में विभाजित किया जाता है।
- हिल्बर्ट-मूल्य वाले शोर के लिए, एस्टिमेटर प्रत्येक सेल के भीतर अवलोकनों का औसत निकालता है।
- व्हाइट नॉइज़ के लिए, एस्टिमेटर शोर को "वश में करने" (tame करने) के लिए औसत निकालने से पहले आउटपुट को एक सीमित-आयामी उपस्थान (Hilbert scale) पर प्रोजेक्ट करता है।
अनुकूलन (Optimization): एस्टिमेटर के मापदंडों (सेल्स की संख्या, प्रोजेक्शन डायमेंशन) को बायस (bias/approximation error) और वेरिएंस (variance/noise error) के बीच संतुलन बनाने के लिए अनुकूलित किया जाता है, जिससे आइगेनवैल्यू क्षय प्रोफाइल पर निर्भर दरें प्राप्त होती हैं।

3. मुख्य योगदान और परिणाम

A. सैंपल कॉम्प्लेक्सिटी का अभिशाप (The Curse of Sample Complexity)

सबसे महत्वपूर्ण गुणात्मक निष्कर्ष यह है कि ऑपरेटर लर्निंग "सैंपल कॉम्प्लेक्सिटी के अभिशाप" से ग्रस्त है।

परिणाम: सामान्य लिप्सचिट्ज़ ऑपरेटरों के लिए, मिनिमैक्स रिस्क सैंपल आकार $m$ के संबंध में किसी भी बीजगणितीय दर (algebraic rate) (अर्थात, $O(m^{-\gamma})$ ) के साथ घट नहीं सकता है, चाहे आइगेनवैल्यूज़ कितनी भी तेजी से क्षय क्यों न हों।
निहितार्थ: अनंत डेटा के साथ भी, त्रुटि किसी भी बहुपद दर (polynomial rate) से धीमी गति से घटती है। यह परिमित-आयामी नॉनपैरामेट्रिक रिग्रेशन के विपरीत है, जहाँ बीजगणितीय दरें मानक हैं।

B. आइगेनवैल्यू क्षय द्वारा सटीक लक्षण वर्णन (Sharp Characterizations by Eigenvalue Decay)

शोध पत्र इनपुट माप के आइगेनवैल्यूज़ के क्षय प्रोफाइल के आधार पर सटीक दरें प्रदान करता है:

घातांकीय क्षय (Exponential Decay: $\lambda_i = e^{-\tau i^\omega}, \omega \ge 1$ ):
- लेखक सटीक (tight) ऊपरी और निचली सीमाएं स्थापित करते हैं।
- लॉग-मिनिमैक्स रिस्क इस प्रकार स्केल होता है:
  $-\log(\text{Risk}) \asymp (\log(m/\sigma^2))^{\frac{\omega}{\omega+1}}$
- फलस्वरूप, रिस्क इस प्रकार घटता है:
  $\text{Risk} \asymp \exp\left( -C (\log(m/\sigma^2))^{\frac{\omega}{\omega+1}} \right)$
- यह उप-बीजगणितीय (sub-algebraic) ( $m^{-\gamma}$ से धीमा) लेकिन सुपर-लॉगैरिथमिक (super-logarithmic) है।
बीजगणितीय क्षय (Algebraic Decay: $\lambda_i = i^{-\tau}$ ):
- सीमाएं मिलान करने वाली नहीं हैं लेकिन अत्यंत धीमी अभिसरण (convergence) का संकेत देती हैं।
- निचली सीमा $\exp(-C\sqrt{\log m})$ के क्षय का सुझाव देती है, जबकि ऊपरी सीमा पॉलीलॉगैरिथमिक (polylogarithmic) है।
- लेखकों का अनुमान है कि वास्तविक दर पॉलीलॉगैरिथमिक है: $(\log m)^{-\tau/2}$ ।
डबल-एक्सपोनेंशियल क्षय (Double-Exponential Decay: $\lambda_i = e^{-e^{\tau i}}$ ):
- इस शासन (regime) में, मिनिमैक्स रिस्क $m$ की डबल-एक्सपोनेंशियलली बड़ी रेंज के लिए लगभग बीजगणितीय दर प्राप्त करता है।
- विशेष रूप से, त्रुटि $(m/\sigma^2)^{-C/\log\log(m/\sigma^2)}$ की तरह व्यवहार करती है।

C. नियमितता (Regularity) मदद नहीं करती

शोध पत्र यह जांचता है कि क्या उच्च नियमितता (जैसे, $C^{k,\alpha}$ Hölder smoothness) मानने से दरों में सुधार होता है।

परिणाम: नहीं। किसी भी परिमित नियमितता $k$ के लिए, मिनिमैक्स दरें लिप्सचिट्ज़ मामले के समान ही रहती हैं (स्थिरांकों तक)।
महत्व: यह सिद्ध करता है कि "सैंपल कॉम्प्लेक्सिटी का अभिशाप" ऑपरेटर की स्मूथनेस को मानने से नहीं, बल्कि समस्या की अनंत-आयामी प्रकृति से आंतरिक रूप से जुड़ा है।

D. परिमित-आयामी दरों की प्राप्ति (Recovery of Finite-Dimensional Rates)

यह ढांचा इतना सामान्य है कि यह परिमित-आयामी लिप्सचिट्ज़ फलनों (जैसे कॉम्पैक्ट डोमेन पर) के लिए शास्त्रीय मिनिमैक्स दरों को एक विशेष मामले के रूप में पुनः प्राप्त कर सकता है, जो सिद्धांत को मान्य करता है।

4. महत्व और प्रभाव

मौलिक सीमाएँ (Foundational Limits): यह कार्य ऑपरेटर लर्निंग के लिए पहला सामान्य मिनिमैक्स सिद्धांत प्रदान करता है, जो केवल एप्रोक्सिमेशन-थ्योरेटिक सीमाओं (जो अनंत डेटा या विशिष्ट आर्किटेक्चर मानती हैं) से आगे बढ़कर मौलिक सांख्यिकीय सीमाओं तक जाता है।
"जटिलता" का स्पष्टीकरण: यह पैरामीट्रिक जटिलता (आवश्यक मापदंडों की संख्या) और डेटा जटिलता (नमूनों की आवश्यकता) के बीच अंतर करता है। यह दिखाता है कि भले ही कोई आर्किटेक्चर ऑपरेटर को अच्छी तरह से अनुमानित कर सके, लेकिन शोर वाले डेटा से इसे सीखने की सांख्यिकीय कठिनाई गंभीर है।
अभ्यासकर्ताओं के लिए मार्गदर्शन: परिणाम बताते हैं कि जेनेरिक ऑपरेटर लर्निंग समस्याओं (जैसे PDE समाधान मानचित्र) के लिए, मानक बीजगणितीय अभिसरण दरों की अपेक्षा नहीं की जानी चाहिए। सफलता इनपुट माप के स्पेक्ट्रल गुणों (आइगेनवैल्यू क्षय) पर बहुत अधिक निर्भर करती है। यदि आइगेनवैल्यू धीरे-धीरे क्षय होते हैं (बीजगणितीय), तो लर्निंग अत्यधिक डेटा-अकुशल होती है।
शोर मजबूती (Noise Robustness): हिल्बर्ट-मूल्य वाले और व्हाइट नॉइज़ का एकीकृत उपचार अनंत-आयामी शोर से निपटने की चुनौतियों को संभालने के लिए एक मजबूत सैद्धांतिक ढांचा प्रदान करता है, जो PDE-प्रतिबंधित व्युत्क्रम समस्याओं (inverse problems) में सामान्य है।

निष्कर्ष

यह शोध पत्र स्थापित करता है कि अनंत-आयामी स्थानों के बीच ऑपरेटरों को सीखना, परिमित-आयामी फलनों को सीखने की तुलना में मौलिक रूप से कठिन है। "सैंपल कॉम्प्लेक्सिटी का अभिशाप" यह बताता है कि लिप्सचिट्ज़ और हॉल्डर ऑपरेटरों के लिए त्रुटि कम करना स्वाभाविक रूप से धीमा (उप-बीजगणितीय) है, चाहे ऑपरेटर की स्मूथनेस या उपयोग किया गया विशिष्ट आर्किटेक्चर कुछ भी हो। अभिसरण की दर लगभग पूरी तरह से इनपुट डेटा वितरण के स्पेक्ट्रल क्षय द्वारा निर्धारित होती है।