🔢 mathematics

Milstein-type Schemes for Hyperbolic SPDEs

यह शोध पत्र मल्टीप्लिकेटिव गॉसियन नॉइज़ वाले हाइपरबोलिक सेमीलीनियर स्टोकेस्टिक इवोल्यूशन इक्वेशंस को अनुमानित करने वाले मिल्स्टीन-प्रकार के स्कीम्स के लिए प्रथम क्रम की अनुकूल पथवार समान स्ट्रॉन्ग कन्वर्जेंस दरें स्थापित करता है, जो पैराबोलिक से हाइपरबोलिक सेटिंग्स तक पिछले परिणामों का विस्तार करता है और स्टोकेस्टिक श्रोडिंगर समीकरण जैसे समीकरणों पर संख्यात्मक प्रयोगों के माध्यम से सिद्धांत को मान्य करता है।

मूल लेखक: Felix Kastner, Katharina Klioba

प्रकाशित 2026-06-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felix Kastner, Katharina Klioba

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 उथल-पुथल भरी नदी में बहते हुए एक पत्ते के मार्ग की भविष्यवाणी करने की कोशिश कर रहे हैं। नदी में एक स्थिर धारा है (वह "निश्चित" हिस्सा), लेकिन वह अप्रत्याशित, यादृच्छिक हवा के झोंकों (वह "शोर" या "नॉइज़" हिस्सा) से भी प्रभावित हो रही है। गणित में, इसे एक समीकरण द्वारा मॉडल किया जाता है जिसे स्टोकेस्टिक पार्शियल डिफरेंशियल इक्वेशन (SPDE) कहा जाता है।

यह लेख इस बारे में है कि कंप्यूटर पर इन समीकरणों को हल करने के लिए किस विशिष्ट उपकरण का उपयोग किया जाता है। आइए जटिल गणित को एक तूफानी समुद्र में रास्ता खोजने की कहानी में बदल दें।

1. समस्या: "हाफ-स्टेप" (आधे कदम) की सीमा

लंबे समय तक, गणितज्ञों के पास इन यादृच्छिक रास्तों को सिम्युलेट करने का एक मानक तरीका था, जिसे यूलर मेथड (Euler method) कहा जाता था। इसे ऐसे समझें जैसे आप एक ऐसी सैर पर निकल रहे हैं जहाँ आप अपना अगला कदम तय करने के लिए हर एक मिनट में केवल एक बार हवा की दिशा देखते हैं।

चुनौती: क्योंकि हवा आपके कदमों के बीच में ही यादृच्छिक रूप से बदल जाती है, इसलिए यह विधि स्वाभाविक रूप से गलत होती है। आप अपने कदमों को कितना भी छोटा क्यों न कर लें, त्रुटि (error) केवल स्टेप साइज के वर्गमूल (square root) के कारक से ही कम होती है।
रूपक: यह आँखों पर पट्टी बांधकर कार चलाने जैसा है, जहाँ आप केवल एक मिनट में एक बार जीपीएस (GPS) चेक करते हैं। आप रास्ता भटक जाएंगे, और अपने चेक को अधिक बार (छोटे कदम) करने से आप केवल थोड़ा ही कम भटकेंगे, पूरी तरह सटीक नहीं होंगे।

लेखक हाइपरबोलिक SPDEs (Hyperbolic SPDEs) पर ध्यान केंद्रित करते हैं। सरल शब्दों में, ये वे समीकरण हैं जो तरंगों (जैसे ध्वनि, प्रकाश या जल तरंगों) का वर्णन करते हैं जो एक सीमित गति से चलती हैं। गर्मी के फैलने (जो चीजों को सुचारू बनाता है) के विपरीत, तरंगें अपने तीखे किनारों और यादृच्छिकता को बनाए रखती हैं। यह उन्हें सटीक रूप से सिम्युलेट करना बहुत कठिन बना देता है।

2. समाधान: "मिलस्टीन" अपग्रेड (Milstein Upgrade)

यह शोध पत्र एक बेहतर उपकरण पेश करता है जिसे मिलस्टीन स्कीम (Milstein scheme) कहा जाता है।

यह कैसे काम करता है: केवल एक मिनट में एक बार हवा की जांच करने के बजाय, मिलस्टीन स्कीम पूछती है, "यदि हवा ने मुझे इस दिशा में धकेला, तो वह हवा के भविष्य के धक्के को कैसे बदलेगा?" यह हवा के 'ढलान' (slope) को देखने के लिए थोड़े कैलकुलस का उपयोग करती है ताकि मार्ग की अधिक बुद्धिमानी से भविष्यवाणी की जा सके।
परिणाम: यह सिमुलेशन को बहुत अधिक सटीक बनाने की अनुमति देता है। यदि मानक विधि एक "हाफ-स्टेप" (त्रुटि धीरे-धीरे कम होती है) है, तो मिलस्टीन विधि एक "फुल-स्टेप" (त्रुटि बहुत तेजी से कम होती है) है।

3. नई खोज: "रैशनल" बनाम "एक्सपोनेंशियल"

लेखकों ने केवल मानक मिलस्टीन विधि का उपयोग नहीं किया; उन्होंने नदी में रास्ता खोजने के लिए उपयोग किए जाने वाले दो अलग-अलग प्रकार के "मानचित्रों" (गणितीय सन्निकटन/approximations) के लिए इसमें सुधार किया।

एक्सपोनेंशियल मैप (द परफेक्ट मैप - आदर्श मानचित्र): यह नदी की धारा को मॉडल करने का आदर्श तरीका है। लेखकों ने सिद्ध किया कि यदि आप इस आदर्श मानचित्र के साथ मिलस्टीन विधि का उपयोग करते हैं, तो आपको उच्चतम संभव सटीकता (ऑर्डर 1) प्राप्त होती है। यह एक ऐसे जीपीएस की तरह है जो हवा के सटीक पैटर्न को जानता है।
रैशनल मैप (द प्रैक्टिकल मैप - व्यावहारिक मानचित्र): वास्तविक कंप्यूटरों में, हम अक्सर "आदर्श" मानचित्र का उपयोग नहीं कर सकते क्योंकि इसकी गणना करना बहुत कठिन होता है। हमें एक सरल, "रैशनल" सन्निकटन (जैसे क्रैंक-निकोलसन या इम्प्लिसिट यूलर विधियों) का उपयोग करना पड़ता है।
- चुनौती: आमतौर पर, एक सरल मानचित्र का उपयोग करने से आपकी गति धीमी हो जाती है।
- उपलब्धि: लेखकों ने सिद्ध किया कि इन सरल, व्यावहारिक मानचित्रों के साथ भी, मिलस्टीन विधि बहुत अच्छी तरह से काम करती है। यह उच्च अभिसरण दर (convergence rate) प्राप्त करती है (पूर्ण दर के बहुत करीब), हालांकि इसके साथ एक छोटा सा "लॉगैरिद्मिक टैक्स" (गति में मामूली दंड, जैसे एक छोटा सा चक्कर) आता है।

4. "पाथवाइज यूनिफॉर्म" (Pathwise Uniform) क्यों महत्वपूर्ण है

अधिकांश पिछले अध्ययन केवल विशिष्ट, अलग-थलग क्षणों (जैसे 1:00, 2:00 और 3:00 बजे पत्ते की स्थिति की जाँच करना) पर सटीकता की जाँच करते थे।

शोध पत्र का नवाचार: यह शोध पत्र एक ही बार में पूरी यात्रा को देखता है। उन्होंने सिद्ध किया कि सिमुलेशन का पूरा पथ वास्तविक पथ के करीब रहता है, न कि केवल विशिष्ट बिंदुओं पर।
रूपक: कल्पना कीजिए कि आप केवल फिनिश लाइन पर धावक का समय देखते हैं। आप सोच सकते हैं कि उसने अच्छा दौड़ लिया। लेकिन यदि आप पूरी दौड़ (पाथवाइज यूनिफॉर्म) देखते हैं, तो आप देख पाते हैं कि क्या वह बीच में लड़खड़ाया था। यह शोध पत्र गारंटी देता है कि धावक ट्रैक पर कहीं भी लड़खड़ाया नहीं।

5. परीक्षण किए गए वास्तविक दुनिया के उदाहरण

लेखकों ने केवल सिद्धांत नहीं दिया; उन्होंने अपने गणित का परीक्षण तीन प्रसिद्ध "तरंगों" पर किया:

श्रोडिंगर समीकरण (Schrödinger Equation): वर्णन करता है कि क्वांटम कण (जैसे इलेक्ट्रॉन) कैसे चलते हैं।
मैक्सवेल के समीकरण (Maxwell's Equations): वर्णन करता है कि प्रकाश और विद्युत चुंबकीय तरंगें कैसे चलती हैं।
ट्रांसपोर्ट समीकरण (Transport Equation): वर्णन करता है कि एक तरल पदार्थ के माध्यम से प्रदूषक या गर्मी कैसे चलती है।

उन्होंने इन समीकरणों के लिए कंप्यूटर सिमुलेशन चलाए। परिणाम उनके सिद्धांत से पूरी तरह मेल खाते हैं:

पुराने मानक तरीकों की तुलना में नए मिलस्टीन तरीके काफी अधिक सटीक थे।
"एक्सपोनेंशियल" संस्करण सबसे तेज़ था।
"रैशनल" संस्करण थोड़े धीमे थे लेकिन पुराने तरीकों की तुलना में बहुत बेहतर थे, जिससे पुष्टि होती है कि आप बहुत अधिक सटीकता खोए बिना सरल, तेज़ कंप्यूटर गणनाओं का उपयोग कर सकते हैं।

सारांश

यह शोध पत्र तरंग समीकरणों के तूफानी समुद्रों में रास्ता खोजने के लिए एक मार्गदर्शिका है। यह सिद्ध करता है कि एक स्मार्ट नेविगेशन टूल (मिलस्टीन स्कीम) का उपयोग करके, हम पहले की तुलना में बहुत अधिक सटीकता के साथ तरंगों के मार्ग की भविष्यवाणी कर सकते हैं। महत्वपूर्ण रूप से, यह दिखाता है कि हम यह तब भी कर सकते हैं जब हम उन सरल, अधिक व्यावहारिक मानचित्रों का उपयोग कर रहे हों जिन्हें कंप्यूटर पसंद करते हैं, यह सुनिश्चित करते हुए कि प्रकाश, ध्वनि और क्वांटम कणों के हमारे सिमुलेशन न केवल तेज़ हैं, बल्कि शुरू से अंत तक विश्वसनीय रूप से सटीक भी हैं।

तकनीकी सारांश: हाइपरबोलिक SPDEs के लिए मिलस्टीन-प्रकार के स्कीम्स (Milstein-Type Schemes)

समस्या विवरण
यह लेख एक हिल्बर्ट स्पेस $X$ पर $dU + AU dt = F(U) dt + G(U) dW$ के रूप में दिए गए सेमीलीनियर स्टोकेस्टिक इवोल्यूशन इक्वेशंस के टेम्पोरल एप्रोक्सिमेशन (temporal approximation) को संबोधित करता है। मुख्य ध्यान हाइपरबोलिक (hyperbolic) सेटिंग पर है, जहाँ अग्रणी ऑपरेटर $-A$ एक कॉन्ट्रैक्टिव $C_0$ -सेमीग्रुप जनरेट करता है जो अनिवार्य रूप से एनालिटिक नहीं होता है। यह समस्या को अच्छी तरह से अध्ययन किए गए पैराबोलिक केस से अलग करता है, जहाँ एनालिटिक सेमीग्रुप्स रेगुलेराइजेशन प्रभाव प्रदान करते हैं जो उच्च-क्रम की अभिसरण (convergence) को सुगम बनाते हैं।

लेखक ऐसे मिलस्टीन-प्रकार के स्कीम्स (Milstein-type schemes) के निर्माण का लक्ष्य रखते हैं जो $1/2$ से अधिक की स्ट्रॉन्ग कन्वर्जेंस रेट प्राप्त कर सकें। जबकि पिछले साहित्य ने स्थापित किया है कि केवल विनर इंक्रीमेंट्स (Wiener increments) पर निर्भर रहने वाले स्कीम्स हाइपरबोलिक इक्वेशंस के लिए $1/2$ की दर (लॉगारिदमिक कारकों सहित) तक सीमित हैं, मिलस्टीन स्कीम संभावित रूप से दर $1$ प्राप्त करने के लिए इटरेटेड स्टोकेस्टिक इंटीग्रल्स को शामिल करती है। साहित्य में एक महत्वपूर्ण कमी हाइपरबोलिक सेटिंग में इन स्कीम्स के लिए कठोर त्रुटि विश्लेषण (error analysis) की कमी है, विशेष रूप से रेशनल मिलस्टीन स्कीम्स (rational Milstein schemes) (जैसे क्रैंक-निकोल्सन या इमप्लिसिट यूलर आधारित) के लिए, न कि केवल एक्सपोनेंशियल स्कीम्स के लिए। इसके अतिरिक्त, मौजूदा परिणाम अक्सर पॉइंटवाइज रूट-मीन-स्क्वायर एरर्स पर ध्यान केंद्रित करते हैं, जबकि यह कार्य पाथवाइज यूनिफॉर्म स्ट्रॉन्ग एरर्स (pathwise uniform strong errors) की जांच करता है।

कार्यप्रणाली (Methodology)
यह विश्लेषण काटो (Kato) के फ्रेमवर्क का विस्तार करता है (जो मूल रूप से [34] में SPDEs के लिए लागू किया गया था) ताकि $1/2$ की अभिसरण बाधा से आगे हाइपरबोलिक समस्याओं को संभाला जा सके। कार्यप्रणाली निम्नलिखित प्रमुख तकनीकी घटकों पर निर्भर करती है:

ड्यूल स्पेस फ्रेमवर्क (Dual Space Framework): लेखक एक जोड़ी हिल्बर्ट स्पेस $Y \hookrightarrow X$ के साथ काम करते हैं। नॉन-लिनियैरिटीज़ $F$ और नॉइज़ $G$ को $X$ पर लिप्सचिट्ज़ कंटीन्यूअस माना जाता है, लेकिन अधिक नियमित स्पेस $Y$ पर केवल लीनियर ग्रोथ के रूप में। नेमीत्स्की ऑपरेटरों (Nemytskii operators) को संभालने के लिए यह अंतर महत्वपूर्ण है, जो अक्सर $L^2$ पर फ्रेचेट डिफरेंशिएबल (Fréchet differentiable) होने में विफल रहते हैं लेकिन गाटो डिफरेंशिएबल (Gâteaux differentiable) होते हैं।
डिफरेंशिएबिलिटी धारणाएँ (Differentiability Assumptions): मिलस्टीन स्कीम के लिए आवश्यक टेलर एक्सपेंशन (Taylor expansions) प्राप्त करने के लिए, लेखक $X$ पर $F$ और $G$ की गाटो डिफरेंशिएबिलिटी, और $Y$ पर उनके डेरिवेटिव्स की $(2\alpha-1)$ -होल्डर निरंतरता (Hölder continuity) मानते हैं। यह वास्तविक नॉन-लिनियैरिटीज़ की अनुमति देता है (फ्रैचेट डिफरेंशिएबिलिटी $L^2$ पर की आवश्यकता द्वारा लगाए गए एफाइन-लीनियर प्रतिबंधों के विपरीत) जबकि उपयुक्त टेलर रिमाइंडर की उपस्थिति सुनिश्चित करता है।
त्रुटि अपघटन (Error Decomposition): पाथवाइज यूनिफॉर्म एरर को निम्नलिखित घटकों में विभाजित किया गया है:
- एक रेशनल स्कीम $R_h$ द्वारा सेमीग्रुप का एप्रोक्सिमेशन (लॉगारिदमिक स्क्वायर फंक्शन अनुमान का उपयोग करके)।
- ड्रिफ्ट और डिफ्यूजन टर्म्स का विस्क्रीटाइजेशन (discretization)।
- समाधान और ग्रिड पॉइंट्स पर एप्रोक्सिमेशन के बीच का अंतर।
स्टोकेस्टिक टूल्स (Stochastic Tools): प्रमाण में स्टोकेस्टिक कॉन्वोल्यूशन के लिए मैक्सिमल इनइक्वेलिटीज, स्टोकेस्टिक फुबिनी थ्योरम (सामान्य $p \in [2, \infty)$ के लिए पाथवाइज यूनिफॉर्म एरर्स को संभालने के लिए), और एक डिस्क्रीट ग्रोनवाल इनइक्वेलिटी का उपयोग किया गया है। एक महत्वपूर्ण टूल लॉगारिदमिक स्क्वायर फंक्शन अनुमान (प्रपोजिशन 2.4) है जो रेशनल स्कीम्स के लिए $\sqrt{\log(T/h)}$ का एक कारक पेश करता है, लेकिन एक्सपोनेंशियल स्कीम्स के लिए अनुपस्थित रहता है।

प्रमुख योगदान (Key Contributions)
यह शोध पत्र निम्नलिखित विशिष्ट योगदान देता है:

हाइपरबोलिक SPDEs के लिए इष्टतम अभिसरण दरें (Optimal Convergence Rates): यह स्थापित करता है कि मिलस्टीन स्कीम्स हाइपरबोलिक SPDEs के लिए $\alpha \in (1/2, 1]$ की अभिसरण दर प्राप्त कर सकते हैं, जो [34] में उठाए गए एक खुले प्रश्न को आंशिक रूप से संबोधित करता है।
रेशनल मिलस्टीन स्कीम्स (Rational Milstein Schemes): परिणाम एक्सपोनेंशियल स्कीम्स (जहाँ $R_h = S(h)$ ) से रेशनल स्कीम्स (जहाँ $R_h = r(-hA)$ , जैसे इमप्लिसिट यूलर, क्रैंक-निकोल्सन) तक विस्तारित होते हैं। यह हाइपरबोलिक सेटिंग्स में रेशनल स्कीम्स के सामान्यीकरण के संबंध में एक खुले प्रश्न का उत्तर देता है।
पाथवाइज यूनिफॉर्म अनुमान (Pathwise Uniform Estimates): लेखक रूट-मीन-स्क्वायर एरर अनुमानों को पाथवाइज यूनिफॉर्म स्ट्रॉन्ग एरर अनुमानों ( $L^p(\Omega; \max_{j} \|U_{t_j} - u_j\|_X)$ ) में मजबूत करते हैं। यह पूरे संख्यात्मक पथ (numerical path) के अभिसरण को सुनिश्चित करता है, न कि केवल पॉइंटवाइज मानों को।
नॉन-नेमीत्स्की और नेमीत्स्की नॉन-लिनियैरिटीज़ को संभालना: फ्रेमवर्क नॉन-लोकल नॉन-लिनियैरिटीज़ (कन्वोल्यूशन के माध्यम से) और विशिष्ट नेमीत्स्की ऑपरेटरों (जैसे ट्रांसपोर्ट इक्वेशंस में) दोनों को समायोजित करता है, जो $X$ पर गाटो डिफरेंशिएबिलिटी और $Y$ पर फ्रैचेट डिफरेंशिएबिलिटी के बीच सावधानीपूर्वक अंतर करता है।

मुख्य परिणाम (Main Results)
मान लीजिए कि $U$ माइल्ड सॉल्यूशन है और $h$ स्टेप साइज के साथ $u$ मिलस्टीन एप्रोक्सिमेशन है। प्रारंभिक डेटा $\xi$ , नॉन-लिनियैरिटी $F$ , और नॉइज़ $G$ पर उचित नियमितता धारणाओं के तहत:

रेशनल मिलस्टीन स्कीम्स: पाथवाइज यूनिफॉर्म स्ट्रॉन्ग एरर संतुष्ट करता है:
$\left\| \max_{0 \le j \le M} \|U_{t_j} - u_j\|_X \right\|_{L^p(\Omega)} \lesssim h^\alpha \sqrt{\log(T/h)}$
जहाँ $\alpha \in (1/2, 1]$ स्पेस $Y$ पर रेशनल स्कीम $R_h$ के एप्रोक्सिमेशन ऑर्डर पर निर्भर करता है। यदि $Y = D(A^2)$ , तो दर $\alpha = 1$ है।
एक्सपोनेंशियल मिलस्टीन स्कीम्स: एक्सपोनेंशियल स्कीम ( $R_h = S(h)$ ) के लिए, लॉगारिदमिक कारक हटा दिया जाता है:
$\left\| \max_{0 \le j \le M} \|U_{t_j} - u_j\|_X \right\|_{L^p(\Omega)} \lesssim h^\alpha$
पर्याप्त नियमितता ( $Y=D(A)$ ) मौजूद होने पर इष्टतम दर $1$ प्राप्त करता है।
अनुप्रयोग (Applications): सिद्धांत को स्टोकेस्टिक श्रोडिंगर समीकरण, स्टोकेस्टिक मैक्सवेल समीकरण और स्टोकेस्टिक ट्रांसपोर्ट समीकरण पर लागू किया गया है। श्रोडिंगर समीकरण के लिए, एक्सपोनेंशियल मिलस्टीन स्कीम दर 1 प्राप्त करती है, जबकि क्रैंक-निकोल्सन और इमप्लिसिट यूलर मिलस्टीन स्कीम्स क्रमशः $2/3$ और $1/2$ की दर प्राप्त करती हैं (लॉगारिदमिक कारकों सहित), जो कि पोटेंशियल और नॉइज़ की नियमितता पर निर्भर करता है।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि यह कार्य एक अमूर्त ढांचे में और मूर्त मॉडल इक्वेशंस के लिए मिलस्टीन स्कीम्स का पहला कठोर त्रुटि विश्लेषण प्रदान करता है। इसका महत्व यहाँ निहित है:

$1/2$ की बाधा को पार करना: यह प्रदर्शित करना कि एनालिटिक सेमीग्रुप रेगुलेराइजेशन पर निर्भर किए बिना हाइपरबोलिक इक्वेशंस के लिए उच्च-क्रम अभिसरण संभव है।
स्कीम की प्रयोज्यता को व्यापक बनाना: हाइपरबोलिक SPDEs के लिए उच्च-क्रम अभिसरण वाले कंप्यूटेशनल रूप से सस्ते रेशनल स्कीम्स (जैसे क्रैंक-निकोल्सन) के उपयोग को मान्य करना, जबकि पहले केवल एक्सपोनेंशियल स्कीम्स को ही ऐसी दरों का समर्थन करने के लिए जाना जाता था।
पाथवाइज कन्वर्जेंस: ऐसे एरर बाउंड्स प्रदान करना जो संख्यात्मक पथ के अभिसरण की गारंटी देते हैं, जो प्रक्षेपवक्र सटीकता (trajectory accuracy) के लिए आवश्यक अनुप्रयोगों के लिए महत्वपूर्ण है।

लेखक नोट करते हैं कि हालांकि ये परिणाम एडिटिव नॉइज़ (additive noise) के लिए लागू होते हैं, लेकिन यह नया नहीं है क्योंकि इस मामले में मिलस्टीन स्कीम एक्सपोनेंशियल यूलर मेथड में बदल जाती है। इसके अतिरिक्त, वे वेव इक्वेशंस के लिए $(\hat{\alpha}, \beta)$ -स्कीम्स पर बेहतर दरों का दावा नहीं करते हैं, क्योंकि सेमीग्रुप डिफरेंस डिके (decay) दर को 1 तक सीमित कर देता है। विश्लेषण ग्लोबली लिप्सचिट्ज़ नॉन-लिनियैरिटीज़ तक सीमित है; लोकेली लिप्सचिट्ज़ नॉन-लिनियैरिटीज़ को संभालना भविष्य की दिशा के रूप में पहचाना गया है।

संख्यात्मक सत्यापन (Numerical Validation)
स्टोकेस्टिक श्रोडिंगर समीकरण (लीनियर, नॉन-लोकल नॉन-लिनियर, और नेमीत्स्की-टाइप केस) पर संख्यात्मक प्रयोग सैद्धांतिक अभिसरण दरों की पुष्टि करते हैं। सिमुलेशन दिखाते हैं कि एक्सपोनेंशियल मिलस्टीन (EXM) और क्रैंक-निकोल्सन मिलस्टीन (CNM) स्कीम्स क्रमशः 1 और 2/3 के करीब की दर प्राप्त करती हैं, जो मानक एक्सपोनेंशियल यूलर और रेशनल स्कीम्स से बेहतर प्रदर्शन करती हैं जो $1/2$ के करीब की दरों तक सीमित हैं।