🔢 mathematics

Optimal strategies for controlled growth in metastable Kawasaki dynamics

यह शोध पत्र एक कण क्लस्टर को पूर्णतः भरे हुए अवस्था तक ले जाने के लिए इष्टतम रणनीतियों को निर्धारित करने हेतु कावासाकी डायनेमिक्स के तहत निम्न-तापमान वाले मेटास्टेबल आइसिंग मॉडल के लिए एक मार्कोव निर्णय प्रक्रिया को सूत्रबद्ध करता है, जो यह प्रकट करता है कि दक्षता-आधारित पुरस्कार क्लस्टर सीमाओं पर विकास को प्राथमिकता देते हैं जबकि ऊर्जा-आधारित पुरस्कार कोनों पर विकास को प्राथमिकता देते हैं।

मूल लेखक: Simone Baldassarri, Maike C. de Jongh

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Simone Baldassarri, Maike C. de Jongh

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, खाली स्विमिंग पूल को पानी से भरने की कोशिश कर रहे हैं, लेकिन एक पेंच है: पानी के अणु (molecules) अविश्वसनीय रूप से जिद्दी हैं। वे बड़े पूल में शामिल होने के बजाय छोटे, बिखरे हुए गड्ढों में रहना पसंद करते हैं। वास्तव में, उन्हें मुख्य पूल में शामिल करने के लिए, आपको उन्हें एक बहुत ऊंचे ऊर्जा के टीले (energy hill) के ऊपर धकेलना होगा। यह भौतिकी में मेटास्टेबिलिटी (metastability) की दुनिया है—एक ऐसी स्थिति जहाँ एक सिस्टम एक अस्थायी, अस्थिर स्थिति में "अटका" हुआ होता है और जब तक उसे कुछ धक्का न दिया जाए, वह अधिक स्थिर, अंतिम अवस्था की ओर बढ़ने से इनकार करता है।

यह शोध पत्र इस बारे में है कि सबसे स्मार्ट "धकेलने वाला" (pusher) कैसे बना जाए। लेखक, सिमोन बाल्डासारि और माईके सी. डी जोंग (Simone Baldassarri and Maike C. de Jongh) पूछते हैं: यदि आप इन जिद्दी कणों को नियंत्रित कर सकते, तो उन्हें बॉक्स भरने के लिए सबसे तेजी से कैसे प्रेरित करने की सर्वोत्तम रणनीति क्या होगी, और यह कैसे बदल जाता है यदि आपको प्रत्येक चाल के लिए एक "शुल्क" (fee) भी देना पड़े?

यहाँ उनके कार्य का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. सेटअप: अटका हुआ पूल

"आइसिंग मॉडल" (Ising model) को टाइल्स के एक ग्रिड के रूप में सोचें। कुछ टाइल्स खाली (सूखी) हैं और कुछ भरी हुई (गीली) हैं।

लक्ष्य: हर एक टाइल को गीला करना (सभी-भरी हुई अवस्था)।
समस्या: कम तापमान पर (इसे एक बहुत ही ठंडे, सुस्त दिन के रूप में सोचें), गीली टाइलें एक छोटे वर्ग में एक साथ चिपकना पसंद करती हैं। इस वर्ग को बढ़ाने के लिए, आपको एक नई टाइल को इसके किनारे पर जोड़ना होगा। लेकिन उस पहली टाइल को जोड़ना कठिन है; इसमें ऊर्जा खर्च होती है। यह एक भारी पत्थर को पहाड़ी के ऊपर धकेलने जैसा है।
गतिशीलता (Dynamics): आमतौर पर, सिस्टम एक दुर्लभ, भाग्यशाली यादृच्छिक उतार-चढ़ाव (random fluctuation) का इंतजार करता है जो पत्थर को पहाड़ी के ऊपर धकेल दे। इसमें अनंत समय लगता है। लेखक एक मार्कोव निर्णय प्रक्रिया (Markov Decision Process - MDP) का उपयोग करके इसे तेज करना चाहते हैं।

2. नियंत्रक: स्मार्ट माली

कल्पना कीजिए कि आप एक माली हैं जो फूलों का एक वर्गाकार पैच उगाने की कोशिश कर रहे हैं। आप केवल जादू की छड़ी नहीं घुमा सकते; आपको मिट्टी (कणों) को शारीरिक रूपв से इधर-उधर ले जाना होगा।

MDP: यह आपका नियम पुस्तिका है। यह आपको बताता है: "यदि फूल का पैच इस आकार और आकृति का है, तो इसे बढ़ने में मदद करने के लिए आपका सबसे अच्छा कदम क्या है।"
"मजबूत" (Robust) नियम: लेखकों ने महसूस किया कि यदि फूल का पैच एक पूर्ण आयत (rectangle) है, तो यह बहुत स्थिर है। उन्होंने गणित को प्रबंधनीय बनाने के लिए केवल इन्हीं पूर्ण आयतों पर ध्यान केंद्रित करने का निर्णय लिया। यह कहने जैसा है कि, "आइए हम केवल बगीचे की चिंता करें जब वह एक साफ-सुथरे वर्ग के रूप में हो, अस्त-व्यस्त और टूटी हुई आकृतियों को अनदेखा करें।"

3. दो रणनीतियाँ: गति बनाम अर्थव्यवस्था

यह शोध पत्र दो अलग-अलग लक्ष्यों (पुरस्कार संरचनाओं) का परीक्षण करता है। यहीं पर असली जादू होता है।

रणनीति A: "स्पीड डेमन" (केवल दक्षता)

लक्ष्य: "पूल को जितनी जल्दी हो सके भरें। मुझे इस बात की परवाह नहीं है कि मैं कितनी ऊर्जा खर्च करता हूँ।"
परिणाम: इष्टतम रणनीति (optimal strategy) वर्ग के सपाट किनारों के बीच (middle of the flat sides) में पानी जोड़ना है।
उपमा: कल्पना कीजिए कि वर्ग एक ईंट की दीवार है। यदि आप इसे तेजी से बनाना चाहते हैं, तो आप लंबी, सपाट दीवारों में ईंटें जोड़ते हैं। क्यों? क्योंकि एक सपाट दीवार में अधिक "स्थान" होते हैं जहाँ एक नई ईंट चिपक सकती है। यह एक लंबी शेल्फ में नया रो (row) जोड़ने जैसा है; वहां एक जगह ढूंढना सांख्यिकीय रूप से आसान है। सिस्टम किनारों का विस्तार करके बढ़ता है, जिससे आयत चौड़ा और चौड़ा होता जाता है।

रणनीति B: "किफायती बचतकर्ता" (ऊर्जा लागत सहित)

लक्षक: "पूल को भरें, लेकिन मैं कम से कम ऊर्जा खर्च करना चाहता हूँ। हर बार जब मैं एक कण को हिलाता हूँ, तो मुझे पैसे देने पड़ते हैं।"
परिणाम: इष्टतम रणनीति पूरी तरह से बदल जाती है! अब, आपको वर्ग के कोनों (corners) में पानी जोड़ना चाहिए।
उपमा: कोनों को "डिस्काउंट ज़ोन" के रूप में सोचें। भौतिकी में, एक कोने में कण जोड़ना एक सपाट किनारे के बीच में जोड़ने की तुलना में सस्ता होता है क्योंकि कोने वाला कण एक के बजाय दो पड़ोसियों से सटकर रह पाता है। यह कूपन खोजने जैसा है। भले ही कोने संख्या में कम हों, लेकिन वहां बढ़ने की "लागत" इतनी कम है कि समय के साथ, यह वर्ग बनाने का सबसे किफायती तरीका है। सिस्टम कोनों को गोल करके बढ़ता है, जिससे आयत एक अधिक पूर्ण वर्ग में बदल जाता है।

4. यह क्यों मायने रखता है

लेखकों ने गणितीय रूप से सिद्ध किया कि आपका लक्ष्य आपके तरीके को निर्धारित करता है।

यदि आप केवल गति चाहते हैं, तो आप सपाट किनारों पर हमला करते हैं।
यदि आप दक्षता (ऊर्जा बचाना) चाहते हैं, तो आप कोनों पर हमला करते हैं।

यह एक गहन अंतर्दृष्टि है क्योंकि यह दिखाती है कि "इष्टतम" (optimal) कोई एक निश्चित चीज नहीं है; यह पूरी तरह से इस पर निर्भर करता है कि आप सबसे अधिक क्या महत्व देते हैं।

5. बड़ी तस्वीर

हम कणों के ग्रिड की परवाह क्यों करते हैं?

वास्तविक दुनिया: यह बादलों में बर्फ कैसे बनती है, कारखानों में क्रिस्टल कैसे बढ़ते हैं, या नेटवर्क में वायरस कैसे फैलता है, जैसी चीजों पर लागू होता है।
समस्या: कंप्यूटर पर इन प्रक्रियाओं का अनुकरण (simulation) करना आमतौर पर असंभव होता है क्योंकि परिवर्तन होने के लिए "प्रतीक्षा समय" बहुत लंबा होता है (जैसे लॉटरी जीतने का इंतजार करना)।
समाधान: इस प्रक्रिया को एक नियंत्रण समस्या (control problem) के रूप में मानकर (जैसे एक वीडियो गेम जहाँ आप अनुकूल रूप से खेलते हैं), वैज्ञानिक ऐसे एल्गोरिदम डिजाइन कर सकते हैं जो भौतिकी के नियमों को तोड़े बिना, परिवर्तन को तेजी से होने देखने के लिए सिस्टम को बस थोड़ा सा "धक्का" दे सकें। यह एक रेसिंग गेम में फिनिश लाइन तक तेजी से पहुँचने के लिए 'टर्बो-बूस्ट' का उपयोग करने जैसा है, लेकिन फिर भी ट्रैक के नियमों का पालन करना।

सारांश

यह शोध पत्र परम "धक्के" (nudge) के लिए एक मार्गदर्शिका है। यह हमें बताता है कि यदि आप किसी जिद्दी सिस्टम को बदलने के लिए मजबूर करना चाहते हैं, तो आपको अपनी प्राथमिकताओं को जानना होगा। क्या आप इसे तेजी से करना चाहते हैं? सपाट किनारों को धकेलें। क्या आप इसे सस्ते में करना चाहते हैं? कोनों को धकेलें। यह भौतिकी की अराजक, यादृच्छिक दुनिया को शतरंज के एक रणनीतिक खेल में बदल देता है, जहाँ सबसे अच्छी चाल पूरी तरह से इस बात पर निर्भर करती है कि आप क्या स्कोर हासिल करने की कोशिश कर रहे हैं।

यहाँ सिमोन बाल्डासार्री और माईके सी. डी जोंग द्वारा लिखित शोध पत्र "Optimal Strategies for Controlled Growth in Metastable Kawasaki Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र एक सीमित 2D वर्गाकार जाली (square lattice) के भीतर कावासी डायनेमिक्स (Kawasaki dynamics) के तहत विकसित होने वाले आइसिंग मॉडल (Ising model) में मेटास्टेबल ट्रांज़िशन (metastable transitions) को नियंत्रित करने की चुनौती को संबोधित करता है।

संदर्भ: निम्न-तापमान शासन (low-temperature regime) में, प्रणाली एक मेटास्टेबल अवस्था (आमतौर पर एक खाली या विरल रूप से भरी हुई बॉक्स) में फंसी होती है और उच्च ऊर्जा बाधाओं (energy barriers) के कारण स्थिर अवस्था (एक पूरी तरह से भरी हुई बॉक्स) में संक्रमण करने में बहुत कम समय लेती है। यह संक्रमण एक क्रिटिकल ड्रॉपलेट (critical droplet) के न्यूक्लिएशन के माध्यम से होता है।
चुनौती: इन दुर्लभ घटनाओं (rare events) का सीधा संख्यात्मक सिमुलेशन (numerical simulation) गणनात्मक रूप से अव्यवहार्य है क्योंकि अपेक्षित निकास समय (expected exit time) तापमान के व्युत्क्रम ( $\beta$ ) के साथ तेजी से बढ़ता है।
लक्ष्य: लेखक इस समस्या को एक मार्कोव निर्णय प्रक्रिया (Markov Decision Process - MDP) के रूप में तैयार करते हैं। एक बाहरी नियंत्रक विशिष्ट निर्णय काल (decision epochs) पर हस्तक्षेप कर सकता है ताकि विशिष्ट बॉन्ड (bonds) के साथ कणों को बदलकर सिस्टम को "बायस" (bias) किया जा सके। उद्देश्य एक ऐसी इष्टतम नीति (optimal policy) खोजना है जो सिस्टम को मेटास्टेबल विन्यास (configuration) से लक्ष्य विन्यास (पूर्ण बॉक्स) तक कुशलतापूर्वक ले जाए।
विशिष्ट प्रश्न: रिवॉर्ड स्ट्रक्चर (पुरस्कार संरचना) का चुनाव (शुद्ध समय दक्षता बनाम ऊर्जा लागत) कण क्लस्टर को बढ़ाने के लिए इष्टतम रणनीति को कैसे प्रभावित करता है?

2. कार्यप्रणाली (Methodology)

लेखक सांख्यिकीय यांत्रिकी (statistical mechanics) और स्टोकेस्टिक कंट्रोल थ्योरी (stochastic control theory) को संयोजित करते हुए एक कठोर गणितीय ढांचे का उपयोग करते हैं।

A. द आइसिंग MDP फॉर्मूलेशन (The Ising MDP Formulation)

स्टेट स्पेस ( $S$ ): सभी कण विन्यासों (configurations) का सेट। समस्या को सुलभ बनाने के लिए, लेखक स्टेट स्पेस को "रोबस्ट कॉन्फ़िगरेशन" (robust configurations) तक सीमित करते हैं। एक विन्यास तब रोबस्ट होता है जब उसमें कणों का एक एकल आयताकार क्लस्टर होता है जहाँ कण अलग होने की ऊर्जा बाधा उच्च ( $> 2U$ ) होती है, जिससे कण के जुड़ने की संभावना अलग होने की तुलना में अधिक हो जाती है।
एक्शन स्पेस ( $A$ ): प्रत्येक निर्णय काल पर, नियंत्रक एक कण और एक खाली साइट के बीच के बॉन्ड $b$ का चयन करता है और उन्हें आपस में बदल (swap) देता है।
डायनेमिक्स: क्रियाओं (actions) के बीच, सिस्टम मानक कावासी-मेट्रोपोलिस डायनेमिक्स के अनुसार विकसित होता है। नियंत्रक केवल तभी हस्तक्षेप करता है जब सिस्टम एक नए स्थानीय न्यूनतम (local minimum - यानी एक रोबस्ट कॉन्फ़िगरेशन) पर पहुँचता है।
रिवॉर्ड स्ट्रक्चर (Reward Structures): दो अलग-अलग उद्देश्यों का विश्लेषण किया गया है:
1. $r_1$ (समय/दक्षता): पूर्ण बॉक्स तक पहुँचने पर 1 का रिवॉर्ड दिया जाता है। लक्ष्य अपेक्षित हिटिंग टाइम (expected hitting time) को कम करना है।
2. $r_2$ (ऊर्जा लागत): रिवॉर्ड ऊर्जा परिवर्तन का ऋणात्मक है ( $-[H(\eta_a) - H(\eta)]$ )। लक्ष्य संक्रमण की कुल डिस्काउंटेड ऊर्जा लागत को कम करना है।

B. द ऑक्सिलरी MDP (The Auxiliary MDP - सरलीकरण)

सटीक विश्लेषणात्मक परिणाम प्राप्त करने के लिए, लेखक एक सरलीकृत ऑक्सिलरी MDP का निर्माण करते हैं:

पीरियडिक बाउंड्री कंडीशंस (Periodic Boundary Conditions): ओपन बाउंड्री के बजाय, वे पीरियडिक बाउंड्री का उपयोग करते हैं। यह बॉक्स की दीवारों से दूरी की निर्भरता को हटा देता है, जिससे ध्यान पूरी तरह से क्लस्टर की ज्यामिति (geometry) पर केंद्रित होता है।
स्टेट रिडक्शन (State Reduction): $i \times j$ आकार के आयताकार क्लस्टर वाले सभी रोबस्ट कॉन्फ़िगरेशन को एक एकल अवस्था $(i, j)$ में मैप किया जाता है।
ट्रांज़िशन प्रोबेबिलिटी (Transition Probabilities): लेखक विशिष्ट बॉन्ड के चयन (कॉर्नर बनाम नॉन-कॉर्नर) और उसके बाद कावासी डायनेमिक्स के विश्रांति (relaxation) के आधार पर $(i, j)$ $(i, j)$ से $(i, j+1)$ $(i, j + 1)$ या $(i+1, j)$ $(i + 1, j)$ तक क्लस्टर के बढ़ने की सटीक ट्रांज़िशन प्रोबेबिलिटी निकालते हैं।
- मुख्य तंत्र: यदि एक नॉन-कॉर्नर बॉन्ड चुना जाता है, तो सिस्टम के एक पूर्ण पंक्ति/कॉलम को सफलतापूर्वक जोड़ने की संभावना अधिक (5/7) होती है। यदि एक कॉर्नर बॉड चुना जाता है, तो संभावना कम (1/2 या 1/3) होती है क्योंकि सिस्टम पिछली अवस्था में वापस जाने या एक जटिल स्लाइडिंग तंत्र (sliding mechanism) में जाने की संभावना रखता है।

C. समाधान तकनीक (Solution Technique)

अनंत-क्षित (infinite-horizon) डिस्काउंटेड MDP के लिए बेलमैन समीकरणों (Bellman equations) को हल करके इष्टतम नीतियों को निकाला जाता है। लेखक सिद्ध करते हैं कि विशिष्ट नियत (deterministic) नीतियां इन समीकरणों को संतुष्ट करती हैं, जिससे दोनों रिवॉर्ड फंक्शनों के लिए सटीक इष्टतम रणनीतियों का निर्धारण होता है।

3. मुख्य योगदान (Key Contributions)

मेटास्टेबिलिटी के लिए MDP ढांचा: यह शोध पत्र न्यूक्लिएशन और कावासी डायनेमिक्स में विकास के भौतिक समस्या को एक अनुक्रमिक निर्णय लेने वाली प्रक्रिया (sequential decision-making problem) में सफलतापूर्वक परिवर्तित करता है, जो सांख्यिकीय भौतिकी और इष्टतम नियंत्रण के बीच के अंतर को पाटता है।
रोबस्ट कॉन्फ़िगरेशन तक न्यूनीकरण: लेखक एक आयताकार क्लस्टर के आयामों (dimensions) के रूप में विशाल कॉन्फ़िगरेशन स्पेस को प्रबंधनीय स्टेट स्पेस में बदलने के लिए "रोबस्ट कॉन्फ़िगरेशन" की अवधारणा को कठोरता से परिभाषित और उपयोग करते हैं।
सटीक इष्टतम नीतियां: कई भौतिक नियंत्रण समस्याओं के विपरीत, जो सन्निकटन (approximations) पर निर्भर करती हैं, यह शोध पत्र कम किए गए मॉडल के लिए सटीक इष्टतम नीतियां निकालता है।
रणनीतियों का द्वैत (Dichotomy of Strategies): सबसे महत्वपूर्ण योगदान यह दिखाना है कि इष्टतम रणनीति रिवॉर्ड स्ट्रक्चर पर मौलिक रूप से निर्भर करती है:
- दक्षता-संचालित ( $r_1$ ): क्लस्टर को सबसे तेज़ी से बढ़ाने के लिए, नियंत्रक को बगल के केंद्रों (नॉन-कॉर्नर बॉन्ड्स) से क्लस्टर को बढ़ाना चाहिए। यह सफल विकास चरण की संभावना को अधिकतम करता है (5/7 बनाम 1/2)।
- ऊर्जा-संचालित ( $r_2$ ): ऊर्जा लागत को कम करने के लिए, नियंत्रक को कोनों (corners) से क्लस्टर को बढ़ाना चाहिए। हालांकि कॉर्नर ग्रोथ में सफलता की संभावना कम होती है, लेकिन कॉर्नर मूव के लिए ऊर्जा लागत नॉन-कॉर्नर मूव की तुलना में कम होती है।

4. मुख्य परिणाम (Main Results)

शोध पत्र दो मुख्य प्रमेय प्रस्तुत करता है जो इष्टतम नीतियों को स्पष्ट करते हैं:

थ्योरम 2.2 (टाइम-एफिशिएंट पॉलिसी): रिवॉर्ड $r_1$ के तहत, इष्टतम नीति $d^*$ उन क्रियाओं का चयन करती है जो आयत के कोनों पर स्थित नहीं हैं (क्रियाएं $b_1, b_2$ )।
- तर्क: नॉन-कॉर्नर बॉन्ड्स बड़े क्लस्टर अवस्था में संक्रमण की उच्च संभावना प्रदान करते हैं, जिससे पूर्ण बॉक्स तक पहुँचने के लिए आवश्यक निर्णय चरणों (decision epochs) की संख्या कम हो जाती है।
थ्योरम 2.3 (एनर्जी-एफिशिएंट पॉलिसी): रिवॉर्ड $r_2$ के तहत, इष्टतम नीति $d^*$ उन क्रियाओं का चयन करती है जो आयत के कोनों पर स्थित बॉन्ड्स (क्रियाएं $b'_1, b'_2$ ) के माध्यम से कणों का आदान-प्रदान करती हैं।
- तर्क: कॉर्नर मूव्स में तत्काल ऊर्जा दंड (energy penalty) कम होता है। भले ही वे तत्काल विकास की कम संभावना रखते हैं, लेकिन प्रति प्रयास कम लागत उन्हें कुल ऊर्जा व्यय को कम करने के उद्देश्य से इष्टतम बनाती है।

5. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक अंतर्दृष्टि: यह कार्य रिवॉर्ड फंक्शन की संरचना और न्यूक्लिएशन की ज्यामितीय तंत्र के बीच एक सीधा संबंध प्रकट करता है। यह दिखाता है कि मेटास्टेबल परिदृश्यों में "सबसे तेज़" और "सबसे सस्ता" पथ ज्यामितीय रूप से भिन्न होते हैं।
एल्गोरिद्मिक त्वरण (Algorithmic Acceleration): MDP ढांचा इम्पॉर्टेंस सैंपलिंग (importance sampling) और त्वरित सिमुलेशन के लिए एक ब्लूप्रिंट प्रदान करता है। प्राप्त इष्टतम नीतियों के अनुसार डायनेमिक्स को बायस करके, एक सही सांख्यिकीय भार (statistical weights) बनाए रखते हुए, ब्रूट-फोर्स मोंटे कार्लो की तुलना में बहुत तेज़ी से दुर्लभ संक्रमणों का अनुकरण किया जा सकता है।
स्टोकेस्टिक सिस्टम का नियंत्रण: यह शोध पत्र प्रदर्शित करता है कि स्थानिक स्टोकेस्टिक प्रक्रियाओं (spatial stochastic processes) को नियंत्रित करने के लिए MDP का उपयोग किया जा सकता है, जो स्थिर एसिम्प्टोटिक विश्लेषण (जैसे आइरिंग-क्रामर्स फॉर्मूला) के लिए एक गतिशील विकल्प प्रदान करता है।
भविष्य की दिशाएं: लेखक मॉडल को कई क्लस्टरों की अनुमति देने, सीमा के अधिक विस्तृत ज्यामितीय विवरण को शामिल करने, और उन बड़े स्टेट स्पेस को संभालने के लिए सुदृढीकरण शिक्षण (reinforcement learning) को लागू करने के विस्तार का सुझाव देते हैं जहाँ सटीक समाधान अव्यवहार्य हैं।

संक्षेप में, यह शोध पत्र मेटास्टेबल ट्रांज़िशन को नियंत्रित करने के लिए एक गणितीय रूप से कठोर और गणनात्मक रूप से व्यावहारिक दृष्टिकोण प्रदान करता है, और यह सिद्ध करता है कि क्रिस्टल जैसे क्लस्टर को बढ़ाने की इष्टतम रणनीति इस बात पर निर्भर करती है कि लक्ष्य गति है या ऊर्जा संरक्षण।