💻 computer science

AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model

यह शोध पत्र AI-Supervisor को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है जो स्टेटलेस रिसर्च पाइपलाइन्स को एक निरंतर, स्व-सुधारात्मक 'रिसर्च वर्ल्ड मॉडल' से बदल देता है ताकि साहित्य समीक्षा और संरचित अंतराल खोज से लेकर पद्धति विकास और पेपर लेखन तक, पूरे एआई अनुसंधान जीवनचक्र को सर्वसम्मति-आधारित सत्यापन और पुनरावृत्तीय परिशोधन के माध्यम से स्वायत्त रूप से पर्यवेक्षित किया जा सके।

मूल लेखक: Yunbo Long

प्रकाशित 2026-03-26✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yunbo Long

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शोध परियोजना शुरू करना चाहते हैं, जैसे कि एक नए प्रकार की बैटरी का आविष्कार करना या यह पता लगाना कि एक विशिष्ट AI मॉडल बार-बार गलतियाँ क्यों कर रहा है। पुराने दिनों में, आपको किसी विश्वविद्यालय में शामिल होना पड़ता, एक प्रसिद्ध प्रोफेसर को अपना बॉस बनाना पड़ता और यह उम्मीद करनी पड़ती कि उनके पास आपका मार्गदर्शन करने के लिए समय हो। यदि आपके पास कोई "बॉस" नहीं होता, तो आप फंस जाते।

AI-Supervisor एक नया टूल है जो खेल बदल देता है। यह ऐसा है जैसे हर जिज्ञासु व्यक्ति को पूरी तरह से AI से बनी अपनी व्यक्तिगत, 24/7 रिसर्च लैब टीम मिल गई हो।

यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: "भुलक्कड़" रोबोट

अधिकांश वर्तमान AI अनुसंधान उपकरण भुलक्कड़ (amnesiacs) की तरह होते हैं। वे एक पेपर पढ़ते हैं, उसका सारांश लिखते हैं, और फिर तुरंत वह सब भूल जाते हैं जो उन्होंने अभी पढ़ा था। वे उस छात्र की तरह हैं जिसने एक पाठ्यपुस्तक का अध्याय पढ़ा, उसके बारे में एक वाक्य लिखा, और फिर पूछा, "ठहरिए, वह किताब किस बारे में थी?" वे टेक्स्ट तो जेनरेट करते हैं, लेकिन वे वास्तव में बड़े चित्र (big picture) को नहीं समझते या यह याद नहीं रखते कि उन्होंने पहले क्या आज़माया है।

2. समाधान: "जीवित विश्वकोश" (रिसर्च वर्ल्ड मॉडल)

AI-Supervisor अलग है क्योंकि इसके पास स्थायी स्मृति (persistent memory) है। इसे एक विशाल, जीवित विश्वकोश (जिसे "रिसर्च वर्ल्ड मॉडल" कहा जाता है) के रूप में सोचें जो कभी सोता नहीं और कभी कुछ नहीं भूलता।

यह कैसे काम करता है: केवल पेपर पढ़ने के बजाय, AI एजेंट पूरे शोध क्षेत्र का एक मानचित्र (map) बनाते हैं। वे विचारों, विधियों और प्रयोगों को जोड़ने वाली रेखाएं खींचते हैं।
"अनिश्चितता" टैग (Uncertainty Tags): कल्पना करें कि इस विश्वकोश में हर तथ्य पर एक छोटा सा झंडा लगा है।
- 🚩 लाल झंडा (अपुष्ट/Unverified): "किसी ने कहा है कि यह विधि काम करती है, लेकिन हमने अभी तक इसकी जाँच नहीं की है।"
- ✅ हरा झंडा (सत्यापित/Verified): "हमने प्रयोग किया, और हाँ, यह काम करता है।"
- ❌ काला झंडा (विफल/Failed): "हमने इसे आज़माया, और यह बुरी तरह विफल रहा।"
यह क्यों मायने रखता है: जैसे-जैसे AI टीम काम करती है, यह विश्वकोश और स्मार्ट होता जाता है। यदि वे चरण A में विफल होते हैं, तो पूरी टीम इसे याद रखती है ताकि वे बाद में चरण A को दोबारा आज़माने में समय बर्बाद न करें।

3. टीम: एक "टाउन हॉल" मीटिंग (मल्टी-एजेंट कंसेंसस)

AI-Supervisor केवल एक AI का उपयोग नहीं करता है। यह विशेषज्ञ एजेंटों की एक टीम का उपयोग करता है (जैसे कि विभिन्न नौकरियों वाले शोधकर्ताओं का एक समूह: एक पेपर पढ़ता है, एक कोड चलाता है, एक गणित की जाँच करता है)।

पुराना तरीका: एक व्यक्ति सब कुछ एक सीधी रेखा में करता है। यदि वे चरण 1 में गलती करते हैं, तो पूरा प्रोजेक्ट बर्बाद हो जाता है।
AI-Supervisor का तरीका: यह एक टाउन हॉल मीटिंग की तरह है।
1. राउंड 1: हर कोई अपने दम पर किसी समस्या की जांच करने के लिए बाहर जाता है।
2. राउंड 2: वे सभी वापस आते हैं और जो उन्होंने पाया है उसे साझा करते हैं।
3. आम सहमति (The Consensus): वे आपस में बहस करते हैं, एक-दूसरे के काम की जाँच करते हैं, और केवल तभी एक निष्कर्ष पर सहमत होते हैं जब कई लोग एक ही साक्ष्य देखते हैं।
- उपमा: यदि एक एजेंट कहता है, "यह पुल सुरक्षित है," लेकिन तीन अन्य कहते हैं, "नहीं, गणित गलत है," तो टीम उस विचार को खारिज कर देती है। यह AI को "हैलुसिनेट" (मनगढ़ंत बातें बनाने) से रोकता है।

4. सुपरपावर: अन्य क्षेत्रों से विचार "चुराना" (क्रॉस-डोमेन सर्च)

यही सबसे रचनात्मक हिस्सा है। जब AI टीम एक दीवार से टकराती है (जैसे, "हमारा रोबोट बार-बार गिर रहा है"), तो वे उसी तरीके से और अधिक प्रयास नहीं करते।

"5-Why" पद्धति: वे वास्तविक मूल कारण का पता लगाने के लिए पाँच बार "क्यों?" पूछते हैं।
अनुवाद (The Translation): एक बार जब वे मूल कारण पा लेते हैं (जैसे, "समस्या वास्तव में अस्थिर ऊर्जा प्रवाह के बारे में है"), तो वे पूछते हैं: "इसे और कौन हल करता है?"
जादू: वे महसूस कर सकते हैं कि जीवविज्ञानी (biologists) या वित्तीय व्यापारी (financial traders) वर्षों से ठीक इसी तरह की "ऊर्जा प्रवाह" की समस्या को हल कर रहे हैं। AI फिर उन समाधानों को चुराता है, उन्हें अपने क्षेत्र में अनुवादित करता है, और उन्हें आज़माता है।
- उपमा: यह एक खराब कार इंजन को ठीक करने की कोशिश करने जैसा है, लेकिन कार मैनुअल देखने के बजाय, आप एक शेफ (chef) से पूछते हैं कि वह गर्मी (heat) को कैसे प्रबंधित करता है, क्योंकि हीट ट्रांसफर का भौतिकी (physics) वही है।

5. परिणाम: एक स्व-सुधार लूप (Self-Correcting Loop)

यदि नया विचार विफल हो जाता है, तो सिस्टम हार नहीं मानता। इसमें एक क्वालिटी गेट (Quality Gate) होता है।

यदि विचार पर्याप्त अच्छा नहीं है, तो सिस्टम कहता है, "ठीक है, हम विफल रहे। आइए मानचित्र पर वापस जाएं, अपनी धारणाओं की जाँच करें, और एक अलग कोण से प्रयास करें।"
यह तब तक लूप में चलता रहता है जब तक कि इसे एक ऐसा समाधान न मिल जाए जो मजबूत, परीक्षित और प्रकाशित करने के लिए तैयार हो।

सारांश: यह बड़ी बात क्यों है?

जिज्ञासुओं के लिए: आपको वास्तविक शोध करने के लिए पीएचडी या किसी अमीर विश्वविद्यालय की आवश्यकता नहीं है। आपको बस जिज्ञासा की आवश्यकता है, और यह AI टीम भारी काम करती है।
विज्ञान के लिए: यह AI को केवल "अधिक शब्द लिखने" से रोकता है। इसके बजाय, यह AI को काम करने के लिए मजबूर करता है: प्रयोग चलाना, गणित की जाँच करना, और सत्य का एक साझा मानचित्र बनाना जो हर दिन स्मार्ट होता जाता है।

संक्षेप में, AI-Supervisor AI को एक "टेक्स्ट जनरेटर" से बदलकर एक "वैज्ञानिक खोजकर्ता" में बदल देता है जो ज्ञान का एक साझा, सत्यापित मानचित्र बनाता है, यह सुनिश्चित करता है कि प्रत्येक खोज वास्तविक, परीक्षित और उपयोगी हो।

यहाँ शोध पत्र "AI-Supervisor: Autonomous AI Research Supervision via a Persistent Research World Model" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान स्वचालित AI अनुसंधान प्रणालियाँ (जैसे, AI Scientist, AI-Researcher) स्टेटलेस, रैखिक पाइपलाइनों (stateless, linear pipelines) के रूप में कार्य करती हैं। वे तीन महत्वपूर्ण सीमाओं से ग्रस्त हैं:

स्थायी समझ का अभाव (Lack of Persistent Understanding): वे अनुसंधान परिदृश्य की दीर्घकालिक स्मृति बनाए रखे बिना अनुक्रमिक रूप से आउटपुट उत्पन्न करती हैं, जिससे दोहराव वाले प्रयास होते हैं और पिछले निष्कर्षों पर आधारित होने में विफलता होती है।
निष्क्रिय पीढ़ी बनाम सक्रिय अन्वेषण (Passive Generation vs. Active Exploration): वे अनुसंधान को वास्तविक दुनिया के ज्ञान के सक्रिय अन्वेषण के बजाय एक टेक्स्ट जनरेशन कार्य (LLMs को प्रशंसनीय पाठ उत्पन्न करने के लिए प्रॉम्प्ट करना) के रूप में मानती हैं। वे अक्सर वास्तविक गणना या कठोर गैप विश्लेषण के माध्यम से दावों को सत्यापित करने में विफल रहती हैं।
पर्यवेक्षण का अभाव (Absence of Supervision): मौजूदा उपकरण निष्पादन (कोडिंग, प्रयोग चलाना) को स्वचालित करते हैं लेकिन "सबसे कठिन भाग" के लिए मनुष्यों पर निर्भर रहते हैं: अनुसंधान पर्यवेक्षण (वास्तविक अंतराल की पहचान करना, कठोर मूल्यांकन डिजाइन करना और धारणाओं को चुनौती देना)। यह अनुसंधान को उन लोगों तक सीमित करता है जिनके पास विशेषज्ञ पर्यवेक्षण तक संस्थागत पहुंच है।

शोध पत्र का तर्क है कि AI अनुसंधान के लोकतंत्रीकरण के लिए, प्रणालियों को निष्क्रिय पीढ़ी (passive generation) से सक्रिय अन्वेषण (active exploration) की ओर बढ़ना चाहिए, जो एजेंटों को मार्गदर्शन देने के लिए एक निरंतर विकसित होने वाले 'रिसर्च वर्ल्ड मॉडल' को बनाए रखें।

2. कार्यप्रणाली: AI-Supervisor फ्रेमवर्क (Methodology: The AI-Supervisor Framework)

AI-Supervisor एक मल्टी-एजेंट ऑर्केस्ट्रेशन फ्रेमवर्क है जो एक परसिस्टेंट रिसर्च वर्ल्ड मॉडल (Persistent Research World Model - RWM) द्वारा संचालित है। यह उपयोगकर्ता की सामान्य भाषा वाली अनुसंधान रुचि को एक पूर्ण अनुसंधान पाइपलाइन (साहित्य समीक्षा $\to$ गैप डिस्कवरी $\to$ मेथड डेवलपमेंट $\to$ इवैल्यूएशन $\to$ पेपर राइटिंग) में बदल देता है।

A. परसिस्टेंट रिसर्च वर्ल्ड मॉडल (RWM)

मुख्य नवाचार RWM है, जिसे एक टाइप्ड, अनसर्टेन्टी-एनोटेटेड नॉलेज ग्राफ (Knowledge Graph - KG) के रूप में लागू किया गया है।

संरचना: $W = (V, E, U, M)$ , जहाँ नोड्स ( $V$ ) शोध पत्रों, विधियों, मॉड्यूल, बेंचमार्क, अंतराल (gaps) और सीमाओं का प्रतिनिधित्व करते हैं। किनारे ( $E$ ) संबंधों (जैसे, proposes, evaluated_on) का प्रतिनिधित्व करते हैं।
अनसर्टेन्टी एनोटेशन (Uncertainty Annotation): प्रत्येक नोड और किनारे में एक अनसर्टेन्टी स्टेट $U \in \{0, 1\}$ $U \in {0, 1}$ होता है।
- $U=1$ : अपुष्ट (प्रारंभिक अवस्था)।
- $U=0$ : सत्यापित (अनुभवजन्य परीक्षण या मल्टी-एजेंट सर्वसम्मति के माध्यम से पुष्ट)।
मेट्रिक्स: किनारे प्रदर्शन मेट्रिक्स (जैसे, सटीकता, F1 स्कोर) ले जाते हैं।
विकास: यह मॉडल पूर्व-निर्मित नहीं है; यह विकसित होता है जैसे-जैसे एजेंट संरचित डेटा निकालते हैं, दावों को सत्यापित करते हैं और ग्राफ को अपडेट करते हैं। यह सभी एजेंटों के लिए साझा मेमोरी के रूप में कार्य करता है और सत्रों (sessions) के बीच बना रहता है।

B. मल्टी-एजेंट कंसेंसस प्रोटोकॉल (Multi-Agent Consensus Protocol)

एक अनुक्रमिक पाइपलाइन के बजाय, AI-Supervisor एक समानांतर सर्वसम्मति तंत्र (parallel consensus mechanism) का उपयोग करता है:

राउंड 1 (स्वतंत्र): $K$ प्रोबिंग एजेंट वर्तमान RWM के आधार पर विधियों, बेंचमार्क और धारणाओं की स्वतंत्र रूप से जांच करते हैं।
राउंड 2 (साझा दृश्यता): एजेंट अपने सभी निष्कर्षों को साझा करते हैं। वे दूसरों के परिणामों के आधार पर अपने स्वयं के परिकल्पनाओं को परिष्कृत करते हैं।
ऑर्केस्ट्रेशन: एक ऑर्केस्ट्रेटर साक्ष्यों को एकत्रित करता है। केवल वे निष्कर्ष जो कई एजेंटों ( $\ge 2$ ) द्वारा पुष्ट किए गए हैं, उन्हें $U=0$ के साथ RWM में दर्ज किया जाता है। अपुष्ट निष्कर्ष $U=1$ रहते हैं या हटा दिए जाते हैं।
रूटिंग: ऑर्केस्ट्रेटर यह निर्णय लेता है कि निष्कर्षों को मर्ज करना है, अनुत्पादक दिशाओं को समाप्त करना है, या एजेंटों को नई दिशाओं की ओर निर्देशित करना है।

C. क्रॉस-डोमेन सेल्फ-इंप्रूविंग लूप्स (Cross-Domain Self-Improving Loops)

सत्यापित अंतरालों (gaps) को हल करने के लिए, सिस्टम एक मैकेनिज्म-फर्स्ट दृष्टिकोण अपनाता है:

रूट-कॉज़ एनालिसिस (5-WHY): सिस्टम एक विशिष्ट गणितीय या संरचनात्मक सीमा (जैसे, "स्टैटिक लैग्रेंज मल्टीप्लायर नॉन-स्टेशनरी कंस्ट्रेंट्स पर विफल होता है") की पहचान करने के लिए RWM के माध्यम से प्रदर्शन विफलता को ट्रैक करता है।
क्रॉस-डोमेन ट्रांसलेशन: अमूर्त मैकेनिज्म को विशिष्ट शब्दावली का उपयोग करके अन्य वैज्ञानिक क्षेत्रों (जैसे, RL से कंट्रोल थ्योरी या फाइनेंस तक) में मैप किया जाता है।
क्वालिटी-गेटेड इटरेशन: एजेंट इन अन्य क्षेत्रों में समाधानों की खोज करते हैं। एक क्वालिटी गेट ( $Q$ ) परिणाम का 10 मानदंडों (नवीनता, सांख्यिकीय महत्व, एब्लेशन, आदि) के विरुद्ध मूल्यांकन करता है।
- यदि $Q=1$ : अंतिम रूप दें।
- यदि $Q=0$ : पुनर्मूल्यांकन करें। सिस्टम केवल गहराई से खोज नहीं करता है; यह मूल मैकेनिज्म या चुने गए क्षेत्रों का पुनर्मूल्यांकन करता है, जिससे अप्रभावी खोज के अनंत लूप को रोका जा सके।

D. निष्पादन चरण (Execution Phases)

फ्रेमवर्क विशिष्ट चरणों में निष्पादित होता है:

चरण 0-1: साहित्य समीक्षा और RWM इनिशियलाइजेशन।
चरण 2a-2b: समानांतर निष्कर्षण और कंसेंसस प्रोबिंग के माध्यम से संरचित गैप डिस्कवरी।
चरण 3: स्व-सुधारात्मक विकास लूप (मैकेनिज्म विश्लेषण $\to$ क्रॉस-डोमेन सर्च $\to$ टेस्टिंग)।
चरण 4-7: कठोर मूल्यांकन (मल्टी-सीड, एब्लेशन), पेपर राइटिंग, और रिव्यू रूटिंग (कमजोरियों को ठीक करने के लिए सही चरण पर वापस भेजना)।

3. मुख्य योगदान (Key Contributions)

परसिस्टेंट रिसर्च वर्ल्ड मॉडल: पहला अनुसंधान स्वचालन प्रणाली जो निरंतर विकसित होने वाले, अनसर्टेन्टी-एनोटेटेड KG पर आधारित है। यह स्टेटलेस पाइपलाइनों के विपरीत, संरचनात्मक गैप रीजनिंग और क्रॉस-प्रोजेक्ट नॉलेज ट्रांसफर को सक्षम बनाता है।
सेल्फ-करेक्टिंग मल्टी-एजेंट कंसस: एक प्रोटोकॉल जहाँ स्वतंत्र एजेंट वर्ल्ड मॉडल में कमिट करने से पहले अपने निष्कर्षों को एक-दूसरे के विरुद्ध सत्यापित करते हैं, जो अनुमानित गैप पहचान के स्थान पर अनुभवजन्य रूप से आधारित खोज लाता है।
क्रॉस-डोमेन सेल्फ-इंप्रूविंग लूप्स: एक मैकेनिज्म-ड्रिवन सर्च जो विफलताओं को अमूर्त समस्याओं में तोड़ता है और अन्य वैज्ञानिक क्षेत्रों में समाधान खोजता है, जिसे एक क्वालिटी गेट द्वारा नियंत्रित किया जाता है जो मानदंडों के विफल होने पर दिशा के पुनर्मूल्यांकन के लिए मजबूर करता है।
ओपन-सोर्स, मॉडल-एग्नोस्टिक फ्रेमवर्क: यह सभी मुख्य LLMs (GPT-4, Claude, LLaMA, Qwen, आदि) का समर्थन करता है और टोकन बजट के साथ लचीले ढंग से स्केल होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन Scientist-Bench का उपयोग करके 5 AI डोमेन (रेकमेंडेशन, रीजनिंग, डिफ्यूजन, GNN, वेक्टर क्वांटाइजेशन) में 27 कार्यों पर किया गया।

गैप डिस्कवरी क्वालिटी: AI-Supervisor ने 4.44/5 का बेस्ट अलाइनमेंट प्राप्त किया (LLM-ओनली ब्रेनस्टॉर्मिंग के 4.15 के मुकाबले) और 100% रिकॉल दिखाया। संरचित RWM ने टेक्स्ट-आधारित पैटर्न मैचिंग की तुलना में वास्तविक अंतराल की पहचान करने में उच्च परिशुद्धता (0.807) प्रदान की।
मेथड डेवलपमेंट: क्रॉस-डोमेन सर्च और सेल्फ-करेक्टिंग लूप का उपयोग करते हुए, AI-Supervisor ने 8.0/10 का क्वालिटी गेट स्कोर प्राप्त किया। महत्वपूर्ण रूप से, क्रॉस-डोमेन सर्च के माध्यम से विकसित विधियाँ इन-डोमेन इटरेशन (15.6) या नेटिव क्रॉस-डोमेन बॉरोइंग (10.8) की तुलना में काफी अधिक नवीन (20.6/25) थीं।
नॉलेज पर्सिस्टेंस: क्रमिक परियोजनाओं में, परसिस्टेंट RWM ने 16 क्रॉस-प्रोजेक्ट स्ट्रक्चरल कनेक्शन और 3/3 क्रॉस-प्रोजेक्ट इनसाइट्स पाए। कॉन्टेक्स्ट-विंडो मेमोरी या स्टैटिक KG का उपयोग करने वाले बेसलाइन ने 0 स्ट्रक्चरल कनेक्शन पाए।
स्केलेबिलिटी: प्रोबिंग एजेंटों की संख्या (1 से 7) बढ़ाने से कंसेंसस फिल्टर सख्त हो गया, जिससे गैप की संख्या कम हुई लेकिन उच्च अलाइनमेंट क्वालिटी बनी रही। "स्वीट स्पॉट" 3 एजेंटों पर पाया गया।
लागत दक्षता: सिस्टम कुशल मॉडल्स (जैसे Qwen-72B) का उपयोग करके $8–16 में सभी 5 चरणों को कवर करता है, जिसमें LLM के लिए GPU एक्सेस की आवश्यकता नहीं है, और यह उन चरणों को भी कवर करता है जिन्हें बेसलाइन अक्सर छोड़ देते हैं या जिनमें मानव हस्तक्षेप की आवश्यकता होती है।

5. महत्व और भविष्य की दिशाएँ (Significance and Future Directions)

पैराडाइम शिफ्ट: AI-Supervisor, जेनरेटिव AI (टेक्स्ट उत्पादन) से एक्सप्लोरेटरी AI (वास्तविक दुनिया के ज्ञान के साथ बातचीत और सत्यापन) की ओर एक बदलाव है। RWM, LLM के कॉन्टेक्स्ट के बजाय, वैज्ञानिक समझ के स्थायी आर्टिफैक्ट के रूप में कार्य करता है।
लोकतंत्रीकरण: यह व्यक्तियों को एक "पर्सनल AI रिसर्च टीम" प्रदान करता है, जिससे उच्च-गुणवत्ता वाले अनुसंधान पर्यवेक्षण के लिए संस्थागत संबद्धता की बाधा दूर हो जाती है।
भविष्य का दृष्टिकोण: लेखक एक ऐसे भविष्य का प्रस्ताव करते हैं जहाँ विभिन्न शोधकर्ताओं के RWM मिलकर एक डिस्ट्रीब्यूटेड एकेडमिक नॉलेज नेटवर्क बनाते हैं। यह एक "रिसर्च नॉलेज कॉमन्स" में विकसित हो सकता है जहाँ प्रतिष्ठा पारंपरिक पेपर रिव्यू के बजाय साझा, जीवित ज्ञान संरचना में समुदाय-सत्यापित योगदान पर आधारित होगी।

संक्षेप में, AI-Supervisor यह प्रदर्शित करता है कि स्वायत्त AI अनुसंधान तब संभव है जब एजेंटों को अनुसंधान परिदृश्य की एक स्थायी, संरचित स्मृति और उनके निष्कर्षों को मान्य करने के लिए एक कठोर सर्वसम्मति तंत्र से लैस किया जाता है।