🌀 nonlinear sciences

Entropy Production Rate in Stochastically Time-evolving Asymmetric Networks

यह शोध पत्र एक गैर-संतुलन ऊष्मागतिकी ढांचे का उपयोग करता है जो अनकोरिलेटेड कलर्ड नॉइज़ (uncorrelated colored noise) द्वारा मॉडल किए गए उतार-चढ़ाव वाले अंतःक्रियाओं के अधीन गैररेखीय नेटवर्क प्रणालियों में एंट्रॉपी उत्पादन दर के लिए एक सटीक अभिव्यक्ति व्युत्पन्न करने हेतु डायनेमिकल मीन फील्ड थ्योरी का उपयोग करता है, जिससे यह परिमाणित किया जा सके कि विकार की शक्ति और सहसंबंध समय प्रणाली के व्यवहार को कैसे प्रभावित करते हैं।

मूल लेखक: Tuan Pham, Deepak Gupta

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tuan Pham, Deepak Gupta

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, अराजक भीड़ के व्यवहार को समझने की कोशिश कर रहे हैं। शायद यह शेयर बाजार हो, न्यूरॉन्स से भरा मस्तिष्क हो, या जानवरों का एक पारिस्थितिकी तंत्र (ecosystem) हो। आमतौर पर, वैज्ञानिक इस भीड़ की भविष्यवाणी करने की कोशिश करते हैं और यह मान लेते हैं कि नियम स्थिर हैं: "यदि व्यक्ति A, व्यक्ति B से बात करता है, तो वे हमेशा एक ही तरीके से करेंगे।"

लेकिन वास्तविक दुनिया में, नियम बदलते रहते हैं। संबंध बदलते हैं, रिश्ते विकसित होते हैं, और वातावरण उतार-चढ़ाव भरा होता है। यह शोध पत्र एक बहुत ही कठिन प्रश्न का समाधान करता है: हम एक ऐसे सिस्टम में "अराजकता" या "बर्बादी" (एन्ट्रॉपी) को कैसे माप सकते हैं जहाँ कनेक्शन खुद लगातार बदल रहे हैं?

यहाँ लेखकों द्वारा किए गए कार्यों का कुछ रोजमर्रा के उपमाओं (analogies) का उपयोग करके एक सरल विवरण दिया गया है।

1. समस्या: "जमी हुई" बनाम "छटपटाती हुई" भीड़

दो प्रकार की भीड़ों की कल्पना करें:

जमी हुई भीड़ (Quenched Disorder): कल्पना कीजिए कि लोगों के एक समूह में हर किसी को एक निश्चित साथी दिया गया है जिससे वे बात करते हैं, और वे कभी भी साथी नहीं बदलते। यहाँ कनेक्शन "जमे हुए" हैं। वैज्ञानिक काफी समय से इन स्थिर प्रणालियों में ऊर्जा की बर्बादी (एन्ट्रॉपी) की गणना करना जानते हैं।
छटपटाती हुई भीड़ (Annealed Disorder): अब, एक पार्टी की कल्पना करें जहाँ लोग लगातार अपने डांस पार्टनर बदल रहे हैं, संगीत की लय बदल रही है, और रोशनी टिमटिमा रही है। यहाँ कनेक्शन "जीवित" हैं और समय के साथ बदल रहे हैं। इसे लेखक "एनील्ड डिसऑर्डर" (annealed disorder) कहते हैं।

अब तक, वैज्ञानिकों के पास इन छटपटाती, बदलती प्रणालियों में "बर्बादी" (एन्ट्रॉपी प्रोडक्शन) को मापने के लिए एक अच्छा गणितीय उपकरण नहीं था। वे जानते थे कि इनका सिमुलेशन कैसे करना है, लेकिन इस अराजकता की सटीक ऊर्जा लागत की गणना करना बहुत धीमा और महंगा था।

2. समाधान: "भीड़ का प्रतिनिधि" (DMFT)

हर सेकंड पार्टनर बदलने वाले 10,000 लोगों की भीड़ का सिमुलेशन करना एक मानक कंप्यूटर के लिए गणनात्मक रूप से असंभव है। यह समुद्र की लहर की भविष्यवाणी करने के लिए समुद्र तट पर रेत के हर एक कण को ट्रैक करने जैसा है।

लेखकों ने डायनामिकल मीन फील्ड थ्योरी (DMFT) नामक एक चतुर तकनीक का उपयोग किया।

उपमा: 10,000 लोगों को ट्रैक करने के बजाय, उन्होंने एक "सुपर-रिप्रेजेंटेटिव" (एक अति-प्रतिनिधि) बनाया।
कल्पना कीजिए कि आप जानना चाहते हैं कि पार्टी कैसी महसूस हो रही है। सभी का इंटरव्यू लेने के बजाय, आप एक व्यक्ति को चुनते हैं और कहते हैं, "तुम बाकी सभी के औसत (average) हो।" फिर आप पूछते हैं: "यह एक व्यक्ति पूरे कमरे के औसत शोर और हलचल के प्रति कैसी प्रतिक्रिया देता है?"
केवल इस एक प्रतिनिधि व्यक्ति के लिए गणित को हल करके, वे सटीक रूप से भविष्यवाणी कर सके कि वह पूरा विशाल नेटवर्क क्या कर रहा है। यह एक पूरे महाद्वीप के मौसम की भविष्यवाणी करने के लिए केवल एक आदर्श शहर के वायु दबाव का अध्ययन करने जैसा है।

3. खोज: "थर्मोस्टेट" और "शोर"

जिस सिस्टम का उन्होंने अध्ययन किया, उसमें दो प्रकार के शोर (यादृच्छिकता/randomness) हैं:

थर्मल नॉइज़ (पृष्ठभूमि की गूँज): जैसे कमरे की प्राकृतिक गर्मी। यह निष्क्रिय और अनुमानित है।
एक्टिव नॉइज़ (डीजे): यह बदलते हुए कनेक्शन (छटपटाने वाला हिस्सा) है। यह एक डीजे की तरह है जो संगीत की बीट बदलता रहता है। यह "कलर्ड नॉइज़" है क्योंकि इसकी एक याददाश्त (memory) है—यह तुरंत नहीं बदलता; इसकी एक लय (कोरिलेशन टाइम, $\tau_0$ ) है।

लेखकों ने पाया कि सिस्टम कितनी ऊर्जा खर्च करता है (एन्ट्रॉपी प्रोडक्शन रेट) इसकी सटीक गणना कैसे की जाए, यह इस बात पर निर्भर करता है कि डीजे कितनी तेजी से संगीत बदलता है।

तेज़ बदलाव (छोटा $\tau_0$ ): यदि कनेक्शन बहुत तेज़ी से बदलते हैं (जैसे एक उन्मत्त नृत्य), तो सिस्टम बहुत सक्रिय हो जाता है और बहुत अधिक ऊर्जा खर्च करता है।
धीमे बदलाव (लंबा $\tau_0$ ): यदि कनेक्शन धीरे-धीरे बदलते हैं, तो सिस्टम "जमी हुई" भीड़ की तरह व्यवहार करता है, और ऊर्जा की बर्बादी कम होती है।

4. बड़ी सफलता: अराजकता का एक सरल सूत्र

इस शोध पत्र का सबसे रोमांचक हिस्सा यह है कि उन्होंने एक शॉर्टकट खोजा।

आमतौर पर, यह जानने के लिए कि एक सिस्टम कितनी ऊर्जा बर्बाद करता है, आपको प्रत्येक कण की गति को ट्रैक करना पड़ता है। लेखकों ने खोजा कि इन बदलते हुए सिस्टमों के लिए, आपको ऐसा करने की आवश्यकता नहीं है।

उपमा: एक झूलते हुए पेंडुलम के बारे में सोचें।

यह जानने के लिए कि कितना घर्षण (ऊर्जा की हानि) हो रहा है, आपको हर मिलीसेकंड में हवा के प्रतिरोध को मापने की आवश्यकता नहीं है।
आपको बस यह देखना है कि समय के साथ झूला कितनी तेज़ी से धीमा होता है (ऑटोकोरिलेशन)।

उन्होंने एक सूत्र निकाला जो कहता है: "ऊर्जा की बर्बादी सीधे तौर पर इस बात से जुड़ी है कि सिस्टम की याददाश्त कितनी तेज़ी से मिटती है।"

यदि सिस्टम अपने पिछले अवस्था (state) को लंबे समय तक याद रखता है, तो ऊर्जा की बर्बादी कम होती है।
यदि सिस्टम अपने अतीत को तुरंत भूल जाता है (तेज़ बदलावों के कारण), तो ऊर्जा की बर्बादी बढ़ जाती है।

उन्होंने सिद्ध किया कि यह सूत्र सरल प्रणालियों (साधारण झूलों) और गैर-रेखीय प्रणालियों (जटिल, अराजक नृत्यों) दोनों के लिए काम करता है।

5. यह क्यों महत्वपूर्ण है?

यह केवल गणित के बारे में नहीं है; यह वास्तविक जीवन पर लागू होता है:

मस्तिष्क: न्यूरॉन्स केवल फायर नहीं करते; उनके कनेक्शन (सिनैप्स) बदलते और अनुकूलित होते हैं (प्लास्टिसिटी)। यह शोध पत्र हमें सीखने और सोचने की ऊर्जा लागत को समझने में मदद करता है।
AI और मशीन लर्निंग: न्यूरल नेटवर्क अनिवार्य रूप से ये जटिल जाल हैं। "एन्ट्रॉपी" को समझना हमें अधिक कुशल AI बनाने में मदद करता है जो ऊर्जा बर्बाद नहीं करता है।
पारिस्थितिकी (Ecology): पशु आबादी बदलते वातावरण में परस्पर क्रिया करती है। यह भविष्यवाणी करने में मदद करता है कि पारिस्थितिकी तंत्र तनाव के तहत कैसे जीवित रहता है या ढह जाता है।

सारांश

लेखकों ने एक गणितीय दूरबीन बनाई। अरबों बदलते कनेक्शनों के शोर में खो जाने के बजाय, उन्होंने एक "औसत" इकाई पर ध्यान केंद्रित किया। उन्होंने खोजा कि एक अराजक, बदलती दुनिया में ऊर्जा की "बर्बादी" सीधे तौर पर इस बात से जुड़ी है कि सिस्टम अपने इतिहास को कितनी तेज़ी से भूल जाता है।

उन्होंने एक ऐसी समस्या को हल किया जिसके लिए सिमुलेशन हेतु सुपरकंप्यूटरों की आवश्यकता थी, उसे एक स्वच्छ, सुंदर समीकरण में बदल दिया जिसका उपयोग कोई भी (सही गणितीय पृष्ठभूमि के साथ) अराजकता की लागत की भविष्यवाणी करने के लिए कर सकता है।

यहाँ तुआन फाम और दीपक गुप्ता के शोध पत्र "Entropy Production Rate in Stochastically Time-evolving Asymmetric Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जटिल प्रणालियाँ, जैसे कि तंत्रिका नेटवर्क (neural networks), पारिस्थितिक तंत्र (ecological systems), और सामाजिक गतिशीलता (social dynamics), स्वाभाविक रूप से गैर-संतुलन (non-equilibrium) की होती हैं और अक्सर समय-निर्भर अंतःक्रियाओं (time-dependent interactions) को प्रदर्शित करती हैं। जबकि पिछले शोधों ने क्वेंच्ड डिसऑर्डर (quenched disorder) (स्थिर, जमे हुए यादृच्छिकता) वाले सिस्टम में एंट्रॉपी उत्पादन को मापने के लिए डायनामिकल मीन फील्ड थ्योरी (DMFT) को सफलतापूर्वक लागू किया है, एनील्ड डिसऑर्डर (annealed disorder) (उतार-चढ़ाव वाले, समय के साथ विकसित होने वाले इंटरैक्शन) वाले सिस्टम के लिए एक सामान्य ऊष्मागतिक ढांचे (thermodynamic framework) का अभाव था।

विशेष रूप से, लेखक उन बड़े पैमाने के, गैर-रेखीय नेटवर्क सिस्टम में एंट्रॉपी प्रोडक्शन रेट (EPR) की गणना करने की चुनौती का समाधान करते हैं जहाँ इकाइयों के बीच युग्मन सामर्थ्य (coupling strengths) समय के साथ स्टोकेस्टिक रूप से विकसित होते हैं। यह सिनैप्टिक प्लास्टिसिटी, अनुकूलित जीन-नियामक नेटवर्क (adaptive gene-regulatory networks), और सक्रिय पदार्थ (active matter) जैसे सिस्टम में अपव्यय (dissipation) को समझने के लिए महत्वपूर्ण है, जहाँ इंटरैक्शन पैरामीटर स्थिर नहीं होते बल्कि पर्यावरणीय या आंतरिक गतिकी के कारण उतार-चढ़ाव वाले होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक इस समस्या की उच्च आयामीता ( $N \to \infty$ ) को संभालने के लिए स्टोकेस्टिक थर्मोडायनामिक्स को डायनामिकल मीन फील्ड थ्योरी (DMFT) के साथ संयोजित करते हुए एक सैद्धांतिक ढांचा विकसित करते हैं।

सिस्टम मॉडल (System Model):
सिस्टम में $N$ परस्पर क्रिया करने वाली इकाइयाँ (जैसे न्यूरॉन्स) $x_i(t)$ शामिल हैं जो लैंगवेन समीकरण (Langevin equation) द्वारा नियंत्रित होती हैं:
$\dot{x}_i(t) = -x_i(t) + F\left[ \sum_{j \neq i} J_{i,j}(t) x_j(t) \right] + \zeta_i(t)$
जहाँ $F$ एक गैर-रेखीय फलन है, $\zeta_i(t)$ गाऊसी व्हाइट थर्मल नॉइज़ (Gaussian white thermal noise) है, और $J_{i,j}(t)$ समय-निर्भर कपलिंग को दर्शाता है।
एनील्ड डिसऑर्डर मॉडलिंग (Annealed Disorder Modeling):
कपलिंग $J_{i,j}(t)$ को एक ऑर्नस्टीन-उहलेनबेक (Ornstein-Uhlenbeck - OU) प्रक्रिया के रूप में मॉडल किया गया है जिसका सहसंबंध समय (correlation time) $\tau_0$ है:
$J_{i,j}(t) = \frac{\mu}{N} + \frac{g}{\sqrt{N}} Z_{i,j}(t)$
यहाँ, $Z_{i,j}(t)$ एक प्रक्रिया है: $\dot{Z}_{i,j} = -Z_{i,j}/\tau_0 + \sqrt{1+2\tau_0}/\tau_0 \, \xi_{i,j}(t)$ , जहाँ $\xi$ व्हाइट नॉइज़ है।
- $\tau_0 \to 0$ : शोर (noise) व्हाइट हो जाता है (तेज़ उतार-चढ़ाव)।
- $\tau_0 \to \infty$ : शोर क्वेंच्ड (quenched) हो जाता है (जमा हुआ)।
- परिमित $\tau_0$ (Finite $\tau_0$ ): यह कलर्ड (colored/active) शोर का प्रतिनिधित्व करता है, जो दोनों के बीच के संक्रमण को दर्शाता है।
DMFT रिडक्शन (DMFT Reduction):
पाथ-इंटीग्रल तकनीकों का उपयोग करते हुए, लेखक एक प्रभावी एकल-इकाई गतिकी (DMFT समीकरण) व्युत्पन्न करते हैं जो पूर्ण नेटवर्क के मैक्रोस्कोपिक व्यवहार को कैप्चर करती है:
$\dot{x}(t) = -x(t) + F[\mu M(t) + g \eta(t)] + \zeta(t)$
जहाँ $M(t) = \langle x(t) \rangle$ मीन फील्ड है, और $\eta(t)$ एक कलर्ड नॉइज़ टर्म है जिसका स्व-संगत सहसंबंध फलन (self-consistent correlation function) सिस्टम की स्थिति पर निर्भर करता है: $\langle \eta(t)\eta(t') \rangle = q_{\tau_0}(|t-t'|) C_x(t, t')$ ।
एंट्रॉपी प्रोडक्शन गणना (Entropy Production Calculation):
कुल एंट्रॉपी उत्पादन दर को सिस्टम और रिज़र्वोइर घटकों में विभाजित किया गया है। नॉन-इक्विलिब्रियम स्टेडी स्टेट (NESS) में, औसत सिस्टम एंट्रॉपी परिवर्तन शून्य हो जाता है, इसलिए ध्यान एनवायर्नमेंटल (पर्यावरणीय) एंट्रॉपी उत्पादन दर ( $\dot{S}_{res}$ ) पर केंद्रित है। लेखक सहसंबंध फलनों के संदर्भ में EPR के लिए एक सटीक अभिव्यक्ति व्युत्पन्न करते हैं।

3. मुख्य योगदान (Key Contributions)

एनील्ड डिसऑर्डर के लिए सामान्य ढांचा: यह पेपर समय के साथ विकसित होने वाले (एनील्ड) इंटरैक्शन वाले गैर-रेखीय नेटवर्क के EPR के लिए पहला सटीक DMFT उपचार प्रदान करता है, जो स्टैटिक डिसऑर्डर और एक्टिव मैटर सिद्धांतों के बीच के अंतर को पाटता है।
सटीक ट्रांजिएंट और स्टेडी-स्टेट सूत्र:
- अवस्था और गैर-रेखीय फलन के समान-समय सहसंबंधों (equal-time correlations) को शामिल करते हुए किसी भी ट्रांजिएंट समय $t$ के लिए EPR की एक सटीक अभिव्यक्ति का व्युत्पन्न।
- स्टेडी-स्टेट EPR के लिए एक संक्षिप्त, सटीक संबंध का व्युत्पन्न (Eq. 9) जो केवल ज़ीरो लैग (zero lag) पर सेकंड टाइम-डेरिवेटिव पर निर्भर करता है:
  $\dot{s}_{NESS} = -\frac{\ddot{\bar{C}}_x(0^+)}{T} + 1$
रैखिक सिस्टम समाधान: रैखिक गतिकी ( $F(z)=z$ ) के विशिष्ट मामले के लिए, लेखक बेसेल फलनों (Bessel functions) का उपयोग करके DMFT समीकरणों को विश्लेषणात्मक रूप से हल करते हैं, जिससे EPR के लिए एक क्लोज्ड-फॉर्म समाधान प्राप्त होता है जो सामान्य सिद्धांत को प्रमाणित करता है।
वैधीकरण (Validation): सैद्धांतिक भविष्यवाणियों को पूर्ण $N$ -पार्टिकल गतिकी के प्रत्यक्ष संख्यात्मक सिमुलेशन (numerical simulations) के विरुद्ध कठोरता से सत्यापित किया गया है, जो ट्रांजिएंट और स्टेडी-स्टेट दोनों चरणों में उत्कृष्ट सहमति दिखाते हैं।

4. मुख्य परिणाम (Key Results)

फेज डायग्राम (Phase Diagrams): सिस्टम $(\mu, g)$ $(μ, g)$ पैरामीटर स्पेस में विशिष्ट चरणों को प्रदर्शित करता है:
- पैरामैग्नेटिक (Paramagnetic): क्वासी-स्टैटिक समाधान ( $M=0, Q=0$ )।
- फेरोमैग्नेटिक (Ferromagnetic - निरंतर गतिविधि): गैर-शून्य माध्य गतिविधि ( $M>0, Q>0$ )।
- एसिंक्रोनस केओस (Asynchronous Chaos): शून्य माध्य लेकिन गैर-शून्य वेरिएंस ( $M=0, Q>0$ )।
- सिंक्रोनस केओस (Synchronous Chaos): निरंतर गतिविधि और एसिंक्रोनस केओस के बीच का क्षेत्र।
डिसऑर्डर स्ट्रेंथ ( $g$ ) और सहसंबंध समय ( $\tau_0$ ) पर निर्भरता:
- डिसऑर्डर स्ट्रेंथ $g$ को बढ़ाने से आम तौर पर वेरिएंस और EPR दोनों बढ़ते हैं।
- महत्वपूर्ण निष्कर्ष: सहसंबंध समय $\tau_0$ को कम करना (डिसऑर्डर की "एक्टिव" प्रकृति को बढ़ाना) EPR को बढ़ाता है। मजबूत एनील्ड डिसऑर्डर सिस्टम को संतुलन से और दूर ले जाता है, जिससे उच्च अपव्यय (dissipation) होता है।
- एनील्ड डिसऑर्डर के बढ़ने के साथ वेरिएंस घटता है, जिससे अराजक चरणों (chaotic phases) की ओर संक्रमण के लिए उच्च कपलिंग स्ट्रेंथ की आवश्यकता होती है।
EPR बनाम वेरिएंस संबंध:
- NESS में, EPR और प्रतिनिधि चर (representative variable) के वेरिएंस के बीच एक पैरामेट्रिक संबंध होता है।
- क्रिटिकल मैनिफोल्ड (critical manifold) के नीचे, संबंध $\tau_0$ से स्वतंत्र है।
- क्रिटिकल मैनिफोल्ड के ऊपर, संबंध $\tau_0$ पर निर्भर हो जाता है, हालांकि सभी कर्व्स लॉग-लॉग स्केल पर एक ही ढलान साझा करते हैं।
व्हाइट नॉइज़ लिमिट ( $\tau_0 \to 0$ ) में विचलन (Divergence):
- रैखिक सिस्टम के लिए, EPR $\tau_0 \to 0$ होने पर डाइवर्ज (diverge) होता है।
- भौतिक व्याख्या: जबकि सिस्टम का स्टेट डिस्ट्रीब्यूशन एक सुपरिभाषित स्टेशनरी स्टेट में अभिसरित (converge) हो सकता है, एक अनंत रूप से तेज़ स्टोकेस्टिक प्रोटोकॉल (व्हाइट नॉइज़ ड्राइविंग) को बनाए रखने के लिए अनंत ऊर्जा (housekeeping cost) की आवश्यकता होती है। यह थर्मल नॉइज़ और एक्टिव/कलर्ड नॉइज़ के बीच थर्मोडायनामिक अकाउंटिंग में एक मौलिक अंतर को रेखांकित करता है।

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

सैद्धांतिक प्रभाव: यह कार्य स्टोकेस्टिक थर्मोडायनामिक्स को जटिल प्रणालियों के एक व्यापक वर्ग तक विस्तारित करता है जहाँ इंटरैक्शन गतिशील होते हैं, जिससे नेटवर्क में "सीखने" (learning) या "अनुकूलन" (adaptation) की ऊष्मागतिक लागत को मापने का एक उपकरण मिलता है।
अनुप्रयोग: यह ढांचा सीधे तौर पर निम्नलिखित के लिए लागू है:
- न्यूरोसाइंस: सिनैप्टिक प्लास्टिसिटी और न्यूरल कोडिंग की ऊर्जा लागत को समझना।
- एक्टिव मैटर: आंतरिक उतार-चढ़ाव द्वारा संचालित प्रणालियों का विश्लेषण करना।
- मशीन लर्निंग: जेनेरेटिव डिफ्यूजन मॉडल और प्रशिक्षण प्रक्रियाओं की ऊष्मागतिक दक्षता को मापना।
भविष्य का कार्य: लेखक स्पार्स नेटवर्क (sparse networks), विच्छिन्न संक्रमण (discontinuous transitions) वाले सिस्टम, स्थानिक रूप से विस्तारित सिस्टम (traveling waves), और प्रदर्शन बनाम अपव्यय के बीच व्यापार-ऑफ करने के लिए सक्रिय पदार्थ में इष्टतम नियंत्रण समस्याओं (optimal control problems) पर लागू करने के लिए सिद्धांत को विस्तारित करने का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र नेटवर्क डिसऑर्डर की अस्थायी विशेषताओं और गैर-संतुलन अवस्थाओं को बनाए रखने की ऊष्मागतिक लागत के बीच एक कठोर संबंध स्थापित करता है, यह प्रकट करता है कि इंटरैक्शन में तेज़ उतार-चढ़ाव उच्च एंट्रॉपी उत्पादन और विशिष्ट गतिशील चरणों की ओर ले जाते हैं।