🔢 mathematics

Largest eigenvalue and top eigenvector statistics of large Euclidean random matrices

यह शोध पत्र द्विघात कर्नेल (quadratic kernels) वाले बड़े यूक्लिडियन रैंडम मैट्रिसेस के लिए सबसे बड़े आइगेनवैल्यू और शीर्ष आइगेनवेक्टर की ज्यामितीय संरचना को विश्लेषणात्मक रूप से अभिलक्षणिक बनाने के लिए एक एकीकृत रेप्लिका-आधारित ढांचे को प्रस्तुत करता है, जिसमें संख्यात्मक सिमुलेशन द्वारा पुष्ट स्पष्ट अभिव्यक्तियाँ व्युत्पन्न की गई हैं।

मूल लेखक: Pasquale Casaburi, Pierpaolo Vivo

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pasquale Casaburi, Pierpaolo Vivo

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 आपके पास एक विशाल, अराजक डांस फ्लोर है जो सैकड़ों लोगों (इन्हें "डांसर" मान लें) से भरा हुआ है। प्रत्येक डांसर फ्लोर पर एक यादृच्छिक (random) स्थान पर खड़ा है। अब, कल्पना कीजिए कि हर एक डांसर दूसरे हर डांसर से एक स्प्रिंग के माध्यम से जुड़ा हुआ है। दो डांसरों के बीच स्प्रिंग की मजबूती पूरी तरह से इस बात पर निर्भर करती है कि वे एक-दूसरे से कितनी दूर खड़े हैं। यदि वे पास हैं, तो स्प्रिंग तना हुआ है; यदि वे दूर हैं, तो वह ढीला है।

डांसरों और स्प्रिंग्स का यह पूरा नेटवर्क जिसे गणितज्ञ यूक्लिडियन रैंडम मैट्रिक्स (Euclidean Random Matrix) कहते हैं। यह उन प्रणालियों का वर्णन करने का एक तरीका है जहाँ सब कुछ भौतिक स्थान के आधार पर जुड़ा होता है, जैसे कांच में परमाणु, या किसी आकाशगंगा में तारे।

लंबे समय से, वैज्ञानिक इस डांस फ्लोर के "औसत" व्यवहार का वर्णन करने में सक्षम रहे हैं—जैसे कि सभी स्प्रिंग्स के कुल औसत तनाव (tension) को समझना। लेकिन वे दो बहुत ही विशिष्ट, उच्च-दांव वाले सवालों का उत्तर देने के लिए संघर्ष कर रहे थे:

सबसे "ज़ोर से बोलने वाला" डांसर कौन है? (कौन सा कनेक्शन सबसे मजबूत, सबसे ऊर्जावान कंपन पैदा करता है?)
उस सबसे ज़ोर से बोलने वाले डांसर का स्वरूप क्या है? (उस सबसे मजबूत कंपन में कौन से विशिष्ट डांसर सबसे अधिक हिल रहे हैं?)

यह शोध पत्र, पास्क्यूले कसाबुरी और पिएरपाओलो विवो द्वारा, इन उत्तरों को खोजने के लिए एक मानचित्र प्रदान करता है।

समस्या: एक उलझा हुआ जाल

आमतौर पर, जब गणितज्ञ यादृच्छिक प्रणालियों का अध्ययन करते हैं, तो वे मानते हैं कि कनेक्शन यादृच्छिक और स्वतंत्र हैं, जैसे कि हर एक स्प्रिंग के लिए पासा फेंकना। लेकिन हमारे इस "डांस फ्लोर" वाले परिदृश्य में, स्प्रिंग्स स्वतंत्र नहीं हैं। यदि डांसर A, डांसर B के करीब है, और डांसर B, डांसर C के करीब है, तो A और C भी एक-दूसरे के काफी करीब होने की संभावना रखते हैं। यह "ज्यामितीय" संबंधों का एक जटिल जाल बनाता है जो गणित को हल करना अविश्वसनीय रूप से कठिन बना देता है।

समाधान: "मिरर" (दर्पण) ट्रिक

लेखकों ने भौतिकी की एक चतुर तकनीक का उपयोग किया जिसे रेप्लिका मेथड (Replica Method) कहा जाता है। इसे एक जादू के खेल के रूप में सोचें जहाँ आप अपने डांस फ्लोर की $n$ समान प्रतियां (रेप्लिका) बनाते हैं। आप इन सभी प्रतियों को एक साथ नाचने के लिए कहते हैं, और फिर आप जादू से प्रतियों की संख्या को शून्य (zero) कर देते हैं।

ऐसा करके, वे सबसे मजबूत कंपन को खोजने की इस उलझी हुई समस्या को स्पष्ट, स्व-सुसंगत समीकरणों के एक सेट में बदलने में सक्षम हुए। यह एक गांठ वाली रस्सी को सुलझाने जैसा है: उसे तब तक हिलाना जब तक कि वह एक सीधी रेखा में न खुल जाए, रेखा को मापना, और फिर ठीक से जानना कि मूल गांठ कितनी लंबी थी।

मुख्य खोजें

1. "ज़ोर से बोलने" की भविष्यवाणी करना (सबसे बड़ा आइजनवैल्यू - Largest Eigenvalue)
यह पेपर सबसे मजबूत कंपन की ताकत का अनुमान लगाने के लिए एक सटीक सूत्र देता है।

उपमा: कल्पना कीजिए कि आप जानना चाहते हैं कि एक गायक मंडली (choir) में सबसे तेज़ स्वर कितना तेज़ होगा। आपको हर गायक का नाम जानने या वे बिल्कुल कहाँ खड़े हैं, इसकी आवश्यकता नहीं है। आपको केवल गायक मंडली के कुछ सरल आँकड़ों की आवश्यकता है: वे आमतौर पर एक-दूसरे से कितनी दूरी पर खड़े होते हैं, और उनकी स्थितियों में कितना उतार-चढ़ाव होता है।
परिणाम: लेखकों ने पाया कि सबसे तेज़ कंपन की ताकत केवल डांसरों की स्थितियों के पहले चार "मोमेंट्स" (सांख्यिकीय औसत) पर निर्भर करती है। इससे कोई फर्क नहीं पड़ता कि डांसर एक आदर्श घेरे में हैं, एक यादृच्छिक ढेर में हैं, या एक अजीब आकार में हैं, जब तक कि वे चार बुनियादी सांख्यिकी समान हैं, "ज़ोर से बोलना" (loudness) बिल्कुल एक जैसा होगा।

2. "ज़ोर से बोलने वाले" डांसर का स्वरूप (टॉप आइजनवेक्टर - Top Eigenvector)
एक बार जब आप सबसे तेज़ कंपन को जान लेते हैं, तो आप जानना चाहते हैं कि वह कौन है।

उपमा: एक सामान्य यादृच्छिक प्रणाली में, सबसे तेज़ कंपन सभी के यादृच्छिक रूप से हिलने का एक अराजक मिश्रण हो सकता है। लेकिन यहाँ, लेखकों ने कुछ आश्चर्यजनक पाया: सबसे "ज़ोर से बोलने वाला" डांसर केवल यादृच्छिक नहीं है। उनकी गति एक विशिष्ट, अदृश्य हाइपरसरफेस (hypersurface) (एक बहु-आयामी खोल/shell) पर केंद्रित है।
परिणाम: सबसे तेज़ कंपन में योगदान देने वाले डांसर हर जगह बिखरे हुए नहीं हैं। वे एक विशिष्ट ज्यामितीय आकार (जैसे कि एक गोला या खोल) पर क्लस्टर या केंद्रित हैं, जो उन्हीं सांख्यिकी द्वारा निर्धारित होता है जो 'लौडनेस' को नियंत्रित करती है। ऐसा है जैसे सिस्टम स्वाभाविक रूप से खुद को एक विशिष्ट, अनुमानित रिंग के डांसरों के माध्यम से सबसे मजबूत ऊर्जा प्रवाहित करने के लिए व्यवस्थित करता है।

प्रमाण: डांस फ्लोर टेस्ट

यह सिद्ध करने के लिए कि उनका गणित केवल सिद्धांत नहीं था, लेखकों ने बड़े पैमाने पर कंप्यूटर सिमुलेशन चलाए। उन्होंने अलग-अलग नियमों के साथ हजारों आभासी डांस फ्लोर बनाए (कुछ में डांसर एक गेंद में थे, कुछ एक गोले पर, कुछ रैंडम गौसियन वितरण में थे)।

उन्होंने नए सूत्रों का उपयोग करके "लौडनेस" और "आकार" की गणना की।
फिर उन्होंने वास्तविक डांस फ्लोर का सिमुलेशन किया और वास्तविक परिणाम मापे।
परिणाम: सूत्र सिमुलेशन के साथ पूरी तरह मेल खा गए। सिद्धांत ने हर उस परिदृश्य में खरा उतरना दिखाया जिसका उन्होंने परीक्षण किया था।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर इस बात पर प्रकाश डालता है कि यह ढांचा एक "यूनिवर्सल की" (सार्वसार्वभौमिक कुंजी) है। भले ही डांसरों को एक जटिल, अस्त-व्यस्त तरीके से व्यवस्थित किया गया हो जिसे हम एक सरल सूत्र में नहीं लिख सकते, फिर भी हम उत्तर खोजने के लिए समीकरणों को संख्यात्मक रूप से हल कर सकते हैं।

लेखक विशेष रूप से उल्लेख करते हैं कि यह विस्कृत परमाणु प्रणालियों (disordered atomic systems) में सहयोगात्मक प्रकाश-द्रव्य संपर्क (cooperative light-matter interactions) को समझने के लिए महत्वपूर्ण है। सरल शब्दों में, यह समझाने में मदद करता है कि कैसे परमाणुओं के समूह प्रकाश के साथ परस्पर क्रिया करते हैं। कुछ परमाणु अविश्वसनीय रूप से चमक सकते हैं (सुपररेडिएंस/superradiance) जबकि अन्य अंधेरे में रह सकते हैं (सबरेडिएंस/subradiance)। यह गणित यह अनुमान लगाने में मदद करता है कि वह सबसे चमकीली चमक कितनी तीव्र हो सकती है और कौन से परमाणु इसके लिए जिम्मेदार हैं।

सारांश

संक्षेप में, यह पेपर एक बहुत ही उलझे हुए, ज्यामितीय रूप से जटिल समस्या (दूरी के आधार पर कनेक्शन का एक नेटवर्क) को सरल बनाता है। यह दिखाता है कि सबसे चरम व्यवहार (सबसे तेज़ कंपन) आश्चर्यजनक रूप से सरल होते हैं और केवल सिस्टम के लेआउट के कुछ बुनियादी सांख्यिकीय गुणों पर निर्भर करते हैं। यह एक अराजक डांस फ्लोर को एक अनुमानित पैटर्न में बदल देता है।

यहाँ पास्कुले कैसाबुरी और पिएरपाओलो विवो के शोध पत्र "Largest eigenvalue and top eigenvector statistics of large Euclidean random matrices" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र रैंडम मैट्रिक्स थ्योरी (RMT) में एक अंतराल को संबोधित करता है जो यूक्लिडियन रैंडम मैट्रिसेस (ERMs) से संबंधित है। शास्त्रीय रैंडम मैट्रिक्स एन्सेम्बल (जैसे विगनर या विशार्ट मैट्रिसेस) के विपरीत, जहाँ प्रविष्टियाँ (entries) स्वतंत्र या घूर्णी रूप से अपरिवर्तनीय (rotationally invariant) होती हैं, ERMs को यादृच्छिक बिंदुओं की स्थानिक व्यवस्था (spatial configuration) द्वारा परिभाषित किया जाता है।

परिभाषा: यदि $\mathbb{R}^d$ में $N$ यादृच्छिक वेक्टर $\{x_i\}_{i=1}^N$ दिए गए हैं, तो एक ERM $X$ की प्रविष्टियाँ $X_{ij} = \frac{1}{N} \|x_i - x_j\|^2$ होती हैं।
चुनौती: मैट्रिक्स की प्रविष्टियाँ बिंदुओं की अंतर्निहित ज्यामिति के कारण अत्यधिक सह-संबंधित (correlated) होती हैं, जिससे स्वतंत्र प्रविष्टियों के लिए उपयोग की जाने वाली मानक RMT तकनीकें (जैसे कि उनके लिए उपयोग की जाती हैं) लागू करने में असमर्थ हो जाती हैं।
केंद्र बिंदु: जबकि वैश्विक स्पेक्ट्रल गुण (जैसे स्पेक्ट्रल डेंसिटी) अपेक्षाकृत अच्छी तरह से समझे जा रहे हैं, चरम आइगेनवैल्यू (विशेष रूप से सबसे बड़ा, $\lambda_{\max}$ ) और उससे जुड़े शीर्ष आइगेनवेक्टर (top eigenvector) के सांख्यिकी (statistics) सामान्य वितरणों और आयामों (dimensions) के लिए काफी हद तक अनिश्चित रहे हैं। यह अव्यवस्थित माध्यमों (disordered media), ग्लास जैसी प्रणालियों (glassy systems), और सहकारी प्रकाश-द्रव्य अंतःक्रियाओं (जैसे परमाणु बादलों में सुपररेडिएंस) के अनुप्रयोगों के लिए महत्वपूर्ण है।

2. कार्यप्रणाली (Methodology)

लेखक बड़े- $N$ सीमा (large- $N$ limit) में विश्लेषणात्मक परिणाम प्राप्त करने के लिए रेप्लिका विधि (Replica Method) का उपयोग करते हैं, जो अव्यवस्थित प्रणालियों के सांख्यिकीय भौतिकी से ली गई एक तकनीक है।

पार्टीशन फंक्शन फॉर्मूलेशन (Partition Function Formulation):
सबसे बड़े आइगेनवैल्यू को कूरेंट-फिशर वेरिएशनल सिद्धांत (Courant–Fisher variational principle) के माध्यम से एक मैक्सिमाइजेशन समस्या के रूप में व्यक्त किया जाता है। लेखक व्युत्क्रम तापमान $\beta$ पर एक सहायक पार्टीशन फंक्शन $Z_N(\beta)$ पेश करते हैं। शून्य-तापमान सीमा ( $\beta \to \infty$ ) में, इस प्रणाली का फ्री एनर्जी (free energy) $\lambda_{\max}$ प्रदान करता है।
रेप्लिका ट्रिक (Replica Trick):
औसत $\langle \lambda_{\max} \rangle$ की गणना करने के लिए, वे औसत रेप्लिकेटेड पार्टीशन फंक्शन $\langle Z_N(\beta)^n \rangle$ की गणना करते हैं और $n \to 0$ की सीमा लेते हैं।
सैडल-पॉइंट विश्लेषण (Saddle-Point Analysis):
औसत रेप्लिकेटेड पार्टीशन फंक्शन को ऑर्डर पैरामीटर्स (घनत्व $\rho_c(x)$ और उनके संयुग्मी $\hat{\rho}_c(x)$ ) का उपयोग करके पुनर्गठित किया जाता है। यह मानते हुए कि एक रेप्लिका सिमेट्रिक (RS) एंसेट (जहाँ ऑर्डर पैरामीटर रेप्लिका इंडेक्स $c$ से स्वतंत्र होते हैं), समस्या एक प्रभावी एक्शन $S$ के सैडल पॉइंट को खोजने में बदल जाती है।
स्व-सुसंगत समीकरण (Self-Consistent Equations):
ऑर्डर पैरामीटर्स के सापेक्ष एक्शन को बदलकर, लेखक स्व-सुसंगत समीकरणों का एक सेट प्राप्त करते हैं जो कुछ ही मापदंडों: $(A, B, C)$ द्वारा संचालित होते हैं। ये पैरामीटर केवल वितरण $P(x)$ के निम्न-क्रम मोमेंट्स (चौथे क्रम तक) पर निर्भर करते हैं।

3. मुख्य योगदान (Key Contributions)

A. $\lambda_{\max}$ का विश्लेषणात्मक लक्षण वर्णन

शोध पत्र औसत सबसे बड़े आइगेनवैल्यू के लिए एक स्पष्ट अभिव्यक्ति व्युत्पन्न करता है:
$\langle \lambda_{\max} \rangle = 2AC - \sum_{\ell=1}^d \frac{B_\ell^2}{2}$
जहाँ $A, B, C$ उन समीकरणों के समाधान हैं जो $P(x)$ के मोमेंट्स द्वारा निर्धारित होते हैं।

सार्वभौमिकता (Universality): परिणाम यह दर्शाता है कि $\lambda_{\max}$ पूरी तरह से वितरण के पहले चार मोमेंट्स द्वारा निर्धारित होता है। समान मोमेंट्स साझा करने वाले वितरण $\lambda_{\max}$ के लिए समान भविष्यवाणियाँ देते हैं, चाहे उच्च-क्रम के अंतर कुछ भी हों।
क्लोज्ड-फॉर्म समाधान: निम्नलिखित के लिए स्पष्ट समाधान प्राप्त किए गए हैं:
1. आइसोट्रोपिक वितरण (Isotropic distributions): जहाँ $P(x)$ केवल $\|x\|$ पर निर्भर करता है।
2. सिमेट्रिक i.i.d. वितरण: जहाँ $x$ के घटक स्वतंत्र और सम (even) हैं।
3. मल्टीवेरिएट गौसियन (Multivariate Gaussians): नॉन-डायगोनल कोवेरिएंस के कारण इनका समाधान संख्यात्मक रूप से किया गया है।

B. शीर्ष आइगेनवेक्टर घटकों का वितरण (Distribution of Top Eigenvector Components)

लेखक शीर्ष आइगेनवेक्टर $v^{(1)}$ के घटकों के प्रोबेबिलिटी डेंसिटी फंक्शन (PDF), $T(u)$ को व्युत्पन्न करते हैं।

ज्यामितीय संरचना: यह पाया गया है कि घटक एक हाइपरसरफेस पर केंद्रित होते हैं जिसे समीकरण $h(x) = 0$ द्वारा परिभाषित किया गया है, जहाँ $h(x)$ एक द्विघातीय रूप (quadratic form) है जो उन्हीं मापदंडों $(A, B, C)$ द्वारा नियंत्रित होता है जो $\lambda_{\max}$ को नियंत्रित करते हैं।
स्पष्ट सूत्र: सामान्य वितरणों के लिए, $T(u)$ को लेवल सेट $h(x)=0$ पर एक सरफेस इंटीग्रल के रूप में व्यक्त किया जाता है। विशिष्ट मामलों के लिए (जैसे i.i.d. सिमेट्रिक घटक), यह $\|x\|^2$ के वर्ग के नॉर्म के वितरण से संबंधित है।
धनात्मकता (Positivity): विश्लेषण पुष्टि करता है कि शीर्ष आइगेनवेक्टर के सभी घटक धनात्मक हैं (पैरॉन-फ्रोबेनियस प्रमेय के अनुरूप), जिसमें एक निचली सीमा $u > 1/(2A)$ है।

C. संख्यात्मक सत्यापन (Numerical Validation)

सैद्धांतिक भविष्यवाणियों का व्यापक संख्यात्मक सिमुलेशन (विभिन्न आयामों $d$ और वितरणों के साथ $N=1500$ के मैट्रिसेस के प्रत्यक्ष डायगोनलाइजेशन के माध्यम से) के विरुद्ध कठोर परीक्षण किया गया है।

सामंजस्य: $\langle \lambda_{\max} \rangle$ और $T(u)$ के हिस्टोग्राम के लिए विश्लेषणात्मक भविष्यवाणियाँ विभिन्न आयामों ( $d$ ) और वितरणों (गोले/बॉल पर यूनिफॉर्म, जनरलाइज्ड एक्सपोनेंशियल, मल्टीवेरिएट गौसियन) में संख्यात्मक डेटा के साथ उत्कृष्ट सामंजस्य दिखाती हैं।
मोमेंट मैचिंग: सिमुलेशन पुष्टि करते हैं कि समान पहले चार मोमेंट्स रखने वाले दो अलग-अलग वितरण (जैसे कि ट्राइएंगुलर वितरण बनाम यूनिफॉर्म का मिश्रण) सांख्यिकीय रूप से अविभेद्य $\lambda_{\max}$ मान प्रदान करते हैं।

4. परिणामों का सारांश (Results Summary)

विशेषता	विश्लेषणात्मक परिणाम
औसत सबसे बड़ा आइगेनवैल्यू	$\langle \lambda_{\max} \rangle = \sqrt{s} = i\lambda^$ , जहाँ $\lambda^$ एक सैडल-पॉइंट समाधान है। यह पूरी तरह से 4वें क्रम तक के मोमेंट्स द्वारा निर्धारित होता है।
शीर्ष आइगेनवेक्टर घनत्व	$T(u) \propto \int_{h(x)=0} \frac{P(x)}{\\|\nabla h(x)\\|} d\Sigma$ । घटक एक हाइपरसरफेस पर केंद्रित होते हैं जो सिस्टम के मापदंडों द्वारा परिभाषित है।
आइसोट्रोपिक मामला	$\langle \lambda_{\max} \rangle = d\sigma^2 + \sqrt{d(d+2)M}$ । $T(u)$ रेडियल वितरण के फलन में सरल हो जाता है।
i.i.d. सिमेट्रिक मामला	$\langle \lambda_{\max} \rangle = d\sigma^2 + \sqrt{d(d-1)\sigma^4 + d\mu_4}$ । $T(u)$ वर्ग घटक वितरण के $d$ -फोल्ड कॉन्वोल्यूशन से संबंधित है।
मल्टीवेरिएट गौसियन	इसके लिए स्व-सुसंगत प्रणाली के संख्यात्मक समाधान की आवश्यकता होती है, लेकिन ढांचा लागू रहता है।

5. महत्व और प्रभाव (Significance and Impact)

सैद्धांतिक ढांचा: यह कार्य किसी भी अंतर्निहित वितरण और आयाम $d \ge 1$ के लिए ERMs के चरम स्पेक्ट्रल गुणों को चरित्रित करने के लिए पहला सामान्य विश्लेषणात्मक ढांचा प्रदान करता है।
भौतिक अनुप्रयोग: परिणाम सीधे तौर पर लागू होते हैं:
- सहकारी उत्सर्जन (Cooperative Emission): अव्यवस्थित परमाणु बादलों में सुपररेडिएंट (सबसे बड़ा आइगेनवैल्यू) और सबरेडिएंट (सबसे छोटा आइगेनवैल्यू) मोड को समझने के लिए।
- अव्यवस्थित प्रणालियाँ (Disordered Systems): ग्लास और अमोर्फस सॉलिड्स में कंपन स्पेक्ट्रा का विश्लेषण करने के लिए।
- मशीन लर्निंग/सांख्यिकी: उन कर्नेल मैट्रिसेस में अंतर्दृष्टि प्रदान करना जहाँ प्रविष्टियाँ युग्मवार दूरियों (pairwise distances) पर निर्भर करती हैं।
पद्धतिगत विस्तार: यह शोध पत्र प्रदर्शित करता है कि कैसे पारंपरिक रूप से वैश्विक स्पेक्ट्रल डेंसिटी के लिए उपयोग की जाने वाली 'रेप्लिका विधि' को ज्यामितीय रूप से बाधित प्रणालियों में स्थानीय चरम अवलोकनों (आइगेनवैल्यू और आइगेनवेक्टर) के लिए सफलतापूर्वक विस्तारित किया जा सकता है।
भविष्य की दिशाएँ: लेखक $\lambda_{\max}$ के पूर्ण लार्ज-डेविएशन वितरण, गैर-द्विघातीय कर्नेल (non-quadratic kernels), और अन्य चरम आइगेनपेयर्स (जैसे कि सबसे छोटा आइगेनवैल्यू) के अध्ययन के लिए इस ढांचे को विस्तारित करने का सुझाव देते हैं।

निष्कर्षतः, कैसाबुरी और विवो सफलतापूर्वक यूक्लिडियन रैंडम मैट्रिसेस की ज्यामितीय बाधाओं और उन्हें हल करने के लिए आवश्यक सांख्यिकीय यांत्रिकी उपकरणों के बीच के अंतर को पाटते हैं, जो इन जटिल प्रणालियों में सबसे प्रभावी मोड के व्यवहार के लिए सटीक भविष्यवाणियाँ प्रदान करते हैं।