🤖 machine learning

Mesh Field Theory: Port-Hamiltonian Formulation of Mesh-Based Physics

यह शोध पत्र मेश फील्ड थ्योरी (MeshFT) और इसके न्यूरल कार्यान्वयन, MeshFT-Net को प्रस्तुत करता है, जो एक संरचना-संरक्षण ढांचा (structure-preserving framework) है जो एक पोर्ट-हैमिल्टोनियन सूत्रीकरण (port-Hamiltonian formulation) प्राप्त करने के लिए एक मेश की टोपोलॉजिकल संरचना को उसके मेट्रिक गुणों से अलग करता है, जिससे अत्यधिक डेटा-कुशल, भौतिक रूप से सुसंगत, और स्थिर सिमुलेशन सक्षम होते हैं जिनमें ऊर्जा का विचलन लगभग शून्य होता है और मजबूत एक्सट्रपलेशन (extrapolation) क्षमता होती है।

मूल लेखक: Satoshi Noguchi, Yoshinobu Kawahara

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Satoshi Noguchi, Yoshinobu Kawahara

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि तालाब में पानी की लहरें कैसे उठती हैं या ध्वनि दीवार से टकराकर कैसे गूँजती है। आमतौर पर, हम कंप्यूटर को लहरों के हजारों उदाहरण दिखाकर उन्हें सिखाते हैं और फिर उन्हें पैटर्न का अनुमान लगाने देते हैं। लेकिन इससे अक्सर एक समस्या होती है: कंप्यूटर लहर के 'दिखावट' को तो सीख लेता है, लेकिन भौतिकी (फिजिक्स) के 'नियमों' को भूल जाता है। समय के साथ, यह लहर को अनंत रूप से ऊँचा बना सकता है, इसकी पूरी ऊर्जा खत्म कर सकता है, या इसे असंभव दिशाओं में ले जा सकता है।

"Mesh Field Theory" नामक शोध पत्र इस तरह के सिमुलेशन बनाने का एक नया तरीका प्रस्तावित करता है। मौजूदा तरीकों के बजाय, लेखकों ने एक ढांचा बनाया है जिसे MeshFT (और इसका न्यूरल नेटवर्क संस्करण, MeshFT-Net) कहा जाता है, जो कंप्यूटर को शुरुआत से ही भौतिकी के मौलिक नियमों का पालन करने के लिए मजबूर करता है।

यहाँ मुख्य विचार को सरल उपमाओं के माध्यम से समझाया गया है:

1. भौतिकी सिमुलेशन के दो भाग

उनके इस क्रांतिकारी विचार को समझने के लिए, एक भौतिक प्रणाली (जैसे कि गिटार के तार का कंपन) के दो अलग-अलग अवयवों की कल्पना करें:

कंकाल (Topology): यह आकार और जुड़ाव है। यह तथ्य है कि तार ब्रिज से जुड़ा हुआ है, या त्रिकोणों का एक जाल (mesh) एक विशिष्ट तरीके से आपस में चिपका हुआ है। यह हिस्सा कठोर होता है और सामग्री के आधार पर नहीं बदलता है।
मांस (Metric): यह सामग्री के गुण हैं। क्या तार स्टील का बना है या रबर का? क्या पानी गहरा है या उथला? यह हिस्सा निर्धारित करता है कि प्रणाली कैसे चलती है, लेकिन यह पूरी तरह से कंकाल पर निर्भर करता है जो इसे थामे रखता है।

पुराने तरीकों के साथ समस्या:
अधिकांश वर्तमान AI सिमुलेटर (जैसे "MeshGraphNets") सब कुछ एक साथ सीखने की कोशिश करते हैं। वे कंकाल और मांस को एक बड़े, अस्त-व्यस्त मिश्रण की तरह देखते हैं। क्योंकि वे कंकाल के नियमों को सख्ती से लागू नहीं करते हैं, इसलिए AI कभी-कभी "भूतिया" कनेक्शन बना देता है या ऊर्जा संरक्षण के नियमों को तोड़ देता है। यह ब्लूप्रिंट का उपयोग करने के बजाय, दीवारों के स्थान का अनुमान लगाकर घर बनाने की कोशिश करने जैसा है।

MeshFT का समाधान:
लेखकों ने महसूस किया कि भौतिकी में, कंकाल (Topology) वास्तव में गणित द्वारा निर्धारित होता है। यह घर की वायरिंग की तरह है: तारों को स्विच को लाइट बल्ब से एक विशिष्ट तरीके से जोड़ना ही होगा, अन्यथा सर्किट काम नहीं करेगा।

MeshFT-Net इस "वायरिंग" (मेश पर बिंदुओं के बीच के कनेक्शन) को शुद्ध गणित के आधार पर हार्ड-कोड करता है। यह कभी नहीं बदलता।
इसके बाद, यह केवल AI को मांस (Metric) सीखने की अनुमति देता है। AI यह सीखता है कि सामग्री कितनी भारी है या उसमें कितना घर्षण (friction) है, लेकिन उसे इस कठोर, अपरिवर्तनीय वायरिंग के भीतर ही काम करना होगा।

2. "पोर्ट-हैमिल्टोनियन" इंजन

पेपर एक फैंसी शब्द का उपयोग करता है जिसे Port-Hamiltonian कहते हैं, लेकिन आप इसे एक परफेक्ट एनर्जी इंजन मान सकते हैं।

एक बैंक खाते की कल्पना करें जहाँ पैसा इधर-उधर भेजा जा सकता है लेकिन उसे बनाया या नष्ट नहीं किया जा सकता (जब तक कि कोई शुल्क न लगाया जाए, जो कि विसर्जन/dissipation है)।

संरक्षी भाग (Conservative Part): यह वह पैसा है जो खातों के बीच घूम रहा है। MeshFT में, लेखक सिद्ध करते हैं कि मेश के बिंदुओं के बीच ऊर्जा कैसे चलती है, यह मेश के आकार द्वारा निर्धारित होता है। यह पहले से तय पाइपों के एक सेट की तरह है।
विसर्जन भाग (Dissipative Part): यह घर्षण या गर्मी का नुकसान है। AI को इस हिस्से को सीखने की अनुमति है।

इन दोनों को अलग करके, MeshFT-Net यह गारंटी देता है कि सिमुलेशन कभी भी शून्य से ऊर्जा पैदा नहीं करेगा और तब तक ऊर्जा नहीं खोएगा जब तक कि भौतिकी ऐसा करने के लिए न कहे। यही कारण है कि उनके सिमुलेशन लंबे समय तक चल सकते हैं बिना लहर के अचानक फटने या जम जाने के।

3. "ओरिएंटेशन" का नियम

पेपर एक नियम पर भी जोर देता है जिसे Orientation Covariance कहा जाता है।
कल्पना कीजिए कि आप हवा की दिशा दिखाने के लिए मानचित्र पर तीर बना रहे हैं। यदि आप मानचित्र को उल्टा कर देते हैं, तो तीरों को भी उल्टा होना चाहिए, लेकिन हवा खुद नहीं बदलनी चाहिए।

पुराने AI मॉडल अक्सर भ्रमित हो जाते हैं यदि आप मानचित्र को पलट देते हैं या बिंदुओं की संख्या बदल देते हैं। उन्हें लग सकता है कि हवा गलत दिशा में बह रही है।
MeshFT-Net को इस तरह बनाया गया है कि वह मेश की "दिशा" को समझता है। यदि आप तीरों को पलटते हैं, तो सिमुलेशन सही ढंग से पलट जाता है। यह AI को "स्पूरियस मोड्स" (spurious modes)—यानी ग्लिच जैसी दिखने वाली नकली, असंभव व्यवहारों—को सीखने से रोकता है।

4. प्रयोगों में क्या हुआ?

लेखकों ने अपने नए सिस्टम का मौजूदा AI मॉडलों के विरुद्ध परीक्षण किया, जिसमें शामिल थे:

सिंथेटिक वेव्स: ग्रिड पर गणितीय लहरें।
वास्तविक डेटा: "The Well" नामक डेटासेट से ध्वनिक प्रकीर्णन (acoustic scattering) डेटा (वस्तुओं से टकराकर गूँजती ध्वनि)।

परिणाम:

ऊर्जा स्थिरता (Energy Stability): जबकि अन्य मॉडल ऊर्जा को बह जाने देते हैं या अनियंत्रित रूप से बढ़ने देते हैं (जैसे कि एक बैंक खाता जो धीरे-धीरे अनंत पैसा प्राप्त करता है), MeshFT-Net ने ऊर्जा को लगभग पूरी तरह से स्थिर रखा (लगभग शून्य विचलन)।
सटीकता (Accuracy): इसने लहरों के फैलने और टकराने की भविष्यवाणी बहुत अधिक सटीकता के साथ की।
डेटा दक्षता (Data Efficiency): इसे भौतिकी सीखने के लिए कम प्रशिक्षण डेटा की आवश्यकता पड़ी क्योंकि यह पहले से ही "सड़क के नियमों" (टोपोलॉजी) को जानता था।
मजबूती (Robustness): जब उन्होंने इसे उन ग्रिड्स पर टेस्ट किया जिन्हें उसने पहले कभी नहीं देखा था (विभिन्न आकार या शेप), तो यह टूटा नहीं। यह अच्छी तरह से सामान्यीकृत (generalize) हुआ क्योंकि इसने केवल विशिष्ट डेटा के आकार को नहीं, बल्कि भौतिकी को सीखा था।

सारांश

MeshFT-Net को एक ऐसे छात्र के रूप में सोचें जिसे बीजगणित (algebra) करने की अनुमति मिलने से पहले अंकगणित (arithmetic) के नियमों को याद करने के लिए मजबूर किया जाता है। क्योंकि छात्र अंकगणित के नियमों को नहीं तोड़ सकता, इसलिए उनके उत्तर हमेशा गणितीय रूप से सही होते हैं।

पेपर का दावा है कि मेश के निश्चित ढांचे को उसके सीखने योग्य भौतिक गुणों से अलग करके, हम ऐसे AI सिमुलेटर बना सकते हैं जो स्थिर, सटीक और भौतिक रूप से विश्वसनीय हों, जिससे उन "भ्रमों" (hallucinations) और अस्थिरताओं से बचा जा सके जो वर्तमान तरीकों में आम हैं।

यहाँ सातोशी नोगुची और योशिनोबू कावाहारा के शोध पत्र "Mesh Field Theory: Port–Hamiltonian Formulation of Mesh-Based Physics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मशीन लर्निंग का उपयोग निरंतर भौतिकी सिमुलेशन (जैसे, फ्लुइड डायनेमिक्स, इलेक्ट्रोमैग्नेटिक्स) को तेज करने के लिए मेष-आधारित डोमेन (mesh-based domains) पर समय विकास (time evolution) सीखने के लिए तेजी से किया जा रहा है। हालाँकि, मौजूदा दृष्टिकोण, जैसे कि MeshGraphNets (MGN), अक्सर टोपोलॉजिकल संरचना (मेष की कनेक्टिविटी) को मेट्रिक संरचना (ज्यामिति और सामग्री के गुण) के साथ मिला देते हैं।

मुख्य मुद्दा: क्लासिकल डिस्क्रीट एक्सटीरियर कैलकुलस (DEC) में, एक्सटीरियर डेरिवेटिव (टोपोलॉजी) मेट्रिक-स्वतंत्र होता है, जबकि हॉज स्टार (Hodge star - मेट्रिक) ज्यामिति और सामग्री के गुणों को एनकोड करता है। वर्तमान में सीखे जाने वाले सिम्युलेटर अक्सर इन भूमिकाओं को परस्पर विनिमेय (interchangeable) मान लेते हैं, जिससे गैर-भौतिक प्रभाव (non-physical effects) भविष्यवाणियों को दूषित कर सकते हैं। इससे स्प्यूरियस मोड्स (spurious modes), अस्थिरता, ऊर्जा विचलन (energy drift), और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) परिदृश्यों (जैसे, अलग रिज़ॉल्यूशन या भौतिक पैरामीटर) में खराब सामान्यीकरण (generalization) जैसी समस्याएँ उत्पन्न होती हैं।
अंतराल (The Gap): एक ऐसे सिद्धांत-आधारित ढांचे का अभाव है जो मेष के निश्चित टोपोलॉजिकल बाधाओं को सीखे जाने वाले मेट्रिक-निर्भर कॉन्स्टिट्यूटिव लॉ (constitutive laws) से स्पष्ट रूप से अलग कर सके, जिससे पोस्ट-हॉक रेगुलेराइजेशन के बजाय डिज़ाइन द्वारा ही भौतिक निरंतरता (ऊर्जा संरक्षण, संवेग संरक्षण) सुनिश्चित की जा सके।

2. कार्यप्रणाली: मेश फील्ड थ्योरी (MeshFT)

लेखक Mesh Field Theory (MeshFT) प्रस्तावित करते हैं, जो एक वैश्विक टेम्पलेट को मानने के बजाय, मौलिक भौतिक सिद्धांतों से सीधे मेष-आधारित गतिकी (dynamics) के लिए एक स्थानीय पोर्ट-हैमिल्टनियन (Port-Hamiltonian) फॉर्मूलेशन व्युत्पन्न करता है।

A. भौतिक सिद्धांत (Physical Principles)

यह सिद्धांत चार न्यूनतम भौतिक आवश्यकताओं पर आधारित है:

स्थानीयता (Locality - L): अंतःक्रियाएं केवल स्थानीय पड़ोसियों (incidence) पर निर्भर करती हैं।
परम्यूटेशन इक्विवैरिएंस (Permutation Equivariance - P): मॉडल मेष तत्वों के लेबलिंग के प्रति अपरिवर्तनीय (invariant) है।
ओरिएंटेशन कोवेरियेंस (Orientation Covariance - O): मेष तत्वों की दिशा बदलने (जैसे, एज दिशाओं) से संबंधित चरों का चिह्न बदल जाता है, लेकिन स्केलर मात्राएँ (ऊर्जा, पावर) अपरिवर्तनीय रहती हैं।
ऊर्जा संतुलन/पैसिविटी (Energy Balance/Passivity - E): सिस्टम एक कंजर्वेटिव भाग (कोई शुद्ध कार्य नहीं) और एक डिसिपेटिव भाग (गैर-बढ़ती ऊर्जा) में विभाजित होता है।

B. रिडक्शन थ्योरम (Reduction Theorem - सैद्धांतिक केंद्र)

पेपर एक लोकल रिडक्शन थ्योरम (थ्योरम 3.3) को सिद्ध करता है। यह प्रदर्शित करता है कि ऊपर दिए गए चार सिद्धांतों को संतुष्ट करने वाला कोई भी डायनेमिक्स एक पोर्ट-हैमिल्टनियन रूप में स्थानीय गुणनखंड (local factorization) स्वीकार करता है:
$\dot{z} = (J(z) - R(z)) G(z)$
जहाँ:

$z$ : स्टेट वेक्टर (मेष सेल्स पर कोचेन्स/cochains)।
$G(z)$ : स्टेट-डिपेंडेंट मेट्रिक (ऊर्जा स्टोरेज फंक्शन $H$ के हेसियन से संबंधित)।
$R(z)$ : डिसिपेशन ऑपरेटर (पॉजिटिव सेमी-डेफिनिट)।
$J(z)$ : कंजर्वेटिव इंटरकनेक्शन मैट्रिक्स (स्केव-सिमेट्रिक)।

मुख्य अंतर्दृष्टि: यह थ्योरम सिद्ध करता है कि इन सिद्धांतों के तहत, कंजर्वेटिव इंटरकनेक्शन $J(z)$ टोपोलॉजी द्वारा विशिष्ट रूप से निर्धारित होता है (विशेष रूप से, इसे साइन्ड इंसिडेंस मैट्रिसेस $D_k$ से बना होना चाहिए)। मेट्रिक प्रभाव (ज्यामिति, सामग्री के गुण) और डिसिपेशन केवल $G(z)$ और $R(z)$ के माध्यम से प्रवेश करते हैं।

इसका तात्पर्य एक सख्त पृथक्करण से है:

निश्चित (Hard-coded): टोपोलॉजिकल वायरिंग (इंसिडेंस स्ट्रक्चर)।
सीखने योग्य (Learnable): मेट्रिक ऑपरेटर्स (कॉन्स्टिट्यूटिव लॉ) और डिसिपेशन।

C. न्यूरल रियलाइजेशन: MeshFT-Net

थ्योरम के आधार पर, लेखक MeshFT-Net नामक एक न्यूरल आर्किटेक्चर डिजाइन करते हैं, जो:

इंटरकनेक्शन को हार्ड-कोड करता है: मैट्रिक्स $J$ को मेष टोपोलॉजी से प्राप्त साइNed इंसिडेंस मैट्रिक्स के रूप में फिक्स किया जाता है (जैसे, $J = \begin{pmatrix} 0 & -D^T \\ D & 0 \end{pmatrix}$ )। इसे सीखा नहीं जाता है।
मेट्रिक/डिसिपेशन को सीखता है: नेटवर्क SPD (सिमेट्रिक पॉजिटिव डेफिनिट) मेट्रिक $G_\theta$ और PSD (पॉजिटिव सेमी-डेफिनिट) डिसिपेशन $R_\theta$ को सीखता है। इन्हें ज्योमेट्री/मटेरियल फीचर्स द्वारा कंडिशन्ड लोकल MLPs द्वारा पैरामीटराइज़ किया जाता है।
टाइम इंटीग्रेशन: संख्यात्मक स्थिरता और डिसिपेशन की अनुपस्थिति में सटीक ऊर्जा संरक्षण सुनिश्चित करने के लिए स्ट्रैंग स्प्लिटिंग स्कीम (KDK इंटीग्रेटर) का उपयोग करता है।

3. मुख्य योगदान

सिद्धांत-संचालित रिडक्शन थ्योरम: एक गणितीय प्रमाण कि मेष-आधारित भौतिकी, मानक भौतिक अभिधारणाओं के तहत, अनिवार्य रूप से एक पोर्ट-हैमिल्टनियन रूप में स्थानीय रूप से कम (reduce) हो जाती है जहाँ कंजर्वेटिव कपलिंग टोपोलॉजिकल रूप से स्थिर होती है। यह एक वैश्विक हैमिल्टोनियन टेम्पलेट को मानने से आगे बढ़ता है।
टोपोलॉजी-मेट्रिक पृथक्करण: एक स्पष्ट इंडक्टिव बायस जो इंसिडेंस वायरिंग को फिक्स करके और लर्निंग को केवल मेट्रिक-डिपेंडेंट ऑपरेटर्स तक सीमित करके गैर-भौतिक डिग्री ऑफ फ्रीडम को समाप्त करता है।
MeshFT-Net आर्किटेक्चर: एक नवीन न्यूरल सिम्युलेटर जो इस पृथक्करण को लागू करता है, जिससे टोपोलॉजिकल इनवैरिएंट्स (जैसे, इलेक्ट्रोमैग्नेटिक्स में $\nabla \cdot B = 0$ ) का सटीक संरक्षण और ऊर्जा स्थिरता सुनिश्चित होती है।
व्यापक मूल्यांकन: स्टेट-ऑफ-द-आर्ट बेसलाइन्स की तुलना में ऊर्जा संरक्षण, भौतिक निष्ठा (physical fidelity), और OOD सामान्यीकरण में बेहतर प्रदर्शन दिखाने वाले व्यापक बेंचमार्क।

4. प्रयोगात्मक परिणाम

लेखकों ने एनालिटिक डेटासेट्स (प्लेन वेव्स), रियलिस्टिक एकस्टिक स्कैटरिंग डेटा (The Well dataset), और विभिन्न OOD परिदृश्यों पर MeshFT-Net का मूल्यांकन किया।

ऊर्जा विचलन (Energy Drift): MeshFT-Net लंबे रोलआउट के दौरान लगभग शून्य ऊर्जा विचलन ( $\sim 10^{-4}$ ) प्राप्त करता है, जबकि MGN और HNN जैसे बेसलाइन्स में भारी विचलन (क्रमशः कई गुना अधिक, जैसे, 25.9 बनाम $1.3 \times 10^{-4}$ ) देखा जाता है।
भौतिक निरंतरता (Physical Consistency):
- संवेग संरक्षण (Momentum Conservation): MeshFT-Net ओरिएंटेशन-कोवेरियंट स्ट्रक्चर के कारण स्वाभाविक रूप से संवेग को सुरक्षित रखता है, जबकि बेसलाइन्स विफल रहते हैं।
- डिस्पर्शन और वेव स्पीड: यह तरंग फैलाव (wave dispersion) और गति को सही ढंग से कैप्चर करता है, जबकि अनकन्स्ट्रेंड मॉडल स्प्यूरियस मोड्स पेश करते हैं।
- PDE रेसिडुअल्स: MeshFT-Net वेव इक्वेशन के लिए सबसे कम रेसिडुअल बनाए रखता है।
आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) सामान्यीकरण:
- रिज़ॉल्यूशन शिफ्ट: जब ट्रेनिंग से महीन/मोटे ग्रिड पर टेस्ट किया जाता है, तो यह मजबूती से कार्य करता है।
- पैरामीटर शिफ्ट: यह वेव स्पीड या फ्रीक्वेंसी बदलने पर भी स्थिरता बनाए रखता है।
- बेसलाइन्स: कई बेसलाइन्स (जैसे, PI-MGN, GraphCON) OOD शिफ्ट के तहत डाइवर्ज (diverge) हो जाते हैं ( $>100$ एरर), जबकि MeshFT-Net स्थिर रहता है।
डेटा दक्षता (Data Efficiency): MeshFT-Net बेसलाइन्स की तुलना में बहुत कम ट्रेनिंग सैंपल्स के साथ उच्च सटीकता प्राप्त करता है।
दक्षता (Efficiency): अपने संरचनात्मक प्रतिबंधों के बावजूद, MeshFT-Net कम्प्यूटेशनल रूप से कुशल (स्पार्स मैट्रिक्स ऑपरेशंस) है और अक्सर HNN जैसे भारी बेसलाइन्स की तुलना में इन्फरेंस/ट्रेनिंग में तेज़ होता है।

5. महत्व और प्रभाव

पैराडाइम शिफ्ट: यह पेपर "पूरे डायनेमिक्स को सीखने" से बदलकर "एक भौतिक रूप से बाधित सिस्टम के केवल मेट्रिक-डिपेंडेंट भागों को सीखने" की ओर पैराडाइम को बदल देता है।
स्थिरता और निष्ठा: टोपोलॉजिकल बाधाओं को हार्ड-कोड करके, MeshFT-Net उन स्प्यूरियस मोड्स (जैसे, नकली मैग्नेटिक मोनोपोल्स) को समाप्त करता है जो मानक ग्राफ न्यूरल नेटवर्क्स को प्रभावित करते हैं, जिससे यह सुनिश्चित होता है कि सिमुलेशन लंबे समय तक भौतिक रूप से वैध रहे।
सामान्यीकरण क्षमता: यह एक मजबूत इंडक्टिव बायस प्रदान करता है जो मॉडल को अनदेखे रिज़ॉल्यूशन और भौतिक मापदंडों तक विस्तार करने की अनुमति देता है, जो वैज्ञानिक सिमुलेशन के लिए एक महत्वपूर्ण आवश्यकता है।
सैद्धांतिक आधार: यह डिस्क्रीट एक्सटीरियर कैलकुलस (DEC) और आधुनिक डीप लर्निंग के बीच के अंतर को पाटता है, जो एक कठोर सैद्धांतिक औचित्य प्रदान करता है कि क्यों कुछ विशिष्ट आर्किटेक्चरल विकल्प (फिक्स्ड इंसिडेंस) बेहतर भौतिक सिमुलेशन की ओर ले जाते हैं।

संक्षेप में, MeshFT मेष-आधारित निरंतर यांत्रिकी (continuum mechanics) के लिए स्थिर, डेटा-कुशल और भौतिक रूप से निष्ठावान न्यूरल सिम्युलेटर बनाने के लिए एक सिद्धांत-आधारित, गणितीय रूप से सुदृढ़ ढांचा प्रदान करता है।