💬 NLP

REAL: A Reasoning-Enhanced Graph Framework for Long-Term Memory Management of LLMs

REAL एक तर्क-संवर्धित ग्राफ फ्रेमवर्क पेश करता है जो एक गैर-विनाशकारी अपडेट और हाइब्रिड बीम सर्च रिट्रीवल के साथ एक टेम्पोरल, कॉन्फिडेंस-अवेयर डायरेक्टेड प्रॉपर्टी ग्राफ का निर्माण करके दीर्घकालिक LLM मेमोरी को प्रबंधित करता है, जो विकसित होते तथ्यों और अपूर्ण साक्ष्यों को संभालने में मौजूदा बेसलाइनों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Keer Lu, Liwei Chen, Guoqing Jiang, Zhiheng Qin, Yunhuai Liu, Wentao Zhang

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Keer Lu, Liwei Chen, Guoqing Jiang, Zhiheng Qin, Yunhuai Liu, Wentao Zhang

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 बहुत ही बुद्धिमान मित्र (AI) से बात कर रहे हैं जिसने दुनिया की लगभग सब कुछ पढ़ ली है, लेकिन उसकी याददाश्त बहुत कम समय के लिए होती है, जैसे कि एक गोल्डफिश (goldfish) की होती है। हर बार जब आप लंबी बातचीत करते हैं, तो वह केवल आपकी कही हुई पिछली कुछ ही बातों को याद रख पाता है और बाकी सब भूल जाता है।

यह पेपर REAL (Reasoning-Enhanced grAph framework for Long-term memory) नामक एक नया सिस्टम पेश करता है ताकि आपके इस मित्र को एक ऐसा "दूसरा मस्तिष्क" दिया जा सके जो वास्तव में काम करे।

यहाँ बताया गया है कि कैसे REAL वर्तमान AI मेमोरी की तीन मुख्य समस्याओं को हल करता है, सरल उपमाओं (analogies) का उपयोग करके:

1. समस्या: "कागजों का सपाट ढेर" बनाम "स्मार्ट मैप"

वर्तमान AI मेमोरी: कल्पना कीजिए कि आपका मित्र आपकी पिछली सभी बातचीत को ढीले कागजों के एक विशाल, अस्त-व्यस्त ढेर के रूप में रखता है। जब आप कोई प्रश्न पूछते हैं, तो वे बस उन कागजों को उठाते हैं जो आपके शब्दों के सबसे समान दिखते हैं।

दोष: यदि आपने पूछा, "मैंने वे जूते कहाँ खरीदे थे?", तो वे शायद एक कागज उठा लेंगे जिस पर लिखा हो "मुझे जूते पसंद हैं" लेकिन विशिष्ट रसीद (receipt) को छोड़ देंगे। वे "जूते", "दुकान" और "रसीद" के बीच के संबंध को नहीं जोड़ सकते क्योंकि कागज़ आपस में जुड़े हुए नहीं हैं।

REAL का समाधान: कागजों के ढेर के बजाय, REAL एक जीवंत, 3D मैप (एक ग्राफ) बनाता है।

हर तथ्य एक बिंदु (dot) है (जैसे "एलिस," "बास्केटबॉल जूते," "वापस किए गए")।
उन्हें जोड़ने वाली रेखाएं संबंध (relationships) हैं (जैसे "खरीदा," "वापस किया")।
जादू: यह मैप जानता है कि यदि आपने जूते खरीदे और फिर उन्हें वापस कर दिया, तो वे दो घटनाएँ आपस में जुड़ी हुई हैं। यह AI को कीवर्ड्स के आधार पर केवल अनुमान लगाने के बजाय "एलिस" से "वापस किए गए" से "बास्केटबॉल जूते" तक एक रास्ता खोजने की अनुमति देता है।

2. समस्या: "ओवरराइट बटन" बनाम "टाइम-ट्रैवल डायरी"

वर्तमान AI मेमोरी: कल्पना कीजिए कि आपके मित्र के पास एक नोटबुक है। यदि आप कहते हैं, "मुझे इतालवी भोजन पसंद है," तो वे इसे लिख लेते हैं। बाद में, यदि आप कहते हैं, "दरअसल, मैं जापानी भोजन पसंद करता हूँ," तो वे एक इरेज़र (eraser) लेते हैं और इतालवी वाले हिस्से को पूरी तरह से मिटा देते हैं।

दोष: वे इतिहास खो देते हैं। उन्हें नहीं पता कि आपने अपना मन कब बदला, या आप पहले इतालवी भोजन पसंद करते थे। यदि वे आपसे पूछते हैं, "आपको पिछले साल क्या पसंद था?", तो वे उत्तर नहीं दे सकते क्योंकि पुराना तथ्य गायब हो चुका है।

REAL का समाधान: REAL मेमोरी को समानांतर ट्रैक के साथ एक टाइमलाइन की तरह मानता है।

यह पुराने तथ्य को मिटाता नहीं है। इसके बजाय, यह "इतालवी भोजन" तथ्य पर एक "वैध रहने तक की तिथि" (valid until date) लगा देता है और "जापानी भोजन" तथ्य के लिए एक नई "वैध होने की तिथि" (valid from date) शुरू कर देता है।
जादू: AI अब पूरी कहानी देख सकता है: "एलिस 2020 से 2023 तक इतालवी भोजन पसंद करती थी, फिर उसने जापानी में बदलाव किया।" यह आपके जीवन के केवल वर्तमान स्नैपशॉट को नहीं, बल्कि उसके विकास को भी सुरक्षित रखता है।

3. समस्या: "निष्क्रिय लाइब्रेरियन" बनाम "डिटेक्टिव"

वर्तमान AI मेमोरी: कल्पना कीजिए कि एक लाइब्रेरियन जो केवल उन किताबों को खोजता है जो आपके सटीक कीवर्ड से मेल खाती हैं। यदि आप पूछते हैं, "एलिस ने जूते क्यों वापस किए?" और लाइब्रेरी में केवल एक नोट है जिसमें लिखा है "एलिस ने जूते खरीदे," तो लाइब्रेरियन कहता है, "मुझे नहीं पता," और खोजना बंद कर देता है।

दोष: वे बहुत निष्क्रिय हैं। वे तर्क का उपयोग करके लापता हिस्सों का पता लगाने की कोशिश नहीं करते हैं।

REAL का समाधान: REAL एक डिटेक्टिव की तरह कार्य करता है जो "काउंटरफैक्चुअल रीजनिंग" (यह सोचना कि "क्या होगा यदि?") का उपयोग करता है।

यदि डिटेक्टिव को सीधे तौर पर वापसी (return) के बारे में कोई नोट नहीं मिलता है, तो वह मैप को देखता है और सोचता है: "खैर, मैप कहता है कि उसने उन्हें खरीदा था, और आमतौर पर, यदि कोई कुछ वापस करता है, तो उसे पहले खरीदना ही पड़ता है। साथ ही, मैप कहता है कि उसे वह सामग्री नापसंद है।"
जादू: REAL खाली जगहों को भरने के लिए तर्क नियमों (जैसे समरूपता या कारण-और-प्रभाव) का उपयोग करता है। यदि साक्ष्य गायब है, तो वह केवल हार नहीं मानता; वह उत्तर खोजने के लिए एक तार्किक परिकल्पना (hypothesis) बनाता है, और फिर जाँचता है कि क्या वह परिकल्पना सही है।

यह व्यवहार में कैसे काम करता है

पेपर एक दो-चरणीय प्रक्रिया का वर्णन करता है:

मैप बनाना (निर्माण - Construction): जैसे-जैसे आप चैट करते हैं, REAL आपके वाक्यों को छोटे तथ्यों में तोड़ देता है। यह प्रत्येक तथ्य को टैग करता है:
- समय (Time): यह कब हुआ?
- विश्वास (Confidence): हम कितने आश्वस्त हैं? (जैसे, "मुझे लगता है कि मुझे पिज्जा पसंद है" को कम कॉन्फिडेंस स्कोर मिलता है; "मुझे पिज्जा बहुत पसंद है" को उच्च स्कोर मिलता है)।
- इरादा (Intent): यह बाद में किस तरह के प्रश्न का उत्तर दे सकता है? (जैसे, क्या यह एक "कारण" या "समय" वाला तथ्य है?)।
उत्तर खोजना (रिट्रीवल - Retrieval): जब आप कोई प्रश्न पूछते हैं, तो REAL केवल खोजता नहीं है। यह:
- एंकरिंग (Anchoring): शुरुआती बिंदु ढूंढता है (जैसे, "एलिस")।
- बीम सर्च (Beam Search): यह कई "स्काउट्स" (जैसे खोज किरणें) भेजता है जो एक साथ मैप पर विभिन्न रास्तों का पता लगाते हैं।
- मूल्यांकन (Evaluates): एक "सिमेंटिक इवैल्यूएटर" एक जज की तरह कार्य करता है, प्रत्येक पथ को स्कोर देता है: "क्या यह प्रासंगिक है? क्या यह तार्किक रूप से सही है? क्या यह वास्तव में प्रश्न का उत्तर देता है?"
- मरम्मत (Repairs): यदि कोई पथ डेड एंड (dead end) पर पहुँचता है, तो डिटेक्टिव मोड सक्रिय हो जाता है ताकि तर्क का उपयोग करके एक नया रास्ता निकाला जा सके।

परिणाम

पेपर ने विभिन्न AI मॉडलों का उपयोग करके विभिन्न मेमोरी विधियों के विरुद्ध इस सिस्टम का परीक्षण किया। परिणामों ने दिखाया कि REAL ने औसतन 22.72% का सुधार किया।

सरल शब्दों में: मेमोरी को एक संरचित, समय-जागरूक मैप की तरह व्यवस्थित करके और लापता हिस्सों को भरने के लिए तर्क का उपयोग करके, REAL AI को अतीत को बहुत बेहतर ढंग से याद रखने, यह समझने में मदद करता है कि चीजें समय के साथ कैसे बदलीं, और जटिल प्रश्नों का उत्तर देने में सक्षम बनाता है जिसके लिए केवल हाल ही में सुनी गई बातों को दोहराने के बजाय बिंदुओं को जोड़ने की आवश्यकता होती है।

तकनीकी सारांश: REAL - LLMs के दीर्घकालिक मेमोरी प्रबंधन के लिए एक रीजनिंग-एन्हांस्ड ग्राफ फ्रेमवर्क

1. समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) सीमित कॉन्टेक्स्ट विंडो (आमतौर पर 8K–256K टोकन) के कारण दीर्घकालिक मेमोरी (long-term memory) प्रबंधित करने में महत्वपूर्ण चुनौतियों का सामना करते हैं। जैसे-जैसे बातचीत हफ्तों या महीनों तक चलती है, ऐतिहासिक जानकारी कॉन्टेक्स्ट की सीमा को पार कर जाती है, जिससे तीन प्राथमिक समस्याएं उत्पन्न होती हैं:

अनबाउंडेड कॉन्टेक्स्ट एक्यूमुलेशन (Unbounded Context Accumulation): संवाद का इतिहास अनिवार्य रूप से सीमित सीमाओं से अधिक हो जाता है।
अटेंशन डिके (Attention Decay): मॉडल का अटेंशन दूरी के साथ कम होता जाता है, जिससे लंबे कॉन्टेक्स्ट में बिखरे हुए प्रासंगिक विवरणों को पुनः प्राप्त करना कठिन हो जाता है।
थीमैटिक डिस्कंटीन्यूटी (Thematic Discontinuity): वास्तविक दुनिया की बातचीत विषयों के बीच कूदती रहती है, जिससे मुख्य तथ्य असंबंधित टोकन के बीच दब जाते हैं।

मौजूदा बाहरी मेमोरी समाधान तीन विशिष्ट सीमाओं से ग्रस्त हैं:

C1: फ्लैट मेमोरी ऑर्गनाइजेशन की अप्रभावीता: वर्तमान सिस्टम अक्सर वेक्टर डेटाबेस में संग्रहीत फ्लैट टेक्स्ट चंक्स (chunks) का उपयोग करते हैं। इनमें संबंधित चंक्स के बीच स्पष्ट लिंक की कमी होती है, जो मल्टी-हॉप रीजनिंग को रोकता है और अक्सर लेक्सिकल रूप से समान लेकिन सिमेंटिक रूपली अप्रासंगिक जानकारी को पुनः प्राप्त करता है।
C2: फैक्ट इवोल्यूशन (Fact Evolution) का अभाव: संरचित मेमोरी सिस्टम अक्सर विनाशकारी अपडेट (destructive updates) का उपयोग करते हैं, जो मौजूदा तथ्यों को नए तथ्यों के साथ ओवरराइट कर देते हैं। यह उपयोगकर्ता की पसंद, योजनाओं और संबंधों के टेम्पोरल इवोल्यूशन को मिटा देता है, जिससे व्यवहारिक बदलावों को समझने के लिए आवश्यक ऐतिहासिक संदर्भ खो जाता है।
C3: रिट्रीवल में अक्षमता और निष्क्रियता: मौजूदा रिट्रीवल तंत्र अक्सर क्वेरी-अज्ञेय (query-agnostic) और निष्क्रिय होते हैं। जब प्राप्त साक्ष्य अधूरे होते हैं, तो वे काउंटरफैक्चुअल रीजनिंग (जैसे कि सिमेट्री या हाइपोनिमी के माध्यम से लुप्त साक्ष्य का अनुमान लगाना) करने में विफल रहते हैं, और अक्सर "मुझे नहीं पता" पर ही रुक जाते हैं।

2. कार्यप्रणाली: REAL फ्रेमवर्क

लेखक REAL (Reasoning-Enhanced grAph framework for Long-term memory management) का प्रस्ताव करते हैं, जो मेमोरी को एक टेम्पोरल और कॉन्फिडेंस-अवेयर डायरेक्टेड प्रॉपर्टी ग्राफ के रूप में व्यवस्थित करता है।

A. मेमोरी निर्माण (Memory Construction)

REAL एक गैर-विनाशकारी, वृद्धिशील प्रक्रिया के माध्यम से मेमोरी का निर्माण करता है:

एटॉमिक फैक्ट रिप्रेजेंटेशन: बातचीत को सेक्सटुपल्स (sextuples) के रूप में एटॉमिक फैक्ट्स में विभाजित किया जाता है: $(h, r, t, [\tau_s, \tau_e], c, \iota)$ , जहाँ $h$ और $t$ एंटिटीज हैं, $r$ रिलेशन है, $[\tau_s, \tau_e]$ वैधता अंतराल (validity interval) है, $c$ कॉन्फिडेंस स्कोर है, और $\iota$ एक्सप्लोरेशन इंटेंट लेबल है।
नॉन-डिस्ट्रक्टिव टेम्पोरल अपडेट्स:
- सिंगल-वैल्यूड रिलेशंस (जैसे, "रहने वाला शहर"): जब कोई तथ्य बदलता है, तो पुराने अंतराल को नए तथ्य के प्रारंभ समय पर बंद कर दिया जाता है, और नए तथ्य को अपने स्वयं के अंतराल के साथ डाला जाता है। यह तथ्यों के समानांतर संस्करणों को सुरक्षित रखता है।
- मल्टी-वैल्यूड रिलेशंस (जैसे, "पसंद का भोजन"): नए तथ्यों को मौजूदा अंतरालों को बंद किए बिना समानांतर एडजेस (edges) के रूप में जोड़ा जाता है, जिससे सह-अस्तित्व संभव होता है।
एट्रिब्यूट एनरिचमेंट:
- कॉन्फिडेंस स्ट्रैटिफिकेशन: भाषाई संकेतों (जैसे, "हो सकता है" बनाम "हमेशा") के आधार पर कॉन्फिडेंस स्कोर ( $c$ ) दिए जाते हैं। केवल उन्हीं तथ्यों का उपयोग किया जाता है जिनका $c \ge \theta_{stable}$ है, जिससे शोर (noise) कम होता है।
- एक्सप्लोरेशन इंटेंट: भविष्य की रिट्रीवल रणनीतियों को निर्देशित करने के लिए तथ्यों को इंटेंट्स (FACT, CAUSAL, TEMPORAL, CONTRAST, EVOLUTION) के साथ लेबल किया जाता है।

B. मेमोरी रिट्रीवल (Memory Retrieval)

REAL कॉम्पैक्ट एविडेंस सबग्राफ्स निकालने के लिए सेमेंटिक इवैल्यूएटर-गाइडेड हाइब्रिड बीम सर्च का उपयोग करता है:

रूट एंटिटी एंकरिंग और इंटेंट डिकपलिंग: सिस्टम रूट एंटिटीज को निकालता है और उनके विशिष्ट एक्सप्लोरेशन इंटेंट्स का अनुमान लगाता है।
हाइब्रिड बीम सर्च:
- कैंडिडेट एक्सपेंशन: वर्तमान नोड्स से, सिस्टम टेम्पोरल वैलिडिटी (क्वेरी समय से मेल खाता है), कॉन्फिडेंस थ्रेशोल्ड्स, और इंटेंट कम्पैटिबिलिटी द्वारा फ़िल्टर किए गए पड़ोसियों को रिट्रीव करता है।
- पाथ स्कोरिंग: एक एकीकृत स्कोरिंग फंक्शन पथों का मूल्यांकन क्वेरी रेलेवेंस ( $S_{QR}$ ), लॉजिकल कोहेरेंस ( $S_{LC}$ ), और एंटिटी-स्पेसिफिक आंसर सफिशिएंसी ( $S_{AS}$ ) के आधार पर करता है।
- डिसीजन प्रोसीजर: प्रत्येक बीम के लिए, सिस्टम यह निर्णय लेता है कि रुकना (यदि वर्तमान पथ पर्याप्त है), विस्तार करना (यदि नया पथ बेहतर है), या काउंटरफैक्चुअल इन्फरेंस को लागू करना है।
काउंटरफैक्चुअल इन्फरेंस: यदि सामान्य विस्तार विफल रहता है (कोई वैध पड़ोसी नहीं या कम कोहेरेंस), तो सिस्टम लुप्त साक्ष्य को पुनः प्राप्त करने के लिए लॉजिकल रूल्स (जैसे सिमेट्री, हाइपोनिमी, टेम्पोरल सक्सेशन) का उपयोग करके वैकल्पिक ट्रावर्सल हाइपोथेसिस जेनरेट करता है।
ग्लोबल प्रूनिंग: अगले इटरेशन के लिए शीर्ष- $k$ उम्मीदवारों को बनाए रखने के लिए पथों को ग्लोबली प्रून (छँटाई) किया जाता है।

C. उत्तर जनरेशन (Answer Generation)

रिट्रीव किए गए मेमोरी सबग्राफ्स को पथों, टाइमस्टैम्प्स और कॉन्फिडेंस स्कोर वाले एक कॉम्पैक्ट कॉन्टेक्स्ट में सीरियलाइज किया जाता है, जिसे अंतिम उत्तर जनरेशन के लिए LLM को फीड किया जाता है।

3. मुख्य योगदान

मल्टी-एट्रिब्यूट मेमोरी कंस्ट्रक्शन: एक तंत्र जो मेमोरी को टेम्पोरल, कॉन्फिडेंस-अवेयर डायरेक्टेड प्रॉपर्टी ग्राफ के रूप में प्रस्तुत करता है, जिसमें नॉन-डिस्ट्रक्टिव अपडेट्स शामिल हैं जो फैक्ट इवोल्यूशन और समानांतर संस्करणों को सुरक्षित रखते हैं।
रीजनिंग-एन्हांस्ड एडेप्टिव रिट्रीवल: एक रणनीति जो एक्सप्लोरेशन इंटेंट डिकपलिंग, सेमेंटिक इवैल्यूएटर-गाइडेड हाइब्रिड बीम सर्च और काउंटरफैक्चुअल इन्फरेंस को एकीकृत करती है ताकि मजबूत, क्वेरी-अवेयर एविडेंस डिस्कवरी सक्षम की जा सके।
परफॉर्मेंस इम्प्रूवमेंट: मौजूदा स्टेट-ऑफ-द-आर्ट तरीकों (फ्लैट-टेक्स्ट, ग्राफ-बेस्ड और फुल-कॉन्टेक्स्ट दृष्टिकोणों सहित) पर पर्याप्त सुधार प्रदर्शित करने वाले व्यापक मूल्यांकन।

4. प्रयोगात्मक परिणाम

लेखकों ने DeepSeek-V3, Qwen3-32B, और LLaMA3.3-70B जैसे मॉडल्स का उपयोग करके डायलॉग-स्टाइल बेंचमार्क (LoCoMo, LongMemEval, PersonaMem) और लॉन्ग-फॉर्म डॉक्यूमेंट-स्टाइल बेंचमार्क (HotpotQA, 2WikiMultihopQA, MuSiQue) पर REAL का मूल्यांकन किया।

ओवरऑल परफॉर्मेंस: REAL ने मौजूदा मेमोरी मैनेजमेंट मेथड्स पर औसतन 22.72% का सुधार हासिल किया।
बेसलाइन्स के साथ तुलना:
- इसने फुल-कॉन्टेक्स्ट बेसलाइन्स को औसतन 49.33% से पछाड़ दिया, जो यह दर्शाता है कि केवल कॉन्टेक्स्ट बढ़ाना पर्याप्त नहीं है।
- इसने फ्लैट-टेक्स्ट मेथड्स (MemGPT, Mem0) को 23.85% से पीछे छोड़ा।
- इसने ग्राफ-बेस्ड बेसलाइन्स (Vanilla Memory Graph, Mem0g, A-MEM) को 12.71% से अधिक किया, जो टेम्पोरल और रीजनिंग-अवेयर मैकेनिज्म की आवश्यकता को रेखांकित करता है।
एब्लेशन स्टडीज: किसी भी कोर कंपोनेंट (टेम्पोरल इंटरवल्स, कॉन्फिडेंस स्ट्रैटिफिकेशन, इंटेंट लेबल्स, सेमेंटिक इवैल्यूएटर, या काउंटरफैक्चुअल इन्फरेंस) को हटाने से प्रदर्शन में गिरावट आई, जो एकीकृत डिज़ाइन की आवश्यकता की पुष्टि करता है।
एफिशिएंसी: हालांकि REAL सरल तरीकों की तुलना में कंस्ट्रक्शन और रिट्रीवल में लेटेंसी (विलंबता) लाता है, लेकिन यह अन्य ग्राफ-बेस्ड दृष्टिकोणों की तुलना में कम ग्राफ नोड्स को विज़िट करता है और उच्चतम उत्तर सटीकता प्राप्त करता है, जो कंप्यूटेशन और प्रदर्शन के बीच एक अनुकूल ट्रेड-ऑफ को दर्शाता है।

5. महत्व और दावे

पेपर का दावा है कि LLM मेमोरी को एक स्ट्रक्चर्ड, टेम्पोरल रूप से विकसित होने वाले और क्वेरी-एडेप्टिव डेटा मैनेजमेंट समस्या के रूप में देखना विश्वसनीय, दीर्घकालिक LLM सिस्टम बनाने के लिए एक आशाजनक दिशा है।

REAL वर्तमान मेमोरी सिस्टम के महत्वपूर्ण अंतरों को दूर करता है:

स्पष्ट संबंधों को कैप्चर करने वाले फ्लैट टेक्स्ट से हटकर स्ट्रक्चर्ड ग्राफ की ओर बढ़कर।
फैक्ट इवोल्यूशन के इतिहास को सुरक्षित रखने के लिए विनाशकारी अपडेट के बजाय नॉन-डिस्ट्रक्टिव टेम्पोरल ट्रैकिंग को अपनाकर।
पैसिव रिट्रीवल से एक्टिव, रीजनिंग-एन्हांस्ड एक्सप्लोरेशन की ओर बढ़कर जो काउंटरफैक्चुअल रीजनिंग के माध्यम से लुप्त साक्ष्य का अनुमान लगा सकता है।

लेखक निष्कर्ष निकालते हैं कि उनका फ्रेमवर्क दीर्घकालिक मेमोरी प्रदर्शन में पर्याप्त सुधार करता है, जिससे LLMs को विस्तारित समय सीमाओं में ऐतिहासिक जानकारी को अधिक निष्ठा से बनाए रखने, अपडेट करने और पुनः प्राप्त करने में सक्षम बनाया जा सके।