🔭 astrophysics

A Scalable Fast Multipole Method Poisson Solver for the RAMSES code: I. Unigrid Algorithm

यह शोध पत्र RAMSES कोड में कार्यान्वित एक स्केलेबल, $O(N)$ जटिलता वाले फास्ट मल्टीपोल मेथड पॉइसन सॉल्वर प्रस्तुत करता है जो मल्टीग्रिड विधियों के तुलनीय सटीकता प्राप्त करता है और एक एकल अपवर्ड-डाउनवर्ड पास पदानुक्रम के माध्यम से बेहतर समानांतर स्केलेबिलिटी और आइसोलेटेड बाउंड्री कंडीशंस के लिए उत्कृष्ट उपयुक्तता प्रदान करता है।

मूल लेखक: Jun-Young Lee, Romain Teyssier

प्रकाशित 2026-06-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jun-Young Lee, Romain Teyssier

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 ब्रह्मांड के एक विशाल सिमुलेशन में हर तारे, ग्रह और गैस के बादल के गुरुत्वाकर्षण खिंचाव की गणना करने की कोशिश कर रहे हैं। इसे सटीक रूप से करने के लिए, आपको यह पता लगाना होगा कि पदार्थ का हर एक हिस्सा दूसरे हिस्से के साथ कैसे परस्पर क्रिया करता है। यदि आपके पास पदार्थ के एक अरब टुकड़े हैं, तो हर जोड़े की आपस में तुलना करना पृथ्वी पर हर व्यक्ति से व्यक्तिगत रूप से हाथ मिलाने जैसा है—इसमें बहुत अधिक समय लगता है और आपका कंप्यूटर क्रैश हो जाता है।

यह शोध पत्र खगोल विज्ञान के एक लोकप्रिय सॉफ्टवेयर RAMSES के लिए इस "गुरुत्वाकर्षण गणित की समस्या" को हल करने का एक नया, तेज़ तरीका पेश करता है। लेखक, जुन-यंग ली और रोमेन टेसियर ने एक नया टूल बनाया है जिसे फास्ट मल्टीपोल मेथड (FMM) कहा जाता है और इसका परीक्षण पुराने मानक टूल, जिसे मल्टीग्रिड (MG) कहा जाता है, के विरुद्ध किया है।

यहाँ उन्होंने क्या किया और क्या पाया, इसका सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

समस्या: "हैंडशेक" की बाधा (The "Handshake" Bottleneck)

पुराने तरीके में (प्रत्यक्ष गणना), यदि आपके पास $N$ वस्तुएं हैं, तो आपको लगभग $N^2$ गणनाएँ करनी पड़ती हैं। यदि आप तारों की संख्या दोगुनी करते हैं, तो काम चार गुना बढ़ जाता है। यह बहुत धीमा है।

पुराना तरीका (MG) और नया तरीका (FMM) दोनों ही "स्मार्ट" शॉर्टकट हैं जो काम को केवल $N$ (रैखिक स्केलिंग) तक कम कर देते हैं। इसका मतलब है कि यदि आप तारों को दोगुना करते हैं, तो काम भी केवल दोगुना होता है। लेकिन वे यहाँ तक पहुँचने के लिए बहुत अलग तरीकों का उपयोग करते हैं।

पुराना तरीका: मल्टीग्रिड (MG) – एक "रिले रेस" (The "Relay Race")

मल्टीग्रिड सॉल्वर को एक रिले रेस के रूप में सोचें जिसके लिए कई चक्करों (laps) की आवश्यकता होती है।

प्रक्रिया: यह गुरुत्वाकर्षण के एक मोटे अनुमान से शुरू होता है, और फिर उस अनुमान को त्रुटियों को साफ करने वाले "स्पंज" (गणितीय चरणों) के माध्यम से गुजारता है। यह बारीक विवरणों से लेकर एक मोटे अवलोकन (coarse overview) तक जाता है और फिर वापस आता है।
चुनौती: एक अच्छा उत्तर प्राप्त करने के लिए, इसे कई बार यह रिले रेस (जिसे "V-cycles" कहा जाता है) चलानी पड़ती है जब तक कि त्रुटियाँ पर्याप्त छोटी न हो जाएं।
सीमा की समस्या (The Boundary Issue): जब सिमुलेशन बॉक्स के किनारे (सिमुलेट किए जा रहे ब्रह्मांड के किनारे) तक पहुँचता है, तो पुराना तरीका इस बारे में अनुमान लगाने के लिए कि बाहर क्या है, एक प्रक्रिया अपनाता है। यह एक "नकली" सीमा स्थिति (जैसे यह मान लेना कि किनारा एक दीवार है) का उपयोग करता है। यह अनुमान एकदम सही नहीं होता है और सिमुलेशन के किनारों के पास त्रुटियां पैदा करता है।

नया तरीका: फास्ट मल्टीपोल मेथड (FMM) – "एक-यात्रा डिलीवरी" (The "One-Trip Delivery")

नया FMM सॉल्वर एक अत्यधिक संगठित डिलीवरी सेवा की तरह है जिसे मोहल्लों के पदानुक्रम (hierarchy) में केवल एक बार ऊपर और एक बार नीचे जाने की आवश्यकता होती है।

ऊपर की यात्रा (एकत्र करना - Gathering): कल्पना करें कि तारों को समूहों (neighborhoods) में बांटा जा रहा है, फिर उन समूहों को जिलों (districts) में, और फिर जिलों को शहरों (cities) में। एल्गोरिदम इन समूहों के "द्रव्यमान" (mass) को प्रत्येक समूह के लिए एक एकल सारांश (multipole) में एकत्र करता है। यह सबसे छोटे समूहों से लेकर सबसे बड़े शहर तक जाता है।
नीचे की यात्रा (डिलीवरी करना - Delivering): अब, यह गुरुत्वाकर्षण की जानकारी वापस नीचे भेजता है।
- दूर स्थित: यदि कोई तारा किसी दूर के शहर से बहुत दूर है, तो उसे उस दूर के शहर के हर एक तारे के बारे में जानने की आवश्यकता नहीं है; उसे बस उस शहर का "सारांश" चाहिए। एल्गोरिदम उस सारांश को एक स्थानीय बल (local force) में बदल देता है।
- पास स्थित: यदि कोई तारा किसी दूसरे के बिल्कुल बगल में है, तो एल्गोरिदम उनके बीच के सटीक बल की सीधे गणना करता है।
लाभ: यह केवल एक ऊपर की ओर और एक नीचे की ओर यात्रा करता है। इसे अभिसरण (converge) होने के लिए कई रिले रेस चलाने की आवश्यकता नहीं होती है।
सीमा का लाभ (The Boundary Advantage): क्योंकि यह वास्तविक पदार्थ के वितरण के आधार पर गुरुत्वाकर्षण की गणना करता है और इसे यह अनुमान लगाने की आवश्यकता नहीं होती कि बॉक्स के बाहर क्या है, यह "खाली स्थान" (vacuum) की सीमाओं को पूरी तरह से संभालता है। इसे नकली दीवारों की आवश्यकता नहीं होती।

परिणाम: गति बनाम सटीकता (Speed vs. Accuracy)

लेखकों ने यह देखने के लिए परीक्षण किए कि इन दोनों तरीकों की तुलना कैसे की जाती है:

चिकनी चीजों के लिए (जैसे गैस के बादल): दोनों तरीके समान रूप से सटीक हैं।
तीखी/नुकीली चीजों के लिए (जैसे एक एकल बिंदु द्रव्यमान): नए FMM तरीके में एक थोड़ा "ब्लॉकी" (blocky) त्रुटि पैटर्न है। क्योंकि यह चीजों को ग्रिड में समूहित करता है, गणित ग्रिड लाइनों पर थोड़ा उछलता है, जिससे एक बॉक्स के आकार की त्रुटि पैदा होती है। पुराना तरीका यहाँ अधिक सुचारू (smooth) है।
खाली स्थान के लिए: नया FMM तरीका जीतता है। पुराना तरीका अपने "नकली दीवार" के अनुमानों के कारण सिमुलेशन के किनारों के पास अव्यवस्थित हो जाता है। FMM अलग-थलग प्रणालियों (जैसे शून्य में एक अकेली आकाशगंगा) को बहुत बेहतर तरीके से संभालता है।
गति और स्केलिंग:
- गणित की गणना: सैद्धांतिक रूप से, नया FMM तरीका पुराने तरीके की तुलना में लगभग 30 गुना अधिक गणितीय संचालन (floating-point operations) करता है।
- वास्तविक दुनिया की गति: आश्चर्यजनक रूप से, वे एक सिंगल कंप्यूटर कोर पर लगभग एक ही गति से चलते हैं। क्यों? क्योंकि नया तरीका "भारी" गणित करता है जो कंप्यूटर के मस्तिष्क (CPU) को बहुत व्यस्त रखता है, जबकि पुराना तरीका डेटा के इधर-उधर घूमने का इंतज़ार करने में बहुत समय बिताता है।
- मल्टी-कोर विजेता: जब कई कंप्यूटर कोर (MPI ranks) को एक साथ उपयोग किया जाता है, तो नया FMM तरीका बहुत बेहतर तरीके से स्केल करता है। पुराना तरीका इसलिए पिछड़ जाता है क्योंकि उसे अपनी कई रिले लैप्स के दौरान अन्य कोर से लगातार बात करनी पड़ती है। नया तरीका कम बात करता है और अधिक काम करता है, जिससे अधिक कंप्यूटर जोड़ने पर यह तेज़ हो जाता है।

निष्कर्ष

लेखक निष्कर्ष निकालते हैं कि हालांकि नया FMM तरीका अधिक कच्चे गणित (raw math) का उपयोग करता है, लेकिन यह अधिक कुशल है क्योंकि यह प्रोसेसर को व्यस्त रखता है और संचार के उन विलंबों (communication delays) से बचता है जो पुराने तरीके को धीमा कर देते हैं।

सर्वश्रेष्ठ उपयोग: अलग-थलग प्रणालियों (जैसे शून्य में एक अकेली आकाशगंगा) के सिमुलेशन के लिए जहाँ पुराना तरीका किनारों की त्रुटियों के कारण संघर्ष करता है।
सबसे अच्छा विकल्प: उन्होंने पाया कि नए तरीके की एक विशिष्ट सेटिंग (जिसे "FMM-1" कहा जाता है) सबसे सटीक बिंदु है। यह अधिक जटिल सेटिंग की तरह ही सटीक है लेकिन अधिक तेज़ी से चलती है।

आगे क्या है?
यह पेपर एक श्रृंखला का पहला भाग है। लेखक वर्तमान में इस नए तरीके को एडेप्टिव मेश रिफाइनमेंट (AMR) को संभालने के लिए अनुकूलित करने पर काम कर रहे हैं। इसका मतलब है कि सिमुलेशन में कुछ क्षेत्र बहुत विस्तृत (ज़ूम इन) हो सकते हैं और अन्य धुंधले (ज़ूम आउट) हो सकते हैं, और नया तरीका इन विभिन्न ज़ूम स्तरों के लिए आवश्यक अलग-अलग समय चरणों (time steps) को संभाल सकेगा।

संक्षेप में, उन्होंने गुरुत्वाकर्षण के लिए एक नया, एक-यात्रा वाला डिलीवरी सिस्टम बनाया है जो पुरानी बहु-लैप रिले रेस के समान सटीक है, खाली स्थान को बेहतर ढंग से संभालता है, और बड़े सुपरकंप्यूटरों पर अधिक कुशलता से स्केल करता है।

समस्या विवरण

ब्रह्मांड में संरचना निर्माण (structure formation) के मॉडलिंग के लिए $N$ -body और पार्टिकल-मेश (PM) सिमुलेशन में गुरुत्वाकर्षण अंतःक्रिया (gravitational interaction) को सटीक और कुशलता से हल करना अत्यंत महत्वपूर्ण है। जबकि डायरेक्ट समेशन (direct summation) उच्च सटीकता प्रदान करता है, इसकी $O(N^2)$ जटिलता बड़े सिस्टम के लिए निषेधात्मक है। मौजूदा लीनियर-कॉम्प्लेक्सिटी ( $O(N)$ ) सॉल्वर, जैसे कि मल्टीग्रिड (MG) विधियाँ, RAMSES जैसे एडैप्टिव मेश रिफाइनमेंट (AMR) कोड्स में व्यापक रूप से उपयोग की जाती हैं। हालाँकि, MG सॉल्वर पुनरावृत्ति (iterative) आधारित होते हैं, जिन्हें ग्रिड पदानुक्रम के माध्यम से कई V-साइकिल के माध्यम से अभिसरण (converge) करने की आवश्यकता होती है, और वे अक्सर आइसोलेटेड सिस्टम के लिए अनुमानित डिरिचलेट (Dirichlet) बाउंड्री कंडीशंस पर निर्भर करते हैं, जो डोमेन सीमाओं के पास त्रुटियां उत्पन्न कर सकते हैं। इसके विपरीत, फास्ट मल्टीपोल मेथड (FMM) एक $O(N)$ एल्गोरिदम है जो पदानुक्रम के माध्यम से एक सिंगल अपवर्ड और डाउनवर्ड पास करता है, जो सैद्धांतिक रूप से आइसोलेटेड बाउंड्री कंडीशंस के लिए बेहतर स्केलेबिलिटी प्रदान करता है, लेकिन शुद्ध PM या AMR कोड्स के भीतर डायरेक्ट $N$ -body सॉल्वर्स की तुलना में इसका व्यवस्थित बेंचमार्किंग सीमित रहा है।

कार्यप्रणाली (Methodology)

लेखकों ने RAMSES कोड के भीतर एक स्केलेबल FMM सॉल्वर लागू किया है, जिसे विशेष रूप से आइसोलेटेड (वैक्यूम) बाउंड्री कंडीशंस के साथ यूनिग्रिड कॉन्फ़िगरेशन के लिए डिज़ाइन किया गया है। यह कार्यान्वयन हाइड्रोडायनामिक्स के लिए उपयोग किए जाने वाले मौजूदा कार्टेशियन ग्रिड के ऊपर FMM ग्रिड का एक माध्यमिक पदानुक्रम (secondary hierarchy) बनाता है।

प्रमुख एल्गोरिद्मिक घटक:

पदानुक्रम निर्माण (Hierarchy Construction): एक FMM पदानुक्रम को फाइनएस्ट AMR ग्रिड के सापेक्ष एक कॉन्फ़िगर करने योग्य लेवल ऑफसेट ( $\Delta\ell$ ) के साथ बनाया जाता है। सबसे मोटा (coarsest) FMM ग्रिड कम्प्यूटेशनल डोमेन को भरता है।
अपवर्ड पास (Multipole Accumulation):
- P2M (Particle-to-Multipole): द्रव्यमान (masses) को लीफ सेल्स (Cloud-in-Cell या TSC स्कीम्स के माध्यम से जमा किया गया) से मल्टीपोल मोमेंट्स में परिवर्तित किया जाता है।
- M2M (Multipole-to-Multipole): मल्टीपोल को लीफ सेल्स से रूट तक एकत्रित किया जाता है। कार्यान्वयन $n=2$ के क्वाड्रुपोल ऑर्डर तक के पदों को बनाए रखता है, जिसके लिए 3D में प्रति सेल 10 तत्व आवश्यक हैं।
- शिफ्टिंग (Shifting): एक निश्चित इंटरैक्शन ज्योमेट्री बनाए रखने के लिए मल्टीपोल को ग्लोबल ओरिजिन से प्रत्येक FMM सेल के केंद्र की ओर शिफ्ट किया जाता है, जिससे गुणांकों (coefficients) के प्री-कंप्यूटेशन की सुविधा मिलती है।
इंटरैक्शन लिस्ट और फील्ड डीकंपोजिशन: गुरुत्वाकर्षण क्षेत्र को लक्षित सेल के सापेक्ष फार-फील्ड (far-field), इंटरमीडिएट-फील्ड (intermediate-field), और नियर-फील्ड (near-field) योगदानों में विभाजित किया गया है।
- फार-फील्ड: पैरेंट सेल्स से प्रसारित स्थानीय विस्तारों (local expansions) द्वारा संभाला जाता है।
- इंटरमीडिएट-फील्ड: एक कठोर इंटरैक्शन लिस्ट द्वारा परिभाषित अच्छी तरह से अलग किए गए सेल्स के लिए मल्टीपोल-टू-लोकल (M2L) ट्रांसलेशन के माध्यम से गणना की जाती है।
- नियर-फील्ड: फाइनएस्ट लेवल पर डायरेक्ट पेयरवाइज समेशन (P2P) के माध्यम से हल किया जाता है।
डाउनवर्ड पास (Local Expansion & Direct Summation):
- M2L: सोर्स सेल्स के मल्टीपोल एक्सपेंशन को टारगेट सेल के लिए लोकल एक्सपेंशन में ट्रांसलेट करता है (जो $p=3$ तक रिटेन किए जाते हैं)।
- L2L (Local-to-Local): टेलर एक्सपेंशन का उपयोग करके पैरेंट से चाइल्ड सेल्स तक लोकल एक्सपेंशन को प्रसारित करता है।
- L2P और P2P: फार/इंटरमीडिएट फील्ड्स के लिए लोकल एक्सपेंशन और नियर फील्ड के लिए डायरेक्ट समेशन का उपयोग करके सेल सेंटर्स पर अंतिम पोटेंशियल का मूल्यांकन करता है। सेल सेल्फ-इंटरेक्शन को संभालने के लिए डायरेक्ट समेशन के लिए एक सॉफ्टेंड ग्रीन्स फंक्शन (softened Green's function) का उपयोग किया जाता है।

लेखकों ने भविष्य के GPU एक्सेलरेशन की आशा करते हुए, कंडीशनल ब्रांचिंग को कम करने और प्री-कंप्यूटेड ट्रांसलेशन कर्नेल का लाभ उठाने के लिए, अडैप्टिव क्राइटेरिया के बजाय एक रिजिड इंटरैक्शन ज्योमेट्री (फिक्स्ड ओपनिंग एंगल्स) को जानबूझकर चुना है।

प्रमुख योगदान

कार्यान्वयन (Implementation): RAMSES कोड फ्रेमवर्क के भीतर विशेष रूप से एकीकृत पहला व्यवस्थित FMM पॉइसन सॉल्वर कार्यान्वयन, जो मौजूदा लाइब्रेरीज़ या डायरेक्ट $N$ -body कोड्स से भिन्न है।
बेंचमार्किंग (Benchmarking): सटीकता और स्केलिंग प्रदर्शन पर ध्यान केंद्रित करते हुए, RAMSES में मानक MG सॉल्वर और FMM सॉल्वर के बीच एक सीधा "एप्पल्स-टू-एप्पल्स" (तुलनात्मक) मुकाबला।
बाउंड्री कंडीशन विश्लेषण (Boundary Condition Analysis): यह प्रदर्शन करना कि FMM विशेष रूप से आइसोलेटेड सिस्टम के लिए उपयुक्त है, जो उन MG स्कीम्स की त्रुटियों से बचता है जो अनुमानित डिरिचलेट कंडीशंस पर निर्भर करती हैं।
परफॉरमेंस कैरेक्टराइजेशन (Performance Characterization): विस्तृत विश्लेषण दिखाता है कि हालांकि FMM में उच्च सैद्धांतिक फ्लोटिंग-पॉइंट ऑपरेशन (FLOP) काउंट (लगभग 30 गुना अधिक MG की तुलना में) है, लेकिन इसकी उच्च अरिथमेटिक इंटेंसिटी तुलनीय सिंगल-कोर परफॉरमेंस और कम MPI कम्युनिकेशन फ्रीक्वेंसी (सिंगल पास बनाम कई V-साइकिल) के कारण बेहतर पैरेलल स्केलिंग की अनुमति देती है।

परिणाम

सटीकता (Accuracy):
- स्मूथ डेंसिटी प्रोफाइल्स (जैसे दो यूनिफॉर्म स्फेयर्स, NFW हैलोज़) के लिए, FMM की सटीकता MG के तुलनीय है।
- डिस्क्रीट डेंसिटी फील्ड्स (जैसे एक सिंगल पॉइंट चार्ज) के लिए, FMM अधिक त्रुटियां प्रदर्शित करता है और सेल बाउंड्रीज के पार लोकल एक्सपेंशन में विच्छिन्नता (discontinuities) के कारण विशिष्ट "बॉक्सी" (boxy) एरर पैटर्न दिखाता है। हालांकि, लेखक नोट करते हैं कि खगोल भौतिकी (astrophysics) के लिए प्रासंगिक विस्तृत डेंसिटी डिस्ट्रीब्यूशन के लिए ये त्रुटियां कम स्पष्ट हैं।
- बाउंड्री परफॉरमेंस: FMM आइसोलेटेड सिस्टम के पास MG की तुलना में काफी बेहतर प्रदर्शन करता है, जहाँ अनुमानित बाउंड्री कंडीशंस के कारण MG की त्रुटियां बढ़ जाती हैं।
- पैरामीटर सेंसिटिविटी: $\Delta\ell=1$ (FMM-1) और $\Delta\ell=2$ (FMM-2) के बीच सटीकता का अंतर नगण्य है। FMM-1 को इष्टतम कॉन्फ़िगरेशन के रूप में पहचाना गया है।
स्केलेबिलिटी (Scalability):
- स्ट्रॉन्ग स्केलिंग (Strong Scaling): FMM-1, MG और FMM-2 की तुलना में बेहतर स्केल करता है, और सैचुरेशन से पहले 128 MPI रेंक्स तक पावर-लॉ व्यवहार बनाए रखता है।
- वीक स्केलिंग (Weak Scaling): FMM-1, मानक और पूरी तरह से ऑप्टिमाइज्ड MG सॉल्वर्स की तुलना में बेहतर दक्षता प्रदर्शित करता है।
- कम्युनिकेशन ओवरहेड (Communication Overhead): FMM की सिंगल-पास प्रकृति के परिणामस्वरूप MG के इटरेटिव V-साइकिल की तुलना में कम MPI कम्युनिकेशंस होते हैं, जिससे उच्च FLOP काउंट के बावजूद बेहतर स्केलेबिलिटी मिलती है। लेखक दोनों सॉल्वर्स के समान सिंगल-कोर परफॉरमेंस का श्रेय इस तथ्य को देते हैं कि दोनों मेमोरी-बाउंड हैं, जहाँ FMM की उच्च अरिथमेटिक इंटेंसिटी लाभ प्रदान करती है।

महत्व और दावे

पेपर का दावा है कि FMM सॉल्वर RAMSES कोड के लिए एक स्केलेबल, लीनियर-कॉम्प्लेक्सिटी विकल्प प्रदान करता है, जो विशेष रूप से आइसोलेटेड बाउंड्री कंडीशंस वाली समस्याओं के लिए फायदेमंद है। लेखक इस बात पर जोर देते हैं कि हालांकि FMM को सैद्धांतिक रूप से अधिक ऑपरेशन्स की आवश्यकता होती है, लेकिन इसकी एल्गोरिद्मिक संरचना (उच्च अरिथमेटिक इंटेंसिटी, कम कम्युनिकेशन) इसे प्रदर्शन में प्रतिस्पर्धी और आधुनिक हेट्रोजेनियस आर्किटेक्चर पर स्केलेबिलिटी में बेहतर बनाती है।

यह कार्य पूर्ण AMR सिमुलेशन और एडैप्टिव टाइम स्टेपिंग (Lee and Teyssier 2026, इन प्रेप) में FMM के भविष्य के कार्यान्वयन के लिए एक प्रस्तावना के रूप में कार्य करता है। लेखक नोट करते हैं कि वर्तमान यूनिग्रिड कार्यान्वयन पूर्ण कॉस्मोलॉजिकल सिमुलेशन की अधिक जटिल, नॉन-यूनिफॉर्म ग्रिड संरचनाओं और एडैप्टिव टाइम-स्टेपिंग आवश्यकताओं में विस्तार करने से पहले एल्गोरिदम को मान्य करने के लिए एक आवश्यक कदम है। वे यह भी रेखांकित करते हैं कि "बॉक्सी" एरर पैटर्न वर्तमान लो-ऑर्डर एक्सपेंशन की एक अंतर्निहित सीमा है, जिसे भविष्य के कार्य में उच्च-क्रम मल्टीपोल या रैंडम एफ़ाइन ट्रांसफॉर्मेशन द्वारा कम किया जा सकता है।