જિયોફિઝિકલ એન્જિનિયરિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, માન્યતા અને નીતિશાસ્ત્ર

નફો:

• કૃત્રિમ બુદ્ધિ જીઓફિઝિકલ વર્કફ્લો (અવાજ સપ્રેસન, પેટર્ન માર્કિંગ, ગણતરી પ્રવેગક, અહેવાલ) માં મૂલ્ય ઉમેરે છે અને જ્યાં જોખમના સ્તરના આધારે અંતિમ મોડલ અને નિર્ણય માનવ પર છોડવામાં આવે છે તે પારખવામાં સક્ષમ બનવું.
• દરેક આર્ટિફિશિયલ ઇન્ટેલિજન્સ આઉટપુટને સ્ત્રોત સાથે કનેક્ટ કરીને, તેને સ્વતંત્ર પદ્ધતિથી ક્રોસ-કન્ફર્મ કરીને અને તેને ફિઝિક્સ-જિયોલોજી ફિલ્ટર દ્વારા પસાર કરીને ચકાસતી શિસ્ત લાગુ કરવાની ક્ષમતા.
• એ સમજવામાં સક્ષમ બનવું કે ભૂ-ભૌતિકશાસ્ત્રમાં સહજ પોલિસીમી (એક જ ડેટામાં ઘણા મોડલ્સને ફિટ કરવી) કૃત્રિમ બુદ્ધિમત્તા દ્વારા છુપાવી શકાય છે અને અનિશ્ચિતતાને સાંકડી કરવા માટે વૈકલ્પિક દૃશ્યો માટે પૂછે છે.

ભૂ-ભૌતિક ઈજનેર તરીકે, તમે વારંવાર તમારા ડેસ્ક પર બેસીને કંઈક એવું સમજવાનો પ્રયાસ કરો છો જે તમે સીધા જોઈ શકતા નથી: સ્તરો, ખામીઓ, ઓર બોડી, પાણીનું ટેબલ અથવા સપાટીથી સેંકડો મીટર નીચે હાઈડ્રોકાર્બન જળાશય. તમારી પાસે ફક્ત પરોક્ષ માપ છે - તમે સપાટી પર રેકોર્ડ કરો છો તે ધરતીકંપના તરંગો, ગુરુત્વાકર્ષણ ક્ષેત્રમાં નાના વિક્ષેપો, ચુંબકીય વિસંગતતાઓ, વિદ્યુત પ્રતિકારકતા. આ એકમમાં, અમે સ્પષ્ટ કરીશું કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ખરેખર આ પરોક્ષ ડેટાને સમજવામાં ક્યાં સમય અને સચોટતા બચાવે છે અને ક્યાં નિર્ણય એક સક્ષમ ભૂ-ભૌતિકશાસ્ત્રી પર છોડવામાં આવે છે. ચાલો તેને શરૂઆતથી મૂકીએ: AI એ અર્થઘટન સહાયક અને ગણતરી પ્રવેગક છે; તે ભૂગર્ભ મોડેલને મંજૂર કરનાર, જોખમને ધારે છે અને આખરી અભિપ્રાય ધરાવતા નિષ્ણાતનું સ્થાન લેતું નથી.

ભૂ-ભૌતિકશાસ્ત્રમાં કૃત્રિમ બુદ્ધિ ક્યાં કામમાં આવે છે?

ચાલો પહેલા શબ્દને સ્પષ્ટ કરીએ. ભૂ-ભૌતિકશાસ્ત્ર એ પૃથ્વીના ભૌતિક ક્ષેત્રો (સિસ્મિક, ગુરુત્વાકર્ષણ, ચુંબકીય, વિદ્યુત, ઇલેક્ટ્રોમેગ્નેટિક, રેડિયોમેટ્રિક) ને સપાટી પરથી અથવા કૂવામાંથી માપવાનું અને ભૂગર્ભની રચનાને અનુમાનિત કરવાનું વિજ્ઞાન છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ મોટાભાગે અહીં બે સ્વરૂપોમાં દેખાય છે: (1) મશીન લર્નિંગ - એલ્ગોરિધમ્સ જે ડેટામાંથી પેટર્ન શીખે છે (મશીન લર્નિંગ - એલ્ગોરિધમ્સ કે જે લેબલવાળા ઉદાહરણોમાંથી નિયમો કાઢે છે) અને (2) મોટા ભાષાના મૉડલ્સ કે જે ટેક્સ્ટ, કોડ અને રિપોર્ટ્સ (ટૂંકા માટે LLM - મૉડલ્સ કે જે કુદરતી ભાષામાં પ્રશ્નો અને જવાબો અને ડ્રાફ્ટ્સ ઉત્પન્ન કરે છે).

ભૂ-ભૌતિકશાસ્ત્રમાં એઆઈ મજબૂત હોય તેવા ક્ષેત્રોમાં નીચેનાનો સમાવેશ થાય છે:

• અવાજનું દમન અને સિગ્નલ ઉન્નતીકરણ: સિસ્મિક રેકોર્ડ્સમાં રેન્ડમ અને સુસંગત અવાજને અલગ પાડવો.
• સ્વચાલિત પેટર્ન માર્કિંગ: ઝડપથી ખામી, ક્ષિતિજ (આડા પ્રતિબિંબિત સ્તરની સીમા), ભૂકંપનો તબક્કો અથવા વિસંગતતા ઉમેદવારો સૂચવો.
• વર્ગીકરણ અને ક્લસ્ટરીંગ: સિસ્મિક ફેસીસ (સમાન તરંગ અક્ષરવાળા પ્રદેશો) અથવા કૂવા લોગનું જૂથીકરણ.
• ત્વરિત ગણતરી: સરોગેટ મોડલ વડે હેવી ફોરવર્ડ મોડેલિંગ અને વ્યુત્ક્રમ પગલાં લગભગ અને ઝડપથી ઉકેલવા.
• રિપોર્ટ અને કોડ ડ્રાફ્ટ: પ્રોસેસિંગ ફ્લો, પાયથોન સ્ક્રિપ્ટ અને ટિપ્પણી રિપોર્ટ ડ્રાફ્ટનું નિર્માણ.

એવા ઘણા ક્ષેત્રો છે જ્યાં AI નબળું અથવા ખતરનાક છે: તે શારીરિક રીતે અસંગત મોડલ ઉત્પન્ન કરી શકે છે, તે "સ્ટ્રક્ચર" માટે ડેટામાં અવાજની પેટર્નને ભૂલ કરી શકે છે, તે ઉચ્ચ-આત્મવિશ્વાસ આપી શકે છે પરંતુ તે ક્ષેત્રોમાં અચોક્કસ પરિણામો આપી શકે છે જે તે પ્રદેશને મળતા નથી જેમાં તેને તાલીમ આપવામાં આવી હતી. તેથી, દરેક આઉટપુટને પૂર્વધારણા તરીકે ગણવામાં આવે છે.

ટીપ: AI આઉટપુટને "પરિણામ" તરીકે ક્યારેય વાંચશો નહીં પરંતુ "ઝડપી પ્રથમ ડ્રાફ્ટ" તરીકે. ભૂ-ભૌતિકશાસ્ત્રમાં, બહુવિધ સબસર્ફેસ મોડેલો સમાન ડેટાને બંધબેસે છે (આને અનિશ્ચિતતા કહેવાય છે); જો AI ખૂબ જ વિશ્વાસપૂર્વક તમને એક મોડેલ રજૂ કરે છે, તો પણ તે સંભવિત મોડેલોમાંથી એક છે.

અનિશ્ચિતતા: ભૂ-ભૌતિકશાસ્ત્રના હૃદય પરનું સત્ય

ભૂ-ભૌતિકશાસ્ત્રની સૌથી મૂળભૂત હકીકત બિન-વિશિષ્ટતા છે - એક કરતાં વધુ સબસર્ફેસ મોડેલનું અસ્તિત્વ જે સમાન સપાટીના માપને સમજાવી શકે છે. ગુરુત્વાકર્ષણની વિસંગતતા ક્યાં તો છીછરા અને ઓછા ગીચ સમૂહ અથવા ઊંડા અને ખૂબ ગાઢ સમૂહ દ્વારા ઉત્પન્ન થઈ શકે છે. AI આ હકીકતને દૂર કરતું નથી; તેનાથી વિપરીત, તે એક જ આત્મવિશ્વાસપૂર્ણ જવાબ ઉત્પન્ન કરીને અનિશ્ચિતતાને છુપાવી શકે છે. એક સારો ભૂ-ભૌતિકશાસ્ત્રી એઆઈનો ઉપયોગ અનિશ્ચિતતાને ઘટાડવા માટે કરે છે (ભૂસ્તરશાસ્ત્ર, સારી માહિતી, વિવિધ પદ્ધતિઓનું સંયોજન), તેને છુપાવવા માટે નહીં.

એન્ડ-ટુ-એન્ડ જીઓફિઝિકલ વર્કફ્લોમાં AI

એક વિશિષ્ટ સંશોધન પ્રોજેક્ટ આ સાંકળને અનુસરે છે: સાઇટ પ્લાનિંગ → ડેટા કલેક્શન → પ્રીપ્રોસેસિંગ/નોઈઝ સપ્રેસન → ઇમેજિંગ → ઈન્ટરપ્રિટેશન → ઈન્વર્ઝન/મોડલ → રિસ્ક એન્ડ ડિસિઝન → રિપોર્ટ. AI આ સાંકળમાં મોટાભાગની લિંક્સમાં મદદ કરે છે, પરંતુ દરેક લિંકના અંતે એક માનવ ચકાસણી દ્વાર છે. ડેટા કલેક્શન પ્લાનિંગ અને સાઇટ સિક્યુરિટી સંપૂર્ણપણે માનવ જવાબદારી છે; વ્યુત્ક્રમની ભૌતિક માન્યતા અને અંતિમ સબસર્ફેસ મોડેલને નિષ્ણાત પુષ્ટિની જરૂર છે.

માન્યતા શિસ્ત: થ્રી-લેયર ફિલ્ટર

દરેક AI આઉટપુટને ત્રણ પગલાઓ દ્વારા લો:

1. સ્ત્રોત સાથે લિંક: શું માપન, શું ટ્રેસ — એક જ રીસીવર દ્વારા રેકોર્ડ કરાયેલ સમય શ્રેણી, આઉટપુટ કયા પર આધારિત છે? શોધી ન શકાય તેવા દાવા સ્વીકારવામાં આવતા નથી.
2. સ્વતંત્ર રીતે પુષ્ટિ કરો: ગુરુત્વાકર્ષણ/ચુંબકીય અથવા વેલ ડેટામાં તમે સિસ્મિકમાં જુઓ છો તે ખામી માટે જુઓ. એક પદ્ધતિ દ્વારા ચિહ્નિત થયેલ માળખું ક્રોસ-વેલિડેટ થાય ત્યાં સુધી ઉમેદવાર છે.
3. ભૌતિકશાસ્ત્ર અને ભૂસ્તરશાસ્ત્ર ફિલ્ટર: શું પરિણામ ભૌતિક રીતે શક્ય છે (ઘનતા, વેગ રેન્જ વાજબી છે)? શું તે પ્રદેશના ભૂસ્તરશાસ્ત્ર સાથે વિરોધાભાસી છે?

સાવધાન: AI-આધારિત વર્ગીકૃત દ્વારા પરત કરવામાં આવેલ "92% ફોલ્ટ પ્રોબેબિલિટી" જેવી સંખ્યા વાસ્તવિક સંભાવના નથી જો તે માપાંકિત ન હોય. મૉડલનો આત્મવિશ્વાસ અને વાસ્તવિક ચોકસાઈ ઘણીવાર એકરૂપ થતી નથી; તમારા નિર્ણયને સ્વતંત્ર ડેટા સાથે કેલિબ્રેટ કર્યા વિના કોન્ફિડન્સ સ્કોર પર આધારિત ન કરો.

ત્રણ નાના કેસો

કેસ 1 - જ્યારે યોગ્ય રીતે મેનેજ કરવામાં આવે ત્યારે ઝડપ વધારો. સંશોધકોની ટીમે 1,200 km² 3D સિસ્મિક વોલ્યુમમાં AI સાથે પ્રથમ ફોલ્ટ સ્કેન કર્યું. પ્રારંભિક માર્કિંગ, જેમાં હાથથી 3 અઠવાડિયા લાગ્યાં, તે 2 દિવસમાં દેખાયા. ટીમે બોરહોલ અને ગુરુત્વાકર્ષણ ડેટા સાથે YZ દ્વારા ચિહ્નિત 340 ફોલ્ટ સેગમેન્ટ્સનું નિરીક્ષણ કર્યું; તેણે તેમાંથી 71ને દૂર કર્યા, નોંધ્યું કે AI એ 12 વાસ્તવિક ખામીઓ ચૂકી છે, અને તેને મેન્યુઅલી ઉમેર્યા છે. પરિણામ: ઝડપી અને ભરોસાપાત્ર બંને, કારણ કે તેની પાસે ચકાસણી દ્વાર હતું.

કેસ 2 — બંધારણ માટે ભૂલભરેલો અવાજ. એક ટીમે AI જેને જળાશયની સીમા માટે "ડીપ રિફ્લેક્ટિવ લેયર" કહે છે તેનો ટ્રેસ ભૂલ્યો. વરિષ્ઠ સમીક્ષકે નોંધ્યું હતું કે આ ટ્રેસ ચોક્કસ પ્રોસેસિંગ સ્ટેપ પછી જ દેખાયો હતો અને તે કાચા ડેટામાં ન હતો: ટ્રેસ એ પ્રોસેસિંગ આર્ટિફેક્ટ હતી- એલ્ગોરિધમ દ્વારા ઉત્પાદિત ઇમેજ જે જમીન પર કોઈ સમકક્ષ નથી. જો તેઓ કાચા ડેટા પર પાછા ન જાય, તો તેઓ એવા જળાશય માટે કૂવાની દરખાસ્ત કરશે જે અસ્તિત્વમાં નથી.

કેસ 3 - પ્રદેશની બહાર સામાન્યીકરણમાં ભૂલ. ઉત્તર સમુદ્રના ડેટા પર પ્રશિક્ષિત ફેસિસ ક્લાસિફાયરનો ઉપયોગ એનાટોલિયન બેસિનમાં કરવામાં આવ્યો હતો અને વ્યવસ્થિત રીતે મિશ્રિત સેંડસ્ટોન અને ચૂનાના પત્થરો. મોડેલે શિક્ષણ ક્ષેત્રના ગતિ-ઘનતા સંબંધોના આધારે નિર્ણયો લીધા હતા. જ્યારે ટીમે સ્થાનિક કુવાઓ સાથે પુન: માપાંકન કર્યું, ત્યારે ચોકસાઈ 58% થી વધીને 86% થઈ.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વર્કફ્લોમાં AI રોલ મેપિંગ:

તમારી ભૂમિકા: વરિષ્ઠ ભૂ-ભૌતિક અર્થઘટન સલાહકાર. મારો પ્રોજેક્ટ: [3D સિસ્મિક + ગુરુત્વાકર્ષણ, હાઇડ્રોકાર્બન સંશોધન]. મારા વર્કફ્લોને સ્ટેપ બાય સ્ટેપ (એક્વિઝિશન → પ્રોસેસિંગ → ઇમેજિંગ → ઇન્ટરપ્રિટેશન → ઇન્વર્ઝન → રિપોર્ટ) ની યાદી બનાવો અને દરેક સ્ટેપ માટે એ ભાગ લખો કે જેની સાથે AI સુરક્ષિત રીતે મદદ કરી શકે, તે ભાગ કે જેને માનવ મંજૂરીની જરૂર હોય અને ચકાસણી ચેક.

2) આઉટપુટ માન્યતા ક્વેરી:

નીચેના AI અર્થઘટનની ટીકા કરો: કયા દાવાઓ માપ સાથે જોડાયેલા છે અને કયા અસમર્થિત છે? શું કોઈ શારીરિક રીતે અસંગત ધારણાઓ છે? આ નિષ્કર્ષની પુષ્ટિ કરવા માટે તમે કયા સ્વતંત્ર ડેટા અથવા પદ્ધતિની ભલામણ કરશો? સૌથી વધુ અનિશ્ચિતતા ક્યાં છે?[COMMENT TEXT]

3) અનિશ્ચિતતા રીમાઇન્ડર:

આ ગુરુત્વાકર્ષણ વિસંગતતા માટે એક પણ સબસર્ફેસ મોડેલ પ્રદાન કરશો નહીં. ઓછામાં ઓછા ત્રણ અલગ-અલગ મૉડલ દૃશ્યો (ઊંડાણ-ઘનતા સંયોજનો) જનરેટ કરો જે સમાન વિસંગતતાને સમજાવી શકે અને અમને જણાવે કે દરેકને અલગ કરવા માટે કયા વધારાના માપનની જરૂર છે.

4) મુદત અને અવરોધ સ્પષ્ટતા:

તમારી ભૂમિકા: જીઓફિઝિક્સ પ્રશિક્ષક. મને [માઇગ્રેશન/ડિકોનવોલ્યુશન/વ્યુત્ક્રમ]ની વિભાવના સમજાવો, પહેલા એક સરળ એક-વાક્યની વ્યાખ્યા સાથે, પછી તે શું કરે છે, પછી લાક્ષણિક ભૂલો. જ્યાં તમને "ચકાસવાની જરૂર છે" તરીકે ખાતરી ન હોય ત્યાં ચિહ્નિત કરો, બનાવટી સંદર્ભો આપશો નહીં.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ સિસ્મિક વિભાગમાં કોઈ ખામી છે કે કેમ તેના પર ટિપ્પણી કરો.

કોઈ સંદર્ભ નથી, ડેટા સ્ત્રોત અસ્પષ્ટ છે; AI આત્મવિશ્વાસપૂર્ણ પરંતુ અનિયંત્રિત પ્રતિભાવ ઉત્પન્ન કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સિસ્મિક અર્થઘટન નિષ્ણાત. સંદર્ભ: [બેઝિન પ્રકાર, લક્ષ્ય ઊંડાઈ 2-3 કિમી, સ્થળાંતર પછીનો સમયગાળો]. હું કલામાં વ્યાખ્યાયિત કરેલ વિશેષતા મૂલ્યો (સતતતા, સુસંગતતા, ઢાળ) આપીશ. કાર્ય: સંભવિત ફોલ્ટ ઝોનને ચિહ્નિત કરો, દરેક ચિહ્ન માટે લખો કે તે કયા લક્ષણ પર આધારિત છે, અને સૂચન કરો કે વાસ્તવિક રચનાને પ્રોસેસિંગ આર્ટિફેક્ટથી કેવી રીતે અલગ કરવી. ચોક્કસ ભાષાનો ઉપયોગ કરવો; "ઉમેદવાર" અને "ટ્રસ્ટ લેવલ" ભાષામાં બોલો.

સંદર્ભ, અંતર્ગત વિનંતી અને માપેલી ભાષા આઉટપુટને ઉપયોગી અને ઓડિટેબલ બંને બનાવે છે.

AI ભૂમિકા: સલામત કે નહીં?

વર્કફ્લો પગલું

શું AI સુરક્ષિત છે?

AI નું કામ

માણસનું કામ

ક્ષેત્ર અને સંગ્રહ યોજના

આંશિક રીતે

ચેકલિસ્ટ ડ્રાફ્ટ

સુરક્ષા, પરવાનગી, નિર્ણય

અવાજનું દમન

હા

ફિલ્ટર ભલામણ, ઓટોમેશન

પરિમાણ પુષ્ટિ

ફોલ્ટ/ક્ષિતિજ માર્કિંગ

હા

ઉમેદવારો પેદા કરી રહ્યા છે

ચકાસણી, નાબૂદી

વ્યસ્ત ઉકેલ

આંશિક રીતે

પ્રવેગક, પ્રારંભિક મોડેલ

ભૌતિક માન્યતા

અંતિમ ભૂગર્ભ મોડેલ

ના

ડ્રાફ્ટ, સ્ક્રિપ્ટ

મંજૂરી, જવાબદારી

વેલ/અન્વેષણ નિર્ણય

ના

જોખમ સારાંશ

નિર્ણય, જવાબદારી

સામાન્ય ભૂલો

• એક જ મોડેલ પર આધાર રાખવો. બહુવિધ મોડેલો સમાન ડેટાને બંધબેસે છે; એમ ન માનો કે એઆઈનો એકમાત્ર જવાબ નિશ્ચિતતા છે.
• રચના તરીકે પ્રક્રિયા કરવાની કૃત્રિમતાને ભૂલ કરવી. કાચા ડેટામાં કોઈ ટ્રેસ અસ્તિત્વમાં છે કે કેમ તે તપાસો.
• પ્રદેશની બહાર અંધ સામાન્યીકરણ. અન્ય બેસિનમાં પ્રશિક્ષિત મોડેલનો સ્થાનિક રીતે માપાંકિત કર્યા વિના ઉપયોગ કરી શકાતો નથી.
• આત્મવિશ્વાસના સ્કોરને સંભાવના તરીકે ભૂલવી. અનકેલિબ્રેટેડ સ્કોર એ નિર્ણય માટેનો આધાર નથી.
• વેરિફિકેશન ગેટને બાયપાસ કરીને. ઝડપ ખાતર માનવ નિયંત્રણ દૂર કરવું સૌથી મોંઘી ભૂલનો દરવાજો ખોલે છે.

સારાંશમાં

જીઓફિઝિક્સમાં AI; તે અવાજનું દમન, પેટર્ન માર્કિંગ, વર્ગીકરણ, ગણતરી પ્રવેગક અને રિપોર્ટિંગમાં વાસ્તવિક મૂલ્ય ઉમેરે છે. પરંતુ ભૂ-ભૌતિકશાસ્ત્રના હાર્દમાં પોલિસેમી (એક જ ડેટામાં બહુવિધ મોડલ્સને ફિટ કરવા)ને કારણે, દરેક AI આઉટપુટ એક પૂર્વધારણા છે. વેરિફિકેશનની શિસ્ત વિના AI નો ઉપયોગ કરવો - સ્ત્રોત સાથે લિંક કરવું, સ્વતંત્ર ચકાસણી, ભૌતિકશાસ્ત્ર-ભૂસ્તરશાસ્ત્ર ફિલ્ટર - ઝડપી પરંતુ અસમર્થ નિર્ણયો ઉત્પન્ન કરે છે. સબસર્ફેસ મોડલને મંજૂર કરવા અને જોખમ ધારણ કરવાની અંતિમ સત્તા હંમેશા સક્ષમ ભૂ-ભૌતિકશાસ્ત્રી છે.

એપ્લિકેશન કાર્ય

તમે તમારા (અથવા કાલ્પનિક) પર કામ કર્યું હોય તે ભૌગોલિક પ્રોજેક્ટ પસંદ કરો. સૌપ્રથમ, “વર્કફ્લોમાં AI રોલ મેપિંગ” ટેમ્પલેટ વડે સ્ટેપ્સ અને વેલિડેશન ગેટ્સને બહાર કાઢો. પછી તે પ્રોજેક્ટમાંથી એક ટિપ્પણી વાક્ય લો અને "આઉટપુટ વેલિડેશન ક્વેરી" ટેમ્પલેટ સાથે તેની ટીકા કરો: કયું નિવેદન માપન પર આધાર રાખે છે, કયું નથી? લખો કે તમે સ્વતંત્ર ડેટા (સારી રીતે, અલગ પદ્ધતિ, ભૂસ્તરશાસ્ત્ર) સાથે ઓછામાં ઓછા એક દાવાની પુષ્ટિ કેવી રીતે કરશો.

ચેકલિસ્ટ

• [ ] મેં AI આઉટપુટને "પૂર્તિકલ્પના" તરીકે ગણી હતી અને "પરિણામ" તરીકે નહીં.
• [ ] મેં દરેક દાવાને મેટ્રિક/સ્રોત સાથે લિંક કર્યા છે.
• [ ] મેં ઓછામાં ઓછી એક સ્વતંત્ર પદ્ધતિ સાથે ક્રોસ-વેલિડેટ કરવાની યોજના બનાવી છે.
• [ ] મેં પોલિસેમી પર વિચાર કર્યો અને વૈકલ્પિક મોડલ વિશે પૂછ્યું.
• [ ] મેં અંતિમ મોડલ અને સંશોધનનો નિર્ણય માનવીય મંજૂરી પર છોડી દીધો છે.