⚛️ phenomenology

Quirk SUEP

यह शोध पत्र CATHODE पद्धति का उपयोग करते हुए, LHC डेटा में निम्न-ट्रांसवर्स-मोमेंटम ट्रैक्स के माध्यम से डार्क QCD सेक्टर से जुड़े TeV-स्केल रेजोनेंस का पता लगाने के लिए कट-आधारित, पर्यवेक्षित (supervised) और दुर्बल रूप से पर्यवेक्षित (weakly supervised) विसंगति खोजों सहित रणनीतियों का प्रस्ताव और मूल्यांकन करता है, जिसमें विशेष रूप से सूक्ष्म स्ट्रिंग लंबाई वाले एक क्वर्क (quirk) मॉडल का बेंचमार्किंग किया गया है।

मूल लेखक: David Curtin, Sascha Dreyer, Max Fusté Costa, Sarah Heim, Gregor Kasieczka, Louis Moureaux, David Rousso, David Shih, Manuel Sommerhalder

प्रकाशित 2026-01-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: David Curtin, Sascha Dreyer, Max Fusté Costa, Sarah Heim, Gregor Kasieczka, Louis Moureaux, David Rousso, David Shih, Manuel Sommerhalder

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 लार्ज हैड्रॉन कोलाइडर (LHC) एक विशाल, हाई-स्पीड कार क्रैश टेस्ट फैसिलिटी है। भौतिक विज्ञानी प्रोटॉन को आपस में टकराते हैं ताकि यह देख सकें कि उनसे कौन से नए कण बाहर निकलते हैं। आमतौर पर, वे "बड़े" विस्फोटों की तलाश करते हैं—विशाल, उच्च-ऊर्जा वाले कण जो छर्रों की तरह चारों ओर बिखर जाते हैं। लेकिन यह पेपर सुझाव देता है कि वे "मलबा क्षेत्र" (debris field) में छिपे एक महत्वपूर्ण सुराग को मिस कर रहे हो सकते हैं: वे नन्हे, कम-ऊर्जा वाले कण जो धीरे-धीरे दूर बहकर जाते हैं।

यहाँ एक सरल विवरण दिया गया है कि लेखक क्या प्रस्तावित कर रहे हैं, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है।

समस्या: गलत सुराग की तलाश करना

कल्पना कीजिए कि आप एक विशिष्ट प्रकार की दुर्लभ कार को खोजने की कोशिश कर रहे हैं जिसे अभी एक फैक्ट्री में बनाया गया है। आप जानते हैं कि वह भारी और तेज़ है। इसलिए, आप एक ऐसा कैमरा सेटअप करते हैं जो केवल 100 मील प्रति घंटे की रफ्तार से चलने वाली कारों की तस्वीरें लेता है। यदि कोई कार 10 मील प्रति घंटे की रफ्तार से चल रही है, तो आपका कैमरा उसे अनदेखा कर देता है।

लेखक तर्क देते हैं कि कुछ नई भौतिकी (new physics) एक भारी कार की तरह दिख सकती है जो अचानक रुक जाती है और सैकड़ों छोटे, धीमी गति वाले पिंग-पोंग बॉल्स (कम-ऊर्जा वाले कणों) में फट जाती है। वर्तमान खोजें अक्सर इन नन्हे बॉल्स को अनदेखा कर देती हैं क्योंकि उन्हें देखना कठिन होता है और वे बैकग्राउंड नॉइज़ (background noise) की तरह लगते हैं। लेखक इस रणनीति को बदलना चाहते हैं: भारी कार को देखें, लेकिन पिंग-पोंग बॉल्स की गिनती भी करें।

सिद्धांत: "डार्क स्प्रिंग" (क्विर्क्स - Quirks)

यह पेपर "क्विर्क्स" नामक एक विशिष्ट विचार पर केंद्रित है।

उपमा: कल्पना कीजिए कि दो भारी चुंबक ("क्विर्क्स") एक बहुत ही मजबूत, अदृश्य रबर बैंड ("डार्क स्ट्रिंग") से बंधे हुए हैं।
परिदृश्य: जब ये चुंबक एक टकराव (collision) के दौरान बनते हैं, तो उन्हें रबर बैंड द्वारा खींचा जाता है। वे रबर बैंड को खींचते हुए आगे-पीछे झूलते हैं।
"डी-एक्साइटेशन" (De-excitation): जैसे-जैसे वे झूलते हैं, वे ऊर्जा खोते हैं। इस मॉडल में, वे केवल रुकते नहीं हैं; वे ऊर्जा को सैकड़ों छोटे कणों (पायोन/pions) को छिड़ककर छोड़ देते हैं, जैसे एक स्प्रिंकलर हर दिशा में पानी छिड़क रहा हो।
अंतिम कार्य: एक बार जब वे पर्याप्त ऊर्जा खो देते हैं, तो चुंबक आपस में जुड़ जाते हैं और नष्ट (annihilate) हो जाते हैं, जिससे एक विशाल, उच्च-ऊर्जा वाला "धमाका" (जोड़ों में जेट्स) पैदा होता है जिसे डिटेक्टर आसानी से देख सकते हैं।

यहाँ अनूठा सिग्नेचर यह है: एक बड़ा धमाका, जिसके चारों ओर सैकड़ों छोटे, धीमी गति से चलने वाले कणों का बादल है।

समाधान: सिग्नल को खोजने के तीन तरीके

लेखकों ने डेटा में इस "बड़ा धमाका + मलबे का बादल" पैटर्न को पहचानने के तीन अलग-अलग तरीकों का परीक्षण किया, और उनकी तुलना मानक तरीके से की, जिसमें केवल धमाके को देखा जाता है।

सरल गिनती (कट-बेस्ड सिलेक्शन - Cut-based Selection):
- उपमा: "यदि आप एक कार क्रैश देखते हैं और जमीन पर कांच के 50 से अधिक टुकड़े हैं, तो उसे फ्लैग करें।"
- यह कैसे काम करता है: वे बस बड़े क्रैश के पास मौजूद कम-ऊर्जा वाले ट्रैक्स (कांच के टुकड़ों) की गिनती करते हैं। यदि संख्या अधिक है, तो यह एक संभावित सिग्नल है। यह एक सरल, मॉडल-स्वतंत्र नियम है जो अच्छी तरह काम करता है।
प्रशिक्षित जासूस (सुपरवाइज्ड क्लासिफायर - Supervised Classifier):
- उपमा: एक जासूस जिसने हजारों "नकली" क्रैश (बैकग्राउंड नॉइज़) और "असली" क्विर्क क्रैश (सिग्नल) की तस्वीरों का अध्ययन किया है। वे सूक्ष्म पैटर्न सीखता है, जैसे कांच का कोण या मलबा कितना फैला हुआ है।
- यह कैसे काम करता है: वे सिम्युलेटेड डेटा पर प्रशिक्षित एक कंप्यूटर प्रोग्राम (न्यूरल नेटवर्क) का उपयोग करते हैं ताकि मलबे के बादल के विशिष्ट आकार और पैटर्न को पहचाना जा सके। यदि आप जानते हैं कि आप वास्तव में क्या खोज रहे हैं, तो यह सबसे शक्तिशाली तरीका है।
"सबसे अलग दिखने वाला" डिटेक्टर (वीकली सुपरवाइज्ड एनोमली सर्च - Weakly Supervised Anomaly Search):
- उपमा: कल्पना कीजिए कि लोगों की एक भीड़ है। आप नहीं जानते कि एक "अपराधी" कैसा दिखता है, लेकिन आप जानते हैं कि एक "सामान्य व्यक्ति" कैसा दिखता है। आप एक कंप्यूटर का उपयोग करके उस व्यक्ति को ढूंढते हैं जो सांख्यिकीय रूप से भीड़ से अलग दिखता है, बिना यह जाने कि उसका विशिष्ट अपराध क्या है।
- यह कैसे काम करता है: यह CATHODE नामक विधि का उपयोग करता है। यह डेटा का उपयोग करके यह सीखता है कि "सामान्य" बैकग्राउंड नॉइज़ कैसा दिखता है (विशेष रूप से क्रैश साइट के बगल वाले क्षेत्रों का उपयोग करके)। फिर, यह किसी भी ऐसी चीज़ को फ्लैग करता है जो अजीब तरह से अलग दिखती है। यह बहुत अच्छा है क्योंकि आपको यह अनुमान लगाने की आवश्यकता नहीं है कि नई भौतिकी कैसे काम करती है; आप बस "अजीबोगरीब" चीज़ों को देखते हैं।

परिणाम: उन्होंने क्या पाया

LHC द्वारा पहले से एकत्र किए गए डेटा (140 "इनवर्स फेम्टोबार्न" डेटा) के बराबर डेटा का उपयोग करते हुए, उन्होंने सिम्युलेट किया कि यदि ये क्विर्क्स मौजूद होते तो क्या होता।

"बादल" मायने रखता है: मानक खोज (केवल बड़े धमाके को देखना) इन घटनाओं में से कई को मिस कर देती है। "ट्रैक काउंटिंग" या "अजीब दिखने वाले" डिटेक्टरों को जोड़ने से, वे इन घटनाओं को बहुत अधिक आसानी से पा सकते हैं।
सरल गिनती की शक्ति: आश्चर्यजनक रूप से, केवल कम-ऊर्जा वाले ट्रैक्स की गिनती करना लगभग उतना ही अच्छा था जितना कि जटिल कंप्यूटर एल्गोरिदम। ऐसा इसलिए है क्योंकि कणों का "बादल" इतना घना होता है कि यह सबसे स्पष्ट संकेत बन जाता है।
सीमाएं: उन्होंने दिखाया कि यदि ये कण कुछ विशिष्ट द्रव्यमान (750 और 1500 GeV के बीच) के साथ मौजूद हैं, तो LHC इन नए तरीकों का उपयोग करके उन्हें पहले ही खोज चुका होता। यदि वे नहीं मिले हैं, तो ये तरीके वैज्ञानिकों को पहले की तुलना में संभावनाओं की एक बहुत बड़ी रेंज को खारिज करने की अनुमति देते हैं।

मुख्य निष्कर्ष (Bottom Line)

यह पेपर तर्क देता है कि भौतिक विज्ञानियों को केवल नए कणों के "बड़े धमाके" (big bang) को ही नहीं देखना चाहिए। उन्हें पीछे छूटे "धूल" को भी देखना चाहिए। उनके साथ आने वाले भारी टकराव के छोटे, धीमी गति वाले कणों को गिनकर, वे नई भौतिकी को खोज सकते हैं जो अन्यथा शोर (noise) में छिपी रह जाती। उन्होंने इसे एक विशिष्ट "डार्क स्प्रिंग" मॉडल के साथ परखा और पाया कि सरल गिनती या स्मार्ट एनोमली डिटेक्शन से खोज की संभावना काफी बढ़ सकती है।

तकनीकी सारांश: क्वर्क्स (quirks) से प्राप्त सॉफ्ट-अनक्लस्टर्ड-एनर्जी पैटर्न

समस्या और प्रेरणा
LHC पर स्टैंडर्ड मॉडल (SM) से परे भौतिकी की खोज अक्सर उन हस्ताक्षरों (signatures) की अनदेखी करती है जिनमें कम-ट्रांसवर्स-मोमेंटम ( $p_T \lesssim \text{GeV}$ ) कणों से बने सॉफ्ट-अनक्लस्टर्ड-एनर्जी पैटर्न (SUEPs) शामिल होते हैं। ये हस्ताक्षर पहचानना चुनौतीपूर्ण है क्योंकि ये बड़े नॉन-पर्टर्बेटिव बैकग्राउंड द्वारा बाधित होते हैं और ऑनलाइन ट्रिगर करने में कठिन होते हैं। लेखक TeV-स्केल रेजोनेंस के साथ जुड़े लो- $p_T$ ट्रैक्स में ऐसे घटनाओं को खोजने की एक रणनीति प्रस्तावित करते हैं। यह दृष्टिकोण उच्च- $p_T$ ट्रिगर आवश्यकताओं को पूरा करने के लिए रेजोनेंस का लाभ उठाता है, जबकि केवल सिमुलेशन पर निर्भर रहने के बजाय रेजोनेंस साइडबैंड्स का उपयोग करके बैकग्राउंड का अनुमान लगाता है। विशिष्ट प्रेरणा "हिडन वैली" (Hidden Valley) मॉडल्स का एक वर्ग है जिसमें "डार्क QCD" होता है, जहाँ भारी डार्क क्वार्क्स (quirks) उत्पन्न होते हैं और फिर कई सॉफ्ट SM कणों के उत्सर्जन के माध्यम से डी-एक्साइट (de-excite) होते हैं और अंततः विलीन (annihilate) हो जाते हैं।

सिग्नल मॉडल: माइक्रोस्कोपिक क्वर्क्स
यह शोध पत्र "क्वर्क्स" (quirks) पर आधारित एक बेंचमार्क मॉडल विकसित करता है—जो कि डार्क क्वार्क्स हैं जिनका द्रव्यमान ( $m_{q'}$ ) डार्क कन्फाइनमेंट स्केल ( $\Lambda'$ ) से बहुत अधिक है। इस परिदृश्य में, एक जोड़ी-उत्पादित क्वर्क-एंटीक्वर्क जोड़ी एक कलर स्ट्रिंग से जुड़ी होती है जो हल्के डार्क क्वार्क फ्लेवर्स की अनुपस्थिति के कारण टूट नहीं सकती। इसके बजाय, जोड़ी दोलन करती है, ऊर्जा उत्सर्जित करती है जब तक कि वे ग्राउंड स्टेट तक नहीं पहुँच जातीं और विलीन नहीं हो जातीं।

डी-एक्साइटेशन (De-excitation): मॉडल मानता है कि क्वर्क्स SM QCD चार्ज रखते हैं। डी-एक्साइटेशन के दौरान, वे आइसोट्रोपिक रूप से SM पायॉन्स (pions) उत्सर्जित करते हैं। उत्सर्जन को एक हगेडॉर्न तापमान ( $T_H \approx 150$ MeV) के साथ थर्मल प्रक्रिया के रूप में मॉडल किया गया है, जिसके परिणामस्वरूप प्रति इवेंट $\mathcal{O}(10^3)$ सॉफ्ट पायॉन्स प्राप्त होते हैं।
एनीहिलेशन (Annihilation): डी-एक्साइट होने के बाद, क्वर्कोनियम एक जोड़ी उच्च- $p_T$ SM जेट्स (dijets) में विलीन हो जाता है।
पैरामीटर्स: मॉडल को क्वर्क द्रव्यमान ( $m_{q'}$ ), डार्क कन्फाइनमेंट स्केल ( $\Lambda'$ ), और एक पैरामीटर $E_{\text{frac}}$ द्वारा परिभाषित किया गया है जो आंतरिक ऊर्जा के पायॉन्स में परिवर्तित होने वाले अंश को दर्शाता है (0.2 से 1.0 की सीमा में)। यह अध्ययन "माइक्रोस्कोपिक" शासन (regime) पर केंद्रित है जहाँ स्ट्रिंग की लंबाई SM कन्फाइनमेंट स्केल के व्युत्क्रम (inverse) से छोटी होती है, जो प्रॉम्प्ट डी-एक्साइटेशन और एनीहिलेशन सुनिश्चित करती है।

कार्यप्रणाली और सिमुलेशन
लेखक $140 \text{ fb}^{-1}$ के एकीकृत ल्यूमिनोसिटी के अनुरूप 13 TeV प्रोटॉन-प्रोटॉन कोलिजन के लिए सिग्नल और बैकग्राउंड इवेंट्स का सिमुलेशन करते हैं।

सिमुलेशन टूल्स: सिग्नल जनरेशन के लिए MG5_a_aMCatNLO द्वारा क्वर्क उत्पादन और Pythia 8 द्वारा हैड्रोनाइजेशन को मिलाने वाला एक सेमी-एनालिटिकल हाइब्रिड दृष्टिकोण उपयोग किया गया है। पायॉन उत्सर्जन को आइसोट्रोपिक थर्मल रेडिएशन के रूप में माना गया है। बैकग्राउंड डाइजेट इवेंट्स को लीडिंग ऑर्डर पर जेनरेट किया गया है।
डिटेक्टर सिमुलेशन: इवेंट्स को एक सरलीकृत Delphes 3.5 सिमुलेशन के माध्यम से प्रोसेस किया गया है। चयन मानदंड ATLAS डाइजेट खोजों के समान हैं लेकिन इसमें एक बड़ा जेट रेडियस ( $R=1.0$ ) शामिल है ताकि मास रेजोल्यूशन में सुधार हो सके, और $p_T > 0.5$ GeV वाले ट्रैक्स को स्वीकार किया गया है।
चयन रणनीतियाँ (Selection Strategies): समावेशी रेजोनेंस खोजों पर संवेदनशीलता बढ़ाने के लिए तीन रणनीतियों का मूल्यांकन किया गया है:
1. कट-बेस्ड (Cut-based): ट्रैक्स की संख्या ( $N_{\text{tracks}}$ ) पर एक सरल आयताकार कट, जिसे सबसे शक्तिशाली डिस्क्रिमिनेन्ट (discriminant) के रूप में पहचाना गया है।
2. सुपरवाइज्ड लर्निंग (Supervised Learning): एक न्यूरल नेटवर्क जिसे $N_{\text{tracks}}$ , पोलर एंगल, ट्रांसवर्स स्फेयरिसिटी और औसत ट्रैक सेपरेशन जैसे ऑब्जर्वेबल्स का उपयोग करके सिग्नल और बैकग्राउंड डिस्ट्रीब्यूशन पर प्रशिक्षित किया गया है।
3. वीकली सुपरवाइज्ड एनोमली डिटेक्शन (Weakly Supervised Anomaly Detection): डाइजेट सिग्नल रीजन के भीतर ट्रैक डिस्ट्रीब्यूशन में विसंगतियों को खोजने के लिए CATHODE फ्रेमवर्क का उपयोग किया गया है, जो नॉर्मलाइजिंग फ्लो के माध्यम से बैकग्राउंड डेंसिटी का अनुमान लगाने के लिए साइडबैंड्स का उपयोग करता है।

मुख्य परिणाम

विभेदक शक्ति (Discriminating Power): सॉफ्ट ट्रैक्स की संख्या प्रमुख ऑब्जर्वेबल है। उच्च $E_{\text{frac}}$ (उच्च पायॉन मल्टीप्लिसिटी) के लिए, सिग्नल में QCD बैकग्राउंड की तुलना में काफी अधिक ट्रैक काउंट और अधिक आइसोट्रोपी दिखाई देती है।
डिस्कवरी पोटेंशियल (Discovery Potential):
- नाममात्र बेंचमार्क मॉडल ( $\mu=1$ ) के लिए, केवल समावेशी खोजों का उपयोग करके 750 GeV के क्वर्क मास के लिए $5\sigma$ डिस्कवरी लगभग संभव है।
- उच्च द्रव्यमान (1.0 और 1.5 TeV) के लिए, ट्रैक-आधारित चयन रणनीतियों को शामिल करने से संवेदनशीलता में काफी सुधार होता है।
- सुपरवाइज्ड क्लासिफायर सर्वश्रेष्ठ प्रदर्शन करता है, जिसे डिस्कवरी के लिए सबसे कम सिग्नल स्ट्रेंथ की आवश्यकता होती है। हालांकि, यह उस मॉडल पर भी मजबूत रहता है जिस पर इसे प्रशिक्षित किया गया है और जिस $E_{\text{frac}}$ पर इसका परीक्षण किया जा रहा है, वह भिन्न है।
- सरल ट्रैक मल्टीप्लिसिटी कट उच्च $E_{\text{frac}}$ के लिए सुपरवाइज्ड क्लासिफायर के तुल्य प्रदर्शन करता है और एक मॉडल-स्वतंत्र विकल्प प्रदान करता है।
- एनोमली डिटेक्शन (CATHODE) ट्रैक मल्टीप्लिसिटी के सरल कट के समान संवेदनशीलता प्रदान करता है। लेखक नोट करते हैं कि इस विशिष्ट मॉडल में डिस्कवरी के लिए आवश्यक कम सिग्नल स्ट्रेंथ के लिए, एनोमली डिटेक्टर सूक्ष्म काइनेटिक फीचर्स के बजाय लगभग पूरी तरह से ट्रैक मल्टीप्लिसिटी ऑब्जर्वेबल पर निर्भर करता है।
एक्सक्लूजन लिमिट्स (Exclusion Limits):
- सुपरवाइज्ड क्लासिफायर का उपयोग करते हुए, $E_{\text{frac}} = 0.2$ के लिए $\approx 1450$ GeV तक के क्वर्क मास को वर्जित (exclude) किया जा सकता है।
- $E_{\text{frac}} = 1.0$ के लिए, सुपरवाइज्ड क्लासिफायर या टाइट ट्रैक मल्टीप्लिसिटी कट का उपयोग करके पूरे प्रोब्ड फेज स्पेस ( $m_{q'} < 1500$ GeV, $\Lambda' < 200$ GeV) को वर्जित किया जा सकता है।
- एनोमली डिटेक्शन मेथड्स (CATHODE/IAD) एक्सक्लूजन के लिए विशिष्ट होने वाले कम सिग्नल स्ट्रेंथ के लिए समावेशी खोजों की तुलना में एक्सक्लूजन लिमिट्स में महत्वपूर्ण सुधार नहीं करते हैं, क्योंकि सांख्यिकीय उतार-चढ़ाव (statistical fluctuations) $S+B$ को $B$ से अलग करना कठिन बना देते हैं।

महत्व और दावे
यह शोध पत्र दावा करता है कि TeV-स्केल रेजोनेंस के साथ सॉफ्ट, आइसोट्रोपिक ट्रैक विसंगतियों (anomalies) की खोज करना डी-एक्साइटेड बाउंड स्टेट्स और डार्क शावर्स की खोज के लिए एक व्यवहार्य और शक्तिशाली रणनीति है। लेखक इस बात पर जोर देते हैं कि:

बढ़ी हुई पहुंच (Enhanced Reach): सॉफ्ट ट्रैक जानकारी का उपयोग करने से मानक डाइजेट खोजों की पहुंच बढ़ जाती है, विशेष रूप से उच्च ट्रैक मल्टीप्लिसिटी वाले मॉडल्स के लिए।
मॉडल स्वतंत्रता (Model Independence): ट्रैक मल्टीप्लिसिटी पर एक सरल कट, विशिष्ट कोणीय या काइनेटिक गुणों को धारणा में लिए बिना संवेदनशीलता बढ़ाने का एक अपेक्षाकृत मॉडल-स्वतंत्र तरीका प्रदान करता है।
मजबूती (Robustness): सुपरवाइज्ड क्लासिफायर गलत तरीके से मॉडल किए गए सिग्नल पैरामीटर्स (जैसे, गलत $E_{\text{frac}}$ ) के बावजूद प्रभावी रहता है, हालांकि इसका प्रदर्शन विशिष्ट सिग्नल विशेषताओं पर निर्भर करता है।
अनछुआ फेज स्पेस (Unexplored Phase Space): प्रस्तावित फेनोमेनोलॉजी उस पैरामीटर स्पेस को कवर करती है जिसे अब तक LHC पर प्रोब नहीं किया गया है (रेजोनेंस के साथ सॉफ्ट, आइसोट्रोपिक ट्रैक विसंगतियां)।

लेखक निष्कर्ष निकालते हैं कि जबकि CATHODE जैसे एनोमली डिटेक्शन मेथड्स कम मॉडल-डिपेंडेंस बनाए रखने के लिए मूल्यवान हैं, इस विशिष्ट बेंचमार्क मॉडल में ट्रैक मल्टीप्लिसिटी ऑब्जर्वेबल का प्रभुत्व होने के कारण सरल चयन रणनीतियाँ अत्यधिक प्रभावी हैं। वे सुझाव देते हैं कि भविष्य के कार्य विभिन्न रेजोनेंस प्रकारों (जैसे, डाइलप्टोन) या रेडिएशन स्पेक्ट्रम को एक्सप्लोर कर सकते हैं।

समस्या: गलत सुराग की तलाश करना

सिद्धांत: "डार्क स्प्रिंग" (क्विर्क्स - Quirks)

समाधान: सिग्नल को खोजने के तीन तरीके

परिणाम: उन्होंने क्या पाया

मुख्य निष्कर्ष (Bottom Line)

इसी तरह के और पेपर