⚛️ high-energy experiments

Deep learning approaches to top FCNC couplings to photons at the LHC

यह शोध पत्र प्रदर्शित करता है कि ट्रांसफॉर्मर-आधारित डीप लर्निंग आर्किटेक्चर, एलएचसी (LHC) पर फोटॉन के साथ टॉप क्वार्क फ्लेवर-चेंजिंग न्यूट्रल करंट इंटरैक्शन का पता लगाने में पारंपरिक कट-आधारित विश्लेषणों की तुलना में काफी बेहतर प्रदर्शन करते हैं, जिससे हाई-ल्यूमिनोसिटी चरण में $10^{-6}$ जितने कम दुर्लभ ब्रांचिंग रेश्यो की खोज संभव हो पाती है।

मूल लेखक: Benjamin Fuks, Sumit K. Garg, A. Hammad, Adil Jueid

प्रकाशित 2026-02-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Benjamin Fuks, Sumit K. Garg, A. Hammad, Adil Jueid

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) दुनिया का सबसे शक्तिशाली पार्टिकल स्मैशर (कणों को टकराने वाली मशीन) है। यह प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराता है ताकि उप-परमाणु कणों (subatomic particles) का एक अराजक तूफान पैदा किया जा सके। आमतौर पर, ये कण भौतिकी के एक "नियमपुस्तिका" का पालन करते हैं जिसे 'स्टैंडर्ड मॉडल' कहा जाता है। लेकिन भौतिकविदों को संदेह है कि नियमपुस्तिका में एक गुप्त अध्याय है जिसे वे अभी तक खोज नहीं पाए हैं—'न्यू फिजिक्स' (नई भौतिकी)।

यह शोध पत्र उस अराजक तूफान में एक बहुत ही विशिष्ट, बहुत ही दुर्लभ सुराग खोजने की एक जासूसी कहानी है: एक टॉप क्वार्क (सबसे भारी ज्ञात कण) अचानक अपनी पहचान बदलता है और एक फोटॉन (प्रकाश का कण) बाहर निकालता है।

यहाँ रोजमर्रा के उपमाओं (analogies) का उपयोग करके इस शोध पत्र का विवरण दिया गया है:

1. अपराध स्थल: "टॉप क्वार्क" और "वर्जित स्विच"

स्टैंडर्ड मॉडल में, एक टॉप क्वार्क एक शर्मीले सेलिब्रिटी की तरह है जो केवल अपने विशिष्ट दोस्तों (बॉटम क्वार्क और W बोसॉन) के साथ ही रहता है। यह बहुत दुर्लभ है कि एक टॉप क्वार्क अचानक अपने दोस्त बदल ले और एक फोटॉन चमकाते हुए अप (Up) या चार्म (Charm) क्वार्क के साथ समय बिताने लगे। इसे फ्लेवर-चेंजिंग न्यूट्रल करंट (FCNC) कहा जाता है।

उपमा: कल्पना कीजिए कि एक क्लब में एक सख्त बाउंसर (स्टैंडर्ड मॉडल) है जो केवल एक वीआईपी अतिथि (टॉप क्वार्क) को उसके विशिष्ट साथी के साथ नाचने की अनुमति देता है। यदि आप देखते हैं कि वह वीआईपी अचानक एक अजनबी के साथ नाच रहा है और एक स्ट्रोब लाइट (फोटॉन) चमका रहा है, तो यह एक बड़ा रेड फ्लैग है। यह संकेत देता है कि किसी ने नियमों को तोड़ा है।
समस्या: यह "नृत्य" इतना दुर्लभ है कि वर्तमान नियमपुस्तिका के अनुसार, यह शायद एक ट्रिलियन प्रयासों में एक बार होता है। लेकिन यदि "न्यू फिजिक्स" मौजूद है, तो यह दस लाख गुना अधिक बार हो सकता है। LHC इन्हीं दुर्लभ नृत्यों की तलाश कर रहा है।

2. पुराना जासूसी तरीका: "कट-बेस्ड एनालिसिस"

दशकों से, भौतिकविदों ने "कट-बेस्ड एनालिसिस" नामक विधि का उपयोग करके इन दुर्लभ घटनाओं की खोज की है।

उपमा: कल्पना कीजिए कि आप एक भीड़ भरे स्टेडियम में एक विशिष्ट व्यक्ति को ढूंढ रहे हैं। पुराना तरीका एक चेकलिस्ट बांटने जैसा है: "यदि व्यक्ति ने लाल टोपी पहनी है, तो टिक करें। यदि उनकी लंबाई 6 फीट से अधिक है, तो टिक करें। यदि वे हॉट डॉग पकड़े हुए हैं, तो टिक करें।"
दोष: यह बहुत कठोर है। आप उस व्यक्ति को मिस कर सकते हैं क्योंकि उन्होंने नीली टोपी पहनी है लेकिन हाथ में हॉट डॉग पकड़ा हुआ है। आप बहुत सरल नियमों के साथ बहुत अधिक डेटा को बाहर कर देते हैं। अंत में, आपके पास बहुत सारा शोर (नकली सिग्नल) बच जाता है और वास्तविक सिग्नल छूट जाता है।

3. नया जासूसी तरीका: "डीप लर्निंग"

इस शोध पत्र के लेखकों ने डीप लर्निंग का उपयोग करके AI जासूसों की एक टीम को काम पर लगाने का निर्णय लिया। एक कठोर चेकलिस्ट के बजाय, उन्होंने डेटा को देखने के लिए तीन अलग-अलग प्रकार के AI मस्तिष्कों का उपयोग किया:

MLP (मल्टी-लेयर परसेप्ट्रॉन): इसे एक बहुत ही बुद्धिमान छात्र के रूप में सोचें जो संख्याओं की एक सूची (गति, कोण, ऊर्जा) को देखता है और अनुमान लगाने की कोशिश करता है कि क्या यह एक सिग्नल है। यह अच्छा है, लेकिन यह हर संख्या को एक अलग तथ्य के रूप में मानता है, जिससे उनके बीच के संबंध छूट जाते हैं।
GAT (ग्राफ अटेंशन नेटवर्क): यह एक ऐसे जासूस की तरह है जो लोगों के बीच के संबंधों को देखता है। केवल वीआईपी को देखने के बजाय, यह देखता है कि वीआईपी, फोटॉन, जेट्स और मिसिंग एनर्जी के सापेक्ष कैसे खड़ा है। यह कनेक्शन का एक मानचित्र बनाता है।
ट्रांसफॉर्मर (Transformer): यह "सुपर डिटेक्टिव" है (वही तकनीक जो मेरे जैसे AI चैटबॉट्स के पीछे है)। यह पूरी घटना को कणों के एक "बादल" के रूप में देखता है। यह सेल्फ-अटेंशन (Self-Attention) नामक एक तंत्र का उपयोग करता है और पूछता है: "इन सभी कणों में से, कौन से वास्तव में एक कहानी बताने के लिए एक-दूसरे से बात कर रहे हैं?" यह टकराव के हर कण के महत्व को गतिशील रूप से निर्धारित करता है।

4. परिणाम: "सुपर डिटेक्टिव" की जीत

टीम ने लाखों कण टकरावों का अनुकरण (simulate) किया और इन AI मॉडलों का परीक्षण पुराने "चेकलिस्ट" तरीके के विरुद्ध किया।

परिणाम: ट्रांसफॉर्मर और GAT मॉडल कहीं अधिक श्रेष्ठ थे। उन्होंने केवल नंबरों को नहीं देखा; उन्होंने उन कणों द्वारा सुनाई जा रही कहानी को समझा।
उपमा: यदि पुराना तरीका घास के ढेर में सुई खोजने के लिए केवल घास के रंग की जांच करने जैसा था, तो नया AI तरीका एक मेटल डिटेक्टर की तरह है जो सुई के आकार, वजन और चुंबकीय क्षेत्र को एक साथ महसूस कर सकता है।
सुधार: नए AI तरीकों ने संवेदनशीलता (sensitivity) में पाँच गुना सुधार किया। इसका अर्थ है कि वे बैकग्राउंड शोर के बीच इस "वर्जित नृत्य" को बहुत अधिक स्पष्ट रूप से देख सकते हैं।

5. भविष्य: अदृश्य को देखना

चूंकि ये AI मॉडल शोर को छानने में बहुत बेहतर हैं, इसलिए LHC अब बहुत दुर्लभ घटनाओं की खोज कर सकता है।

लक्ष्य: शोध पत्र भविष्यवाणी करता है कि LHC के आगामी "हाई-ल्यूमिनोसिटी" चरण (जहाँ वे पहले से कहीं अधिक कणों को टकराएंगे) के साथ, ये AI उपकरण इन दुर्लभ टॉप क्वार्क डिके (decay) को तब भी पकड़ सकते हैं जब वे दस लाख में एक बार होते हैं।
यह क्यों महत्वपूर्ण है: इस दुर्लभ क्षय (decay) को खोजना प्रकृति के एक नए, अज्ञात बल के फिंगरप्रिंट खोजने जैसा होगा। यह साबित करेगा कि हमारी वर्तमान नियमपुस्तिका (स्टैंडर्ड मॉडल) अधूरी है और डार्क मैटर, अतिरिक्त आयामों या ब्रह्मांड के अन्य रहस्यों को समझने के द्वार खोल देगा।

सारांश

यह शोध पत्र मूल रूप से कह रहा है: "एक बादल को मापने के लिए स्केल (रूलर) का उपयोग करना बंद करें। एक स्मार्ट AI का उपयोग करें जो बादल के आकार को समझता हो।"

कंप्यूटर को कणों के बीच जटिल संबंधों को देखने के लिए सिखाकर, भौतिकविद अब अभूतपूर्व सटीकता के साथ ब्रह्मांड के सबसे मायावी रहस्यों की खोज कर सकते हैं। "ट्रांसफॉर्मर" AI वह नया सुपर-स्लीथ (सुपर जासूस) है जो अंततः टॉप क्वार्क की गुप्त पहचान का मामला सुलझा सकता है।

यहाँ शोध पत्र "Deep learning approaches to top FCNC couplings to photons at the LHC" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र टॉप क्वार्क और फोटॉन ( $t \to q\gamma$ और $qg \to t\gamma$ ) से जुड़े फ्लेवर-चेंजिंग न्यूट्रल करंट (FCNC) इंटरैक्शन का पता लगाने की चुनौती को संबोधित करता है। स्टैंडर्ड मॉडल (SM) में, GIM तंत्र के कारण ये प्रक्रियाएं अत्यधिक दमित (branching ratios $\sim 10^{-17}$ से $10^{-12}$ ) होती हैं। हालांकि, विभिन्न 'बियॉन्ड द स्टैंडर्ड मॉडल' (BSM) परिदृश्य इन्हें $10^{-4}$ तक बढ़ाने की भविष्यवाणी करते हैं।

LHC (रन 2) से वर्तमान प्रयोगात्मक सीमाएँ $10^{-5}$ से $10^{-3}$ की सीमा में हैं। जैसे-जैसे LHC हाई-ल्यूमिनोसिटी चरण (HL-LHC) की ओर बढ़ रहा है, जिसमें $3000 \text{ fb}^{-1}$ तक एकीकृत ल्यूमिनोसिटी है, $10^{-6}$ तक के ब्रांचिंग रेश्यो को जांचने के लिए विश्लेषण संवेदनशीलता (sensitivity) में सुधार करना एक महत्वपूर्ण आवश्यकता है। पारंपरिक कट-आधारित विश्लेषण (cut-based analyses) इस कार्य में संघर्ष करते हैं क्योंकि वे रैखिक कट्स (linear cuts) पर निर्भर करते हैं और उच्च-आयामी किनेमैटिक फीचर स्पेस में जटिल, गैर-रैखिक सहसंबंधों (non-linear correlations) का लाभ उठाने में विफल रहते हैं, जिससे बड़े SM बैकग्राउंड (जैसे $t\bar{t}\gamma$ , $t\gamma$ , $W\gamma$ , $Z\gamma$ ) की उपस्थिति में सिग्नल शुद्धता (signal purity) कम हो जाती है।

2. कार्यप्रणाली (Methodology)

सैद्धांतिक ढांचा (Theoretical Framework)

इफेक्टिव फील्ड थ्योरी (SMEFT): लेखक डायमेंशन-सिक्स ऑपरेटर्स के माध्यम से BSM प्रभावों को मॉडल करने के लिए स्टैंडर्ड मॉडल इफेक्टिव फील्ड थ्योरी का उपयोग करते हैं। वे उन ऑपरेटर्स पर ध्यान केंद्रित करते हैं जो टॉप क्वार्क, एक फोटॉन और एक हल्के अप-टाइप क्वार्क ( $u$ या $c$ ) के बीच डाइपोल कपलिंग्स को प्रेरित करते हैं।
अध्ययन की गई प्रक्रियाएं:
1. सिंगल टॉप प्रोडक्शन: $qg \to t\gamma$ (जहाँ $t$ लीप्टोनिक रूप से क्षय होता है)।
2. टॉप पेयर प्रोडक्शन: $pp \to t\bar{t}$ , जहाँ एक टॉप SM के माध्यम से ( $t \to bW$ ) क्षय होता है और दूसरा FCNC के माध्यम से ( $t \to q\gamma$ ) क्षय होता है।
सिमुलेशन: सिग्नल और बैकग्राउंड इवेंट्स को MadGraph5_aMC@NLO का उपयोग करके लीडिंग ऑर्डर (LO) पर जनरेट किया गया था। डिटेक्टर प्रभावों को MadAnalysis 5 के साथ एक सिम्प्लीफाइड फास्ट सिमुलेशन (SFS) मॉड्यूल का उपयोग करके सिम्युलेट किया गया था।

विश्लेषण रणनीतियाँ (Analysis Strategies)

यह अध्ययन तीन अलग-अलग विश्लेषण दृष्टिकोणों की तुलना करता है:

कट-आधारित रणनीति (Cut-Based Strategy): एक पारंपरिक दृष्टिकोण जो सिग्नल इवेंट्स को अलग करने के लिए क्रमिक किनेमैटिक कट्स (जैसे $p_T$ , $\eta$ , आइसोलेशन, $\Delta R$ ) लागू करता है।
डीप लर्निंग (DL) रणनीतियाँ: तीन आर्किटेक्चर को लो-लेवल और हाई-लेवल किनेमैटिक वेरिएबल्स का उपयोग करके बाइनरी क्लासिफिकेशन (सिग्नल बनाम बैकग्राउंड) करने के लिए प्रशिक्षित किया गया:
- मल्टी-लेयर पर्सेप्ट्रॉन (MLP): यह इवेंट्स को 29 फीचर्स (जैसे $p_T$ , $\eta$ , $\phi$ , $E$ , $\Delta R$ , $\Delta \phi$ , $H_T$ , $m_{eff}$ ) के फिक्स्ड-साइज़ वेक्टर्स के रूप में मानता है। यह नॉन-लीनियर बाउंड्रीज़ सीखता है लेकिन अंतर्निहित इवेंट टोपोलॉजी को अनदेखा करता है।
- ग्राफ अटेंशन नेटवर्क (GAT): यह इवेंट्स को ग्राफ के रूप में दर्शाता है जहाँ नोड्स अंतिम-अवस्था की वस्तुओं (जेट्स, फोटॉन, लेप्टॉन, MET, रिकंस्ट्रक्टेड टॉप) का प्रतिनिधित्व करते हैं और एडजेस (edges) संबंधों का प्रतिनिधित्व करते हैं। यह स्थानीय टोपोलॉजिकल संरचनाओं को कैप्चर करने के लिए पड़ोसी नोड्स के महत्व को डायनेमिक रूप से वेट करने के लिए अटेंशन मैकेनिज्म का उपयोग करता है।
- ट्रांसफॉर्मर (Transformer): यह इवेंट्स को कणों के अनऑर्डर्ड सेट्स (पॉइंट क्लाउड्स) के रूप में मानता है। यह सभी अन्य कणों के सापेक्ष प्रत्येक कण के वैश्विक संदर्भ और प्रासंगिकता का मूल्यांकन करने के लिए सेल्फ-अटेंशन मैकेनिज्म का उपयोग करता है, जिससे परम्यूटेशन इनवेरियेंस (permutation invariance) बनी रहती है।

प्रशिक्षण सेटअप (Training Setup)

डेटा: $t\gamma$ , $t\bar{t} \to u\gamma$ , और $t\bar{t} \to c\gamma$ के सिग्नल सैंपल्स को डोमिनेंट बैकग्राउंड्स ( $t\bar{t}\gamma$ , $t\gamma$ , $W\gamma$ , $Z\gamma$ ) के साथ संयोजित किया गया था।
ऑप्टिमाइज़ेशन: हाइपरपैरामीटर्स को रैंडम ग्रिड सर्च के माध्यम से ट्यून किया गया। मॉडल को PyTorch और PyTorch Lightning का उपयोग करके AdamW ऑप्टिमाइज़र और कोसाइन एनिलिंग शेड्यूलर के साथ प्रशिक्षित किया गया।
मूल्यांकन: प्रदर्शन को ROC कर्व्स, AUC और कन्फ्यूजन मैट्रिक्स का उपयोग करके मापा गया। सांख्यिकीय सार्थकता (statistical significance) की गणना $CL_s$ पद्धति का उपयोग करके की गई।

3. मुख्य योगदान (Key Contributions)

आर्किटेक्चर का व्यवस्थित तुलनात्मक अध्ययन: यह पेपर MLPs, GATs और Transformers के एक कठोर बेंचमार्क के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि अटेंशन-आधारित आर्किटेक्चर (GAT और Transformers) पारंपरिक MLPs और कट-आधारित विधियों की तुलना में काफी बेहतर प्रदर्शन करते हैं।
इवेंट टोपोलॉजी को संभालना: यह इवेंट्स को फिक्स्ड वेक्टर्स के बजाय ग्राफ या सेट्स के रूप में प्रस्तुत करने के लाभ को रेखांकित करता है। ट्रांसफॉर्मर और GAT प्रभावी ढंग से अंतिम-अवस्था के कणों के बीच जटिल सहसंबंधों को कैप्चर करते हैं जिन्हें MLP मिस कर देता है।
मात्रात्मक संवेदनशीलता अनुमान (Quantitative Sensitivity Projections): यह अध्ययन LHC रन 3 ( $500 \text{ fb}^{-1}$ ) और HL-LHC ( $3000 \text{ fb}^{-1}$ ) के लिए अपडेटेड एक्सक्लूजन लिमिट प्रदान करता है, जो SMEFT विल्सन कोएफिशिएंट्स और ब्रांचिंग रेश्यो को बाधाओं (constraints) में अनुवादित करता है।
फ्लेवर डिपेंडेंस: विश्लेषण स्पष्ट रूप से अप-क्वार्क ( $u$ ) बनाम चार्म-क्वार्क ( $c$ ) FCNC कपलिंग के प्रति संवेदनशीलता की तुलना करता है, यह नोट करते हुए कि जबकि PDF के कारण अप-क्वार्क उत्पादन दर अधिक है, चार्म चैनल पेयर-प्रोडक्शन मोड में विशिष्ट किनेमैटिक फीचर्स से लाभ उठाता है।

4. परिणाम (Results)

वर्गीकरण प्रदर्शन (Classification Performance)

कट-आधारित (Cut-Based): इसने सिग्नल सार्थकता $S \approx 20.3$ (0% बैकग्राउंड अनिश्चितता मानते हुए) प्राप्त की, लेकिन कम सिग्नल शुद्धता ( $\sim 10\%$ ) के साथ।
MLP: सिंगल टॉप के लिए 0.928 के AUC के साथ बेहतर भेदभाव प्राप्त किया और टॉप पेयर प्रोडक्शन के लिए $\sim 0.78$ प्राप्त किया। फीचर इम्पोर्टेंस विश्लेषण ने दिखाया कि $H_T$ , $\Delta R(b, \ell)$ , और $p_T^\gamma$ सबसे महत्वपूर्ण वेरिएबल्स थे।
GAT: सिंगल टॉप के लिए 0.973 का AUC और टॉप पेयर के लिए $\sim 0.92$ प्राप्त किया।
Transformer: उच्चतम प्रदर्शन प्राप्त किया, जिसमें सिंगल टॉप के लिए 0.985 का AUC और टॉप पेयर के लिए $\sim 0.935$ का AUC प्राप्त हुआ। सेल्फ-अटेंशन मैकेनिज्म ने सफलतापूर्वक कणों के बीच सूक्ष्म, गैर-रैखिक सहसंबंधों की पहचान की।

एक्सक्लूजन लिमिट्स (Exclusion Limits)

डीप लर्निंग मॉडल्स ने विसंगत कपलिंग ( $f^\gamma_{tq}/\Lambda$ ) और ब्रांचिंग रेश्यो ($BR$) पर अपेक्षित एक्सक्लूजन लिमिट्स में महत्वपूर्ण सुधार किया:

$139 \text{ fb}^{-1}$ (रन 2) पर:
- MLP: $BR(t \to u\gamma) \lesssim 1.0 \times 10^{-5}$ , $BR(t \to c\gamma) \lesssim 2.4 \times 10^{-5}$ ।
- Transformer/GAT: सीमाओं में 1.5 से 2.6 गुना सुधार किया, जिससे $BR(t \to u\gamma) \approx 3.6 \times 10^{-6}$ और $BR(t \to c\gamma) \approx 4.7 \times 10^{-6}$ तक पहुँचा।
$500 \text{ fb}^{-1}$ (रन 3) पर:
- ट्रांसफॉर्मर मॉडल $BR(t \to u\gamma)$ को $\sim 3.6 \times 10^{-6}$ और $BR(t \to c\gamma)$ को $\sim 4.7 \times 10^{-6}$ तक प्रोब कर सकते हैं।
HL-LHC ( $3000 \text{ fb}^{-1}$ ) पर:
- यह अध्ययन अनुमान लगाता है कि ट्रांसफॉर्मर-आधारित क्लासिफायर का उपयोग करके 95% कॉन्फिडेंस लेवल पर $10^{-6}$ जितनी कम ब्रांचिंग रेश्यो को भी एक्सक्लूड किया जा सकता है।
- कपलिंग लिमिट्स $\sim 2 \times 10^{-3} \text{ TeV}^{-1}$ तक पहुँच जाती हैं।

5. महत्व (Significance)

यह कार्य प्रदर्शित करता है कि अटेंशन-आधारित डीप लर्निंग आर्किटेक्चर अगली पीढ़ी के LHC भौतिकी के लिए आवश्यक उपकरण हैं। जैसे-जैसे डेटा वॉल्यूम बढ़ता है और सिग्नल दुर्लभ होते जाते हैं, पारंपरिक कट-आधारित और सरल MLP दृष्टिकोण उप-इष्टतम (suboptimal) हो जाते हैं।

भौतिक प्रभाव (Physics Impact): $10^{-6}$ स्तर पर ब्रांचिंग रेश्यो को प्रोब करने की क्षमता बीएमएस (BSM) मॉडल्स (जैसे टू-हिग्स-डबलेट मॉडल्स, सुपरसिमेट्री, कंपोजिट मॉडल्स) की एक विस्तृत श्रृंखला का परीक्षण करने का द्वार खोलती है, जो पहले अप्राप्य थे।
पद्धतिगत प्रभाव (Methodological Impact): यह पेपर हाई-एनर्जी फिजिक्स में ट्रांसफॉर्मर्स और ग्राफ न्यूरल नेटवर्क्स के उपयोग को मान्य करता है, यह दिखाते हुए कि कोलाइडर इवेंट्स को अनस्ट्रक्चर्ड वेक्टर्स के बजाय स्ट्रक्चर्ड डेटा (ग्राफ या सेट्स) के रूप में मानने से पारंपरिक तरीकों की तुलना में एक्सक्लूजन लिमिट्स में 5 गुना सुधार होता है।
भविष्य का दृष्टिकोण: परिणाम बताते हैं कि HL-LHC में भविष्य के प्रयोगात्मक विश्लेषणों को डिस्कवरी पोटेंशियल को अधिकतम करने के लिए अटेंशन-आधारित मॉडल्स को प्राथमिकता देनी चाहिए।