🔬 materials science

General Learning of the Electric Response of Inorganic Materials

यह शोध पत्र \texttt{MACE-Field} को प्रस्तुत करता है, जो एक $O(3)$ -इक्विवेरिएंट (equivariant) अंतर-परमाणु विभव (interatomic potential) है जो एक सीखे गए इलेक्ट्रिक एन्थैल्पी फलन (electric enthalpy functional) के सटीक अवकलन (exact differentiation) के माध्यम से विविध अकार्बनिक सामग्रियों के डाइइलेक्ट्रिक, फेरोइलेक्ट्रिक और स्पेक्ट्रोस्कोपिक गुणों की सटीक भविष्यवाणी करने के लिए MACE बैकबोन में एक समान विद्युत क्षेत्र को एकीकृत करता है।

मूल लेखक: Bradley A. A. Martin, Alex M. Ganose, Venkat Kapil, Tingwei Li, Keith T. Butler

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bradley A. A. Martin, Alex M. Ganose, Venkat Kapil, Tingwei Li, Keith T. Butler

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

बड़ी समस्या: पदार्थ बिजली के प्रति कैसे प्रतिक्रिया करते हैं, इसका पूर्वानुमान लगाना

कल्पना कीजिए कि आपके पास अलग-अलग लेगो ब्रिक्स (परमाणुओं) का एक डिब्बा है। आप जानना चाहते हैं कि यदि आप पास में एक विशाल चुंबक या विद्युत क्षेत्र (electric field) चालू कर दें, तो वे कैसा व्यवहार करेंगे। क्या वे आपस में जुड़ जाएंगे? क्या वे हिलेंगे? क्या वे चमकेंगे?

विज्ञान की दुनिया में, जटिल पदार्थों के लिए इस व्यवहार का पूर्वानुमान लगाना अविश्वसनीय रूप से कठिन है। वर्तमान "गोल्ड स्टैंडर्ड" विधि (जिसे DFT/DFPT कहा जाता है) हर एक ईंट के लिए एक विशाल, जटिल पहेली को हल करने जैसा है। यह इतना धीमा और महंगा है कि वैज्ञानिक हजारों नए पदार्थों की स्क्रीनिंग नहीं कर सकते या यह सिम्युलेट नहीं कर सकते कि वे समय के साथ कैसे चलते हैं। उन्हें एक तेज़ तरीके की आवश्यकता है।

समाधान: MACE-Field (एक "स्मार्ट अनुवादक")

लेखकों ने MACE-Field नामक एक नया टूल बनाया है। इसे पदार्थों के लिए एक "स्मार्ट अनुवादक" या "यूनिवर्सल रिमोट कंट्रोल" के रूप में सोचें।

नींव: उन्होंने एक मौजूदा, बहुत स्मार्ट AI मॉडल (MACE) से शुरुआत की जो पहले से ही यह बताने में माहिर है कि विद्युत क्षेत्र (electric field) की अनुपस्थिति में परमाणु कैसे आपस में जुड़ते हैं और चलते हैं। यह एक मास्टर शेफ की तरह है जो जानता है कि केक कैसे बनाया जाता है।
अपग्रेड: उन्होंने उस मास्टर शेफ को फेंका नहीं। इसके बजाय, उन्होंने इसमें एक विशेष "प्लग-इन" मॉड्यूल जोड़ा। यह नया मॉड्यूल शेफ को यह सिखाता है कि जब आप एक इलेक्ट्रिक लाइट या चुंबकीय क्षेत्र चालू करते हैं, तो उसे कैसे प्रतिक्रिया देनी है।
जादुई ट्रिक: AI को बिजली के लिए अलग से उत्तर का अनुमान लगाना सिखाने के बजाय, उन्होंने इसे एक एकल "रेसिपी" (जिसे इलेक्ट्रिक एन्थैल्पी फंक्शनल कहा जाता है) सीखने के लिए सिखाया।
- उपमा: कल्पना कीजिए कि एक ही रेसिपी बुक है। यदि आप पूछते हैं, "मुझे कितनी चीनी चाहिए?" तो किताब आपको बताती है। यदि आप पूछते हैं, "कितना आटा?" तो वह बताती है। इस नए सिस्टम में, "इलेक्ट्रिक फील्ड" बस एक और सामग्री (ingredient) है। AI एक मास्टर रेसिपी सीखता है, और फिर वह केवल सरल गणित (differentiation) करके तुरंत चीनी (Polarization), आटा (Born Effective Charges), और बेकिंग का समय (Polarizability) निकाल सकता है।

यह एक बड़ी बात क्यों है

यह पेपर इस नए टूल की तीन मुख्य महाशक्तियों पर प्रकाश डालता है:

1. यह एक "प्लग-एंड-प्ले" अपग्रेड है
आमतौर पर, AI को बिजली के बारे में सिखाने के लिए, आपको पूरा नया मस्तिष्क शून्य से बनाना पड़ता है। MACE-Field अलग है। यह एक मानक कार इंजन में टर्बोचार्जर जोड़ने जैसा है। आप मूल इंजन (फाउंडेशन मॉडल) को रखते हैं क्योंकि वह पहले से ही ड्राइविंग में परफेक्ट है, और आप बस नया हिस्सा जोड़ते हैं ताकि वह इलेक्ट्रिक फील्ड को संभाल सके। इसका मतलब है कि वैज्ञानिक मौजूदा, उच्च-गुणवत्ता वाले मॉडलों को उनकी मूल सटीकता खोए बिना अपग्रेड कर सकते हैं।

2. यह कई पदार्थों के लिए एक ही नियम सीखता है (क्रॉस-केमिस्ट्री)
पुराने मॉडल विशेषज्ञों की तरह थे: एक मॉडल टाइटेनियम के बारे में सीखता था, दूसरा सिलिकॉन के बारे में, तीसरा ऑक्सीजन के बारे में। यदि आप एक नए मिश्रण के बारे में जानना चाहते थे, तो आपको फिर से शुरुआत करनी पड़ती थी।
MACE-Field एक सामान्यज्ञ (generalist) है। इसे हजारों अलग-अलग सामग्रियों (80 से अधिक तत्वों) पर प्रशिक्षित किया गया था। इसने सीखा कि परमाणु बिजली के प्रति कैसे प्रतिक्रिया करते हैं, चाहे परमाणु कुछ भी हों। यह भविष्यवाणी कर सकता है कि एक बिल्कुल नया, पहले कभी न देखा गया पदार्थ अपनी परमाणु संरचना को देखकर कैसा व्यवहार करेगा।

3. यह स्वतः ही भौतिकी के नियमों का पालन करता है
चूंकि AI एक ही "मास्टर रेसिपी" सीखता है और बाकी सब कुछ उसी से गणना करता है, इसलिए यह स्वतः ही भौतिकी के नियमों का पालन करता है।

उपमा: एक बैंक खाते की कल्पना करें। यदि आप $10 जमा करते हैं, तो आपका बैलेंस$ 10 बढ़ जाता है। यदि आप $5 निकालते हैं, तो यह$ 5 कम हो जाता है। आपको जमा और निकासी के लिए अलग नियम की आवश्यकता नहीं है; खाते का गणित इसे संभाल लेता है।
इसी तरह, MACE-Field सुनिश्चित करता है कि यदि आप एक परमाणु को धकेलते हैं, तो बल (force) और विद्युत प्रतिक्रिया पूरी तरह से मेल खाती है। इसे इन नियमों का पालन करने के लिए बताया जाने की आवश्यकता नहीं है; नियम उस एक रेसिपी के गणित में ही निहित हैं।

उन्होंने इस पर क्या परीक्षण किया

शोधकर्ताओं ने इस टूल का परीक्षण दो तरीकों से किया:

"सामान्य ज्ञान" परीक्षण: उन्होंने मॉडल से हजारों अलग-अलग क्रिस्टल के बिजली के प्रति प्रतिक्रिया का अनुमान लगाने के लिए कहा। इसने बहुत अच्छा काम किया, धीमी और महंगी वैज्ञानिक विधियों से लगभग पूरी तरह मेल खाया, लेकिन बहुत तेज़ी से।
"एक्शन मूवी" परीक्षण: उन्होंने तीव्र विद्युत क्षेत्रों के तहत वास्तविक समय में चलते और प्रतिक्रिया करते पदार्थों का अनुकरण (simulate) किया।
- केस 1 (बेरियम टाइटेनेट): उन्होंने एक ऐसे पदार्थ का अनुकरण किया जो एक स्विच (चालू और बंद होने) की तरह काम करता है। मॉडल ने सफलतापूर्वक "हिस्टेरेसिस लूप" (स्विच के चालू और बंद होने का आकार) को फिर से बनाया, जिससे पता चलता है कि यह जटिल स्विचिंग व्यवहारों को संभाल सकता है।
- केस 2 (क्वार्ट्ज): उन्होंने सिम्युलेट किया कि क्वार्ट्ज कैसे कंपन करता है और प्रकाश को अवशोषित करता है। मॉडल ने उस "ध्वनि" (इन्फ्रारेड और रमन स्पेक्ट्रा) की भविष्यवाणी की जो प्रकाश से टकराने पर पदार्थ उत्पन्न करता है। यह वास्तविक चीज़ के बहुत करीब था, हालांकि केवल उसी एक विशिष्ट पदार्थ के लिए प्रशिक्षित मॉडल की तुलना में थोड़ा "सॉफ्ट" (कम तीक्ष्ण) था।

निचोड़ (The Bottom Line)

MACE-Field एक बड़ी उपलब्धि है क्योंकि यह एक शक्तिशाली, सामान्य-उद्देश्य वाले मटेरियल AI को उसकी मूल क्षमताओं को नुकसान पहुँचाए बिना बिजली को समझने की क्षमता देता है।

वैज्ञानिकों के लिए: इसका मतलब है कि अब वे इलेक्ट्रॉनिक्स, सेंसर और सौर सेल के उपयोग के लिए हजारों नए पदार्थों की स्क्रीनिंग पुराने समय की तुलना में बहुत कम समय में कर सकते हैं।
चुनौती: हालांकि यह सामान्य भविष्यवाणियों के लिए अद्भुत है, यदि आपको किसी एक विशिष्ट पदार्थ (जैसे कि वह प्रकाश का सटीक रंग कैसे परावर्तित करता है) के लिए पूर्णतः सटीक विवरण की आवश्यकता है, तो केवल उस एक पदार्थ पर प्रशिक्षित एक विशेष मॉडल अभी भी थोड़ा बेहतर है। लेकिन लगभग हर अन्य चीज़ के लिए, यह नया "यूनिवर्सल" टूल गेम-चेंजर है।

तकनीकी सारांश: MACE-Field – अकार्बनिक सामग्रियों की विद्युत प्रतिक्रिया का सामान्य शिक्षण

समस्या विवरण
डाइइलेक्ट्रिक प्रतिक्रिया गुणों—विशेष रूप से विद्युत ध्रुवीकरण ( $P$ ), बॉर्न प्रभावी आवेश ( $Z^*$ ), और ध्रुवीकरण टेंसर ( $\alpha$ )—का पूर्वानुमान लगाना माइक्रोइलेक्ट्रॉनिक्स, ऊर्जा रूपांतरण और सेंसिंग के लिए सामग्रियों के डिजाइन हेतु अत्यंत महत्वपूर्ण है। हालांकि, डेंसिटी फंक्शनल परटर्बेशन थ्योरी (DFPT) और परिमित-क्षेत्र बेरिए-फेज (finite-field Berry-phase) गणनाओं पर आधारित प्रथम-सिद्धांत (first-principles) विधियां अत्यधिक महंगी हैं, जिनमें अक्सर मानक कुल-ऊर्जा गणनाओं की तुलना में एक या दो क्रम अधिक संसाधनों की आवश्यकता होती है। यह लागत बड़े पैमाने पर स्क्रीनिंग, परिमित-ताप गतिकी (finite-temperature dynamics), और डिवाइस-प्रासंगिक सूक्ष्म संरचना सिमुलेशन में उनके अनुप्रयोग को सीमित करती है।

मौजूदा मशीन लर्निंग इंटरएटोमिक पोटेंशियल (MLIPs) इस अंतर को प्रभावी ढंग से पाटने में संघर्ष करते रहे हैं। कई एकीकृत विद्युत-प्रतिक्रिया मॉडल एकल-सामग्री प्रशिक्षण तक सीमित हैं, जो विभिन्न रसायन विज्ञानों में स्थानांतरणीयता (transferability) को सीमित करते हैं। अन्य मानक MLIP बैकबोन से अलग हो जाते हैं, जिससे विशाल ऊर्जा और बल डेटासेट पर पूर्व-प्रशिक्षित उच्च-गुणवत्ता वाले फाउंडेशन मॉडल्स का पुन: उपयोग करना कठिन हो जाता है। इसके अतिरिक्त, आवधिक इंसुलेटरों (periodic insulators) में ध्रुवीकरण की बहु-मान वाली प्रकृति (बेरी-फेज समस्या) को संभालना और भौतिक निरंतरता (जैसे, मैक्सवेल पारस्परिकता, ध्वनिक योग नियम) सुनिश्चित करना डेटा-संचालित दृष्टिकोणों के लिए एक महत्वपूर्ण चुनौती बनी हुई है।

कार्यप्रणाली: MACE-Field आर्किटेक्चर
लेखक MACE-Field प्रस्तुत करते हैं, जो एक फील्ड-अवेयर, $O(3)$ -इक्विवैरिएंट इंटरएटोमिक पोटेंशियल है जिसे विविध अकार्बनिक क्रिस्टल में एक एकल विद्युत एन्थैल्पी फलन, $F(\{R\}, E)$ , को सीखने के लिए डिज़ाइन किया गया है। यह मॉडल इस स्केलर फलन के सटीक अवकलन (exact differentiation) के माध्यम से $P$ , $Z^*$ , और $\alpha$ प्राप्त करता है:
$P = -\Omega^{-1} \frac{\partial F}{\partial E}, \quad Z^*_{\kappa,ij} = \Omega \frac{\partial P_i}{\partial u_{\kappa j}}, \quad \alpha_{ij} = \frac{\partial P_i}{\partial E_j}$

प्रमुख वास्तुशिल्प विशेषताएं शामिल हैं:

प्लग-इन फील्ड कपलिंग: मॉडल एक समान बाहरी विद्युत क्षेत्र ( $E$ ) को मानक MACE बैकबोन के भीतर लेटेंट इक्विवैरिएंट फीचर्स (latent equivariant features) के साथ सीधे जोड़ता है। यह क्लेबश-गोर्डन (Clebsch-Gordan) टेंसर उत्पादों और प्रत्येक मैसेज-पासिंग लेयर में रेसिडुअल मिक्सिंग के माध्यम से प्राप्त किया जाता है। क्षेत्र (field) को रैंक $L$ के लेटेंट फीचर्स के साथ परस्पर क्रिया करने वाले रैंक-1 स्फेरिकल टेंसर के रूप में माना जाता है।
स्केलर रीडआउट: अंतिम ऊर्जा रीडआउट एक स्केलर ( $L=0$ ) बना रहता है, जो आउटपुट को रोटेशनल इनवेरिएंट (घूर्णी अपरिवर्तनीय) सुनिश्चित करता है। यह डिज़ाइन मॉडल को मौजूदा MACE फाउंडेशन मॉडल्स का एक "प्लग-इन" विस्तार बनाने की अनुमति देता है, बिना मूल ग्राफ निर्माण या रीडआउट तंत्र को बदले।
निर्माण द्वारा भौतिक बाधाएं: चूंकि सभी प्रतिक्रिया टेंसर एक एकल दो बार-विभेदनीय (twice-differentiable) स्केलर फलन से व्युत्पन्न होते हैं, इसलिए मॉडल स्वाभाविक रूप से मैक्सवेल पारस्परिकता (मिश्रित डेरिवेटिव की समरूपता) और बॉर्न प्रभावी आवेशों के लिए ध्वनिक योग नियम (ASR) को संतुष्ट करता है।
शाखा-अपरिवर्तनीय पर्यवेक्षण (Branch-Invariant Supervision): ध्रुवीकरण की बहु-मान वाली प्रकृति (बेरी फेज) को संबोधित करने के लिए, प्रशिक्षण लॉस ध्रुवीकरण जाली (polarisation lattice) पर एक "क्लोजेस्ट-इमेज" निर्माण का उपयोग करता है। यह सुनिश्चित करता है कि लॉस ध्रुवीकरण शाखा के चयन के प्रति अपरिवर्तनीय है जबकि मॉडल $P$ को एक कंजर्वेटिव डेरिवेटिव के रूप में भविष्यवाणी करता है।

डेटासेट और प्रशिक्षण प्रोटोकॉल
अध्ययन दो प्राथमिक क्रॉस-केमिस्ट्री डेटासेट और दो एकल-सामग्री आणविक गतिकी (MD) ट्रैजेक्टरी सेटों का उपयोग करता है:

MP-Dielectric: 81 तत्वों को कवर करने वाले $\sim$ 5,300 DFPT प्रविष्टियाँ, जो बॉर्न प्रभावी आवेश और इलेक्ट्रॉनिक ध्रुवीकरण क्षमता प्रदान करती हैं।
MP-Ferroelectric: 61 तत्वों को कवर करने वाले $\sim$ 2,500 संरचनाएं, जिनमें गैर-ध्रुवीय और ध्रुवीय अवस्थाओं को जोड़ने वाले विरूपण पथों के साथ बेरी-फेज ध्रुवीकरण शामिल है।
फाउंडेशन फाइन-ट्यूनिंग: लेखक मल्टीहेड फाउंडेशन मॉडल mace-mp-mh-0 (विशेष रूप से इसका OMAT-PBE हेड) को MP-Dielectric, MP-Ferroelectric और एक 10,000-संरचना वाले OMAT-PBE रीप्ले सेट पर संयुक्त पर्यवेक्षण प्रोटोकॉल का उपयोग करके फाइन-ट्यून करते हैं। इससे MACE-Field-MH-0 फाउंडेशन मॉडल प्राप्त होता है।
एकल-सामग्री सत्यापन: टेट्रागोनल $BaTiO_3$ और $\alpha$ -क्वार्ट्ज ( $\text{SiO}_2$ ) के लिए परिमित-ताप MD ट्रैजेक्टरीज पर अलग-अलग मॉडल प्रशिक्षित किए गए हैं ताकि परिमित-क्षेत्र गतिकी और स्पेक्ट्रोस्कोपी का बेंचमार्क किया जा सके।

प्रमुख परिणाम

फाउंडेशन मॉडल स्थानांतरणीयता: फाइन-ट्यून किया गया MACE-Field-MH-0 मॉडल ऊर्जा, बल और स्ट्रेस के लिए मूल mace-mp-mh-0 की उच्च सटीकता बनाए रखता है और विविध रसायन विज्ञान में $Z^*$ , $\alpha$ , और व्युत्पन्न डाइइलेक्ट्रिक स्थिरांक के लिए हस्तांतरणीय भविष्यवाणियां प्राप्त करता है। यह लगभग विकर्ण रुझानों (near-diagonal trends) और संकीर्ण स्कैटर के साथ संदर्भ DFPT डेटा को पुनरुत्पादित करता है।
क्रॉस-केमिस्ट्री ध्रुवीकरण: मॉडल 61 तत्वों में बेरी-फेज ध्रुवीकरण शाखाओं और स्वतःस्फूर्त ध्रुवीकरण ( $P_s$ ) की सफलतापूर्वक भविष्यवाणी करता है। विशेष रूप से, संयुक्त रूप से फाइन-ट्यून किया गया फाउंडेशन मॉडल उसी फेरोइलेक्ट्रिक डेटा पर स्क्रैच से प्रशिक्षित मॉडल की तुलना में थोड़ा बेहतर प्रदर्शन करता है, जो यह सुझाव देता है कि फाउंडेशन प्री-ट्रेनिंग वैश्विक शाखा संरचनाओं के लिए एक लाभकारी इंडक्टिव बायस (inductive bias) प्रदान करता है।
डेरिवेटिव निरंतरता और आउटलियर सुधार: मॉडल निर्माण द्वारा ध्वनिक योग नियम (ASR) को लागू करता है। उन मामलों में जहां संदर्भ DFPT लेबल ने ASR का उल्लंघन किया (जैसे, कुछ Te- और O-युक्त यौगिकों में), MACE-Field-MH-0 ने भौतिक रूप से सुसंगत आवेशों की भविष्यवाणी की, जिससे असंगत प्रशिक्षण लेबल प्रभावी रूप से "मरम्मत" हो गए।
परिमित-क्षेत्र गतिकी और स्पेक्ट्रोस्कोपी:
- $BaTiO_3$ : मॉडल DFPT बेंचमार्क के तुलनीय फेरोइलेक्ट्रिक हिस्टेरेसिस लूप और कोएर्सिव फील्ड को पुनरुत्पादित करता है, जो अंतर्निहित होमोजेनियस स्विचिंग को कैप्चर करता है।
- $\alpha$ -Quartz: मॉडल IR और रमन स्पेक्ट्रा तथा डाइइलेक्ट्रिक फंक्शन उत्पन्न करता है। जबकि फाउंडेशन मॉडल सही गुणात्मक बैंड संरचना और IR पीक पोजीशन को कैप्चर करता है, यह एक सीधे प्रशिक्षित एकल-सामग्री विशेषज्ञ की तुलना में एक व्यवस्थित "सॉफ्टनिंग" (रेड-शिफ्टेड पीक्स, ओवरएस्टीमेटेड स्टैटिक परमिटिविटी) और कम सटीक रमन गतिविधि वितरण प्रदर्शित करता है। यह इंगित करता है कि जबकि फाउंडेशन सामान्य रुझानों को कैप्चर करता है, लक्षित प्रशिक्षण मात्रात्मक स्पेक्ट्रोस्कोपिक विवरणों के लिए बेहतर है।

महत्व और दावे
लेख का दावा है कि MACE-Field सामग्री विज्ञान के लिए भौतिकी-सूचित, डिफरेंशिएबल फाउंडेशन मॉडल्स की दिशा में एक महत्वपूर्ण कदम है। इसके प्राथमिक योगदान हैं:

वंशानुक्रम (Inheritance): यह प्रदर्शित करता है कि मौजूदा ऊर्जा/बल फाउंडेशन मॉडल्स में एक हल्के प्लग-इन के माध्यम से फील्ड-अवेयर क्षमताओं को जोड़ा जा सकता है, जो उनकी मूल सटीकता को बनाए रखते हुए जटिल डाइइलेक्ट्रिक प्रतिक्रियाओं की भविष्यवाणी करने में सक्षम बनाता है।
सामान्यीकरण (Generalization): यह हजारों अकार्बनिक संरचनाओं और 80+ तत्वों में ध्रुवीकरण, प्रभावी आवेश और ध्रुवीकरण क्षमता की हस्तांतरणीय भविष्यवाणियां प्राप्त करता है, जो एकल-सामग्री सीमाओं से आगे बढ़ता है।
भौतिक निरंतरता: एक एकल स्केलर एन्थैल्थी से सभी अवलोकनों (observables) को व्युत्पन्न करके, मॉडल बिना किसी एड-हॉक दंड (ad-hoc penalties) के थर्मोडायनामिक निरंतरता (पारस्परिकता, योग नियम) की गारंटी देता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि सबसे मात्रात्मक स्पेक्ट्रोस्कोपिक भविष्यवाणियों (विशेष रूप से रमन तीव्रता) के लिए लक्षित एकल-सामग्री प्रशिक्षण फायदेमंद रहता है, MACE-Field ढांचा बड़े पैमाने पर डाइइलेक्ट्रिक स्क्रीनिंग और परिमित-क्षेत्र आणविक गतिकी सिमुलेशन के लिए एक मजबूत, स्केलेबल मार्ग प्रदान करता है। यह कार्य संरचनात्मक और क्षेत्र-प्रतिक्रिया शिक्षण को एक सममिति-सुसंगत ढांचे के भीतर एकीकृत करने वाले नए प्रकार के परमाणु मॉडलों के प्रोटोटाइप के रूप में स्वयं को स्थापित करता है।

बड़ी समस्या: पदार्थ बिजली के प्रति कैसे प्रतिक्रिया करते हैं, इसका पूर्वानुमान लगाना

समाधान: MACE-Field (एक "स्मार्ट अनुवादक")

यह एक बड़ी बात क्यों है

उन्होंने इस पर क्या परीक्षण किया

निचोड़ (The Bottom Line)

इसी तरह के और पेपर