⚛️ phenomenology

Parton distribution functions and theory parameters: an NNPDF perspective

यह शोध पत्र पार्टोन डिस्ट्रीब्यूशन फंक्शन्स (पार्टन वितरण फलनों) को निर्धारित करने की वर्तमान स्थिति और चुनौतियों पर NNPDF सहयोग का दृष्टिकोण प्रस्तुत करता है, जो स्टैंड-अलोन और संयुक्त दोनों विश्लेषणों के माध्यम से मौलिक मानक मॉडल मापदंडों और स्टैंडर्ड मॉडल से परे (बीयॉन्ड द एसएम) विल्सन गुणांकों को निकालने में उनकी महत्वपूर्ण भूमिका पर बल देता है।

मूल लेखक: Richard D. Ball, Tommaso Giani, Felix Hekhorn, Jaco ter Hoeve, Tanjona R. Rabemananjara, Juan Rojo, Roy Stegeman, Maria Ubiali

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Richard D. Ball, Tommaso Giani, Felix Hekhorn, Jaco ter Hoeve, Tanjona R. Rabemananjara, Juan Rojo, Roy Stegeman, Maria Ubiali

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 एक मास्टर शेफ हैं जो एक प्रसिद्ध, जटिल व्यंजन (जैसे कि एक परफेक्ट सूफ़ले) को फिर से बनाने की कोशिश कर रहे हैं, जिसका आधार एक पुरानी, धूल भरी कुकबुक में मिली रेसिपी है। लेकिन यहाँ एक पेंच है: वह कुकबुक (प्रोटॉन) एक ऐसी भाषा में लिखी गई है जिसे आप पूरी तरह से नहीं समझते, और उसके अंदर की सामग्री (पार्टोंस) लगातार बदलती और घूमती रहती है।

इस व्यंजन को पूरी तरह से पकाने के लिए, आपको यह जानना होगा कि किसी भी दिए गए क्षण में कटोरे में प्रत्येक सामग्री की कितनी मात्रा है। इन सामग्रियों की मात्राओं को पार्टन डिस्ट्रीब्यूशन फंक्शन्स (PDFs) कहा जाता है।

हालाँकि, एक समस्या है: रेसिपी अन्य चरों (variables) पर भी निर्भर करती है जिन्हें आप निश्चित रूप से नहीं जानते, जैसे कि ओवन का सटीक तापमान (स्ट्रॉन्ग कपलिंग कांस्टेंट, $\alpha_s$ ) या किसी विशेष मसाले का वजन (टॉप क्वार्क मास, $m_t$ )। यदि आप ओवन के तापमान का गलत अनुमान लगाते हैं, तो आपकी सामग्रियों की माप गलत हो जाएगी। यदि आप सामग्री की मात्रा का गलत अनुमान लगाते हैं, तो आपके ओवन के तापमान की गणना गलत हो जाएगी।

यह पेपर इस बारे में है कि वैज्ञानिकों की एक टीम (NNPDF सहयोग) इस "मुर्गी और अंडे" वाली समस्या (chicken-and-egg problem) को कैसे हल करने की कोशिश कर रही है। वे इस तरह से सब कुछ करना चाहते हैं कि वे चीज़ों को गड़बड़ाए बिना सामग्री और पकाने की स्थितियों, दोनों को एक ही समय में समझ सकें।

यहाँ उनके काम का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "ब्लाइंड टेस्ट" (The Blind Taste Test)

लंबे समय तक, वैज्ञानिकों ने पहले सामग्रियों (PDFs) को मापने की कोशिश की, यह मानते हुए कि उन्हें ओवन के तापमान (स्टैंडर्ड मॉडल पैरामीटर्स) का पता है। फिर, वे उन सामग्रियों का उपयोग करके तापमान को मापने की कोशिश करते थे।

दोष: यदि ओवन वास्तव में आपके सोचे हुए तापमान से अधिक गर्म है, तो गणित को सही बैठाने के लिए आपको लग सकता है कि आपके पास आटे की मात्रा कम है। यह एक "बायस" (पक्षपात/त्रुटि) पैदा करता है।
नया दृष्टिकोण: NNPDF टीम कहती है, "आइए अनुमान लगाना बंद करें। आइए हम सामग्री और ओवन के तापमान को एक साथ मापें।" वे इसे एक विशाल, आपस में जुड़े हुए पहेली की तरह देखते हैं जहाँ हर हिस्सा दूसरे हिस्से को प्रभावित करता है।

2. टूलकिट: वे इसे कैसे करते हैं

टीम इस पहेली को सुलझाने के लिए तीन "उपकरणों" (तरीकों) का उपयोग करती है:

"मोंटे कार्लो" सिम्युलेटर (कोरिलेटेड रेप्लिका मेथड):
कल्पना कीजिए कि आपके पास एक ही रेसिपी बुक के 1,000 अलग-अलग संस्करण हैं, जिनमें से प्रत्येक में थोड़े अलग यादृच्छिक (random) निशान हैं (जो प्रयोगात्मक त्रुटियों का प्रतिनिधित्व करते हैं)। आप उन सभी 1,000 किताबों का उपयोग करके व्यंजन बनाने की कोशिश करते हैं। यह देखकर कि आपके 1,000 प्रयासों में परिणाम कैसे बदलते हैं, आप यह पता लगा सकते हैं कि "ओवन का तापमान" और "आटे की मात्रा" आपस में कैसे नाच रहे हैं।
"गणितीय शॉर्टकट" (थ्योरी कोवेरिएंस मेथड):
1,000 सिमुलेशन चलाने के बजाय, यह विधि एक चतुर गणितीय ट्रिक का उपयोग करती है। यह पूछती है: "यदि मैं ओवन के तापमान को थोड़ा सा बदल दूँ, तो रेसिपी में कितना बदलाव आएगा?" यह उत्तर तुरंत निकाल लेता है, जिससे वे भारी मेहनत किए बिना सामग्री और तापमान के बीच सही संतुलन पा सकते हैं।
"स्मार्ट AI" (SIMUnet):
यह एक न्यूरल नेटवर्क (एक प्रकार का AI) है जिसे अपग्रेड किया गया है। आमतौर पर, AI केवल सामग्री सीखता है। अब, उन्होंने AI में एक "कंट्रोल पैनल" जोड़ दिया है। हम इस पैनल के नॉब्स (knobs) को घुमाकर "ओवन के तापमान" या "मसाले के वजन" को एडजस्ट कर सकते हैं, जबकि AI अभी भी सामग्री सीख रहा है। AI दोनों को एक साथ सीखता है, और वह संयोजन ढूंढता है जो सभी डेटा के लिए सटीक बैठता है।

3. "स्ट्रेस टेस्ट": "फेक डेटा" की जाँच

हमें कैसे पता चलेगा कि उनकी नई विधि खराब नहीं है? इसके लिए वे एक क्लोजर टेस्ट (Closure Test) का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि वैज्ञानिक एक "परफेक्ट" नकली रेसिपी बुक बनाते हैं जहाँ वे सटीक सत्य जानते हैं (जैसे कि ठीक 200 ग्राम आटा और 350°F तापमान)। फिर वे इस नकली बुक को अपने नए तरीके में डालते हैं।
परिणाम: यदि उनकी विधि अच्छी है, तो उसे उस नकली बुक को देखकर कहना चाहिए, "आह, यह 200 ग्राम और 350°F है!"
खोज: उनके परीक्षणों में, उन्होंने पाया कि यदि वे AI को केवल "धनात्मक" (positive) संख्याओं को देखने के लिए मजबूर करते हैं (आप नकारात्मक आटा नहीं रख सकते!), तो वह थोड़ा भ्रमित हो गया और गलत उत्तर देने लगा। उस नियम को ढीला करके, उन्होंने त्रुटि को ठीक कर दिया। इसने साबित किया कि उनकी "स्ट्रेस टेस्ट" छिपी हुई गलतियों को पकड़ने के लिए कितनी महत्वपूर्ण थी।

4. "न्यू फिजिक्स" का जाल: भूतों की तलाश

न्यू फिजिक्स (स्टैंडर्ड मॉडल से परे) को खोजना सबसे बड़ी चुनौती है। कल्पना कीजिए कि आप अपनी रसोई में एक भूत की तलाश कर रहे हैं।

जाल: यदि आप अपनी सामग्री को ठीक से नहीं जानते हैं, तो आप एक साये को भूत समझ सकते हैं, जबकि वह वास्तव में आटे का ढेर हो सकता है जिसे आपने ठीक से नहीं मापा।
समाधान: यदि आप भूत की उपस्थिति से प्रभावित हुई रेसिपी बुक का उपयोग करके "भूत" को खोजने की कोशिश करते हैं, तो आप उसे कभी नहीं ढूंढ पाएंगे! भूत बस "आटे के माप" के अंदर छिप जाएगा।
सुधार: भूत को खोजने के लिए, आपको भूत की तलाश करते समय ही सामग्री को मापना होगा। पेपर दिखाता है कि विभिन्न स्रोतों (जैसे "फॉरवर्ड फिजिक्स फैसिलिटी" या "इलेक्ट्रॉन आयन कोलाइडर" - इन्हें रसोई में प्रकाश के अलग-अलग कोणों की तरह समझें) से डेटा का उपयोग करके, वे "आटे" को "भूत" से अलग कर सकते हैं।

5. यह क्यों महत्वपूर्ण है

लार्ज हैड्रोन कोलाइडर (LHC) दो प्रोटॉनों के बीच एक विशाल, उच्च-गति टक्कर की तरह है। जब वे आपस में टकराते हैं, तो क्या होता है, इसे समझने के लिए हमें यह जानना आवश्यक है कि टकराने से पहले उनके अंदर वास्तव में क्या था।

यदि हम सामग्री (PDFs) को गलत समझते हैं, तो हम एक नए कण (जैसे हिग्स बोसोन या उससे भी बड़ा कुछ) को मिस कर सकते हैं।
यदि हम पकाने की स्थितियों ( $\alpha_s, m_t$ ) को गलत समझते हैं, तो हमें लग सकता है कि हमने न्यू फिजिक्स खोज ली है, जबकि वास्तव में वह केवल एक गणितीय त्रुटि हो सकती है।

सारांश में:
यह पेपर इस बारे में एक मार्गदर्शिका है कि अनुमान लगाना कैसे बंद किया जाए। NNFFD टीम ने एक परिष्कृत प्रणाली बनाई है जो प्रोटॉन की "सामग्री" और "ब्रह्मांड के नियमों" को एक ही समय में मापती है। वे AI, उन्नत गणित और कठोर "फेक डेटा" परीक्षणों का उपयोग करते हैं ताकि यह सुनिश्चित हो सके कि जब वे किसी नए कण या भौतिकी के नए नियम का दावा करते हैं, तो वे केवल आटे के गलत माप के कारण धोखा नहीं खा रहे हैं।

वे मूल रूप से कह रहे हैं: "केवल रेसिपी को न पढ़ें; पूरे किचन, ओवन और शेफ को एक साथ समझें।"

यहाँ "Parton distribution functions and theory parameters: an NNPDF perspective" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पार्टोन डिस्ट्रीब्यूशन फंक्शन्स (PDFs) और स्टैंडर्ड मॉडल (SM) या स्टैंडर्ड मॉडल से परे (BSM) मापदंडों का निर्धारण एक दूसरे से गहराई से जुड़े हुए हैं।

परस्पर निर्भरता (Interdependence): लार्ज हैड्रॉन कोलाइडर (LHC) अवलोकनों के सटीक भविष्यवाणियों के लिए PDFs की आवश्यकता होती है, जबकि मौलिक मापदंडों (जैसे, स्ट्रॉन्ग कपलिंग $\alpha_s(m_Z)$ , टॉप मास $m_t$ , $W$ -मास $m_W$ , और SMEFT विल्सन गुणांक) के निष्कर्षण के लिए भी इन्हीं PDFs पर निर्भरता होती है।
बायस (Bias) का जोखिम: यदि PDFs को निश्चित SM मापदंडों को मानते हुए फिट किया जाता है, और उन मापदंडों को बाद में प्राप्त PDFs का उपयोग करके निकाला जाता है, तो व्यवस्थित बायस (systematic biases) उत्पन्न हो सकते हैं। इसके विपरीत, यदि BSM प्रभाव उच्च-ऊर्जा डेटा टेल्स (tails) को विकृत करते हैं, तो BSM भौतिकी को ध्यान में रखे बिना PDFs को फिट करने से "दूषित" (contaminated) PDFs मिल सकते हैं, जो भविष्य के खोजों में नए भौतिकी संकेतों को छिपा सकते हैं।
वर्तमान सीमाएँ: पारंपरिक दृष्टिकोण अक्सर डेटा को अलग-अलग सेटों (एक PDFs के लिए, दूसरा मापदंडों के लिए) में विभाजित करते हैं या बाहरी मानों के लिए मापदंडों को स्थिर रखते हैं। यह $\alpha_s$ और $m_t$ जैसे मापदंडों के लिए उप-इष्टतम (suboptimal) है, जो PDF आकृतियों (जैसे, ग्लूऑन डिस्ट्रीब्यूशन) के साथ दृढ़ता से सह-संबंधित हैं, और BSM खोजों के लिए भी, जहाँ उच्च- $x$ क्षेत्र कम नियंत्रित होते हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र तीन प्राथमिक पद्धतियों का उपयोग करके PDFs और सिद्धांत मापदंडों के सह-निर्धारण (simultaneous extraction) के लिए NNPDF ढांचे के दृष्टिकोण को रेखांकित करता है:

A. सैद्धांतिक ढांचा (Theoretical Framework)

NNPDF4.0: ग्रेडिएंट डिसेंट और मोंटे कार्लो (MC) इम्पोर्टेंस सैंपलिंग के माध्यम से पैरामीट्राइज किए गए न्यूरल नेटवर्क का उपयोग करता है।
उच्च क्रम परिशुद्धता (Higher Order Precision): इसमें Next-to-Next-to-Next-to-Leading Order (N3LO) QCD सुधार और Next-to-Leading Order (NLO) QED सुधार (फोटॉन PDFs सहित) शामिल हैं।
अनिश्चितता प्रबंधन (Uncertainty Handling): मिसिंग हायर ऑर्डर अनसर्टेंटीज़ (MHOU) और प्रयोगात्मक सहसंबंधों को शामिल करने के लिए एक थ्योरी कोवेरियेंस मैट्रिक्स (Theory Covariance Matrix) फॉर्मलिज्म का उपयोग करता है।

B. सह-फिटिंग रणनीतियाँ (Simultaneous Fitting Strategies)

लेखक निरंतर PDF फलनों और असतत/निरंतर मापदंडों के संयुक्त अनुकूलन को संभालने के लिए तीन अलग-अलग विधियों का प्रस्ताव करते हैं:

कोरिलेटेड रेप्लिका मेथड (Correlated Replica Method - CRM):
- प्रयोगात्मक और सैद्धांतिक अनिश्चितताओं वाले $N_{rep}$ डेटा रेप्लिका जेनरेट करता है।
- मापदंडों के ग्रिड (जैसे, विभिन्न $\alpha_s$ ) के लिए फिट करता है।
- सबसे संभावित मापदंड मान और सहसंबंधों को निकालने के लिए $(\text{PDF}, \text{Parameter})$ स्पेस में एक संयुक्त संभाव्यता वितरण बनाता है।
थ्योरी कोवेरियेंस मेथड (Theory Covariance Method - TCM):
- लक्षित मापदंड (जैसे, $\alpha_s$ या $m_t$ ) को एक नजेंस पैरामीटर (nuisance parameter) $\lambda$ के रूप में मानता है।
- एनालिटिक रूप से $\lambda$ के पोस्टीरियर डिस्ट्रीब्यूशन को प्राप्त करने के लिए गाऊसी प्रायर्स (Gaussian priors) और लाइकलीहुड्स का उपयोग करता है।
- थ्योरी भविष्यवाणियों में बदलाव को लीनियर (linearized) बनाया जाता है ( $T \to T + \lambda \beta$ ), जिससे प्रत्येक मापदंड मान के लिए न्यूरल नेटवर्क को पुन: प्रशिक्षित किए बिना मापदंड को PDFs के साथ निर्धारित किया जा सके।
SIMUnet (Simultaneous Network):
- एक NNPDF आर्किटेक्चर का विस्तार जहाँ विल्सन गुणांकों (SMEFT मापदंडों) को अंतिम आउटपुट लेयर के किनारों पर ट्रेन करने योग्य मापदंडों के रूप में जोड़ा गया है।
- यह PDF मापदंडों और BSM गुणांकों दोनों के सापेक्ष $\chi^2$ के समवर्ती न्यूनीकरण (minimization) की अनुमति देता है।

C. सत्यापन: क्लोजर टेस्ट्स (Validation: Closure Tests)

सांख्यिकीय सुदृढ़ता सुनिश्चित करने के लिए, लेखक क्लोजर टेस्ट्स का उपयोग करते हैं:

सिंथेटिक डेटा एक ज्ञात "सत्य" (विशिष्ट PDFs और मापदंड मानों) से उत्पन्न किया जाता है।
इस सिंथेटिक डेटा पर फिटिंग पद्धति लागू की जाती है।
मेट्रिक: यह सत्यापित करने के लिए कि क्या निकाले गए अनसर्टेंटीज़ वफादार (Gaussian) हैं और क्या केंद्रीय मान इनपुट सत्य को पुनः प्राप्त करते हैं, नॉर्मलाइज्ड बायस ( $R_{bv}$ ) और रूट-मीन-स्क्वायर बायस की गणना की जाती है।
मुख्य निष्कर्ष: शोध पत्र बताता है कि पॉजिटिविटी कंस्ट्रेंट्स (भौतिक आवश्यकता कि PDFs $>0$ ) को लागू करने से गाऊसी धारणाएं टूट सकती हैं, जिससे मापदंड निष्कर्षण में बायस आ सकता है, जब तक कि उन्हें सावधानीपूर्वक प्रबंधित न किया जाए (जैसे, क्लोजर टेस्ट चरण के दौरान बाधाओं को मुक्त करना)।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

A. $\alpha_s(m_Z)$ का समवर्ती निर्धारण

परिणाम: NNPDF4.0 डेटा और TCM/CRM का उपयोग करते हुए, लेखक $\alpha_s(m_Z) = 0.1194^{+0.0007}_{-0.0014}$ निकालते हैं।
सुधार: इस निर्धारण को N3LO QCD, NLO QED, और फोटॉन PDF के समावेश से लाभ मिलता है।
सत्यापन: क्लोजर टेस्ट्स ने दिखाया कि पॉजिटिविटी कंस्ट्रेंट्स सक्रिय होने पर बायस आता है। इसे ठीक करके, यह विधि इनपुट सत्य के साथ निरंतरता प्राप्त करती है।
प्रभाव: $\alpha_s$ अनसर्टेंटी को PDFs के साथ सह-संबंधित रूप में शामिल करने से ग्लूऑन-ग्लूऑन ल्यूमिनोसिटी अनसर्टेंटी का अधिक मजबूत अनुमान प्राप्त होता है।

B. $m_t$ और $\alpha_s$ का समवर्ती निर्धारण

विधि: PDFs के साथ $m_t$ और $\alpha_s$ को संयुक्त रूप से फिट करने के लिए TCM को लागू किया गया।
परिणाम: टॉप मास का सबसे सटीक निर्धारण इनवेरिएंट मास ( $m_{t\bar{t}}$ ) वितरण का उपयोग करके किया जाता है, उसके बाद ट्रांसवर्स मोमेंटम ( $p_T$ ) और रैपिडिटी ( $y_t$ ) का स्थान आता है।
सहसंबंध: अध्ययन पाता है कि संयुक्त फिट में $m_t$ और $\alpha_s$ के बीच सीमित सहसंबंध है, जो यह सुझाव देता है कि समवर्ती निष्कर्षण निश्चित-PDF निष्कर्षणों की तुलना में किसी भी मापदंड की सटीकता को महत्वपूर्ण रूप से कम नहीं करता है।

C. PDFs और SMEFT विल्सन गुणांकों का समवर्ती निर्धारण

चुनौती: उच्च-द्रव्यमान टेल्स (जैसे, Drell-Yan, $t\bar{t}$ ) में BSM प्रभाव PDFs (विशेष रूप से बड़े- $x$ ग्लूऑन और एंटीक्वार्क्स) में समाहित हो सकते हैं, जिससे BSM भौतिकी पर गलत प्रतिबंध लग सकते हैं।
निष्कर्ष:
- टॉप सेक्टर: टॉप-सेक्टर SMEFT ऑपरेटर्स और PDFs के समवर्ती फिट दिखाते हैं कि जबकि विल्सन गुणांक की सीमाएं स्थिर रहती हैं, बड़े- $x$ ग्लूऑन PDF "सॉफ्ट" (softer) हो जाता है।
- ड्रेल-यान (Drell-Yan): यूनिवर्सल BSM ऑपरेटर्स (जैसे, $W'$ , $Z'$ ) को सॉफ्ट बड़े- $x$ PDFs द्वारा मिमिक (mimic) किया जा सकता है। यदि ध्यान न दिया जाए, तो यह भविष्य की खोजों में BSM सिग्नल को मिटा सकता है।
समाधान: शोध पत्र प्रदर्शित करता है कि उच्च-ऊर्जा LHC डेटा के साथ निम्न-ऊर्जा डेटा (जैसे, इलेक्ट्रॉन-आयन कोलाइडर या फॉरवर्ड फिजिक्स फैसिलिटी से) को शामिल करने वाले संयुक्त फिट (joint fits) इस विसंगति को तोड़ सकते हैं, जिससे BSM संकेतों को PDFs में समाहित होने से रोका जा सकता है।

4. महत्व और भविष्य का दृष्टिकोण (Significance and Future Outlook)

परिशुद्धता युग (Precision Era): जैसे-जैसे LHC हाई-ल्यूमिनोसिटी (HL-LHC) युग की ओर बढ़ रहा है, PDF अनसर्टेंटी कई सटीक मापों में प्रमुख व्यवस्थित कारक (systematic) बनती जा रही हैं। समवर्ती फिटिंग अब वैकल्पिक नहीं बल्कि उप-प्रतिशत परिशुद्धता के लिए आवश्यक है।
पद्धतिगत सुदृढ़ता: यह शोध पत्र पुष्टि करता है कि समवर्ती फिटों को मान्य करने के लिए, विशेष रूप से पॉजिटिविटी कंस्ट्रेंट्स और गैर-गाऊसी अनसर्टेंटीज़ को संभालने के संबंध में, क्लोजर टेस्ट्स महत्वपूर्ण हैं।
BSM संवेदनशीलता: यह कार्य PDF विविधताओं और वास्तविक BSM संकेतों के बीच अंतर करने के लिए एक ढांचा प्रदान करता है, जिससे ग्लोबल फिट्स में नई भौतिकी के छिपने की संभावना को रोका जा सकता है।
भवि भविष्य की दिशाएं:
- भारी क्वार्क द्रव्यमानों ( $m_c, m_b$ ) और इलेक्ट्रोवीक मापदंडों ( $m_W, \sin^2\theta_W$ ) के लिए संयुक्त फिट का विस्तार करना।
- बड़े- $x$ PDFs और BSM प्रभावों को एक साथ बाधित करने के लिए भविष्य के कोलाइडर्स (EIC, FPF, LHeC, FCC) के डेटा को शामिल करना।
- संवेदनशीलता को अधिकतम करने के लिए अनबिन्ड (unbinned) या डिटेक्टर-लेवल अवलोकनों की ओर बढ़ना।

संक्षेप में, यह शोध पत्र PDFs और सिद्धांत मापदंडों को संयुक्त रूप से निर्धारित करने की आवश्यकता और कार्यप्रणाली पर एक व्यापक NNPDF परिप्रेक्ष्य प्रस्तुत करता है। यह विधियों को कठोर क्लोजर टेस्ट्स के माध्यम से मान्य करता है और सटीक SM मापों को प्राप्त करने तथा BSM भौतिकी के प्रति संवेदनशीलता बनाए रखने में उनकी महत्वपूर्ण भूमिका को प्रदर्शित करता है।