🔢 mathematics

Sampling Pfaffian point processes and the symplectic Arnoldi method

यह शोध पत्र एक तिरछी-सममित (skew-symmetric) चोलेस्की गुणनखंड (Cholesky factorization) का उपयोग करके पाफ़ियन पॉइंट प्रोसेस (Pfaffian point processes) के लिए एक सटीक नमूनाकरण एल्गोरिदम प्रस्तुत करता है और विभिन्न रैंडम मैट्रिक्स एनसेंबल्स (random matrix ensembles) तथा कॉम्बिनेटोरियल मॉडल्स के लिए संबद्ध तिरछे-ऑर्थोगोनल बहुपदों (skew-orthogonal polynomials) और कर्नेल को कुशलतापूर्वक रूप से गणना करने के लिए एक सिम्प्लेक्टिक आर्नोल्डी विधि (symplectic Arnoldi method) का परिचय देता है।

मूल लेखक: Alan Edelman, Sungwoo Jeong, Simeon Schaub

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alan Edelman, Sungwoo Jeong, Simeon Schaub

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 अव्यवस्थित पार्टी आयोजित करने की कोशिश कर रहे हैं जहाँ मेहमान केवल बेतरतीब ढंग से नहीं आते; उनके पास बहुत विशिष्ट नियम हैं कि वे किसके बगल में खड़े हो सकते हैं। कुछ मेहमान एक-दूसरे के करीब रहना नापसंद करते हैं, जबकि अन्य जटिल पैटर्न में एक साथ समूह बना सकते हैं। गणित की दुनिया में, ये "मेहमान" बिंदु (जैसे एक रेखा पर संख्याएँ) हैं, और उनकी व्यवस्था को नियंत्रित करने वाले नियम पॉइंट प्रोसेस (Point Processes) कहलाते हैं।

यह शोध पत्र गणितज्ञों और वैज्ञानिकों को इन जटिल पार्टियों को समझने और सिम्युलेट करने में मदद करने के लिए दो नए, शक्तिशाली उपकरण पेश करता है, जो विशेष रूप से पफियन पॉइंट प्रोसेस (Pfaffian Point Processes) नामक दो प्रकार के नियमों के लिए हैं।

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

1. समस्या: एक "असंभव" पार्टी प्लानर

लंबे समय से, वैज्ञानिकों के पास एक विशिष्ट प्रकार की पार्टी को सिम्युलेट करने का एक शानदार तरीका था जिसे डिटरमिनेंटल पॉइंट प्रोसेस (Determinant Point Process - DPP) कहा जाता है। एक DPP को एक ऐसी पार्टी के रूप में सोचें जहाँ मेहमान एक ही ध्रुव (pole) वाले चुंबकों की तरह होते हैं: वे एक-दूसरे को प्रतिकर्षित (repel) करते हैं, जिससे वे समान रूप से फैले रहते हैं। हमारे पास इसे सिम्युलेट करने के लिए कई एल्गोरिदम हैं।

हालाँकि, एक अधिक जटिल प्रकार की पार्टी है जिसे पफियन पॉइंट प्रोसेस (Pfaffian Point Process - PfPP) कहा जाता है। इन पार्टियों में, नियम "स्क्यू-सिमेट्रिक" (skew-symmetric) होते हैं। कल्पना कीजिए कि केवल प्रतिकर्षण के बजाय, मेहमानों के बीच एक गुप्त हाथ मिलाने का तरीका या एक जटिल नृत्य है जहाँ मेहमान A और मेहमान B के बीच का संबंध इस बात पर निर्भर करता है कि आप उन्हें किस क्रम में देखते हैं (A से B का संबंध B से A से अलग होता है)। ये नियम उन्नत भौतिकी (जैसे कुछ सामग्रियों में इलेक्ट्रॉनों का व्यवहार) और कॉम्बिनेटोरिक्स (जटिल पैटर्न की गिनती) में दिखाई देते हैं।

अब तक, इन "पफियन पार्टियों" को सिम्युलेट करना अविश्वसनीय रूप से कठिन था। इन्हें करने के लिए बहुत कम उपकरण थे, और मौजूदा उपकरण धीमे या सीमित थे।

2. पहला उपकरण: "एक्ज़ैक्ट सैंपलिंग" रेसिपी

लेखक इन पफियन प्रक्रियाओं को सिम्युलेट करने के लिए एक नया, सटीक (exact) एल्गोरिदम प्रस्तुत करते हैं।

उपमा: कल्पना कीजिए कि आप ब्लॉकों का एक टावर बना रहे हैं। एक स्थिर टावर बनाने के लिए, आमतौर पर आप एक मानक चेकलिस्ट का उपयोग करते हैं (जैसे सरल "DPP" पार्टियों के लिए उपयोग किया जाने वाला चोलेस्की फैक्टराइजेशन)। लेखकों ने महसूस किया कि इन "पफियन" पार्टियों के लिए, आपको एक विशेष, मुड़ी हुई (twisted) चेकलिस्ट की आवश्यकता होगी।
यह कैसे काम करता है: उन्होंने एक "स्क्यू-सिमेट्रिक चोलेस्की फैक्टराइजेशन" विकसित किया है। इसे पार्टी के जटिल नियमों (कर्नल) को एक चरण-दर-चरण मार्गदर्शिका में तोड़ने वाले एक विशेष नुस्खे के रूप में समझें।
प्रक्रिया: एल्गोरिदम संभावित मेहमानों की सूची में से एक-एक करके आगे बढ़ता है। प्रत्येक मेहमान के लिए, यह एक भारित सिक्का (weighted coin) उछालता है ताकि यह तय किया जा सके कि उन्हें आमंत्रित किया जाए या नहीं। यदि उन्हें आमंत्रित किया जाता है, तो शेष मेहमानों के नियम थोड़े बदल जाते हैं (जैसे डोमिनो प्रभाव)। यदि उन्हें अस्वीकार कर दिया जाता है, तो नियम अलग तरह से बदलते हैं। इस चरण-दर-चरण "सिक्का उछालने" की विधि का पालन करके, एल्गोरिदम पार्टी का एक सटीक, गणितीय नमूना तैयार करता है।

यह क्यों महत्वपूर्ण है: यह वैज्ञानिकों को जटिल प्रणालियों, जैसे कि कुछ परमाणु नाभिकों के ऊर्जा स्तरों या रैंडम ग्रोथ मॉडल के पैटर्न को, बिना किसी अनुमान या अंदाजे के, तुरंत उत्पन्न करने की अनुमति देता है।

3. दूसरा उपकरण: "सिम्प्लेक्टिक अर्नोल्डी" डांस इंस्ट्रक्टर

ऊपर दिए गए सैंपलिंग टूल का उपयोग करने के लिए, आपको पहले यह जानना होगा कि पार्टी के विशिष्ट "नृत्य कदम" (गणितीय फलन जिन्हें स्क्यू-ऑर्थोगोनल पॉलिनोमिअल्स कहा जाता है) क्या हैं।

उपमा: आमतौर पर, इन नृत्य कदमों को खोजने के लिए, आप एक विशाल, उलझे हुए पहेली को हाथ से हल करने की कोशिश कर सकते हैं, जो धीमा और त्रुटिपूर्ण है। लेखक एक नया तरीका पेश करते हैं जिसे सिम्प्लेक्टिक अर्नोल्डी इटरेशन (Symplectic Arnoldi iteration) कहा जाता है।
यह कैसे काम करता है: कल्पना कीजिए कि एक डांस इंस्ट्रक्टर (अर्नोल्डी विधि) आमतौर पर एक मानक वाल्ट्स (standard waltz) सिखाता है (ऑर्थोगोनल पॉलिनोमिअल्स)। लेखकों ने इस इंस्ट्रक्टर को एक जटिल, मुड़ने वाले टैंगो (सिम्प्लेक्टिक/स्क्यू-ऑर्थोगोनल पॉलिनोमिअल्स) सिखाने के लिए अपग्रेड किया है।
लाभ: यह नया इंस्ट्रक्टर बहुत अधिक कुशल और स्थिर है। शोध पत्र दिखाता है कि पुराने तरीके एक डगमगाती सीढ़ी पर संतुलन बनाने की कोशिश करने जैसे थे; जैसे-जैसे नृत्य लंबा (अधिक जटिल) होता गया, सीढ़ी हिलने लगी और गिर गई (संख्यात्मक अस्थिरता)। नया "सिम्प्लेक्टिक अर्नोल्डी" तरीका एक मजबूत, सुदृढ़ सीढ़ी की तरह है जो लंबे, जटिल नृत्यों के लिए भी स्थिर रहती है।

4. परीक्षण के लिए इसे रखना

लेखकों ने केवल इन उपकरणों का आविष्कार नहीं किया; उन्होंने वास्तविक दुनिया के गणितीय "पार्टी" पर इनका परीक्षण किया:

कॉर्नर ग्रोथ मॉडल (Corner Growth Model): उन्होंने एक मॉडल का अनुकरण किया जहाँ एक ग्रिड पर एक आकार बढ़ता है, जो एक स्नोफ्लेक या क्रिस्टल के निर्माण के समान है। उनकी विधि ने विकास पैटर्न की सफलतापूर्वक भविष्यवाणी की।
रैंडम मैट्रिसेस (GOE और GSE): उन्होंने दो प्रकार के क्वांटम सिस्टम (ऑर्थोगोनल और सिम्प्लेक्टिक एन्सेम्बल) में परमाणुओं के ऊर्जा स्तरों का अनुकरण किया। उनके परिणाम इन प्रणालियों के ज्ञात भौतिकी के साथ पूरी तरह मेल खाते हैं।
ब्रह्मांड का "किनारा" (Airy Processes): उन्होंने इन प्रणालियों के बिल्कुल किनारे (सबसे बड़े मानों) को देखा, जो ट्रेसी-विडोम डिस्ट्रीब्यूशन (Tracy-Widom distribution) नामक एक प्रसिद्ध वितरण का पालन करते हैं। उनकी विधि ने इन चरम मानों के सांख्यिकी को सटीक रूप से कैप्चर किया।

सारांश

सरल शब्दों में, यह शोध पत्र वैज्ञानिकों को जटिल, नियम-बद्ध रैंडम सिस्टम (पफियन पॉइंट प्रोसेस) की तस्वीरें लेने के लिए एक नया, सटीक कैमरा और कैमरा सेट करने के लिए आवश्यक गणितीय चरणों पर चढ़ने के लिए एक नया, स्थिर सीढ़ी देता है।

कैमरा: एक "मुड़े हुए" गणितीय नुस्खे पर आधारित एक सटीक सैंपलिंग एल्गोरिदम।
सीढ़ी: "सिम्प्लेक्टिक अर्नोल्डी" पद्धति का उपयोग करके अंतर्निहित नियमों (पॉलिनोमिअल्स) की गणना करने का एक नया, स्थिर तरीका।

ये उपकरण शोधकर्ताओं को भौतिकी और गणित में जटिल रैंडम घटनाओं को पहले की तुलना में अधिक गति और सटीकता के साथ खोजने की अनुमति देते हैं।

तकनीकी सारांश: सैंपलिंग पाफ़ियन पॉइंट प्रोसेसेज और सिम्प्लेक्टिक आर्नोल्डी विधि

समस्या विवरण
पाफ़ियन पॉइंट प्रोसेसेज (PfPPs) स्टोकेस्टिक प्रक्रियाओं का एक वर्ग है जो रैंडम मैट्रिक्स थ्योरी (विशेष रूप से ऑर्थोगोनल और सिम्प्लेक्टिक एनसेम्बल्स, $\beta=1, 4$ ), कॉम्बिनेटरिक्स और सांख्यिकीय भौतिकी से उत्पन्न होते हैं। उनके $k$ -पॉइंट सहसंबंध फलन (correlation functions) एक $2 \times 2$ मैट्रिक्स-वैल्यूड कर्नेल के पाफ़ियन द्वारा व्यक्त किए जाते हैं। जबकि डिटर्मिनेंटल पॉइंट प्रोसेसेज (DPPs) के लिए सटीक सैंपलिंग एल्गोरिदम पिछले दो दशकों में अच्छी तरह से विकसित हो चुके हैं, PfPPs के लिए सैंपलिंग एल्गोरिदम सीमित बने हुए हैं। मौजूदा विधियाँ अक्सर निरंतर डोमेन (continuous domains) के साथ संघर्ष करती हैं, उन्हें विशिष्ट विविक्तीकरण (discretization) रणनीतियों की आवश्यकता होती है जो प्रक्रिया की निरंतर प्रकृति को खो सकती हैं, या सामान्य वेट फंक्शन्स के लिए कुशल नहीं होती हैं। इसके अलावा, सामान्य वेट फंक्शन्स के लिए आवश्यक स्क्यू-ऑर्थोगोनल पॉलिनॉमियल्स और कर्नेल्स का निर्माण ऐतिहासिक रूप से विश्लेषणात्मक व्युत्पत्तियों या कम स्थिर संख्यात्मक विधियों पर निर्भर रहा है।

कार्यप्रणाली
लेखक इन चुनौतियों को संबोधित करने के लिए एक दो-आयामी दृष्टिकोण प्रस्तावित करते हैं:

स्क्यू-सिमेट्रिक चोलेस्की के माध्यम से सटीक सैंपलिंग एल्गोरिदम:
लेखक एक स्क्यू-सिमेट्रिक चोलेस्की गुणनखंड (Cholesky factorization) के आधार पर डिस्क्रीट PfPPs के लिए एक सटीक सैंपलिंग एल्गोरिदम पेश करते हैं। PfPPs के कंडीशनल प्रोबेबिलिटी गुणों का लाभ उठाते हुए, एल्गोरिदम सैंपल सेट में एक बिंदु को शामिल करने या नहीं, इसका निर्णय क्रमिक रूप से लेता है।

तंत्र (Mechanism): एक ग्राउंड सेट $G$ के लिए, एल्गोरिदम अनुक्रमिक रूप से इंडेक्स को प्रोसेस करता है। प्रत्येक चरण $j$ पर, यह वर्तमान कर्नेल के सब-मैट्रिक्स के पाफ़ियन के आधार पर समावेशन (inclusion) की संभावना की गणना करता है। एक बर्नौली ट्रायल (Bernoulli trial) समावेशन को निर्धारित करता है।
कर्नेल अपडेट: यदि एक बिंदु को शामिल किया जाता है या बाहर रखा जाता है, तो एल्गोरिदम शेष बिंदुओं के लिए कर्नेल को स्क्यू-सिमेट्रिक मैट्रिसेस (विशेष रूप से मैट्रिक्स $J_n$ का उपयोग करते हुए) के लिए शूर-कॉम्प्लीमेंट जैसी क्रियाओं का उपयोग करके अपडेट करता है। यह प्रभावी रूप से प्रक्रिया को लिए गए निर्णय पर कंडिशन करता है, जिससे समस्या का आकार पुनरावृत्ति से कम हो जाता है।
निरंतर विस्तार (Continuous Extension): निरंतर PfPPs (जैसे GOE/GSE के आइगेनवैल्यू) के लिए, लेखक ग्रिड-आधारित सैंपलिंग और उन्नत रिजेक्शन सैंपलिंग विधियों (RPCholesky) सहित विविक्तीकरण रणनीतियोंियों पर चर्चा करते हैं। वे निरंतर कर्नेल्स से सीधे नमूना लेने के लिए मार्कोव चेन मोंटे कार्लो (MCMC) तकनीकों, विशेष रूप से स्लाइस-विदिन-गिब्स (Slice-within-Gibbs), MALA-विदिन-गिब्स और हैमिल्टोनियन मोंटे कार्लो (HMC) का भी मूल्यांकन करते हैं।

स्क्यू-ऑर्थोगोनल पॉलिनॉमियल्स के लिए सिम्प्लेक्टिक आर्नोल्डी विधि:
$\beta=1, 4$ पॉलिनॉमियल एनसेम्बल्स के लिए आवश्यक कर्नेल्स के निर्माण के लिए, आपको स्क्यू-ऑर्थोगोनल पॉलिनॉमियल्स (SOPs) की गणना करनी होती है। लेखक आर्नोल्डी इटरेशन के एक सामान्यीकरण, जिसे सिम्प्लेक्टिक आर्नोल्डी विधि कहा जाता है, का प्रस्ताव करते हैं।

अवधारणा: मानक लैंकोस इटरेशन (Lanczos iteration) के विपरीत, जो सममित आंतरिक उत्पादों के तहत ऑपरेटरों को ट्रिडायगोनलाइज़ करता है, सिम्प्लेक्टिक आर्नोल्डी विधि स्क्यू-सिमेट्रिक आंतरिक उत्पादों के गैर-हर्मिटियन स्वभाव को संभालती है। यह मल्टीप्लिकेशन ऑपरेटर $A: f(x) \mapsto x \cdot f(x)$ द्वारा जनरेट किए गए क्रायलोफ सबस्पेस (Krylov subspace) के लिए एक सिम्प्लेक्टिक बेसिस का निर्माण करती है।
कार्यान्वयन: विधि सिम्प्लेक्टिक संरचना को बनाए रखने के लिए एक संशोधित सिम्प्लेक्टिक ग्राम-श्मिट प्रक्रिया (विशेष रूप से एक "esr3m" वेरिएंट) का उपयोग करती है। संख्यात्मक स्थिरता सुनिश्चित करने के लिए, लेखक त्रुटि संचय को कम करने के लिए विभिन्न नॉर्मलाइजेशन रणनीतियों (ESR1, ESR2, ESR3m) की तुलना करते हुए एक पुनरावृत्त री-ऑर्थोगोनलाइजेशन (iterative reorthogonalization) को शामिल करते हैं।

प्रमुख योगदान

सटीक सैंपलिंग एल्गोरिदम: यह पेपर PfPPs के लिए पहला सामान्य सटीक सैंपलिंग एल्गोरिदम प्रस्तुत करता है जो कंडीशनल प्रोबेबिलिटी-आधारित DPP सैंपलर के समान है। यह एक स्क्यू-सिमेट्रिक चोलेस्की-जैसे अपघटन ( $A = BJ_nB^T$ ) का उपयोग करके कुशल कंडीशनल कर्नेल्स को अपडेट करता है।
सिम्प्लेक्टिक आर्नोल्डी इटरेशन: लेखक किसी भी वेट फंक्शन के लिए स्क्यू-ऑर्थोगोनल पॉलिनॉमियल्स को कंप्यूट करने के लिए एक मजबूत संख्यात्मक विधि पेश करते हैं। यह लैंकोस विधि को सिम्प्लेक्टिक मामले में सामान्य बनाता है, जिससे बिना किसी क्लोज्ड-फॉर्म एनालिटिकल समाधान के $\beta=1, 4$ एनसेम्बल्स के लिए $2 \times 2$ मैट्रिक्स कर्नेल्स का निर्माण संभव होता है।
संख्यात्मक स्थिरता विश्लेषण: कार्य प्रस्तावित सिम्प्लेक्टिक आर्नोल्डी विधि और प्रत्यक्ष चोलेस्की-आधारित दृष्टिकोणों के बीच संख्यात्मक स्थिरता का विस्तृत तुलनात्मक अध्ययन प्रदान करता है। यह प्रदर्शित करता है कि री-ऑर्थोगोनलाइजेशन के साथ आर्नोल्डी विधि, बड़े $N$ के लिए सटीकता के मामले में प्रत्यक्ष गुणनखंडन की तुलना में काफी बेहतर प्रदर्शन करती है।
निरंतर सैंपलिंग मूल्यांकन: पेपर विभिन्न निरंतर सैंपलिंग रणनीतियों का मूल्यांकन करता है, यह पहचानते हुए कि जबकि स्लाइस-विदिन-गिब्स जैसे MCMC तरीके प्रभावी हैं, MALA-विदिन-गिब्स इस संदर्भ में मजबूत ऑटोकोरिलेशन से ग्रस्त है, और HMC कम्प्यूटेशनल रूप से महंगा है।

परिणाम और संख्यात्मक प्रयोग
लेखक अपने दृष्टिकोण को कई संख्यात्मक प्रयोगों के माध्यम से सत्यापित करते हैं:

सिमेट्रिक कॉर्नर ग्रोथ: उन्होंने सिमेट्रिक कॉर्नर ग्रोथ मॉडल (एक ज्ञात PfPP) से सफलतापूर्वक नमूना लिया, जिससे विकास समय $F(N)$ के वितरण को सैद्धांतिक भविष्यवाणियों के विरुद्ध सत्यापित किया गया।
परिमित- $N$ एनसेम्बल्स: एल्गोरिदम को गॉसियन ऑर्थोगोनल एनसेम्बल (GOE, $\beta=1$ ) और गॉसियन सिम्प्लेक्टिक एनसेम्बल (GSE, $\beta=4$ ) के लिए लागू किया गया है। सैंपल किए गए आइगेनवैल्यू वितरण (विशेष रूप से अधिकतम आइगेनवैल्यू) डायरेक्ट मैट्रिक्स सैंपलिंग से उत्पन्न हिस्टोग्राम से मेल खाते हैं और $N \to \infty$ होने पर ट्रेसी-विडोम (Tracy-Widom) वितरणों के साथ अभिसरित होते हैं।
एयरी पॉइंट प्रोसेसेज: विधि का उपयोग सॉफ्ट-एज स्केलिंग लिमिट्स (Airy $_1$ और Airy $_4$ प्रोसेसेज) को सैंपल करने के लिए किया जाता है। लेखक सफलतापूर्वक दूसरे सबसे बड़े आइगेनवैल्यू को सैंपल करते हैं और परिणामी डेंसिटी की तुलना कंडीशनल कर्नेल्स से प्राप्त विश्लेषणात्मक सूत्रों से करते हैं।
प्रदर्शन: स्क्यू-ऑर्थोगोनल पॉलिनॉमियल्स कंप्यूट करने के संबंध में, पुनरावृत्त री-ऑर्थोगोनलाइजेशन (MSGS IR या CSGS IR) के साथ सिम्प्लेक्टिक आर्नोल्डी विधि बड़े $N$ के लिए मशीन प्रिसिजन ( $10^{-15}$ ) के करीब ऑर्थोगोनैलिटी एरर बनाए रखती है, जबकि प्रत्यक्ष चोलेस्की विधियाँ तेजी से विचलन (diverge) करती हैं।

महत्ता और दावे
पेपर का दावा है कि यह पाफ़ियन पॉइंट प्रोसेसेज के निर्माण और सैंपलिंग दोनों के लिए एक एकीकृत ढांचा प्रदान करता है। सिम्प्लेक्टिक आर्नोल्डी विधि को पेश करके, लेखक सामान्य वेट फंक्शन्स के लिए कर्नेल्स के कुशल निर्माण को सक्षम करते हैं, जिससे विशिष्ट विश्लेषणात्मक व्युत्पत्तियों पर निर्भरता समाप्त हो जाती है। सटीक सैंपलिंग एल्गोरिदम उन व्यापक रैंडम मैट्रिक्स और कॉम्बिनेटरियल समस्याओं के सांख्यिकी उत्पन्न करने की अनुमति देता जिन्हें पहले सटीक रूप से सिम्युलेट करना कठिन था। यह कार्य $\beta=1$ और $\beta=4$ प्रणालियों के अध्ययन के लिए इन विधियों को आवश्यक उपकरण के रूप में स्थापित करता है, जो विविक्तीकरण-भारी या अनुमानित सैंपलिंग तकनीकों के लिए एक व्यावहारिक विकल्प प्रदान करता है। लेखक नोट करते हैं कि हालांकि एल्गोरिदम सटीक हैं, फिर भी संख्यात्मक चुनौतियां बनी हुई हैं, विशेष रूप से निरंतर कर्नेल्स पर स्क्यू-इनर-प्रोडक्ट की विच्छिन्नता (discontinuity) के संबंध में, जो फ्रेडहोम पाफ़ियन गणनाओं में विविक्तीकरण त्रुटियां उत्पन्न कर सकती है।

1. समस्या: एक "असंभव" पार्टी प्लानर

2. पहला उपकरण: "एक्ज़ैक्ट सैंपलिंग" रेसिपी

3. दूसरा उपकरण: "सिम्प्लेक्टिक अर्नोल्डी" डांस इंस्ट्रक्टर

4. परीक्षण के लिए इसे रखना

सारांश

इसी तरह के और पेपर