⚛️ quantum physics

A hidden bottleneck in classical and quantum linear reservoir computing

यह शोध पत्र लीनियर रिज़र्वोअर कंप्यूटिंग में एक छिपे हुए बॉटलनेक (bottleneck) की पहचान करता है जहाँ लीनियर डायनेमिक्स प्रीप्रोसेस्ड इनपुट के परे निश्चित विलंब (fixed delays) पर नई अभिव्यंजक शक्ति उत्पन्न नहीं कर सकते हैं, एक ऐसी सीमा जिसे निरंतर-चर क्वांटम प्रणालियों में गैर-गॉसियन सिंगल-फोटॉन ऑपरेशन्स के माध्यम से पार किया जाता है और प्रयोगात्मक रूप से प्रमाणित किया जाता है।

मूल लेखक: Johannes Nokkala, Federico Centrone, Francesco Arzani

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Johannes Nokkala, Federico Centrone, Francesco Arzani

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: "स्मार्ट" मशीनों में एक छिपा हुआ ट्रैफिक जाम

कल्पना कीजिए कि आप एक ऐसी मशीन बनाने की कोशिश कर रहे हैं जो डेटा के प्रवाह से सीख सके, जैसे कि पिछले तापमान के आधार पर मौसम की भविष्यवाणी करना या शोर वाले कमरे में आवाज़ को पहचानना। मशीन लर्निंग की दुनिया में, एक लोकप्रिय विधि है जिसे रिजवॉयर कंप्यूटिंग (Reservoir Computing) कहा जाता है।

रिजवॉयर कंप्यूटर को एक बहते पानी से भरे किचन सिंक की तरह समझें।

इनपुट (Input): आप पानी में रंग की एक बूंद (डेटा) डालते हैं।
रिजवॉयर (The Reservoir): पानी घूमता है, आपस में मिलता है और जटिल पैटर्न बनाता है। यह "घूमना" ही कठिन हिस्सा है; यह सरल डेटा को समृद्ध और जटिल पैटर्न में बदल देता है।
रीडआउट (The Readout): आप सिंक से पानी का एक छोटा कप लेते हैं और रंग को देखते हैं। एक साधारण कंप्यूटर फिर उस कप के आधार पर यह अनुमान लगाने की कोशिश करता है कि मूल रंग क्या था।

यह शोध पत्र जो बड़ा सवाल पूछता है वह यह है: यह "स्म智能化" (smartness) वास्तव में कहाँ से आती है? क्या घूमता हुआ पानी नई जानकारी बनाता है, या यह केवल उसी चीज़ को पुनर्व्यवस्थित करता है जो आपने पहले ही डाला था?

खोज: "लीनियर" (रैखिक) बाधा

लेखकों ने एक विशिष्ट प्रकार के रिजवॉयर कंप्यूटर में एक छिपे हुए ट्रैफिक जाम (बॉटलनेक) की खोज की है: लीनियर रिजवॉयर (Linear Reservoir)।

एक लीनियर रिजवॉयर में, पानी बहुत ही अनुमानित और सीधी रेखा के तरीके से घूमता है। यह पेपर एक आश्चर्यजनक नियम सिद्ध करता है: एक लीनियर रिजवॉयर अपने आप में नई "अभिव्यक्ति शक्ति" (expressive power) पैदा नहीं कर सकता।

उदाहरण:
कल्पना कीजिए कि आपके पास लेगो ब्रिक्स (Lego bricks) का एक डिब्बा है (आपका इनपुट डेटा)।

प्रीप्रोसेसिंग (Preprocessing): ब्रिक्स के रिजवॉयर में पहुँचने से पहले, आप उन्हें पेंट कर सकते हैं या कुछ को आपस में चिपका सकते हैं। यहीं पर "नॉन-लिनियरिटी" (रचनात्मकता) होती है।
लीनियर रिजवॉयर: अब, आप इन ब्रिक्स को एक ऐसी मशीन में डालते हैं जो केवल उन्हें रंग के आधार पर छाँटती है या एक सीधी रेखा में रखती है।
परिणाम: मशीन कितनी भी बड़ी क्यों न हो या ब्रिक्स वहाँ कितनी भी देर तक क्यों न रहें, मशीन कोई नया आकार नहीं बना सकती जो उन ब्रिक्स के साथ पहले से संभव न रहा हो जिन्हें आपने डाला था। यह केवल उसी चीज़ को पुनर्व्यवस्थित कर सकती है जो आपने उसे दी थी।

पेपर इसे एक "छिपी हुई" बाधा कहता है क्योंकि यदि आप लंबे समय में मशीन द्वारा किए गए कुल काम को देखते हैं, तो यह बहुत बड़ा दिखता है। लेकिन यदि आप किसी एक विशिष्ट क्षण में इसके काम करने की क्षमता को देखते हैं, तो यह शुरुआत में दिए गए डेटा से गंभीर रूप से सीमित है।

क्वांटम ट्विस्ट: गॉसियन बनाम नॉन-गॉसियन

लेखकों ने इस नियम को क्वांटम रिजवॉयर कंप्यूटर पर लागू किया, विशेष रूप से प्रकाश (फोटॉन्स) का उपयोग करने वाले सिस्टम पर।

गॉसियन सिस्टम (The "Safe" Zone): ये क्वांटम सिस्टम हैं जो बहुत ही अनुमानित व्यवहार करते हैं, जैसे चिकनी लहरें। पेपर दिखाता है कि ये सिस्टम ऊपर वर्णित अर्थ में पूरी तरह से "लीनियर" हैं। वे "गॉसियन बाउंड" (Gaussian Bound) द्वारा सीमित हैं। यदि आप उन्हें एक जटिल समस्या को हल करने के लिए उपयोग करने की कोशिश करते हैं, तो वे एक सीमा से टकरा जाते क्योंकि वे नए प्रकार की जटिलता पैदा नहीं कर सकते; वे केवल मौजूदा तरंग पैटर्न को ही इधर-उधर करते हैं।
नॉन-गॉसियन सिस्टम (The "Breakthrough"): इस सीमा को तोड़ने के लिए, आपको क्वांटम दुनिया में कुछ "अजीब" या "नुकीला" (spiky) चाहिए। लेखकों ने सिंगल-फोटॉन ऑपरेशन्स (मूल रूप से प्रकाश के एक छोटे से कण को जोड़ना या हटाना) जोड़कर इसका परीक्षण किया।
- परिणाम: जब उन्होंने ये सिंगल-फोटॉन "स्पाइक्स" जोड़े, तो सिस्टम अचानक वे चीजें करने में सक्षम हो गया जो चिकने "गॉसियन" सिस्टम नहीं कर सकते थे। इसने उस बाधा को तोड़ दिया।

द "विटनेस" ट्रिक (The "Witness" Trick)

इस पेपर का सबसे दिलचस्प हिस्सा एक व्यावहारिक उपकरण है जिसे उन्होंने बनाया है। क्योंकि वे जानते हैं कि "गॉसियन लिमिट" क्या है, वे इसे एक डिटेक्टर के रूप में उपयोग कर सकते हैं।

यदि आपके पास एक ब्लैक-बॉक्स क्वांटम मशीन है और आप नहीं जानते कि वह "असली" क्वांटम जादू (नॉन-गॉसियन) का उपयोग कर रही है या केवल मानक तरंगों (गॉसियन) का, तो आप एक परीक्षण चला सकते हैं:

मापें कि मशीन कितनी जानकारी प्रोसेस करती है।
यदि परिणाम गॉसियन सीमा से अधिक है, तो आपके पास एक "विटनेस" (साक्षी) है।
निष्कर्ष: मशीन को नॉन-गॉसियन होना ही चाहिए। आपको बॉक्स खोलने या उसके अंदर देखने की ज़रूरत नहीं है; अतिरिक्त प्रदर्शन साबित करता है कि "जादू" हो रहा है।

निष्कर्ष का सारांश

लीनियर रिजवॉयर सीमित हैं: यदि आपका सिस्टम लीनियर डायनेमिक्स (जैसे मानक गॉसियन प्रकाश तरंगें) का उपयोग करता है, तो वह किसी भी विशिष्ट क्षण में नई जटिलता पैदा नहीं कर सकता। यह केवल उसी को नया रूप दे सकता है जो पहले से तैयार था।
मेमोरी मदद करती है, लेकिन सब कुछ ठीक नहीं करती: "मेमोरी" (पिछले डेटा को देखना) रखने से सिस्टम अधिक कुल काम करने में मदद मिलती है, लेकिन यह एक एकल क्षण की मौलिक सीमा को नहीं हटाती है।
सिंगल फोटॉन्स ही कुंजी हैं: इस सीमा से आगे बढ़ने के लिए, आपको "नॉन-ग적인" (non-Gaussian) सामग्री की आवश्यकता है। पेपर दिखाता है कि सिंगल फोटॉन से जुड़े सरल, प्रयोगात्मक रूप से संभव ऑपरेशन्स इस सीमा को तोड़ सकते हैं और वास्तविक अतिरिक्त कंप्यूटिंग शक्ति प्रदान कर सकते हैं।
एक नया परीक्षण: अब आप यह बता सकते हैं कि कोई क्वांटम सिस्टम वास्तव में "नॉन-गॉसियन" है या नहीं, बस यह जाँचकर कि क्या उसका प्रदर्शन सैद्धांतिक गॉसियन सीलिंग (ceiling) से अधिक है।

संक्षेप में: आप बिना कुछ दिए कुछ प्राप्त नहीं कर सकते। यदि आपका क्वांटम कंप्यूटर केवल चिकनी, अनुमानित लहरों का उपयोग कर रहा है, तो वह एक ट्रैफिक जाम में फंसा हुआ है। तेज़ी से आगे बढ़ने के लिए, आपको थोड़ा सा "क्वांटम अराजकता" (नॉन-गॉसियनता) पेश करने की आवश्यकता है, जैसे कि एक सिंगल फोटॉन, ताकि नियमों को तोड़कर नई संभावनाएँ बनाई जा सकें।

तकनीकी सारांश: क्लासिकल और क्वांटम लीनियर रिज़र्वور कंप्यूटिंग में एक छिपा हुआ बॉटलनेक (Bottleneck)

समस्या विवरण
रिज़र्वोर कंप्यूटिंग (RC) समय-श्रृंखला डेटा (time-series data) को संसाधित करने के लिए स्थिर, उच्च-आयामी गतिशील प्रणालियों (dynamical systems) का लाभ उठाती है, जिसमें केवल एक लीनियर रीडआउट लेयर को प्रशिक्षित किया जाता है। हालांकि यह दृष्टिकोण रिकरेंट न्यूरल नेटवर्क की प्रशिक्षण कठिनाइयों से बचता है, लेकिन एक मौलिक वैचारिक प्रश्न बना रहता है: रिज़र्वोर की कम्प्यूटेशनल शक्ति का स्रोत क्या है? विशेष रूप से, कितनी नॉन-लीनियरिटी (nonlinearity) इनपुट एनकोडिंग या क्लासिकल पोस्ट-प्रोसेसिंग द्वारा प्रदान की जाती है बनाम कितनी रिज़र्वोर डायनेमिक्स द्वारा आंतरिक रूप से उत्पन्न होती है?

यह प्रश्न उन आर्किटेक्चर के लिए विशेष रूप से महत्वपूर्ण है जहाँ फीचर जनरेशन और मेमोरी को अलग किया गया है, जैसे कि कंटीन्यूअस-वेरिएबल (CV) क्वांटम रिज़र्वोर कंप्यूटिंग (QRC) में। कई CV-QRC प्रस्तावों में, नॉन-लीनियर ट्रांसफॉर्मेशन को इनपुट स्टेज (एनकोडिंग) पर पेश किया जाता है, जबकि रिज़र्वोर का विकास गॉसियन डायनेमिक्स (Gaussian dynamics) द्वारा शासित होता है, जो पोजीशन और मोमेंटम वेरिएबल्स पर लीनियर रूप से कार्य करते हैं। लेखक एक लीनियर रिज़र्वोर के सूचना प्रसंस्करण क्षमता (IPC) में एक "छिपे हुए बॉटलनेक" की पहचान करते हैं, जो यह सुझाव देता है कि ग्लोबल कैपेसिटी मीजर्स विशिष्ट टाइम डिले (time delay) पर गंभीर सीमाओं को छिपा सकते हैं।

कार्यप्रणाली
लेखक इंफॉर्मेशन प्रोसेसिंग कैपेसिटी (IPC) पर आधारित एक कठोर सैद्धांतिक ढांचा विकसित करते हैं, जो एक टास्क-इंडिपेंडेंट मेट्रिक है और फेडिंग-मेमोरी फंक्शन्स को एप्रोक्सिमेट करने की सिस्टम की क्षमता को मापता है। वे IPC को "डिले-रिजॉल्व्ड" (delay-resolved) घटकों में विभाजित करते हैं, जहाँ $IPC(\tau)$ एक विशिष्ट टाइम डिले $\tau$ और नॉन-लिनियरिटी डिग्री $d$ पर उपलब्ध क्षमता को मापता है।

सैद्धांतिक व्युत्पत्ति: पेपर एक ऐसे रिज़र्वोर कंप्यूटर के लिए एक सामान्य प्रमेय स्थापित करता है जहाँ प्रासंगिक ऑब्जर्वेबल्स (observables) एक परिमित-आयामी लीनियर अपडेट ( $x_t = A x_{t-1} + B g_t$ ) को स्वीकार करते हैं और आउटपुट एक बायस (bias) के साथ लीनियर रीडआउट है। लेखक दो अलग-अलग परिदृश्यों का विश्लेषण करते हैं:
- मेमोरी प्रीप्रोसेसिंग में: रिज़र्वोर मेमोरीलेस है ( $A=0$ ), लेकिन इनपुट $g_t$ पिछले इनपुट्स पर निर्भर करता है।
- मेमोरी रिज़र्वोर में: इनपुट $g_t$ केवल वर्तमान इनपुट पर निर्भर करता है, लेकिन रिज़र्वोर रिकरेंस ( $A \neq 0$ ) मेमोरी प्रदान करता है।
CV क्वांटम सिस्टम पर अनुप्रयोग: जनरल थ्योरम को CV क्वांटम रिज़र्वर्स के लिए विशिष्ट बनाया गया है। लेखक प्रदर्शित करते हैं कि गॉसियन डायनेमिक्स, जो गॉसियन अवस्थाओं को सिम्प्लेक्टिक ट्रांसफॉर्मेशन के माध्यम से गॉसियन अवस्थाओं में मैप करते हैं, कोवेरिएंस मैट्रिक्स एलिमेंट्स के वेक्टर पर स्ट्रिक्टली लीनियर रूप से कार्य करते हैं। फलस्वरूप, कोवेरिएंस-आधारित गॉसियन रिज़र्वर्स लीनियर-रिज़र्वोर बॉटलनेक के दायरे में आते हैं।
संख्यात्मक प्रयोग: इस बॉटलनेक की सीमाओं का परीक्षण करने के लिए, लेखक एक फोटोनिक रिज़र्वोर स्कीम का अनुकरण (simulate) करते हैं।
- बेसलाइन: एक शुद्ध गॉसियन रिज़र्वोर जो स्क्वीज़्ड-वैक्यूम स्टेट्स का उपयोग करता है जिसे इनपुट डेटा द्वारा मॉड्युलेट किया गया है, जिसे फिक्स्ड गॉसियन मल्टीमोड ट्रांसफॉर्मेशन के माध्यम से प्रोसेस किया जाता है, और होमोडाइन डिटेक्शन के माध्यम से रीडआउट किया जाता है।
- नॉन-गॉसियन एक्सटेंशन: एक न्यूनतम विस्तार जहाँ गॉसियन ट्रांसफॉर्मेशन के बाद कंडीशनल सिंगल-फोटॉन ऑपरेशंस (सबट्रैक्शन या एडिशन) लागू किए जाते हैं ताकि नॉन-गॉसियनिटी पेश की जा सके।
- फाइनाइट-रिसोर्स एनालिसिस: अध्ययन में वास्तविक प्रयोगात्मक बाधाओं को शामिल करने के लिए होमोडाइन मेजरमेंट्स के फाइनाइट एन्सेम्बल्स से कोवेरिएंस मैट्रिक्स के अनुमान को मॉडल किया गया है, जिसमें गॉसियन स्टेट्स के लिए विशर्ट (Wishart) डिस्ट्रीब्यूशन और वीकली नॉन-गॉसियन स्टेट्स के लिए एक एसिम्प्टोटिक एप्रोक्सिमेशन का उपयोग किया गया है।

प्रमुख योगदान और परिणाम

डिले-रिजॉल्व्ड बॉटलनेक थ्योरम:
प्राथमिक सैद्धांतिक योगदान यह प्रमाण है कि लीनियर रिज़र्वोर डायनेमिक्स नई डिले-रिजॉल्व्ड एक्सप्रेसिव पावर उत्पन्न नहीं कर सकते।
- यदि रिज़र्वोर मेमोरीलेस है, तो कुल IPC, प्रीप्रोसेस्ड इनपुट फीचर्स के IPC द्वारा सीमित है।
- यदि रिज़र्वोर में मेमोरी है लेकिन प्रीप्रोसेसिंग मेमोरीलेस है, तो किसी भी निश्चित डिले $\tau$ पर IPC, उसी डिले $\tau$ पर प्रीप्रोसेसिंग फीचर्स के IPC द्वारा सीमित है।
- निहितार्थ: लीनियर रिज़र्वर्स फीचर्स को पुनर्वितरित या रीशेप कर सकते हैं, लेकिन वे स्वयं नई फिक्स्ड-डिले एक्सप्रेसिव पावर उत्पन्न नहीं कर सकते। यह सीमा "छिपी हुई" है क्योंकि विभिन्न डिले के योगदान कुल IPC में संचित हो सकते हैं, जो इस तथ्य को छिपा देते हैं कि व्यक्तिगत डिले सेक्टर अत्यधिक बाधित हैं।
द गॉसियन बाउंड:
CV क्वांटम रिज़र्वर्स पर लागू होने पर, थ्योरम एक ठोस गॉसियन बाउंड प्रदान करती है। एक कोवेरिएंस-आधारित गॉसियन रिज़र्वर के लिए, किसी भी निश्चित डिले पर IPC सख्ती से एनकोडेड इनपुट कोवेरिएंस मैट्रिक्स में निहित IPC द्वारा सीमित है। कोई भी देखा गया कैपेसिटी जो इस बाउंड से अधिक है, यह दर्शाता है कि प्रभावी रिज़र्वोर ट्रांसफॉर्मेशन को केवल गॉसियन डायनेमिक्स द्वारा समझाया नहीं जा सकता है।
सिंगल-फोटॉन ऑपरेशंस के साथ बाउंड को तोड़ना:
संख्यात्मक प्रयोगों से पता चलता है कि प्रयोगात्मक रूप से सुलभ कंडीशनल सिंगल-फोटॉन ऑपरेशंस (फोटोन सबट्रैक्शन/एडिशन) सफलतापूर्वक गॉसियन बाउंड को तोड़ देते हैं।
- एक मेमोरीलेस सेटिंग (क्वांटम एक्सट्रीम लर्निंग मशीन) में, नॉन-गॉसियन ऑपरेशंस को पेश करने से देखा गया कैपेसिटी उस क्षेत्र में चली जाती है जो गॉसियन रिज़र्वर्स के लिए वर्जित है।
- हालांकि, लेखक नोट करते हैं कि बाउंड को तोड़ना तुरंत एब्सोल्यूट कैपेसिटी लिमिट को सैचुरेट नहीं करता है। मेमोरीलेस केस में, सभी नॉन-लीनियर पावर को एक ही डिले सेक्टर में केंद्रित होना चाहिए, जिससे रिज़र्वोर साइज बढ़ने के साथ अक्षम स्केलिंग होती है।
मेमोरी की भूमिका:
मेमोरी (क्लासिकल प्रीप्रोसेसिंग या रिज़र्वोर के बाद लीकी न्यूरॉन के माध्यम से) पेश करने से स्केलिंग व्यवहार गुणात्मक रूप से बदल जाता है। कई डिले उपलब्ध होने पर, रिज़र्वोर विभिन्न डिले के बीच लो-डिग्री फंक्शन्स के प्रोडक्ट्स से जटिल फंक्शन्स को असेंबल कर सकता है, बजाय इसके कि वह एक ही डिले पर अत्यधिक हाई-डिग्री फंक्शन्स पर निर्भर रहे। यह स्केलिंग बॉटलनेक को कम करता है, जिससे नॉन-गॉसियन रिसोर्सेज का बहुत अधिक कुशलता से उपयोग किया जा सकता है।
नॉन-गॉसियनिटी का ऑपरेशनल विटनेस (Witness):
पेपर एक "एक्सेस कैपेसिटी" (देखी गई कैपेसिटी और गॉसियन बाउंड के बीच का अंतर) प्रस्तावित करता है जो नॉन-गॉसियन प्रोसेसिंग के ऑपरेशनल विटनेस के रूप में कार्य करता है। यह विटनेस सीधे इनपुट-आउटपुट डेटा और मेजरड ऑब्जर्वेबल्स से प्राप्त किया जाता है, जिसके लिए फुल स्टेट टोमोग्राफी या आंतरिक रिज़र्वोर स्टेट तक पहुंच की आवश्यकता नहीं होती है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य भविष्य के रिज़र्वोर कंप्यूटरों के लिए एक महत्वपूर्ण डिज़ाइन सिद्धांत प्रदान करता है, जो कठोरता से यह परिभाषित करता है कि सरल लीनियर डायनेमिक्स क्या हासिल कर सकते हैं और किसके लिए वास्तविक नॉन-लीनियर फिजिकल इंटरैक्शन की इंजीनियरिंग की आवश्यकता है।

गॉसियन सीमाओं का स्पष्टीकरण: परिणाम इस अंतर्ज्ञान को औपचारिक रूप देते हैं कि गॉसियन CV रिज़र्वर्स संरचनात्मक रूप से सीमित हैं, न कि केवल अपनी कुल शक्ति में, बल्कि विशेष रूप से उनकी डिले-रिजॉल्व्ड एक्सप्रेसिव पावर में।
रिसोर्स की पहचान: अध्ययन कंडीशनल सिंगल-फोटॉन ऑपरेशंस को CV-QRC के लिए एक वास्तविक कम्प्यूटेशनल रिसोर्स के रूप में स्थापित करता है, जो गॉसियन सीमा से ऊपर जाने की उनकी क्षमता को प्रदर्शित करता है।
डिज़ाइन सिद्धांत: पेपर सुझाव देता है कि जब नॉन-लीनियर प्रोसेसिंग महंगी हो, तो उसे कई डिले में वितरित करना (मेमोरी के माध्यम से) एक मेमोरीलेस आर्किटेक्चर में केंद्रित करने की तुलना में कहीं अधिक प्रभावी है।
विटनेसिंग: 'एक्सेस कैपेसिटी' न्यूनतम धारणाओं के तहत कंटीन्यूअस-वेरिएबल सिस्टम में नॉन-गॉसियन प्रोसेसिंग को प्रमाणित करने के लिए एक व्यावहारिक, ब्लैक-बॉक्स विधि प्रदान करती है।

लेखक अपने निष्कर्षों के दायरे के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि बॉटलनेक विशेष रूप से परिमित-आयामी लीनियर अपडेट वाले रिज़र्वर्स पर लागू होता है और विटनेस नॉन-गॉसियनिटी के लिए पर्याप्त है लेकिन आवश्यक (necessary) नहीं है। वे यह भी स्वीकार करते हैं कि वैकल्पिक ऑब्जर्वेबल्स (जैसे उच्च-क्रम के मोमेंट्स) अधिक शक्ति निकाल सकते हैं, लेकिन मानक कोवेरिएंस-आधारित ढांचे के भीतर, पहचाना गया बॉटलनेक मौलिक है।

बड़ी तस्वीर: "स्मार्ट" मशीनों में एक छिपा हुआ ट्रैफिक जाम

खोज: "लीनियर" (रैखिक) बाधा

क्वांटम ट्विस्ट: गॉसियन बनाम नॉन-गॉसियन

द "विटनेस" ट्रिक (The "Witness" Trick)

निष्कर्ष का सारांश

इसी तरह के और पेपर