🔬 condensed matter

Dynamical cavity method for continuous-time complex systems on sparse random graphs

यह शोध पत्र स्पार्स रैंडम ग्राफ्स पर स्टोकेस्टिक सिस्टम के लिए एक सटीक निरंतर-समय गतिशील कैविटी पद्धति विकसित करता है जो डायनेमिकल मीन-फील्ड थ्योरी का विस्तार करती है, जिसमें स्व-संगत पथ-माप समीकरणों को व्युत्पन्न किया गया है जो पारस्परिक बनाम निर्देशित अंतःक्रियाओं के लिए आवश्यक विशिष्ट गतिशील क्लोजर को स्पष्ट रूप से समाहित करते हैं।

मूल लेखक: Fernando L. Metz, Isaac Pérez Castillo

प्रकाशित 2026-06-09✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando L. Metz, Isaac Pérez Castillo

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक विशाल, अराजक पार्टी की कल्पना करें जहाँ हज़ारों लोग नाचने की कोशिश कर रहे हैं। इस पार्टी के कुछ संस्करणों में, हर कोई हर किसी से जुड़ा हुआ है (एक घनी भीड़)। अन्य संस्करणों में, हर कोई केवल कुछ विशिष्ट पड़ोसियों को ही जानता है (एक विरल नेटवर्क)।

दशकों से, वैज्ञानिकों के पास घनी भीड़ में नृत्य की गतिविधियों का पूर्वानुमान लगाने का एक शानदार तरीका रहा है। वे "डायनामिकल मीन-फील्ड थ्योरी" (DMFT) नामक एक विधि का उपयोग करते हैं। यह इस तरह काम करती है: हर एक व्यक्ति को ट्रैक करने के बजाय, वे कल्पना करते हैं कि प्रत्येक व्यक्ति अकेले नाच रहा है, लेकिन वह पूरी भीड़ की औसत गतिविधि के एक "भूत" (ghost) से प्रभावित है। क्योंकि हर कोई बहुत सारे लोगों से जुड़ा हुआ है, इसलिए व्यक्तिगत प्रभाव एक अनुमानित, गॉसियन (बेल-कर्व) पैटर्न में सुचारू हो जाते हैं। यह मौसम की भविष्यवाणी करने जैसा है: आप हर वायु अणु को ट्रैक नहीं करते; आप औसत दबाव और तापमान देखते हैं।

समस्या:
कई वास्तविक दुनिया के सिस्टम—जैसे मस्तिष्क में न्यूरॉन्स, पारिस्थितिकी तंत्र में प्रजातियाँ, या एक सामाजिक नेटवर्क में लोग—विरल (sparse) होते हैं। आप केवल कुछ ही लोगों से बात करते हैं, सभी से नहीं। इस परिदृश्य में, "औसत भीड़" वाला तरीका विफल हो जाता है। आपके नृत्य के कदम अपने कुछ विशिष्ट, विचित्र पड़ोसियों के आंदोलनों पर बहुत अधिक निर्भर करते हैं, न कि एक सुचारू औसत पर। पुरानी गणित विफल हो जाती है क्योंकि वह "भूत" अब एक सुचारू वक्र नहीं है; वह एक टेढ़ा-मेढ़ा, अप्रत्याशित मलबे जैसा है।

समाधान:
यह शोध पत्र इन विरल, अस्त-व्यस्त नेटवर्कों के लिए एक नया, अधिक शक्तिशाली उपकरण पेश करता है जिसे "डायनामिकल कैविटी मेथड" (Dynamical Cavity Method) कहा जाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. "कैविटी" ट्रिक (एक पड़ोसी को हटाना)

कल्पना कीजिए कि आप एक विशिष्ट डांसर (मान लीजिए बॉब) के नृत्य को समझना चाहते हैं।

पुराना तरीका: यह गणना करने की कोशिश करना कि बॉब अपने 5 पड़ोसियों से कैसे प्रभावित होता है, जो अपने पड़ोसियों से प्रभावित होते हैं, और इसी तरह। यह एक उलझा हुआ जाल है।
नया तरीका (कैविटी): कल्पना कीजिए कि आप अस्थायी रूप से बॉब को पार्टी से हटा देते हैं। अब, उसके पड़ोसियों को देखें। बॉब के बिना, उनके नृत्य के मूव्स एक-दूसरे से स्वतंत्र हैं। आप सटीक रूप से गणना कर सकते हैं कि यदि बॉब वहाँ नहीं होता तो वे कैसे नाचते।
पुनः प्रविष्टि (Re-insertion): अब, बॉब को वापस रखने की कल्पना करें। आप पूछते हैं: "यदि मैं बॉब को एक विशिष्ट तरीके से नाचने के लिए मजबूर करता हूँ, तो इससे उसके पड़ोसियों के मूव्स में क्या बदलाव आता है?" और इसके विपरीत, "यदि उसके पड़ोसी एक निश्चित तरीके से नाचते हैं, तो इससे बॉब के मूव्स में क्या बदलाव आता है?"

शोध पत्र यह महसूस करता है कि विरल नेटवर्कों में, आप केवल औसत मूव को नहीं देख सकते। आपको पड़ोसियों के पूरे इतिहास (शुरू से अंत तक का पूरा नृत्य रूटीन) को ट्रैक करना होगा।

2. "इम्पोज़्ड हिस्ट्री" (एकतरफा बनाम दो-तरफा रास्ता)

यह इस शोध पत्र की सबसे बड़ी सफलता है। यह दो प्रकार के कनेक्शनों के बीच अंतर करता है:

एक-तरफा रास्ते (Directed Graphs): कल्पना कीजिए कि बॉब एलिस से बात करता है, लेकिन एलिस वापस बात नहीं करती। यदि बॉब अपना नृत्य बदलता है, तो एलिस अपना नृत्य बदल सकती है। लेकिन एलिस का नृत्य बॉब को नहीं बदलता। यह हल करने में आसान है। शोध पत्र दिखाता है कि इन एक-तरफा नेटवर्कों के लिए, गणित खूबसूरती से सरल हो जाता है।
दो-तरफा रास्ते (Reciprocal Graphs): कल्पना कीजिए कि बॉब और एलिस पक्के दोस्त हैं; वे एक-दूसरे को लगातार प्रभावित करते हैं। यदि बॉब अपना मूव बदलता है, तो एलिस अपना बदलती है, जो तुरंत बॉब को फिर से बदलने के लिए प्रेरित करता है।
- उपमा: पुराने गणित में, आप कह सकते हैं कि "एलिस बॉब के वर्तमान मूव पर प्रतिक्रिया दे रही है।"
- नई अंतर्दृष्टि: शोध पत्र कहता है, "नहीं, एलिस बॉब के पूरे इतिहास पर प्रतिक्रिया दे रही है।" क्योंकि वे जुड़े हुए हैं, एलिस का वर्तमान नृत्य इस पर निर्भर करता है कि बॉब ने 5 सेकंड पहले, 10 सेकंड पहले, आदि क्या किया था।
- "कंडीशनल" कर्नेल: लेखकों ने एक "कंडीशनल डांस लॉ" (सशर्त नृत्य नियम) की गणना करने का एक तरीका विकसित किया है। यह एक नियम पुस्तिका की तरह है जो कहती है: "यदि पड़ोसी ने बिल्कुल इस विशिष्ट इतिहास की तरह नृत्य किया है, तो मैं इस तरह नाचूँगा।" यह केवल एक साधारण प्रतिक्रिया नहीं है; यह एक जटिल, इतिहास-निर्भर प्रतिक्रिया है।

3. इतिहासों की "जनसंख्या" (Population of Histories)

चूंकि आप पूरे नेटवर्क के लिए एक एकल समीकरण नहीं लिख सकते, इसलिए लेखक एक सिमुलेशन विधि का सुझाव देते हैं जिसे "पॉपुलेशन डायनेमिक्स" कहा जाता है।

एक नेटवर्क को ट्रैक करने के बजाय, आप हज़ारों काल्पनिक डांसरों की एक विशाल "जनसंख्या" बनाते हैं।
जनसंख्या में प्रत्येक डांसर अपने पूरे नृत्य इतिहास का एक पूर्ण स्क्रिप्ट रखता है।
जनसंख्या को अपडेट करने के लिए, आप एक डांसर को चुनते हैं, उनके पड़ोसियों के स्क्रिप्ट को देखते हैं, और "कंडीशनल हिस्ट्री" के नियमों के आधार पर उनके लिए एक नया स्क्रिप्ट तैयार करते हैं।
समय के साथ, यह जनसंख्या के स्क्रिप्ट एक पैटर्न में स्थिर हो जाते हैं जो सटीक रूप से भविष्यवाणी करते हैं कि वास्तविक, विरल नेटवर्क कैसे व्यवहार करता है।

4. "घनी" भीड़ के बारे में क्या?

शोध पत्र यह भी जाँचता है कि क्या उनका नया, जटिल तरीका पुराने, घने समूहों के लिए काम करता है।

परिणाम: हाँ! यदि आप उनके जटिल "विरल" समीकरणों को लेते हैं और कनेक्शनों की संख्या को अनंत तक बढ़ा देते हैं, तो गणित स्वाभाविक रूप से सरल हो जाता है और वापस पुराने, परिचित "डायनामिकल मीन-फील्ड थ्योरी" में बदल जाता है।
निष्कर्ष: उनका नया तरीका "जनक सिद्धांत" (parent theory) है। पुराना तरीका केवल एक विशेष, सरल मामला है जो केवल तभी काम करता है जब हर कोई हर किसी से जुड़ा होता है।

सारांश

यह शोध पत्र एक नया गणितीय इंजन बनाता है ताकि उन जटिल प्रणालियों को समझा जा सके जहाँ हर कोई केवल कुछ ही लोगों को जानता है।

यह पूर्ण इतिहास को ट्रैक करता है: केवल वर्तमान को देखने के बजाय, यह प्रत्येक पड़ोसी के पूरे अतीत को देखता है।
यह "दो-तरफा रास्तों" को संभालता है: यह उस पेचीदा समस्या को हल करता है जहाँ पड़ोसी एक-दूसरे को प्रभावित करते हैं, इसके लिए "कंडीशनल" नियमों (यदि आपने X किया, तो मैं Y करूँगा) का उपयोग करता है।
यह "स्क्रिप्ट की जनसंख्या" का उपयोग करता है: यह एक विशाल समीकरण को हल करने के बजाय पूर्ण नृत्य रूटीन की एक भीड़ को विकसित करके सिस्टम का अनुकरण करता है।
यह क्षेत्र को एकीकृत करता है: यह दिखाता है कि पुराना "घनी भीड़" वाला गणित इस नए, अधिक सामान्य "विरल नेटवर्क" गणित का एक विशेष, सरल संस्करण है।

संक्षेप में, लेखकों ने एक विरल, अस्त-व्यस्त भीड़ के नृत्य की भविष्यवाणी करने का तरीका खोज लिया है, जिसमें वे प्रत्येक कनेक्शन को एक साधारण औसत के बजाय एक अद्वितीय, इतिहास-निर्भर बातचीत के रूप में देखते हैं।

तकनीकी सारांश: विरल रैंडम ग्राफ पर निरंतर-समय जटिल प्रणालियों के लिए डायनेमिकल कैविटी विधि

समस्या विवरण
डायनेमिकल मीन-फील्ड थ्योरी (DMFT) सघन युग्मन (dense couplings) वाले उच्च-आयामी विक्षोभपूर्ण गतिशील प्रणालियों (disordered dynamical systems) के लिए एक स्पर्शोन्मुखी विवरण प्रदान करती है, जो कई-शरी (many-body) गतिकी को गाऊसी शोर और मेमोरी कर्नेल द्वारा संचालित एक स्व-सुसंगत प्रभावी स्टोकेस्टिक प्रक्रिया में कम कर देती है। हालाँकि, कई समकालीन जटिल प्रणालियाँ (जैसे, न्यूरल नेटवर्क, पारिस्थितिक समुदाय) विरल (sparse) और विषम नेटवर्क के माध्यम से परस्पर क्रिया करती हैं। इन विरल शासनों (regimes) में, स्थानीय क्षेत्र (local fields) $O(N)$ कमजोर पदों के योग के बजाय सीमित संख्या में मजबूत योगदानों से बने होते हैं। फलस्वरूप, सघन DMFT में निहित गाऊसी क्लोजर तंत्र स्वतः उपलब्ध नहीं होते हैं, और स्थानीय क्षेत्र स्वाभाविक रूप से गैर-गाऊसी बने रहते हैं। जबकि विरल स्पिन प्रणालियों के लिए डायनेमिकल कैविटी विधियाँ मौजूद हैं, निरंतर चर (continuous degrees of freedom), सामान्य युग्मवार अंतःक्रियाओं (pairwise interactions), और पारस्परिक (द्विदिश) किनारों वाले निरंतर-समय प्रणालियों के लिए एक कठोर व्युत्पत्ति कम विकसित रही है। विशेष रूप से, पारस्परिक नेटवर्क में टेम्पोरल फीडबैक का उपचार, जहाँ शाखाएँ प्राप्तकर्ता नोड द्वारा आरोपित इतिहास (imposed history) द्वारा संचालित होती हैं, सरल स्रोत शिफ्ट (source shifts) से परे एक सूत्रीकरण की आवश्यकता रखता है।

कार्यप्रणाली
लेखक पाथ मेजर्स (path measures) के स्तर पर स्पार्स-नेटवर्क DMFT के लिए एक निरंतर-समय कैविटी व्युत्पत्ति विकसित करते हैं। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

मॉडल परिभाषा: प्रणाली को सामान्य युग्मवार अंतःक्रियाओं $g(x_i, x_j)$ , एकल-साइट ड्रिफ्ट, और योगात्मक गाऊसी शोर के साथ एक विरल रैंडम ग्राफ पर युग्मित स्टोकेस्टिक डिफरेंशियल इक्वेशन्स द्वारा परिभाषित किया गया है। ग्राफ एन्सेम्बल (ensemble) निर्देशित, पारस्परिक, और अनडिरेक्टेड किनारों की अनुमति देता है, जो संयुक्त डिग्री वितरणों द्वारा अभिलक्षित हैं।
फिक्स्ड-ग्राफ कैविटी निर्माण: मार्टिन-सिगिया-रोस-जैनसेन-डी डोमिनिसिस (MSRJD) पाथ इंटीग्रल प्रतिनिधित्व से शुरू करते हुए, लेखक वृक्षों (trees) पर पाथ-प्रोबेबिलिटी संदेशों के लिए सटीक पुनरावृत्ति संबंध (recursion relations) व्युत्पन्न करते हैं। स्थानीय रूप से ट्री-लाइक विरल ग्राफों पर, ये पुनरावृत्तियाँ ऊष्मागतिक सीमा (thermodynamic limit) में मान्य होती हैं।
- एक प्रमुख अंतर निर्देशित (directed) और पारस्परिक (reciprocal) किनारों के बीच किया गया है। निर्देशित ग्राफों में, बाहरी पड़ोसी फीडबैक नहीं देते हैं, जिससे पुनरावृत्ति अनकंडीशन्ड पाथ प्रोबेबिलिटीज के स्तर पर बंद हो जाती है।
- पारस्परिक ग्राफों में, एक पड़ोसी की शाखा की गतिशीलता प्राप्तकर्ता नोड के आरोपित इतिहास द्वारा एक योगात्मक ड्रिफ्ट टर्म के माध्यम से संचालित होती है। सामान्य युग्मवार कर्नेल के लिए, यह ड्रिफ्ट स्वयं शाखा के प्रक्षेपवक्र (trajectory) पर निर्भर करता है, जिसके लिए साधारण स्रोत शिफ्ट के बजाय आरोपित-इतिहास कंडीशनल पाथ कर्नेल की आवश्यकता होती है।
एन्सेम्बल एवरेजिंग: लेखक फिक्स्ड-ग्राफ संदेशों से संदेशों के एन्सेम्बल लॉ (ensemble laws) की ओर बढ़ते हैं। वे पाथ-प्रोबेबिलिटी संदेशों पर एक संभाव्यता नियम (probability law) को परिभाषित करते हैं। पाथ अपडेट ऑपरेटर की मल्टीलिनैरिटी (multilinearity) और अलग-अलग इनकमिंग शाखाओं की स्वतंत्रता के कारण, इस नियम का प्रथम मोमेंट (बैरसेंटर) एक बंद समीकरण संतुष्ट करता है। उच्चतर मोमेंट्स को $r$ -कॉपी पाथ मेजर्स द्वारा वर्णित किया जाता है, जो एक पदानुक्रम (hierarchy) बनाते हैं।
कॉज़ल डिसक्रेटाइजेशन (Causal Discretization): संख्यात्मक कार्यान्वयन को सुगम बनाने के लिए, निरंतर-समय समीकरणों को असतत समय (discrete time) में पुनः व्युत्पन्न किया जाता है। यह अपडेट के कॉज़ल ऑर्डरिंग को स्पष्ट करता है और जनसंख्या गतिकी (population dynamics) निरूपण को परिभाषित करता है।
- निर्देशित ग्राफों के लिए, जनसंख्या साधारण प्रक्षेपवक्र इतिहासों (trajectory histories) की होती है।
- पारस्परिक ग्राफों के लिए, जनसंख्या कंडीशनल ब्रांच लॉज़ (या इतिहास के परिमित-गहराई वाले कॉज़ल ट्री) की होती है, जो आरोपित इतिहासओं पर निर्भरता को दर्शाती है।
उच्च-कनेक्टिविटी सीमाएँ: शोध पत्र उच्च-कनेक्टिविटी ( $c \to \infty$ ) सीमा में स्पार्स पाथ-मेजर थ्योरी के प्रोजेक्शन का विश्लेषण करता है। यह दर्शाता है कि कैसे विरल योगदान प्रभावी ड्रिफ्ट, कलर्ड नॉइज़, और पारस्परिक प्रणालियों के लिए, महत्वपूर्ण रूप से, रिस्पॉन्स चैनल्स में संयोजित होते हैं।

प्रमुख योगदान और परिणाम

निरंतर प्रणालियों के लिए सामान्य स्पार्स DMFT: यह शोध पत्र सामान्य युग्मवार अंतःक्रियाओं के साथ विरल रैंडम ग्राफों पर स्टोकेस्टिक गतिकी के लिए एक कठोर निरंतर-समय कैविटी फ्रेमवर्क स्थापित करता है, जो पूर्व परिणामों का विस्तार करता है जो केवल डिस्क्रीट स्पिन या पूर्णतः निर्देशित नेटवर्क तक सीमित थे।
कंडीशनल पाथ कर्नेल्स: यह कार्य स्पष्ट रूप से पहचानता है कि पारस्परिक किनारों की उपस्थिति में, मौलिक गतिकीय वस्तु एक आरोपित-इतिहास कंडीशनल पाथ कर्नेल है। यह सिद्धांत को उन मॉडलों से अलग करता है जहाँ अंतःक्रियाओं को साधारण स्रोत शिफ्ट (जैसे, एडिटिव-इनपुट मॉडल) में बदला जा सकता है।
क्लोजर मैकेनिज्म: लेखक प्रदर्शित करते हैं कि अपडेट की मल्टीलिनैरिटी और ब्रांच इंडिपेंडेंस के कारण, संदेश नियमों का एन्सेम्बल औसत पाथ-मेजर बैरसेंटर के स्तर पर बंद हो जाता है। वे संदेशों के उतार-चढ़ाव को पकड़ने के लिए $r$ -कॉपी पाथ मेजर्स का एक पदानुक्रम भी तैयार करते हैं।
लीनियर-गाऊसी स्पेशलाइजेशन: सत्यापन के रूप में, सिद्धांत को लीनियर-गाऊसी पारस्परिक प्रणालियों पर लागू किया जाता है। इस मामले में, कंडीशनल कर्नेल स्रोत शिफ्ट में बदल जाते हैं, और पाथ-कर्नेल पुनरावृत्ति ठीक से क्लोज्ड वोल्टेरा समीकरणों (Volterra equations) में डिकोड होती है, जो माध्य, सहसंबंध और प्रतिक्रिया (response) के लिए ज्ञात डायनेमिक-कैविटी परिणामों को पुनः प्राप्त करती है।
संख्यात्मक क्लोजर: शोध पत्र एडिटीव-इनपुट रिकरेंट न्यूरल नेटवर्क्स (RNNs) के लिए सीमित-मेमोरी संख्यात्मक क्लोजर (रोलिंग कैविटी, रूट-क्वेंच्ड रोलिंग कैविटी, एंडपॉइंट मीन-करेक्टेड रोलिंग कैविटी) का परिचय देता है और उनका मूल्यांकन करता है। ये सन्निकटन पूर्ण इतिहास को ले जाने की कम्प्यूटेशनल लागत को संबोधित करते हैं।
उच्च-कनेक्टिविटी प्रोजेक्शन: विश्लेषण स्पष्ट करता है कि सघन प्रभावी प्रक्रियाएं (ड्रिफ्ट, नॉइज़, रिस्पॉन्स) स्पार्स पाथ-मेजर थ्योरी के प्रोजेक्शन हैं। यह रेखांकित करता है कि सामान्य नॉनलीनर मल्टीप्लिकेटिव इंटरैक्शन (जैसे, लोटका-वोल्टेरा) के लिए, सघन सीमा को कंपोजिट रिस्पॉन्स ऑब्जेक्ट्स की आवश्यकता हो सकती है और यह स्वतः ही कम-आयामी अवलोकनों (माध्य, सहसंबंध, प्रतिक्रिया) के बंद सिस्टम में नहीं बदलती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह पारस्परिक संरचना द्वारा उत्पन्न संरचनात्मक जटिलता को सही ढंग से संभालने वाला एक एकीकृत, मॉडल-अज्ञेयवादी (model-agnostic) फ्रेमवर्क प्रदान करता है। इसका प्राथमिक महत्व है:

संरचनात्मक स्पष्टता: यह सामान्य कंडीशनल-कर्नेल संरचना (जो पारस्परिक फीडबैक के लिए आवश्यक है) को मॉडल-विशिष्ट न्यूनीकरण (जैसे, एडिटिव-इनपुट या लीनियर मामले) से अलग करता है। यह स्पष्ट करता है कि क्यों निर्देशित और पारस्परिक विरल प्रणालियों के पास अलग-अलग क्लोजर संरचनाएं होती हैं।
एल्गोरिद्मिक वास्तविकता: कॉज़ल डिसक्रेटाइजेशन और परिमित-गहराई वाले ट्री निरूपण पेश करके, यह कार्य कंडीशनल-कर्नेल संरचना का एक ठोस एल्गोरिद्मिक कार्यान्वयन प्रदान करता है, जो साधारण प्रक्षेपवक्र जनसंख्या (निर्देशित) और कंडीशनल ब्रांच-लॉ जनसंख्या (पारस्परिक) के बीच अंतर करता है।
मौलिक सीमाएँ: यह कार्य एक सघन प्रभावी पाथ लॉ के अस्तित्व और एक बंद निम्न-आयामी DMFT समीकरण के अस्तित्व के बीच की सीमा को निर्धारित करता है। यह तर्क देता है कि जबकि सघन सीमाएं प्रोजेक्शन के रूप में निकाली जा सकती हैं, सामान्य नॉनलीनर इंटरैक्शन के लिए कम-आयामी डायनेमिक ऑर्डर पैरामीटर्स के एक छोटे सेट में न्यूनीकरण स्वतः नहीं होता है और विशिष्ट मॉडल सिमेट्री (जैसे, लीनेरिटी या एडिटिव इनपुट) पर निर्भर करता है।

लेखक इस कार्य को एक आधारभूत कदम के रूप में प्रस्तुत करते हैं, जो सटीक परिमित-समय पाथ-मेजर विवरण प्रदान करता है जिससे विशिष्ट न्यूनीकरण और संख्यात्मक योजनाएं व्यवस्थित रूप से निकाली जा सकती हैं, न कि सभी विरल जटिल प्रणालियों के लिए एक एकल सार्वभौमिक बंद समीकरण प्रस्तावित करना।

1. "कैविटी" ट्रिक (एक पड़ोसी को हटाना)

2. "इम्पोज़्ड हिस्ट्री" (एकतरफा बनाम दो-तरफा रास्ता)

3. इतिहासों की "जनसंख्या" (Population of Histories)

4. "घनी" भीड़ के बारे में क्या?

सारांश

इसी तरह के और पेपर