🤖 machine learning

Diagnosing and Repairing Shape-Prior Shortcuts in Long-Range Single-Shot Fringe Projection Profilometry

यह शोध पत्र लॉन्ग-रेंज सिंगल-शॉट फ्रिंज प्रोजेक्शन प्रोफाइलोमेट्री में एक महत्वपूर्ण विफलता मोड की पहचान और समाधान करता है, जहाँ डीप लर्निंग मॉडल फ्रिंज-फेज डिकोडिंग के बजाय त्रुटिपूर्ण रूप से ऑब्जेक्ट-बाउंड्री शेप प्रायर्स (object-boundary shape priors) पर निर्भर हो जाते हैं, और इसके लिए PhiCalNet पेश करता है—एक ऐसा आर्किटेक्चर जो भौतिक शुद्धता को लागू करने के लिए स्पष्ट रूप से रैप्ड फेज (wrapped phase) आउटपुट करता है—जिससे मीन एब्सोल्यूट एरर (mean absolute error) में 3.3 गुना की कमी आती है और कन्वर्जेंट मैकेनिस्टिक इंटरप्रिटेबिलिटी (convergent mechanistic interpretability) एवं कॉन्फॉर्मल अनसर्टेन्टी क्वांटिफिकेशन (conformal uncertainty quantification) के माध्यम से निदान को मान्य किया जाता है।

मूल लेखक: Adam Haroon, Anush Lakshman, Cody Fleming, Beiwen Li

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adam Haroon, Anush Lakshman, Cody Fleming, Beiwen Li

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 किसी दूर स्थित वस्तु, जैसे कि संग्रहालय में रखी किसी मूर्ति, के आकार को बिना छुए मापने की कोशिश कर रहे हैं। आप एक विशेष प्रोजेक्टर का उपयोग करते हैं जो वस्तु पर लहरदार रेखाओं का एक पैटर्न (जैसे बारकोड या पानी में उठने वाली लहर) डालता है। एक कैमरा उन रेखाओं की तस्वीर लेता है। यदि वस्तु ऊबड़-खाबड़ है, तो रेखाएं मुड़ जाती हैं। इन रेखाओं के मुड़ने के तरीके का विश्लेषण करके, एक कंप्यूटर उस वस्तु के 3D आकार की गणना कर सकता है। इसे फ्रिंज प्रोजेक्शन प्रोफाइलोमेट्री (FPP) कहा जाता है।

आमतौर पर, एक सटीक माप प्राप्त करने के लिए, आपको पैटर्न को हर बार थोड़ा बदलते हुए कई तस्वीरें लेनी पड़ती हैं। लेकिन इस शोध पत्र के शोधकर्ताओं चाहते थे कि वे इसे केवल एक ही तस्वीर (Single-Shot) के साथ करें। यह बहुत तेज़ है और चलती हुई वस्तुओं के लिए भी काम करता है, लेकिन यह बहुत कठिन भी है, विशेष रूप से तब जब वस्तु दूर हो (एक मीटर से अधिक)।

यहाँ बताया गया है कि उन्होंने इस समस्या को कैसे हल किया, सरल शब्दों में:

1. समस्या: "बेईमानी करने वाला" छात्र

शोधकर्ताओं ने एक विशाल, फोटो-यथार्थवादी आभासी सिमुलेशन (एक वीडियो गेम की तरह) बनाया ताकि AI कंप्यूटरों को इस 'वन-शॉट' पहेली को सुलझाने के लिए प्रशिक्षित किया जा सके। उन्होंने लगभग 6 से 7 फीट की दूरी पर 50 अलग-अलग वस्तुओं (ड्रिल, बॉक्स, स्प्रे गन) के साथ एक "बेंचमार्क" बनाया।

जब उन्होंने एक मानक AI (जिसे UNet कहा जाता है) को तस्वीर देखकर आकार का अनुमान लगाने के लिए प्रशिक्षित किया, तो शुरू में यह ठीक लग रहा था। लेकिन जब उन्होंने बारीकी से देखा, तो उन्हें एहसास हुआ कि AI बेईमानी कर रहा था।

बेईमानी की रणनीति: लहरदार रेखाओं को पढ़कर गहराई (depth) का पता लगाने के बजाय (जो कि कठिन, भौतिकी-आधारित तरीका है), AI वस्तु की रूपरेखा (outline) को देख रहा था। वह चीज़ों को याद कर रहा था: "ओह, यह एक ड्रिल जैसा दिखता है, इसलिए मैं जानता हूँ कि ड्रिल आमतौर पर इसी आकार के होते हैं।" वह प्रकाश के पैटर्न को डिकोड करने के बजाय आकार के शॉर्टकट (priors) का उपयोग कर रहा था।
सबूत: जब उन्होंने AI को एक पूरी तरह से सपाट, बिना किसी विशेषता वाली दीवार दिखाई (जिसमें याद करने के लिए कोई "आकार" नहीं था), तो AI घबरा गया। वह आकार का अनुमान नहीं लगा सका क्योंकि उसे बेईमानी करने के लिए कोई किनारे (edges) या परिचित रूपरेखा नहीं मिली। उसने बस कहा, "मुझे कोई वस्तु नहीं दिख रही है," और भविष्यवाणी की कि दीवार शून्य दूरी पर है, भले ही वह दीवार वास्तव में 6 फीट दूर थी।

2. निदान: बेईमानी क्यों विफल हुई?

शोधकर्ताओं ने AI के मस्तिष्क के भीतर देखने के लिए विशेष "सूक्ष्मदर्शी" (तकनीकों जिन्हें मैकेनिस्टिक इंटरप्रिटेबिलिटी कहा जाता है) का उपयोग किया।

उन्होंने पाया कि AI के आंतरिक "विचार" किनारों का पता लगाने वाले डिटेक्टरों (रूपरेखा खोजने के लिए) से भरे हुए थे, लेकिन वास्तविक तरंग पैटर्न (wave patterns) से खाली थे।
उन्होंने एक "आत्मविश्वास परीक्षण" (अनिश्चितता मात्रा निर्धारण/Uncertainty Quantification) का भी उपयोग किया। उन्होंने AI से पूछा, "आप कितने आश्वस्त हैं?" बेईमान AI हर जगह आत्मविश्वास से गलत था, और उसकी त्रुटियां यादृच्छिक रूप से फैली हुई थीं।

निष्कर्ष: AI प्रकाश के भौतिकी को नहीं सीख रहा था; वह केवल प्रशिक्षण के दौरान देखे गए आकारों को याद कर रहा था। यही कारण है कि वह नए, अजीब आकारों या सपाट सतहों पर विफल रहा।

3. मरम्मत: एक "भौतिकी-प्रथम" AI बनाना

इसे ठीक करने के लिए, शोधकर्ताओं ने PhiCalNet नामक एक नया AI आर्किटेक्चर बनाया। उन्होंने केवल AI को यह नहीं कहा, "बेईमानी मत करो, और मेहनत करो।" इसके बजाय, उन्होंने खेल के नियम बदल दिए ताकि बेईमानी करना असंभव हो जाए।

पुराना तरीका: AI तस्वीर को देखता था और सीधे अंतिम 3D आकार का अनुमान लगाने की कोशिश करता था। इससे उसे आकार याद करने के लिए एक "बैकडोर" मिल जाता था।
नया तरीका (PhiCalNet): उन्होंने AI को एक मध्यवर्ती चरण पर रुकने के लिए मजबूर किया। अब AI को केवल फेज़ (phase) (लहर के पैटर्न की विशिष्ट स्थिति, जैसे "क्या यह लहर का ऊपरी हिस्सा है या निचला?") का अनुमान लगाने की अनुमति है।
जादुई परत: लहर की स्थिति का अनुमान लगाने के बाद, एक निश्चित, अपरिवर्तनीय गणितीय परत (कैलिब्रेशन लेयर) स्वचालित रूप से उस लहर की स्थिति को 3D डेप्थ मैप में बदल देती है। AI इस चरण को छोड़ नहीं सकता। उसे गहराई पाने के लिए लहरों को समझना ही होगा।

इसे एक गणित के टेस्ट की तरह समझें:

पुराना AI: आपसे $2 + 2$ हल करने के लिए कहा जाता है। AI ने बस यह याद कर लिया कि उत्तर 4 है क्योंकि उसने पहले उत्तर कुंजी में संख्या 4 देखी थी।
नया AI (PhiCalNet): आपको अपना काम दिखाने के लिए मजबूर किया जाता है। आपको चरणों को लिखना होगा कि उत्तर तक कैसे पहुँचा जाए। यदि आप गणित नहीं जानते, तो आप सही उत्तर नहीं पा सकते, भले ही आपने उत्तर कुंजी को याद कर लिया हो।

4. परिणाम: एक बड़ा सुधार

AI को आकार याद करने के बजाय लहरों को समझने के लिए मजबूर करने से, परिणाम नाटकीय थे:

सटीकता: त्रुटि में 3.3 गुना की कमी आई। पुराना AI लगभग 1.5 सेंटीमीटर की गलती कर रहा था; नया AI आधे सेंटीमीटर से भी कम की गलती करता है।
"फ्लैट वॉल" टेस्ट: जब इसे फिर से सपाट दीवार दिखाई गई, तो नए AI ने सही ढंग से पहचान की कि यह एक सपाट सतह है। इसने लहरों को सफलतापूर्वक डिकोड किया, भले ही उसके पास बेईमानी करने के लिए कोई किनारे न हों।
बचा हुआ दोष: नया AI अभी भी कुछ गलतियाँ करता है, लेकिन केवल बहुत विशिष्ट, अनुमानित स्थानों पर: जहाँ लहर का पैटर्न अंत से शुरू होने की ओर मुड़ता है (जैसे घड़ी की सुई 12 से 1 पर कूदती है)। ये वे "कठिन स्थान" हैं जहाँ गणित स्वाभाविक रूप से अस्पष्ट होता है। AI जानता है कि वह इन स्थानों पर अनिश्चित है, और शोधकर्ता और भी बेहतर परिणाम प्राप्त करने के लिए इन स्थानों को फ़िल्टर भी कर सकते हैं।

5. बड़ा सबक

यह शोध पत्र निष्कर्ष निकालता है कि वैज्ञानिक माप में, आप केवल एक बड़े AI को किसी समस्या पर नहीं झोंक सकते और उम्मीद नहीं कर सकते कि वह भौतिकी को सीख लेगा। यदि AI एक आसान रास्ता (जैसे आकार याद करना) खोज लेता है, तो वह उसे अपना लेगा।

समाधान यह है कि AI के आर्किटेक्चर में ही भौतिकी को शामिल किया जाए। AI को "डेप्थ" से पहले "वेव फेज़" आउटपुट करने के लिए मजबूर करके, उन्होंने बेईमानी का विकल्प ही खत्म कर दिया। इसने AI को न केवल अधिक सटीक बनाया, बल्कि इसे इस बारे में भी अधिक ईमानदार बनाया कि वह कहाँ भ्रमित है।

संक्षेप में: उन्होंने एक AI को आकार याद करके बेईमानी करते हुए पकड़ा, उसे लहरों के वास्तविक गणित को समझने के लिए मजबूर करके ठीक किया, और साबित किया कि एक एकल फोटो से विश्वसनीय 3D माप प्राप्त करने के लिए यह "भौतिकी-प्रथम" दृष्टिकोण ही एकमात्र तरीका है।

तकनीकी सारांश: लॉन्ग-रेंज सिंगल-शॉट फ्रिंज प्रोजेक्शन प्रोफाइलोमेट्री में शेप-प्रायर शॉर्टकट्स का निदान और सुधार

समस्या विवरण
लर्निंग-आधारित सिंगल-शॉट फ्रिंज प्रोजेक्शन प्रोफाइलोमेट्री (FPP) ने क्लोज-रेंज व्यवस्था (जैसे एंडोस्कोपिक, टेबलटॉप) में सफलता प्राप्त की है जहाँ फ्रिंज कंट्रास्ट और ट्रायंगुलेशन ज्योमेट्री अनुकूल होती है। हालाँकि, लॉन्ग-रेंज व्यवस्था (स्टैंडऑफ > 1 मीटर) अभी भी काफी हद तक अनसुलझी है, जो तीन जुड़े हुए कारणों से प्रभावित है: (1) प्रकाश तीव्रता का इनवर्स-स्क्वायर फॉलऑफ सिग्नल-टू-नॉइज़ रेशियो और फिजिकल ग्राउंड ट्रुथ की विश्वसनीयता को कम करता है; (2) सिंगल-शॉट फॉर्मूलेशन स्वाभाविक रूप से इल-पोज़्ड (ill-posed) है क्योंकि सिंगल इमेज से फ्रिंज-ऑर्डर जानकारी उपलब्ध नहीं होती है, जिससे डेप्थ एरर दूरी के साथ क्वाड्रेटिक रूप से बढ़ते हैं; और (3) मौजूदा आर्किटेक्चर में यांत्रिक व्याख्यात्मकता (mechanistic interpretability) का अभाव है, जिससे सिद्धांत-आधारित मार्गदर्शन के बिना त्रुटि निदान संभव नहीं हो पाता। इसके अलावा, क्षेत्र में एक साझा बेंचमार्क की कमी है, जिसमें विभिन्न अध्ययनों के बीच इनकंसिस्टेंट नॉर्मलाइजेशन, लॉस फंक्शन्स और इवैल्यूएशन प्रोटोकॉल मौजूद हैं।

कार्यप्रणाली
लेखक एक एकीकृत "निदान-सुधार-सत्यापन" अध्ययन प्रस्तुत करते हैं, जिसमें FPP-ML-Bench का उपयोग किया गया है, जो सिंगल-शॉट FPP के लिए पहला ओपन-सोर्स फोटोरियलिस्टिक सिंथेटिक बेंचमार्क है। VIRTUS-FPP फ्रेमवर्क के भीतर NVIDIA Isaac Sim पर निर्मित, इस डेटासेट में 1.5–2.1 मीटर स्टैंडऑफ पर 50 विविध वस्तुओं की 15,600 फ्रिंज छवियां शामिल हैं।

कार्यप्रणाली चार चरणों में आगे बढ़ती है:

व्यवस्थित एब्लेशन (Systematic Ablation): लेखक डिज़ाइन विकल्पों (नॉर्मलाइजेशन, बैकग्राउंड प्रोसेसिंग, मल्टी-फ्रेम कंपोजिशन, लॉस फंक्शन्स और आर्किटेक्चर) को अलग करते हैं ताकि एक सर्वोत्तम प्रदर्शन करने वाला बेसलाइन स्थापित किया जा सके।
मैकेनिस्टिक इंटरप्रिटेबिलिटी (MI) निदान: लीनियर प्रोबिंग, Grad-CAM और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) फ्लैट-प्लेन टेस्टिंग का उपयोग करते हुए, लेखक यह जांचते हैं कि क्या बेसलाइन नेटवर्क भौतिकी-आधारित फ्रिंज डिकोडिंग सीख रहा है या ज्यामितीय शॉर्टकट (geometric shortcuts) का उपयोग कर रहा है।
आर्किटेक्चरल रिपेयर: निदान के आधार पर, लेखक PhiCalNet पेश करते हैं, जो एक फेज-इंटरमीडिएट आर्किटेक्चर है। मानक डेप्थ-रिग्रेसिंग नेटवर्क्स के विपरीत, PhiCalNet एक रैप्ड-फेज रिप्रेजेंटेशन $(\sin \phi, \cos \phi)$ आउटपुट करता है। एक फिक्स्ड, डिफरेंशिएबल कैलिब्रेशन लेयर फिर इस फेज को FPP ट्रायंगुलेशन फिजिक्स का उपयोग करके नियत रूप से डेप्थ में मैप करती है। यह डिज़ाइन लॉस पेनल्टी के बजाय आर्किटेक्चरल कंस्ट्रेंट के माध्यम से हाइपोथेसिस स्पेस से 'शेप-प्रायर सॉल्यूशन' को हटा देता है।
सत्यापन: सुधार को निम्नलिखित के माध्यम से सत्यापित किया गया है:
- MI: यह पुष्टि करने के लिए कि PhiCalNet फेज सीखता है न कि शेप, MI बैटरी को पुनः लागू करना।
- अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ): यह निर्धारित करने के लिए कि क्या मॉडल का स्व-रिपोर्ट किया गया अनिश्चितता स्तर उसके फेलियर मोड्स के साथ संरेखित है, स्नैपशॉट एन्सेम्बल पर पिक्सेल-वाइज कॉन्फॉर्मल प्रेडिक्शन लागू करना।
- काउंटरफैक्चुअल्स: एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) बेसलाइन के विरुद्ध PhiCalNet की तुलना करना, जहाँ भौतिकी को सॉफ्ट लॉस पेनल्टी के माध्यम से लागू किया गया था।

प्रमुख निष्कर्ष और परिणाम

बेसलाइन ऑप्टिमाइजेशन: व्यवस्थित एब्लेशन से पता चला कि इंडिविजुअल डेप्थ नॉर्मलाइजेशन (स्केल को शेप से अलग करना) ने रॉ डेप्थ की तुलना में ऑब्जेक्ट Mean Absolute Error (MAE) में 9.1× सुधार किया। अंतर्ज्ञान के विपरीत, बैकग्राउंड फ्रिंजेस आवश्यक सिग्नल हैं, शोर नहीं; इन्हें हटाने से प्रदर्शन में 2.8–7.3× की गिरावट आई। हाइब्रिड L1 लॉस ( $\alpha=0.7$ ) और UNet आर्किटेक्चर ने TransUNet, ResUNet और Pix2Pix से बेहतर प्रदर्शन किया। सर्वश्रेष्ठ बेसलाइन (UNet) ने 14.54 mm ऑब्जेक्ट MAE प्राप्त किया, लेकिन रेसिडुअल एनालिसिस ने संकेत दिया कि यह एक रिप्रेजेंटेशनल लिमिट थी न कि कैपेसिटीिटी का मुद्दा।
शॉर्टकट निदान: UNet बेसलाइन के मैकेनिस्टिक विश्लेषण से पता चला कि यह कार्य को फ्रिंज-फेज डिकोडिंग के बजाय ऑब्जेक्ट-बाउंड्री शेप प्रायर्स के माध्यम से हल करता है।
- लीनियर प्रोबिंग: आंतरिक एक्टिवेशन्स से ज्यामितीय फीचर्स (एजेस) को डेप्थ वैल्यूज की तुलना में 2.82× अधिक आसानी से डिकोड किया गया।
- Grad-CAM: अटेंशन फ्रिंज पैटर्न की तुलना में ऑब्जेक्ट एजेस (1.28×) के साथ अधिक मजबूती से सह-संबंधित था।
- OOD टेस्ट: एक फीचरलेस फ्लैट प्लेन पर, नेटवर्क लगभग शून्य डेप्थ प्रेडिक्शन की ओर गिर गया, जो मौजूद वैध फ्रिंज पैटर्न का उपयोग करने में विफल रहा, जो शेप टेम्पलेट्स पर निर्भरता की पुष्टि करता है।
PhiCalNet प्रदर्शन: रैप्ड फेज आउटपुट करने के लिए मजबूर करके, PhiCalNet ने UNet बेसलाइन की तुलना में ऑब्जेक्ट MAE को 3.3× (14.54 mm से 4.46 mm) कम कर दिया।
- एक PINN काउंटरफै對於 (डेप्थ-रिग्रेसिंग नेटवर्क पर सॉफ्ट लॉस के माध्यम से भौतिकी को लागू करना) ने कोई मापने योग्य लाभ नहीं दिया, जिससे यह सिद्ध हुआ कि आर्किटेक्चरल फ्रेमिंग ही मुख्य कारक था।
- PhiCalNet का रेसिडुअल एरर $\pm\pi$ रैप डिस्कंटीन्यूटी पर 0.103% पिक्सेल्स तक सीमित था, जो एक डिस्कंटीन्यूअस टारगेट के निरंतर रिग्रेशन का एक स्ट्रक्चरल लिमिट है।
- PhiCalNet का 3-फ्रेम एक्सटेंशन MAE को और घटाकर 1.16 mm कर देता है, जो सिंगल-शॉट एक्विजिशन के इंफॉर्मेशन-थ्योरेटिक डेफिसिट को प्रमाणित करता है।
अनिश्चितता मात्रा निर्धारण: पिक्सेल-वाइज कॉन्फॉर्मल प्रेडिक्शन ने प्रदर्शित किया कि PhiCalNet की त्रुटियाँ संरचनात्मक रूप से सुपाठ्य हैं। स्नैपशॉट डिसएग्रीमेंट द्वारा शीर्ष 5% पिक्सेल्स को हटाने से PhiCalNet के RMSE में 64% (20.6 mm $\to$ 7.4 mm) की कमी आई, जबकि इसी प्रक्रिया ने UNet बेसलाइन के RMSE को केवल 3.5% कम किया। यह पुष्टि करता है कि PhiCalNet की विफलताएं विशिष्ट ज्यामितीय स्थानों में केंद्रित हैं जहाँ मॉडल उच्च अनिश्चितता की पहचान सही ढंग से करता है, जबकि बेसलाइन की त्रुटियां विसरित (diffuse) हैं।

महत्व और दावे
यह पेपर तीन प्राथमिक योगदानों का दावा करता है:

बेंचमार्किंग: FPP-ML-Bench का परिचय, जो लॉन्ग-रेंज सिंगल-शॉट FPP के लिए एक मानकीकृत, पुनरुत्पादक मूल्यांकन सतह प्रदान करता है, जो क्षेत्र में साझा इंफ्रास्ट्रक्चर की कमी को दूर करता है।
मैकेनिस्टिक इनसाइट: यह FPP में मैकेनिस्टिक इंटरप्रिटेबिलिटी का पहला अनुप्रयोग है, जो यह प्रकट करता है कि मानक डीप लर्निंग दृष्टिकोण अक्सर भौतिक फेज डिकोडिंग के बजाय ज्यामितीय शॉर्टकट्स (शेप प्रायर्स) पर निर्भर करते हैं, जो सिंगल-शॉट लॉन्ग-रेंज रिकंस्ट्रक्शन की इल-पोज़्ड प्रकृति के कारण और भी बढ़ जाता है।
आर्किटेक्चरल सॉल्यूशन: लेखक प्रदर्शित करते हैं कि भौतिक निरंतरता (physical consistency) लागू करने के लिए आर्किटेक्चरल कंस्ट्रेंट्स (फेज आउटपुट करना) लॉस पेनल्टीज़ (PINNs) की तुलना में अधिक प्रभावी हैं। PhiCalNet सफलतापूर्वक हाइपोथेसिस स्पेस से शेप-प्रायर शॉर्टकट को हटा देता है।

लेखक मैकेनिस्टिक इंटरप्रिटेबिलिटी, रेसिडुअल एरर एनालिसिस और अनसर्टेनिटी क्वांटिफिकेशन के एक ही फिजिकल लोकस (लोकेशन) पर अभिसरण (convergence) को भौतिकी-इंफॉर्म्ड लर्निंग के लिए एक पद्धतिगत टेम्पलेट के रूप में प्रस्तुत करते हैं। वे तर्क देते हैं कि जब किसी मॉडल का फेलियर मोड एक विशिष्ट ज्यामितीय या भौतिक लोकस में होता है, तो ये तीन नैदानिक उपकरण मिलकर मॉडल व्यवहार की एक सुसंगत व्याख्या प्रदान कर सकते हैं, जो भाषा या मेडिकल इमेजिंग जैसे अन्य डोमेन में पाए जाने वाले विसरित (diffuse) फेलियर मोड्स में अक्सर अनुपस्थित होता है।

पेपर निष्कर्ष निकालता है कि सिंगल-शॉट FPP में अवशिष्ट त्रुटि (residual error) मौलिक रूप से सूचना-सैद्धांतिक (information-theoretic) है (फ्रिंज-ऑर्डर जानकारी की कमी के कारण) न कि मॉडलिंग सीमाओं के कारण, और हालांकि PhiCalNet सटीकता में सुधार करता है, शेष त्रुटि समस्या की भौतिकी द्वारा संरचनात्मक रूप से बंधी हुई है।

1. समस्या: "बेईमानी करने वाला" छात्र

2. निदान: बेईमानी क्यों विफल हुई?

3. मरम्मत: एक "भौतिकी-प्रथम" AI बनाना

4. परिणाम: एक बड़ा सुधार

5. बड़ा सबक

इसी तरह के और पेपर