⚛️ high-energy experiments

Higher-order effects in amplitude-assisted polarisation extraction with machine-learning techniques

यह शोध पत्र एलएचसी (LHC) में द्वि-बोसोन टक्करों में अनुदैर्ध्य-बोसोन उत्पादन दर को मजबूती से निकालने के लिए, पार्टन-शॉवर प्रभावों और मशीन-लर्निंग तकनीकों के साथ संवर्धित, नेक्स्ट-टू-लीडिंग-ऑर्डर क्यूसीडी (QCD) सटीकता पर प्रथम एम्प्लीट्यूड-असिस्टेड रिग्रेशन प्रक्रिया प्रस्तुत करता है।

मूल लेखक: Juan M. Cruz-Martinez, Jakob Linder, Mathieu Pellen, Giovanni Pelliccioli, Emanuele Re

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Juan M. Cruz-Martinez, Jakob Linder, Mathieu Pellen, Giovanni Pelliccioli, Emanuele Re

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 जासूस हैं जो केवल एक दुर्घटना के मलबे को देखकर यह पता लगाने की कोशिश कर रहे हैं कि एक विशिष्ट प्रकार की कार कैसे बनाई गई थी। कण भौतिकी (particle physics) की दुनिया में, वैज्ञानिक अविश्वसनीय गति से प्रोटॉन को आपस में टकराते हैं (जैसे कि लार्ज हैड्रॉन कोलाइडर या LHC में) ताकि भारी कण जैसे कि "गेज बोसोन" (विशेष रूप से Z बोसोन) बनाए जा सकें। ये कण अस्थिर होते हैं और लगभग तुरंत अन्य कणों, जैसे कि इलेक्ट्रॉन और म्यूऑन में टूट जाते हैं।

मुख्य रहस्य जिसे वैज्ञानिक इस शोध पत्र में सुलझा रहे हैं वह है: विस्फोट होने से ठीक पहले Z बोसोन का "स्पिन" या "पोलराइजेशन" क्या था?

पोलराइजेशन को एक घूमते हुए लट्टू के ओरिएंटेशन की तरह समझें। एक Z बोसोन कुछ अलग-अलग तरीकों से घूम सकता है:

ट्रांसवर्स (Transverse): सड़क पर लुढ़कते हुए पहिये की तरह घूमना (दाएं-बाएं)।
लॉन्जिट्यूडिनल (Longitudinal): हवा में उड़ती हुई एक गोली की तरह घूमना (सामने-की-ओर)।

"लॉन्जिट्यूडिनल" स्पिन का पता लगाना महत्वपूर्ण है क्योंकि यह एक फिंगरप्रिंट की तरह काम करता है कि ब्रह्मांड कणों को द्रव्यमान (द्रव्यमान देने की प्रक्रिया जिसे इलेक्ट्रोवीक सिमिट्री ब्रेकिंग कहा जाता है) कैसे देता है। यदि संख्याएं हमारे वर्तमान सिद्धांतों (स्टैंडर्ड मॉडल) के अनुरूप नहीं हैं, तो यह नई, अज्ञात भौतिकी की उपस्थिति का संकेत हो सकता है।

समस्या: एक "धुंधली" फोटो

समस्या यह है कि Z बोसोन इतनी तेज़ी से क्षय (decay) होते हैं कि हम उन्हें सीधे नहीं देख सकते। हम केवल मलबे (इलेक्ट्रॉन और म्यूऑन) को देखते हैं। इसके अलावा, टकराव साफ-सुथरा नहीं होता; यह बहुत अस्त-व्यस्त है। कल्पना कीजिए कि आप मलबे के ढेर में एक कार का रंग पहचानने की कोशिश कर रहे हैं जबकि एक बवंडर (QCD रेडिएशन—अतिरिक्त उड़ते हुए कणों का प्रतिनिधित्व करने वाला) सब कुछ इधर-उधर उड़ा रहा है।

अतीत में, वैज्ञानिक पोलराइजेशन का अनुमान लगाने के लिए सरल गणित का उपयोग करते थे, लेकिन यह एक जटिल पहेली को केवल आधे टुकड़ों के साथ हल करने जैसा था। वे "लो ऑर्डर" (LO) सटीकता के स्तर पर काम करते थे, जो एक कम-रिज़ॉल्यूशन वाली फोटो देखने जैसा है।

समाधान: एक हाई-डेफिनिशन फ़िल्टर

यह शोध पत्र इस जानकारी को निकालने के लिए एक नया, अत्यंत सटीक तरीका पेश करता है। उन्होंने दो मुख्य कार्य किए:

गणित को अपग्रेड किया (द "रीवेटिंग" ट्रिक):
उन्होंने न केवल कम-रिज़ॉल्यूशन वाली फोटो के साथ, बल्कि एक हाई-डेफिनेशन फोटो के साथ भौतिकी की गणना करने का एक तरीका विकसित किया। उन्होंने NLO (नेक्स्ट-टू-लीडिंग ऑर्डर) सटीकता का उपयोग किया।
- उपमा: कल्पना कीजिए कि आपके पास एक कार दुर्घटना की फोटो है। पुराना तरीका केवल मुख्य मलबे को देखता था। नया तरीका मुख्य मलबे के साथ-साथ धूल, टूटे हुए कांच और टायरों के निशान (अतिरिक्त कणों) को भी देखता है। उन्होंने एक गणितीय "फ़िल्टर" (रीवेटिंग) बनाया जो एक सामान्य क्रैश सिमुलेशन को गणितीय रूप से "टिंट" (रंगित) कर सकता है ताकि यह दिखाया जा सके कि यदि कार एक विशिष्ट तरीके से (लॉन्जिट्यूडिनल रूप से) घूम रही होती तो वह कैसी दिखती। उन्होंने यह भी साबित किया कि यह फ़िल्टर अतिरिक्त कणों के "बवंडर" के साथ भी पूरी तरह से काम करता है।
कंप्यूटर को पैटर्न पहचानना सिखाया (मशीन लर्निंग):
हाई-डेफिनिशन गणित के साथ भी, डेटा अभी भी इतना जटिल है कि एक इंसान इसे देखकर यह नहीं कह सकता कि, "आह, यह एक लॉन्जिट्यूडिनल स्पिन है!" इसलिए, उन्होंने AI मॉडल्स को जासूस बनने के लिए प्रशिक्षित किया।
- उन्होंने AI को लाखों सिम्युलेटेड क्रैश परिदृश्य दिए।
- उन्होंने AI को प्रत्येक परिदृश्य के लिए "उत्तर कुंजी" (गणितीय रूप से गणना किया गया पोलराइजेशन) दी।
- AI ने मलबे (अंतिम कणों) को देखना और स्पिन की भविष्यवाणी करना सीख लिया।

AI जासूस

शोध पत्र ने यह परीक्षण करने के लिए चार अलग-अलग प्रकार के AI "जासूसों" का परीक्षण किया कि कौन सा सबसे अच्छा है:

फीड-फॉरवर्ड नेटवर्क (FFNN): एक मानक, डीप न्यूरल नेटवर्क। इसे एक बहुत ही गहन अन्वेषक के रूप में सोचें जो हर एक रिपोर्ट को पढ़ता है।
ऑटोएन्कोडर (AE): एक ऐसा नेटवर्क जो निर्णय लेने से पहले डेटा को उसके सबसे आवश्यक रूप में संकुचित (compress) करने का प्रयास करता है। एक अन्वेषक की तरह जो 500 पन्नों की केस फाइल को निर्णय लेने से पहले एक पन्ने के सारांश में बदल देता है।
फिजिक्स-इन्फॉर्म्ड मॉडल (PN): यह मुख्य आकर्षण है। इस AI को भौतिकी के नियमों के साथ बनाया गया है जो पहले से ही इसके दिमाग में बसे हुए हैं। यह जानता है कि कुछ चीजें (जैसे प्रकाश की गति) कभी नहीं बदलतीं, चाहे आप उन्हें किसी भी नज़रिए से देखें। यह एक ऐसे जासूस की तरह है जो खुद भी एक भौतिक विज्ञानी है, इसलिए वह उन चीजों का अनुमान लगाने में समय बर्बाद नहीं करता जो भौतिक रूप से असंभव हैं।
रैंडम फॉरेस्ट (RFR): एक ऐसी विधि जो उत्तर को सीमित करने के लिए सैकड़ों सरल प्रश्न पूछती है (जैसे कि "20 सवाल" वाला खेल)।

परिणाम

टीम ने पाया कि चारों AI जासूस काम करने में उत्कृष्ट थे। वे अविश्वसनीय सटीकता (एक प्रतिशत के अंश के भीतर) के साथ पोलराइजेशन अंशों की भविष्यवाणी कर सके।

विजेता: फिजिक्स-इन्फॉर्म्ड मॉडल (PN) सबसे अलग रहा। यह अन्यों की तरह ही सटीक था लेकिन यह बहुत "हल्का" (इसके आंतरिक सेटिंग्स को ट्यून करने की आवश्यकता कम थी) था। यह एक ऐसे जासूस को खोजने जैसा है जो मामले को पूरी तरह से सुलझाता है लेकिन दूसरों की तुलना में कम कॉफी और नींद की आवश्यकता रखता है।
सबक: शोध पत्र यह सिद्ध करता है कि आपको AI को प्रशिक्षित करते समय हाई-डेफिनिशन गणित (NLO) का उपयोग करना ही चाहिए। यदि आप AI को लो-रिज़ॉल्यूशन वाली फोटो (LO) पर प्रशिक्षित करते हैं और फिर उसे हाई-रिज़ॉल्यूशन डेटा पर उपयोग करने की कोशिश करते हैं, तो वह भ्रमित हो जाता है और गलतियाँ करता है। AI को काम करने के लिए वास्तविक, अव्यवस्थित डेटा से सीखने की आवश्यकता है।

यह क्यों महत्वपूर्ण है

यह कार्य ब्रह्मांड के सैद्धांतिक गणित और प्रयोगों की वास्तविक वास्तविकता के बीच एक सेतु है। इन कणों के पोलराइजेशन को टैग करने या पहचानने का एक मजबूत तरीका बनाकर, यह शोध पत्र LHC के प्रयोगकर्ताओं को एक शक्तिशाली नया उपकरण प्रदान करता है। अब वे अपने वास्तविक डेटा को देखकर कह सकते हैं, "हम 99% सुनिश्चित हैं कि ये कण इस तरह घूम रहे थे," जो यह परीक्षण करने में मदद करता है कि क्या हमारी ब्रह्मांड की समझ सही है या वहां कोई नए रहस्य छिपे हैं।

संक्षेप में: उन्होंने एक उच्च-परिशुद्धता वाला गणितीय फ़िल्टर बनाया और एक स्मार्ट AI को इसका उपयोग करना सिखाया, जिससे वे कण टकराव की अराजकता में अदृश्य "स्पिन" को देख पा रहे हैं।

तकनीकी सारांश: मशीन-लर्निंग तकनीकों के साथ एम्प्लीट्यूड-असिस्टेड पोलराइजेशन एक्सट्रैक्शन में उच्च-क्रम प्रभाव

समस्या विवरण
कोलाइडर डेटा से इलेक्ट्रोवीक (EW) गेज बोसॉन पोलराइजेशन अंशों (polarisation fractions) का निष्कर्षण इलेक्ट्रोवीक सिमेट्री ब्रेकिंग (EWSB) तंत्र की जांच के लिए एक महत्वपूर्ण प्रक्रिया है। जबकि हालिया LHC विश्लेषणों (Run-2 और Run-3) ने लीडिंग ऑर्डर (LO) सिमुलेशन पर आधारित टेम्प्लेट फिट का उपयोग करके इन अंशों को सफलतापूर्वक मापा है, बढ़ती प्रयोगात्मक सटीकता उच्च-क्रम के सैद्धांतिक भविष्यवाणियों की मांग करती है। पोलराइजेशन टैगिंग के लिए पिछले मशीन-लर्निंग (ML) दृष्टिकोण, जैसे कि संदर्भ [36] में प्रस्तावित एम्प्लीट्यूड-असिस्टेड विधि, LO सटीकता तक ही सीमित थे। ML मॉडल के प्रशिक्षण और प्रदर्शन पर NLO QCD सुधारों और पार्टोन-शॉवर (PS) प्रभावों के प्रभाव को समझने में एक महत्वपूर्ण अंतराल मौजूद है, जो पोलराइजेशन अंशों को निकालने के लिए डिज़ाइन किए गए ML मॉडलों पर लागू होते हैं। विशेष रूप से, यह स्पष्ट नहीं था कि क्या LO डेटा पर प्रशिक्षित ML मॉडल NLO+PS डेटा पर लागू होने पर पोलराइजेशन अनुपातों को सटीक रूप से प्रतिगमन (regress) कर पाएंगे, या क्या QCD विकिरण द्वारा प्रेरित किनमैटिक बदलावों (kinematic shifts) को ध्यान में रखने के लिए प्रशिक्षण स्वयं उच्च-क्रम सटीकता की आवश्यकता रखता है।

कार्यप्रणाली
लेखक इस अंतराल को NLO QCD सटीकता के साथ पार्टोन शॉवर्स (NLO+PS) से मेल खाने वाले एम्प्लीट्यूड-असिस्टेड पोलराइजेशन एक्सट्रैक्शन फ्रेमवर्क का विस्तार करके संबोधित करते हैं। कार्यप्रणाली में तीन घटक शामिल हैं:

सैद्धांतिक ढांचा और रीवेटिंग (Reweighting):
- अध्ययन $\sqrt{s} = 13$ TeV पर $pp \to ZZ \to e^+e^-\mu^+\mu^-$ की डाय-बोसॉन प्रक्रिया पर केंद्रित है।
- अनपोलराइज्ड (unpolarised) मोंटे कार्लो (MC) घटनाओं से पोलराइज्ड नमूनों को उत्पन्न करने के लिए, लेखक एक रीवेटिंग अनुपात $r_{LL} = |\mathcal{M}_{LL}|^2 / |\mathcal{M}|^2$ को परिभाषित करते हैं, जो अनपोलराइज्ड एम्प्लीट्यूड पर डबली लॉन्गिट्यूडिनल बोसॉन्स के स्क्वेर्ड एम्प्लीट्यूड को दर्शाता है।
- NLO पर, इस अनुपात का निर्माण Powheg पद्धति से $\bar{B}$ फंक्शन का उपयोग करके किया जाता है, जिसमें Born, वर्चुअल और इंटीग्रेटेड रियल-रेडिएशन योगदान शामिल हैं। रीवेटिंग को Powheg-Box-Res फ्रेमवर्क और VV_pol पैकेज के साथ उत्पन्न अनपोलराइज्ड NLO+PS नमूनों पर इवेंट-दर-इवेंट लागू किया जाता है।
- इस रीवेटिंग दृष्टिकोण की वैधता को "क्लोजर टेस्ट" के माध्यम से सत्यापित किया जाता है, जो सीधे पोलराइज्ड सिग्नल्स के विरुद्ध रीवेटेड वितरणों की तुलना करता है।
मशीन लर्निंग आर्किटेक्चर:
लेखक केवल प्रयोगात्मक रूप से सुलभ अवलोकनों (अंतिम-अवस्था लेप्टॉन मोमेंटा) का उपयोग करके $r_{LL}$ (या इसके प्रॉक्सी $\tilde{r}_{LL}$ ) की भविष्यवाणी करने के लिए चार अलग-अलग रिग्रेशन दृष्टिकोणों का बेंचमार्किंग करते हैं:
- फीड-फॉरवर्ड न्यूरल नेटवर्क (FFNN): एक डीप नेटवर्क जिसमें 10 हिडन लेयर्स हैं और Z+j अध्ययनों की तुलना में ZZ प्रक्रिया की बढ़ी हुई किनमैटिक जटिलता को संभालने के लिए कम चौड़ाई-से-गहराई अनुपात (width-to-depth ratio) रखा गया है।
- ऑटोएन्कोडर-लाइक NN (AE): एक नेटवर्क जिसमें बॉटलनेक संरचना होती है, जिसे 16 इनपुट फीचर्स (लेप्टॉन फोर-मोमेंटा) को एक लेटेंट रिप्रेजेंटेशन में संकुचित करने के लिए डिज़ाइन किया गया है और फिर लक्ष्य का पुनर्निर्माण करने के लिए बनाया गया है।
- फिजिक्स-इन्फॉर्म्ड नेटवर्क (PN): ParticleNet पर आधारित एक मॉडल, जो लोरेन्त्ज़ इनवेरियंस (Lorentz invariance) सुनिश्चित करने और प्रशिक्षित पैरामीटर्स की संख्या को कम करने के लिए EdgeConv लेयर्स और एक लोरेन्त्ज़-प्रेरित प्रीप्रोसेसिंग लेयर का उपयोग करता है।
- रैंडम फॉरेस्ट रिग्रेसर (RFR): एक विशिष्ट किनमैटिक फीचर्स (बोसॉन ट्रांसवर्स मोमेंटा, रैपिडिटीज, और रेस्ट फ्रेम में डिके एंगल्स) का उपयोग करने वाला एक ट्री-बेस्ड एन्सेम्बल मेथड।
प्रशिक्षण रणनीति:
- मॉडलों को LO, LO+Sudakov, और NLO+PS सटीकता पर उत्पन्न डेटासेट पर प्रशिक्षित किया जाता है।
- ग्रेडिएंट्स को स्थिर करने और नेटवर्क को निरंतर मीन प्रेडिक्शन की ओर ढहने से रोकने के लिए लक्ष्य वेरिएबल पर एक लॉग-ट्रांसफॉर्मेशन लागू किया जाता है।
- हाइपरपैरामीटर्स (लर्निंग रेट, बैच साइज) को Optuna फ्रेमवर्क का उपयोग करके अनुकूलित किया जाता है।

प्रमुख योगदान

NLO+PS तक विस्तार: यह कार्य पहली बार पार्टोन शॉवर्स के साथ मैच की गई NLO QCD सटीकता पर एम्प्लीट्यूड-असिस्ड पोलराइजेशन एक्सट्रैक्शन के कार्यान्वयन को प्रस्तुत करता है। यह प्रदर्शित करता है कि रीवेटिंग तकनीक, हालांकि फिक्स्ड-ऑर्डर मैचिंग के संदर्भ में अनुमानित है, उच्च निष्ठा (fidelity) के साथ सीधे पोलराइज्ड सिमुलेशन को पुनरुत्पादित करती है (एकीकृत क्रॉस-सेक्शन्स के लिए $\sim 1\%$ के भीतर)।
ML पर उच्च-क्रम सुधारों का प्रभाव: यह अध्ययन प्रशिक्षण डेटा की सटीकता की आवश्यकता का व्यवस्थित मूल्यांकन करता है। यह पाता है कि LO डेटा पर ML मॉडल को प्रशिक्षित करना और NLO+PS डेटा पर परीक्षण करना महत्वपूर्ण गिरावट (क्रॉस-सेक्शन्स में 2–6% का विचलन) की ओर ले जाता है, जबकि मिलान NLO+PS सटीकता पर प्रशिक्षण और परीक्षण करने से सब-पर-मिले (sub-per-mille) सटीकता प्राप्त होती है।
आर्किटेक्चर बेंचमार्किंग: लेखक चार अलग-अलग ML आर्किटेक्चर की तुलना करते हैं। वे पाते हैं कि जबकि सभी मॉडल फेज स्पेस के मुख्य भाग में अच्छा प्रदर्शन करते हैं, फिजिक्स-इन्फॉर्म्ड नेटवर्क (PN) और रैंडम फॉरेस्ट रिग्रेसर (RFR) पूरे किनमैटिक रेंज में, विशेष रूप से वितरण के टेल (tails) में, बेहतर मजबूती प्रदर्शित करते हैं। PN मॉडल को उल्लेखनीय रूप से कम प्रशिक्षित पैरामीटर्स ( $\sim 60$ k) के साथ उच्च सटीकता प्राप्त करने के लिए रेखांकित किया गया है, जबकि FFNN ( $\sim 4$ M) और AE ( $\sim 1.4$ M) अधिक पैरामीटर्स का उपयोग करते हैं।

परिणाम

क्लोजर टेस्ट: रीवेटिंग प्रक्रिया लॉन्गिट्यूडिनल-लॉन्गिट्यूडिनल ($LL $) और ट्रांसवर्स-ट्रांसवर्स ($ TT $) अवस्थाओं के लिए क्रमशः$ -0.9% $और$ +0.3%$ के विचलन के साथ सीधे NLO+PS सिमुलेशन को पुनरुत्पादित करती है। मिश्रित अवस्थाएं (mixed states) $\sim 7\%$ का कम अनुमान दिखाती हैं, जिसका कारण हार्ड रेडिएशन के लिए सुडाकोव एक्सपोनेंशियल (Sudakov exponential) में बेमेल होना है।
डिफरेंशियल डिस्ट्रीब्यूशन:
- पॉजिट्रॉन डिके एंगल ( $\cos \theta^*_{e^+}$ ) के लिए, सभी मॉडल केंद्रीय क्षेत्र में सत्य (truth) के साथ कुछ प्रतिशत के भीतर सहमत होते हैं। टेल में, RFR और PN मॉडल सबसे अच्छा प्रदर्शन करते हैं।
- पॉजिट्रॉन ट्रांसवर्स मोमेंटम ( $p_{T, e^+}$ ) के लिए, LO डेटा पर प्रशिक्षित मॉडल NLO+PS टेल का सटीक वर्णन करने में विफल रहते हैं। NLO+PS डेटा पर प्रशिक्षित मॉडल $\sim 200$ GeV तक अच्छा सामंजस्य दिखाते हैं।
- RFR मॉडल, जब रेस्ट फ्रेम में डिके एंगल्स सहित विशिष्ट इनपुट फीचर्स का उपयोग करता है, तो पूर्ण $r_{LL}$ वितरण रेंज में सबसे सुसंगत विवरण प्रदान करता है।
क्रॉस-सेक्शन एक्सट्रैक्शन: जब NLO+PS सटीकता पर प्रशिक्षित और परीक्षण किया जाता है, तो PN और RFR मॉडल $Z_L Z_L$ उत्पादन के फिड्यूशियल क्रॉस-सेक्शन को सत्य से $0.2\%$ से कम के विचलन के साथ भविष्यवाणी करते हैं।

महत्व और दावे
यह पेपर दावा करता है कि प्रस्तावित फ्रेमवर्क उच्च-परिशुद्धता सैद्धांतिक भविष्यवाणियों और प्रयोगात्मक पोलराइजेशन एक्सट्रैक्शन के बीच के अंतर को सफलतापूर्वक पाटता है। NLO+PS सटीकता तक एम्प्लीट्यूड-असिस्टेड मेथड का सामान्यीकरण करके, लेखक प्रदर्शित करते हैं कि:

उच्च-क्रम सुधार नगण्य नहीं हैं: LHC में प्रिसिजन फिजिक्स के लिए LO डेटा पर ML मॉडल को प्रशिक्षित करना अपर्याप्त है; QCD विकिरण द्वारा प्रेरित किनमैटिक बदलावों को पकड़ने के लिए NLO+PS प्रशिक्षण डेटा आवश्यक है।
दक्षता और मजबूती: फिजिक्स-इन्फॉर्म्ड नेटवर्क (PN) प्रदर्शन और कम्प्यूटेशनल लागत के बीच एक सम्मोहक संतुलन प्रदान करता है, जो इसे फेनोमेनोलॉजिकल अध्ययनों के लिए एक पसंदीदा विकल्प बनाता है।
सामान्य प्रयोज्यता: हालांकि यह अध्ययन लीप्टोनिक $ZZ$ डिके पर केंद्रित है, यह कार्यप्रणाली अन्य डाय-बोसॉन प्रक्रियाओं और हैड्रोनिक डिके पर भी लागू की जा सकती है, बशर्ते कि एक उपयुक्त इवेंट जनरेटर उपलब्ध हो।

लेखक निष्कर्ष निकालते हैं कि उनके परिणाम पोलराइजेशन टैगिंग के लिए प्रासंगिक प्रभावों के मुख्य भाग को कैप्चर करते हैं, जो बिना किसी वैचारिक बाधा के उच्च क्रम की पर्टर्बेटिव सटीकता तक भविष्य के विस्तार को सक्षम बनाता है। पुनरुत्पादकता सुनिश्चित करने के लिए रीवेटिंग प्रक्रिया का कार्यान्वयन VV_pol पैकेज के माध्यम से सार्वजनिक किया गया है, और सभी ML भविष्यवाणियां एक सार्वजनिक रिपॉजिटरी में उपलब्ध हैं।

समस्या: एक "धुंधली" फोटो

समाधान: एक हाई-डेफिनिशन फ़िल्टर

AI जासूस

परिणाम

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर