एआई विकास में गंध की भावना लाना

एक नए एआई डेटासेट में मशीनों को गंध से परिचित कराने के लिए गंध डेटा को छवियों के साथ जोड़ा जाता है, जिससे मॉडल गंध को वस्तुओं, दृश्यों और सामग्रियों से मिला सकते हैं।

शायद इसलिए कि गंध-आउटपुट मशीनों का इतिहास इतना जटिल है, एआई अनुसंधान साहित्य में गंध एक उपेक्षित इंद्रियों में से एक है। जब तक आप स्मेल-ओ-विजन सागा में एक और प्रविष्टि नहीं बना रहे हैं, जो एक सदी से अधिक पुरानी है, गंध के मामले में उपयोग似乎 rather ‘नीच’ होते हैं जब छवि, ऑडियो और वीडियो डेटासेट और उनसे प्रशिक्षित एआई मॉडल की संभावना की तुलना में की जाती है।

वास्तव में, बम कुत्तों, कैडेवर कुत्तों, बीमारी सूंघने वाले कुत्तों और विभिन्न प्रकार के कैनाइन स्निफर इकाइयों द्वारा प्रदान की जाने वाली प्रकार की पता लगाने की सुविधाओं को स्वचालित करने, औद्योगिक बनाने और लोकप्रिय बनाने की संभावना नगरपालिका और सुरक्षा सेवाओं में एक उल्लेखनीय लाभ होगी। उच्च मांग के बावजूद, प्रशिक्षण और रखरखाव की लागत आपूर्ति से अधिक है, और यह एक महंगा व्यवसाय है जो हमेशा अच्छा मूल्य प्रदान नहीं करता है।

इससे पहले के अध्ययन जो इस क्षेत्र में आते हैं, वे आमतौर पर प्रयोगशाला में सीमित होते हैं, जिनमें विशेष रूप से तैयार किए गए विशेषताओं वाले उदाहरणों के संग्रह शामिल होते हैं – एक प्रोफ़ाइल जो अधिक बेस्पोक कॉटेज-उद्योग समाधानों की तुलना में औद्योगिक अनुप्रयोगों की ओर अधिक झुकी होती है।

आगे एक नाक

इस थोड़े पुराने माहौल में, एक दिलचस्प नए अकादमिक/उद्योग सहयोग से एक टीम ने न्यूयॉर्क शहर में विभिन्न गंधों को कई महीनों तक सूचीबद्ध किया – और पहली बार, जुड़ी हुई छवियों को इकट्ठा किया:

नोट सेंट्रल सेंसर, सुगंध उपकरण की ‘नाक’। केवल गंध पर प्रशिक्षित, मॉडल अनुमान लगाता है कि यह ग्रेनाइट, प्लास्टिक या चमड़े को सूंघ रहा है – और यहां तक कि यह पहचानता है कि यह किस कमरे में है, बिना एक भी पिक्सल देखे। स्रोत: https://smell.cs.columbia.edu/

इस शोध ने लेखकों को विकसित करने के लिए प्रेरित किया है कंट्रास्टिव लैंग्वेज-इमेज प्रीट्रेनिंग (सीएलआईपी) फ्रेमवर्क पर एक स्पिन, जो पाठ और छवियों को जोड़ता है, कंट्रास्टिव ऑल्फैक्शन-इमेज प्रीट्रेनिंग (सीओआईपी) के रूप में – जो गंध और छवियों को जोड़ता है।

शीर्ष: प्राकृतिक सेटिंग्स में सिंक्रोनाइज़ वीडियो और सुगंध सेंसर डेटा एक कैमरा-ई-नोज़ रिग का उपयोग करके कब्जा कर लिया जाता है। नीचे बाएं (बी): एक संयुक्त एम्बेडिंग क्रॉस-मॉडल स्व-पर्यवेक्षण के माध्यम से सीखा जाता है। (सी): प्रणाली केवल एक सुगंध प्रश्न के आधार पर दृश्य मेल खाता है। (डी): व्यक्तिगत सुगंध नमूनों का उपयोग वातावरण, वस्तु और सामग्री श्रेणियों को वर्गीकृत करने के लिए किया जाता है। (ई): दृश्य इनपुट के बिना घास के दो प्रकार जैसी अत्यधिक समान गंधों को प्रतिष्ठापित किया जाता है। स्रोत: https://arxiv.org/pdf/2511.20544

नया डेटासेट, न्यूयॉर्क स्मेल्स नामक, 7,000 गंध-छवि जोड़े शामिल हैं जिनमें 3,500 अलग-अलग वस्तुएं हैं। जब परीक्षण में प्रशिक्षित किया गया, तो नए डेटा ने लोकप्रिय हाथ से तैयार किए गए विशेषताओं को पार कर लिया जो पहले के समान डेटासेट में थे।

लेखकों की आशा है कि उनका पहला प्रयास बाद में और उसके बाद के काम के लिए मार्ग प्रशस्त करेगा जो वाइल्ड में काम करने वाले सुगंध पता लगाने वाले प्रणालियों की ओर ले जाएगा, जिस तरह स्निफर कुत्ते करते हैं*:

‘हम इस डेटासेट को वाइल्ड, मल्टीमॉडल ऑल्फैक्शन परसेप्शन की दिशा में एक कदम के रूप में देखते हैं, साथ ही दृष्टि को गंध से जोड़ने की दिशा में एक कदम। जबकि गंध परंपरागत रूप से प्रतिबंधित सेटिंग्स में संबोधित की जाती है, जैसे कि गुणवत्ता नियंत्रण, प्राकृतिक सेटिंग्स में कई अनुप्रयोग हैं।

‘उदाहरण के लिए, मनुष्य के रूप में, हम लगातार अपनी गंध की भावना का उपयोग भोजन की गुणवत्ता का मूल्यांकन करने, खतरों की पहचान करने और अदृश्य वस्तुओं का पता लगाने के लिए करते हैं।

‘इसके अलावा, कई जानवर, जैसे कुत्ते, भालू और चूहे, सुपरमैन जैसी गंध क्षमताएं दिखाते हैं, जो सुझाव देते हैं कि मानव गंध धारणा मशीन क्षमताओं की सीमा से बहुत दूर है।’

हालांकि नया पेपर, न्यूयॉर्क स्मेल्स: एक बड़ा मल्टीमॉडल डेटासेट ऑल्फैक्शन के लिए नामक, वादा करता है कि डेटा और कोड जारी किए जाएंगे, 27GB डेटा फ़ाइल पहले से ही प्रोजेक्ट साइट के माध्यम से उपलब्ध है। पेपर नINE शोधकर्ताओं द्वारा तैयार किया गया था कोलम्बिया विश्वविद्यालय, कॉर्नेल विश्वविद्यालय और ओस्मो लैब्स में।

विधि

नई संग्रह के लिए सामग्री इकट्ठा करने के लिए, शोधकर्ताओं ने साइरानोस 320 इलेक्ट्रॉनिक नाक का उपयोग किया, जिसमें आगे की ओर एक आईफ़ोन माउंट किया गया था ताकि यह दर्ज किया जा सके कि कौन सी गंधें दर्ज की जा रही थीं:

एक हाथ से पकड़ने वाला सेंसर रिग जोड़े हुए वीडियो और गंध डेटा एकत्र करता है एक साइरानोस 320 ई-नोज़ पर एक आईफ़ोन कैमरा माउंट करके। स्नाउट वस्तुओं पर लक्षित होता है जबकि निकास और प्रवेश नली वायु प्रवाह को नमूनाकरण के दौरान प्रबंधित करते हैं। एक आरजीबी-डी कैमरा गहराई को कैप्चर करता है, जबकि वोलेटाइल ऑर्गेनिक कंपाउंड (वीओसी) सांद्रता, तापमान और आर्द्रता एक एकीकृत सेंसर के माध्यम से दर्ज की जाती है, जिसमें एक प्रोपोर्शनल-इंटीग्रल-डेरिवेटिव (पीआईडी) मॉड्यूल और पर्यावरण प्रोब शामिल है।[/em>

साइरानोस डिवाइस 2Hz पर चलता है, 32-आयामी गंध समय-चरण रिकॉर्ड करता है। वोलेटाइल ऑर्गेनिक कंपाउंड (वीओसी) सांद्रता मिनीपीआईडी2 पीपीएम डब्ल्यूआर सेंसर के साथ रिकॉर्ड की जाती है।

पोर्टेबल यूनिट एक निम्बल सेंसर के रूप में कार्य करता था, जो एक अधिक कम्प्यूट-कैपेबल मोबाइल स्टेशन को डेटा रिले करता था।

लक्ष्य गंध को संदर्भ में रखने के लिए, एक ‘बेसलाइन गंध’ दर्ज की गई, इससे पहले कि अधिक विशिष्ट वस्तु को साइरानोस के ‘स्नाउट’ के साथ सीधे लक्षित किया गया। परिवेश नमूना तब इकाई के एक साइड-पोर्ट से लिया गया था, यह सुनिश्चित करने के लिए कि यह मुख्य गंध स्रोत से पर्याप्त दूर था ताकि यह दूषित न हो।

सेंसर के मुख्य इनटेक के माध्यम से दो नमूने लिए गए, प्रत्येक दस-सेकंड रिकॉर्डिंग वस्तु के चारों ओर एक अलग स्थिति से ली गई, डेटा की दक्षता में सुधार करने के लिए। नमूनों को तब परिवेश बेसलाइन के साथ जोड़कर एक 28×32 मैट्रिक्स बनाया गया, जो पूर्ण गंध माप का प्रतिनिधित्व करता है:

यह उदाहरण एक फूल के लिए संकेत और संबंधित छवि दिखाता है। पूर्ण गंध संकेत 28×32 मैट्रिक्स में एक 14-फ्रेम परिवेश बेसलाइन के साथ दो 10-सेकंड नमूनों को जोड़कर बनाया जाता है जो लक्ष्य वस्तु के चारों ओर विभिन्न कोणों से लिए जाते हैं। स्रोत: https://smell.cs.columbia.edu/

डेटा और परीक्षण

विजन लैंग्वेज मॉडल (वीएलएम) का उपयोग वस्तुओं और सामग्रियों को स्वचालित रूप से लेबल करने के लिए किया गया था जो साइरानोस रिग में आईफ़ोन द्वारा कब्जा कर लिया गया था, जीपीटी-4ओ का उपयोग इस कार्य के लिए किया गया था; हालांकि, दृश्य श्रेणियां मैन्युअल रूप से लेबल की गईं:

स्रोत पत्र में विस्तृत चित्रण का एक छोटा सा नमूना जो यहां अर्थपूर्ण रूप से पुन: उत्पन्न करने के लिए बहुत संक्षिप्त है। यहां परियोजना में कब्जा कर ली गई विभिन्न गंध स्रोतों और वातावरणों का वर्णन किया गया है।[/em>

डेटासेट को प्रशिक्षण और सत्यापन विभाजन में विभाजित किया गया था, प्रत्येक वस्तु के नमूनों को एक ही विभाजन में सौंपा गया था ताकि क्रॉस-कंटैमिनेशन से बचा जा सके। अंतिम संग्रह 7,000 गंध-दृष्टि जोड़े से बना है, जो 3,500 अनलेबल्ड वस्तुओं से लिए गए हैं, साथ ही 70 घंटे का वीडियो और 196,000 समय के चरणों का कच्चा गंध डेटा दोनों बेसलाइन और नमूना चरणों से।

डेटा दो महीने की अवधि में 60 सत्रों में एकत्र किया गया था, जिसमें पार्क, विश्वविद्यालय की इमारतें, कार्यालय, सड़कें, पुस्तकालय, अपार्टमेंट और भोजन कक्ष शामिल थे, प्रत्येक स्थान पर कई सत्र आयोजित किए गए थे। परिणामी डेटासेट में 41% आउटडोर और 59% इनडोर वातावरण शामिल हैं।

सामान्य उद्देश्य वाले गंध प्रतिनिधित्व विकसित करने के लिए, लेखकों ने एक कंट्रास्टिव मॉडल को प्रशिक्षित किया ताकि डेटासेट से सिंक्रोनाइज़ की गई छवि-गंध जोड़े को जोड़ा जा सके। इस दृष्टिकोण, जिसे पहले उल्लिखित सीओआईपी कहा जाता है, में सीएलआईपी से अनुकूलित नुकसान कार्य का उपयोग किया जाता है ताकि सह-occurring दृश्य और गंध संकेतों के एम्बेडिंग को संरेखित किया जा सके।

प्रशिक्षण में एक दृश्य एनकोडर और एक गंध एनकोडर का उपयोग किया गया था, जिसका उद्देश्य मॉडल को सिखाना था कि मेल खाने वाली गंध और छवियों को एक साझा प्रतिनिधित्व स्थान में करीब लाया जाए। परिणामी प्रतिनिधित्व डाउनस्ट्रीम कार्यों की एक श्रृंखला का समर्थन करते हैं, जिनमें गंध से छवि पुनर्प्राप्ति, दृश्य और वस्तु मान्यता, सामग्री वर्गीकरण और महीन-दाने वाली गंध भेदभाव शामिल हैं।

मॉडल को दो प्रकार के गंध इनपुट का उपयोग करके प्रशिक्षित किया गया था: पूर्ण कच्चा सेंसर संकेत और एक कम किया हुआ हाथ से तैयार किया गया सारांश जिसे स्मेलप्रिंट कहा जाता है – व्यापक रूप से गंध अनुसंधान में उपयोग की जाने वाली विशेषताएं जो प्रत्येक सेंसर की प्रतिक्रिया को एक एकल संख्या में संपीड़ित करती हैं नमूनाकरण के दौरान पीक प्रतिरोध की तुलना में परिवेश बेसलाइन के दौरान औसत प्रतिरोध की तुलना में।

इसके विपरीत, न्यूयॉर्क शहर भर में रिकॉर्ड किया गया कच्चा इनपुट 32 रासायनिक सेंसर के अंदर साइरानोस डिवाइस से एक समय श्रृंखला है, जो यह दर्ज करता है कि प्रत्येक सेंसर का विद्युत प्रतिरोध गंध के प्रति प्रतिक्रिया के रूप में समय के साथ कैसे बदला।

डेटासेट के लिए, इस अप्रसंस्कृत संकेत को सीधे एक तंत्रिका नेटवर्क में खिलाया गया, जिससे कंवोल्यूशनल या ट्रांसफॉर्मर-आधारित बैकबोन के साथ एंड-टू-एंड लर्निंग हो सके। मॉडल को दोनों प्रकार के इनपुट का उपयोग करके प्रशिक्षित किया गया था, जिसमें न्यूयॉर्क शहर में विभिन्न वातावरणों से एकत्र किए गए स्मेलप्रिंट और कच्चे इनपुट शामिल थे, दोनों इनपुट प्रकार का मूल्यांकन कंट्रास्टिव लर्निंग का उपयोग करके किया गया था।

क्रॉस-मॉडल रिट्रीवल

क्रॉस-मॉडल रिट्रीवल का मूल्यांकन यह देखने के लिए किया गया था कि प्रत्येक गंध नमूने और इसके जोड़े छवि को एक साझा प्रतिनिधित्व स्थान में एम्बेड करने और यह परीक्षण करने के लिए कि क्या सही छवि को केवल गंध इनपुट के आधार पर पुनर्प्राप्त किया जा सकता है:

रैंकिंग प्रत्येक छवि एम्बेडिंग की इस स्थान में गंध प्रश्न के पास की दूरी से निर्धारित की गई थी, और प्रदर्शन को माध्य रैंक, मध्य रैंक, और रिकॉल के माध्यम से मापा गया था कई सीमाओं पर:

विभिन्न गंध एनकोडर के लिए क्रॉस-मॉडल रिट्रीवल सटीकता, जो यह दिखाता है कि प्रत्येक मॉडल गंध प्रश्न से सही छवि की पहचान करने में कितनी अच्छी तरह से काम करता है। परिणाम वास्तुकला की तुलना करते हैं जो कच्चे गंध संकेतों पर प्रशिक्षित हैं जो स्मेलप्रिंट का उपयोग करते हैं। स्रोत: https://arxiv.org/pdf/2511.20544

इस संबंध में लेखकों का कहना है:

‘कंट्रास्टिव प्रीट्रेनिंग जो स्मेलप्रिंट का उपयोग करती है सभी मीट्रिक में मौका से बेहतर प्रदर्शन करती है। हालांकि, गंध एनकोडर को कच्चे गंध संकेत पर प्रशिक्षित करने से स्मेलप्रिंट एनकोडर की तुलना में महत्वपूर्ण सुधार होता है, जो कि स्वतंत्र रूप से वास्तुकला से है।

‘यह दिखाता है कि कच्चे गंध डेटा में स्मेलप्रिंट की तुलना में अधिक समृद्ध जानकारी है, जो दृष्टि और गंध के बीच मजबूत क्रॉस-मॉडल संबंधों को अनलॉक करती है।’

स्रोत पत्र के सातवें चित्रण का एक विवरण, जो यहां अर्थपूर्ण रूप से पुन: उत्पन्न करने के लिए बहुत संक्षिप्त है। यहां गंधों को मेल खाने वाली छवियों से जोड़ने वाले मॉडल के क्रॉस-मॉडल रिट्रीवल उदाहरण दिखाए गए हैं। प्रत्येक पंक्ति एक गंध प्रश्न से शुरू होती है, उसके बाद साझा एम्बेडिंग स्थान में शीर्ष रैंक वाली छवि पूर्वानुमान होती हैं। प्रत्येक प्रश्न के लिए सही छवि हरे रंग से घेरी हुई है, जो दिखाती है कि किताबों, पौधों, मेसनरी और अन्य सामग्रियों जैसी गंधें मॉडल को दृश्य और सेमेंटिक रूप से संबंधित दृश्यों की ओर ले जाती हैं। स्रोत: https://arxiv.org/pdf/2511.20544

लेखकों का यह भी कहना है कि रिट्रीवल परिणामों में स्पष्ट सेमेंटिक पैटर्न दिखाई दिए:

‘हमारे मॉडल की रिट्रीवल अक्सर सेमेंटिक समूहों को दिखाती है। एक पुस्तक की गंध अन्य पुस्तकों की छवियों को पुनर्प्राप्त करती है, पत्तियों की गंध पत्तियों की छवियों को पुनर्प्राप्त करती है।

‘इन परिणामों से सुझाव मिलता है कि सीखा गया प्रतिनिधित्व क्रॉस-मॉडल संरचना को पकड़ता है।’

दृश्य, वस्तु और सामग्री मान्यता

मॉडल की क्षमता का मूल्यांकन यह देखने के लिए किया गया था कि यह गंध के आधार पर दृश्य, वस्तु और सामग्री को पहचान सकता है या नहीं; इसके लिए, एक रेखीय प्रोब (एक सरल वर्गीकरणकर्ता जो जमे हुए प्रतिनिधित्व पर प्रशिक्षित है) का उपयोग यह देखने के लिए किया गया था कि सीखे गए गंध एम्बेडिंग में कितनी जानकारी एन्कोड की गई है:

लेबल प्रशिक्षण सेट में जोड़ी गई छवियों से जीपीटी-4ओ का उपयोग करके व्युत्पन्न किए गए थे – लेकिन वर्गीकरण के दौरान केवल गंध संकेत का उपयोग किया गया था।

कई प्रकार के एनकोडर परीक्षण किए गए: कुछ यादृच्छिक रूप से आरंभिकृत, कुछ स्क्रैच से प्रशिक्षित, और अन्य कंट्रास्टिव लर्निंग का उपयोग करके एक साझा प्रतिनिधित्व स्थान में गंध और दृष्टि को संरेखित करने के लिए प्रशिक्षित; दोनों कच्चे डेटा और स्मेलप्रिंट का मूल्यांकन किया गया:

केवल गंध संकेतों का उपयोग करके दृश्य, सामग्री और वस्तुओं की वर्गीकरण सटीकता का मूल्यांकन किया गया। कच्चे सेंसर इनपुट ने स्मेलप्रिंट को पार किया, जिसमें स्क्रैच से प्रशिक्षित सीएनएन ने उच्चतम परिणाम दिए, जिसमें दृश्यों के लिए 99.5% शामिल थे। एसएसएल प्रीट्रेनिंग ने कुछ मामलों में मदद की, लेकिन आमतौर पर पर्यवेक्षित प्रशिक्षण से पार किया गया। यादृच्छिक-वजन वाले बेसलाइन से पता चलता है कि मॉडल क्षमता अकेले पर्याप्त नहीं है। स्रोत: https://arxiv.org/pdf/2511.20544

महत्वपूर्ण रूप से, उच्च सटीकता तब प्राप्त की गई जब कच्चे गंध डेटा का उपयोग किया गया था, विशेष रूप से मॉडल जो क्रॉस-मॉडल पर्यवेक्षण के साथ प्रशिक्षित थे। लेखकों का यह भी कहना है**:

‘मॉडल जो कच्चे सेंसर इनपुट पर प्रशिक्षित होते हैं वे हाथ से तैयार किए गए स्मेलप्रिंट सुविधाओं के साथ प्रशिक्षित मॉडल की तुलना में उच्च सटीकता प्राप्त करते हैं। ये परिणाम दिखाते हैं कि कच्चे गंध संकेतों से गहरे शिक्षण हाथ से तैयार किए गए विशेषताओं की तुलना में बहुत बेहतर है।’

महीन-दाने वाली भेदभाव

यह मूल्यांकन करने के लिए कि क्या महीन-दाने वाली गंध भेदभाव सीखे जा सकते हैं, एक बेंचमार्क दो घास प्रजातियों से बनाया गया था जो एक ही कैंपस लॉन पर सह-अस्तित्व में थीं। छह 30-मिनट के सत्रों में वैकल्पिक नमूने एकत्र किए गए, जिससे 256 उदाहरण प्राप्त हुए। एक रेखीय वर्गीकरणकर्ता को कंट्रास्टिव ऑल्फैक्शन-विज़ुअल लर्निंग से सुविधाओं पर प्रशिक्षित किया गया था, और एक अलग नमूने के सेट पर मूल्यांकित किया गया था:

केवल गंध इनपुट का उपयोग करके घास प्रजातियों की वर्गीकरण की सटीकता। मॉडल की क्षमता का मूल्यांकन यह देखने के लिए किया गया कि क्या यह दो दृश्य रूप से समान घास प्रजातियों के बीच अंतर कर सकता है। प्रदर्शन की तुलना स्मेलप्रिंट और कच्चे सेंसर डेटा के साथ की गई, मॉडल को या तो यादृच्छिक रूप से आरंभिकृत किया गया, स्क्रैच से प्रशिक्षित, या स्व-पर्यवेक्षित लर्निंग (एसएसएल) के बाद एक रेखीय प्रोब के साथ प्रशिक्षित किया गया। कच्चे गंध संकेतों के साथ एसएसएल का उपयोग करके सबसे उच्च सटीकता, 92.9% हासिल की गई, जो दर्शाता है कि महीन-दाने वाली गंध अंतर को कच्चे इनपुट और दृष्टि-निर्देशित प्रशिक्षण के माध्यम से सबसे अच्छी तरह से कब्जा किया जा सकता है। स्रोत: https://arxiv.org/pdf/2511.20544

यहां शोधकर्ताओं का कहना है:

‘कच्चे गंध संकेत पर प्रशिक्षण (हाथ से तैयार की गई विशेषताओं के बजाय) उच्चतम सटीकता प्राप्त करता है – स्मेलप्रिंट पर आधारित सभी संस्करणों से अधिक।

‘इन परिणामों से सुझाव मिलता है कि ऑल्फैक्शन-विज़ुअल लर्निंग गंधप्रिंट की तुलना में अधिक महीन-दाने वाली जानकारी को संरक्षित करता है, और दृश्य पर्यवेक्षण इस जानकारी का फायदा उठाने के लिए एक संकेत प्रदान करता है।’

निष्कर्ष

हालांकि गंध संश्लेषण समस्या का समाधान अभी भी दूर की बात लगती है, एक प्रभावी और सस्ती जंगल में गंध विश्लेषण प्रणाली की क्षमता न केवल पुलिस, सुरक्षा और चिकित्सा उद्देश्यों के लिए, बल्कि जीवन की गुणवत्ता और शहरी निगरानी के लिए भी बहुत बड़ी है।

वर्तमान में, शामिल उपकरण निस्संदेह निचे और आमतौर पर बहुत महंगा है; इसलिए, ‘गंध एआई’ में वास्तविक प्रगति के लिए एक दूरदर्शी और सस्ती सेंसर की आवश्यकता होगी जो रास्पबेरी पीआई की भावना में हो।

* मेरा लेखकों के इनलाइन उद्धरणों को हाइपरलिंक में परिवर्तन।

** कृपया ध्यान दें कि आगे की और स्पष्टीकरण (चित्र 8) स्रोत पत्र में उपलब्ध हैं, लेकिन उस संदर्भ में सबसे अच्छी तरह से देखा जाता है।

पहली बार शुक्रवार, 28 नवंबर, 2025 को प्रकाशित।