🔭 astrophysics

Euclid: Improving redshift distribution reconstruction using a deep-to-wide transfer function

تقدم هذه الورقة دالة نقل من العميق إلى الضحل تعمل على تقليل جودة القياس الضوئي العميق لتطابق خصائص المسح الأقل عمقاً، مما يثبت أن هذه الطريقة تتفوق على النهج القائم على الصور مثل Balrog وتُقلل بشكل كبير من انحيازات الإزاحة الحمراء لتلبية متطلبات دقة مهمة "إقليدس" (Euclid) لدراسات الطاقة المظلمة.

المؤلفون الأصليون: Y. Kang, S. Paltani, W. G. Hartley, M. Bolzonella, A. H. Wright, F. Dubath, F. J. Castander, D. C. Masters, W. d'Assignies, H. Hildebrandt, O. Ilbert, M. Manera, W. Roster, S. A. Stanford, N. AghanimY. Kang, S. Paltani, W. G. Hartley, M. Bolzonella, A. H. Wright, F. Dubath, F. J. Castander, D. C. Masters, W. d'Assignies, H. Hildebrandt, O. Ilbert, M. Manera, W. Roster, S. A. Stanford, N. Aghanim, B. Altieri, S. Andreon, N. Auricchio, H. Aussel, C. Baccigalupi, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, E. Branchini, M. Brescia, J. Brinchmann, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, A. Costille, F. Courbin, H. M. Courtois, M. Cropper, H. Degaudenzi, G. De Lucia, H. Dole, C. A. J. Duncan, X. Dupac, S. Dusini, A. Ealet, S. Escoffier, M. Farina, R. Farinelli, S. Farrens, F. Faustini, S. Ferriol, F. Finelli, N. Fourmanoit, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, H. Hoekstra, W. Holmes, F. Hormuth, A. Hornstrup, P. Hudelot, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, R. Laureijs, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, S. Marcin, O. Marggraf, M. Martinelli, N. Martinet, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, M. Moresco, L. Moscardini, R. Nakajima, C. Neissner, S. -M. Niemi, C. Padilla, F. Pasian, K. Pedersen, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, L. Pozzetti, F. Raison, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, G. Seidel, S. Serrano, P. Simon, C. Sirignano, G. Sirri, L. Stanco, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, J. Valiviita, T. Vassallo, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, I. A. Zinchenko, E. Zucca, J. García-Bellido, J. Martín-Fleitas, V. Scottez, M. Viel, R. Teyssier

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Y. Kang, S. Paltani, W. G. Hartley, M. Bolzonella, A. H. Wright, F. Dubath, F. J. Castander, D. C. Masters, W. d'Assignies, H. Hildebrandt, O. Ilbert, M. Manera, W. Roster, S. A. Stanford, N. Aghanim, B. Altieri, S. Andreon, N. Auricchio, H. Aussel, C. Baccigalupi, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, E. Branchini, M. Brescia, J. Brinchmann, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, A. Costille, F. Courbin, H. M. Courtois, M. Cropper, H. Degaudenzi, G. De Lucia, H. Dole, C. A. J. Duncan, X. Dupac, S. Dusini, A. Ealet, S. Escoffier, M. Farina, R. Farinelli, S. Farrens, F. Faustini, S. Ferriol, F. Finelli, N. Fourmanoit, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, H. Hoekstra, W. Holmes, F. Hormuth, A. Hornstrup, P. Hudelot, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, R. Laureijs, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, S. Marcin, O. Marggraf, M. Martinelli, N. Martinet, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, M. Moresco, L. Moscardini, R. Nakajima, C. Neissner, S. -M. Niemi, C. Padilla, F. Pasian, K. Pedersen, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, L. Pozzetti, F. Raison, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, G. Seidel, S. Serrano, P. Simon, C. Sirignano, G. Sirri, L. Stanco, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, J. Valiviita, T. Vassallo, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, I. A. Zinchenko, E. Zucca, J. García-Bellido, J. Martín-Fleitas, V. Scottez, M. Viel, R. Teyssier

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: رسم خريطة توسع الكون

تخيل مهمة إقليدس (Euclid) التابعة لوكالة الفضاء الأوروبية كأنها كاميرا كونية عملاقة تلتقط صورة بانورامية للسماء بأكملها. هدفها هو فهم كيفية توسع الكون وما الذي تفعله "الطاقة المظلمة". ولتحقيق ذلك، تحتاج إلى قياس مدى تمدد أشكال مليارات المجرات بفعل الجاذبية (وهي ظاهرة تسمى "القص الكوني" أو cosmic shear).

ومع ذلك، لضبط الحسابات الرياضية بدقة، يحتاج العلماء إلى معرفة المسافة الدقيقة لكل مجرة. تُقاس هذه المسافة عبر "الإزاحة الحمراء" (مدى تمدد الضوء أثناء رحلته). المشكلة هي أن "إقليدس" يرى عدداً هائلاً من المجرات لدرجة أنه لا يستطيع قياس مسافة كل واحدة منها بدقة عالية. لذا، يتعين عليه استخدام طريقة "أفضل تخمين" تسمى الإزاحة الحمراء الفوتومترية، والتي تقدّر المسافة بناءً على لون المجرة.

لكن ما العلة؟ هذه التخمينات قد تكون غير دقيقة تماماً. إذا كان متوسط تقدير المسافة خاطئاً ولو بنسبة ضئيلة جداً، فإن خريطة توسع الكون بأكملها ستصبح مشوهة. لذا، تضع المهمة قاعدة صارمة للغاية: يجب أن يكون متوسط الخطأ صغيراً بشكل لا يصدق.

المشكلة: عدم التطابق بين "العميق" و"الواسع"

لإصلاح أخطاء "أفضل تخمين"، يستخدم العلماء مكتبة مرجعية. ينظرون إلى مجموعة صغيرة من المجرات التي نعرف مسافتها بدقة (من مسح "عميق" ذي بيانات مفصلة وعالية الجودة). ثم يحاولون مطابقة هذه المجرات المعروفة مع مليارات مجرات المسح "الواسع" (اللقطات السريعة والضبابية من إقليدس).

التشبيه: تخيل أنك تحاول التعرف على شخص في صورة كاميرا أمنية ضبابية ومنخفضة الدقة (المسح الواسع) من خلال مقارنتها بصورة جواز سفر عالية الدقة (المسح العميق).

في صورة جواز السفر، يمكنك رؤية كل شامة بدقة والدرجة المحددة للون البشرة.
في صورة الكاميرا الأمنية، تبدو الصورة محببة، والألوان باهتة، والتفاصيل غير واضحة.

إذا حاولت مطابقة صورة جواز السفر الحادة مباشرة مع صورة الكاميرا الأمنية الضبابية، فقد تخطئ في التقدير لأن "الضجيج" (الحبيبات) في الصورة الأمنية يغير كيفية ظهور الألوان. وتجادل الورقة البحثية بأن مجرات المرجع "العميقة" حادة وواضحة جداً مقارنة بمجرات المسح "الواسع"، مما يسبب عدم تطابق في المعايرة.

الحل: دالة النقل من "العميق إلى الواسع"

طوّر المؤلفون طريقة جديدة لإصلاح هذا الأمر. فبدلاً من محاولة جعل الصورة الضبابية أكثر حدة (وهو أمر مستحيل)، قرروا تعمد جعل الصورة الحادة ضبابية لتطابق الصورة الضبابية.

لقد ابتكروا أداة رياضية تسمى دالة النقل متعددة النطاقات (MPT).

كيف تعمل: تأخذ البيانات عالية الجودة للمجرات المرجعية وتضيف إليها "الضجيج" وعدم اليقين. هي لا تضيف مجرد تشويش عشوائي؛ بل تحاكي بعناية الطريقة المحددة التي ترتكب بها كاميرا "إقليدس" الأخطاء.
الاستعارة الإبداعية: فكر في الأمر كطباخ لديه وصفة مثالية عالية الدقة (البيانات العميقة). لاختبار ما إذا كانت الوصفة ستنجح مع طباخ منزلي يستخدم فرناً رخيصاً ومليئاً بالضجيج (البيانات الواسعة)، لا يكتفي الطباخ بإعطائه الوصفة فحسب. بدلاً من ذلك، يقوم الطباخ بإنشاء "نسخة طبخ منزلي" من الوصفة. هو يتعمد إضافة العيوب المحددة للفرن الرخيص (مثل التوزيع غير المتساوي للحرارة أو المؤقت الذي يصدر صوتاً متأخراً) إلى التعليمات. الآن، يصبح الاختبار عادلاً: فهم يقارنون "طبخاً منزلياً" بـ "طبخ منزلي".

لماذا هذه الطريقة أفضل من الطرق القديمة؟

في السابق، حاول العلماء القيام بذلك عن طريق حقن مجرات وهمية فعلياً في صور الكاميرا الخام (وهي طريقة تسمى Balrog).

الطريقة القديمة: تخيل أنك تحاول اختبار كاميرتك الضبابية عن طريق رسم طائر وهمي على صورة، ثم تمرير الصورة بأكملها عبر طابعة لترى كيف ستقوم الطابعة بتضبيبها. إنها طريقة دقيقة، لكنها تستغرق وقتاً طويلاً وتتطلب قدرات حوسبة هائلة.
الطريقة الجديدة (MPT): تشبه هذه الطريقة أخذ قائمة المكونات الخاصة بالطائر وحساب كيفية قيام الطابعة بتشويه تلك المكونات رياضياً. إنها أسرع بكثير (تعالج مليون مجرة في دقائق) ووفقاً لاختبارات الورقة البحثية، تنتج مطابقة أكثر دقة للبيانات الحقيقية من الطريقة البطيئة والثقيلة.

النتائج: خريطة أفضل

اختبر الفريق هذه الطة باستخدام محاكاة حاسوبية فائقة الواقعية للكون ("Flagship Mock"). ووجدوا ما يلي:

ملء الفجوات: عندما استخدموا المجرات المرجعية "المضببة"، ملأوا الفراغات في خريطة الألوان الخاصة بهم بشكل أفضل. في السابق، كانت العديد من المناطق في الخريطة فارغة لأن المجرات المرجعية الحادة لم تكن تشبه المجرات الواسعة الضبابية. الآن، الخريطة ممتلئة.
تحقيق الهدف: باستخدام هذه الطة، انخفضت أخطاء متوسط المسافة بشكل كبير. وفي كثير من الحالات، حققت النتائج متطلبات مهمة "إقليدس" الصارمة.
الحفاظ على الشكل: لم يحصلوا فقط على متوسط المسافة الصحيح، بل حصلوا أيضاً على شكل توزيع المسافة الصحيح. وهذا أمر بالغ الأهمية لأنواع أخرى من القياسات الكونية، مثل كيفية تكتل المجرات معاً.

الخلاصة

تخلص الورقة البحثية إلى أنه للحصول على أفضل خريطة ممكنة للكون، يجب عليك التأكد من أن مكتبتك المرجعية (المجرات المعروفة) تبدو تماماً مثل المجتمع المستهدف (المجرات غير المعروفة)، بما في ذلك جميع عيوبها و"حبيباتها".

من خلال "تقليل جودة" البيانات عالية الجودة رياضياً لتتطابق مع البيانات منخفضة الجودة، أنشأ العلماء أداة معايرة أكثر موثوقية. هذه الطريقة سريعة، وفعالة، وجاهزة للاستخدام في الدفعة الأولى من بيانات مهمة "إقليدس"، مما يضمن أن فهمنا لتوسع الكون مبني على أساس متين.

ملخص تقني: إقليدس (Euclid): تحسين إعادة بناء توزيع الانزياح نحو الأحمر باستخدام دالة نقل من العميق إلى الواسع

بيان المشكلة
تهدف مهمة إقليدس إلى تقييد طبيعة الطاقة المظلمة وتاريخ توسع الكون من خلال قياسات القص الكوني. ويتطلب تحقيق الدقة العلمية المطلوبة إعادة بناء دقيقة للغاية لتوزيع الانزياح نحو الأحمر الحقيقي، $n(z)$ ، للمجرات في الحاويات التوموجرافية. يجب أن يحقق الخطأ المنهجي في متوسط الانزياح نحو الأحمر، $\sigma_{\langle z \rangle}$ ، شرط $\sigma_{\langle z \rangle} < 0.002(1+z)$ لكل حاوية.

تعتمد طرق المعايرة الحالية على عينات مرجعية ذات انزياحات نحو الأحمر طيفية لتصحيح الانزياحات نحو الأحمر الفوتومترية. ومع ذلك، ينشأ مصدر كبير لعدم اليقين المنهجي من عدم التطابق في الخصائص الفوتومترية بين الحقول العميقة المرجعية (حقول إقليدس المساعدة - EAFs) والمسح الواسع الضحل (مسح إقليدس الواسع - EWS). يعد المسح الواسع (EWS) أقل عمقاً بنحو درجتين من حيث القدر الظاهري مقارنة بـ (EAFs)، مما يؤدي إلى نسب إشارة إلى ضوضاء (S/N) مختلفة وتشتت متميز في فضاء الألوان بسبب عدم اليقين الفوتومتري. وبناءً على ذلك، فإن المصادر المتطابقة التي تُلاحظ في التكوينات العميقة والواسعة تشغل مناطق مختلفة في "الخريطة ذاتية التنظيم" (SOM) المستخدمة للمعايرة، مما يؤدي إلى إعادة بناء منحازة لـ $n(z)$ . وبينما يمكن لطرق المحاكاة القائمة على الصور مثل "بالروغ" (Balrog) -المستخدمة في مسح الطاقة المظلمة (DES)- معالجة ذلك، إلا أنها مكلفة حاسوبياً وتتطلب تعديلات جوهرية على خطوط المعالجة المعقدة.

المنهجية
يقترح المؤلفون طريقة نقل متعدد النطاقات (MPT) على مستوى الفهرس، تهدف إلى خفض جودة الفوتومترية للأجسام في العينات العميقة بحيث تحاكي إحصائياً ملاحظات المسح الواسع.

بناء دالة النقل:
- بخلاف طريقة النقل أحادية النطاق البسيطة (SPT) التي تضيف ضوضاء غاوسية مستقلة، تحافظ طريقة (MPT) على الارتباطات بين التدفقات، وأخطاء التدفق، وعبر نطاقات فوتومترية مختلفة.
- بالنسبة لجسم في عينة عميقة بتدفقات $d_{X,i}$ وأخطاء $\sigma_{X,i}$ ، تحدد الطريقة أقرب الجيران في فهرس العينة الواسعة (باستخدام شجرة k-d) بناءً على فضاء التدفق.
- تقوم بحساب احتمالية (Likelihood) $L$ بأن يكون الجسم في العينة الواسعة متطابقاً مع جسم العينة العميقة، مع مراعاة التباين المشترك لكلا القياسين.
- يتم سحب جسم من العينة الواسعة بناءً على هذه الاحتمالات، وتُطبق أخطاء التدفق الخاصة به ( $\tau_{X,i}$ ) على جسم العينة العميقة. ويتم سحب التدفقات "الشبيهة بالواسعة" الجديدة من توزيع طبيعي $N(d_{X,i}, \tau_{X,i}^2)$ .
- تضمن هذه العملية أن التوزيع الاحتمالي متعدد الأبعاد للعينة التي تم خفض جودتها يطابق العينة الواسعة، بما في ذلك ارتباطات الخطأ.
دالة الاختيار:
- يتم تطبيق دالة اختيار تجريبية على العينة المحولة لمراعاة حقيقة أن المصادر العميقة الباهتة لن يتم رصدها في المسح الواسع. ويتم اشتقاق ذلك من توزيع التدفق في المجال الواسع.
التكامل مع خط معالجة المعايرة:
- تم دمج الطريقة في إطار عمل المعايرة القائم على (SOM) (ماسترز وآخرون 2015).
- اختبر المؤلفون سيناريوهات مختلفة (من A إلى G) لتحديد التنفيذ الأمثل:
  - السيناريو A: طريقة ماسترز وآخرون الأصلية (استخدام العينة العميقة مباشرة).
  - السيناريو C: يتم تحويل مجموعة المعايرة العميقة 50 مرة باستخدام (MPT) لإنشاء عينة "MPT-Mock"، والتي تُسقط لاحقاً على (SOM) مدرب على بيانات عميقة.
  - السيناريو F: يتم استخدام عينة (MPT-Mock) في كامل خط المعالجة (تدريب SOM، تحديد الحاويات، والإسقاط).
  - السيناريو G: يتم تعيين الأجسام للحاويات التوموجرافية بناءً على الانزياحات نحو الحمراء الفوتومترية الفردية (اتباعاً لـ روستر وآخرون 2025) باستخدام عينة (MPT-Mock).

المساهمات الرئيسية

تطوير (MPT): تطوير خوارزمية فعالة حاسوبياً على مستوى الفهرس، تعمل على خفض جودة الفوتومترية للعينات العميقة لتصبح شبيهة بالمسح الواسع مع الحفاظ على ارتباطات (التدفق-الخطأ) متعددة النطاقات.
التحقق مقابل (Balrog): تم اختبار الطريقة مقابل فهرس (DES Y3 Balrog) القائم على حقن الصور. أظهر المؤلفون أن (MPT) تستعيد الخصائص الإحصائية للعينة الواسعة بمسافة "واسرشتاين" (Wasserstein distance) مماثلة أو أفضل من (Balrog)، رغم كونها أسرع بكثير (معالجة مليون مصدر في 8 نطاقات في حوالي 5 دقائق).
التقييم المنهجي لخطوات المعايرة: من خلال عزل خطوات محددة في خط معالجة المعالجة (تدريب SOM، تحديد الحاويات، وإسقاط المرجع)، حدد البحث أن العامل الأكثر حرجاً للدقة هو ضمان توزيع الأجسام المرجعية (العينة الطيفية) في فضاء الألوان بنفس الطريقة التي توجد بها أجسام المسح الواسع.

النتائج
تم اختبار الطرق باستخدام محاكاة مجرة "إقليدس" النموذجية (Euclid Flagship Mock Galaxy Simulation)، والتي توفر انزياحات نحو حمراء حقيقية.

مقاييس الأداء: تم قياس متوسط انحياز الانزياح نحو الأحمر ( $\Delta z / (1+z)$ ) عبر عشر حاويات توموجرافية.
مقارنة السيناريوهات:
- السيناريو A (الأصلي): فشل في تلبية متطلبات إقليدس في معظم الحاويات، مع انحيازات تصل إلى $0.124/(1+z)$ .
- السيناريو C (MPT على إسقاط المرجع): أظهر تحسناً كبيراً، مع وجود احتمالية غير مهملة لتلبية المتطلبات في العديد من الحاويات.
- السيناريو G (MPT + تصنيف الحاويات بالانزياح الفوتومتري الفردي): حقق أفضل أداء، مع احتمال تلبية متطلب $\sigma_{\langle z \rangle} < 0.002(1+z)$ في جميع الحاويات (تراوح بين 31% إلى 77% حسب الحاوية).
شكل التوزيع: بعيداً عن المتوسط، نجحت الطريقة في إعادة إنتاج الشكل الكامل لتوزيع $n(z)$ . بالنسبة للحاوية $1.0 < z \le 1.25$ ، طابق تباين $n(z)$ المُعاد بناؤه التباين الحقيقي ضمن 1% (السيناريو C و F)، بينما أظهرت الطريقة غير المصححة (السيناريو B) خطأ بنسبة 15% في التباين.
تغطية (SOM): أدى استخدام (MPT) لإنشاء نماذج متعددة من العينة المرجعية إلى تقليل نسبة الخلايا غير المأهولة (غير القابلة للمعايرة) في (SOM) من 46.5% (العينة العميقة فقط) إلى 6.7% (السيناريو C).

الأهمية والادعاءات
يدعي البحث أن طريقة (MPT) توفر حلاً قوياً وممكناً لإصدار البيانات الأول (DR1) من إقليدس وما بعده.

الجدوى: تثبت الطريقة أن إعادة بناء $n(z)$ بدقة أمر ممكن دون الحاجة إلى محاكاة صور مكلفة حاسوبياً، بشرط خفض جودة الخصائص الفوتومترية للعينة المرجعية لتطابق عمق المسح.
رؤية جوهرية: المحرك الرئيسي لنجاح المعايرة ليس بالضرورة إعادة تدريب (SOM) على بيانات شبيهة بالمسح الواسع (والذي كان أداؤه ضعيفاً في السيناريو E)، بل ضمان أن إسقاط العينة المرجعية على (SOM) يعكس توزيع الألوان الخاص بالمسح الواسع.
قابلية التطبيق الأوسع: تحافظ الطة على البنية الإحصائية الكاملة لتوزيع الانزياح نحو الأحمر (بما في ذلك العزوم العليا)، مما يجعلها مناسبة لتطبيقات تتجاوز التعدس الضعيف، مثل التجمعات الزاوية.
نظرة مستقبلية متواضعة: يشير المؤلفون إلى أنه بينما تلبي الطريقة المتطلبات لإصدار البيانات الأول (DR1)، ستكون التحسينات الإضافية (مثل العينات المرجعية الأفضل) ضرورية لإصدارات البيانات اللاحقة. يضع هذا العمل أساساً صلباً لخطوط معالجة المعايرة المستقبلية.