🔭 astrophysics

A comparison between Shapefit compression and Full-Modelling method with PyBird for DESI 2024 and beyond

यह शोध पत्र विभिन्न $\Lambda$ CDM और विस्तारित मॉडलों में यह प्रदर्शित करके DESI के लिए PyBird पावर स्पेक्ट्रम मॉडलिंग कोड को मान्य करता है कि मॉडल-स्वतंत्र ShapeFit संपीड़न विधि पारंपरिक Full-Modelling दृष्टिकोण के अनुरूप कॉस्मोलॉजिकल बाधाएं (cosmological constraints) प्रदान करती है, साथ ही छोटे पैमानों तक सहसंबंध फलन (correlation function) विश्लेषण की विश्वसनीयता की भी पुष्टि करता है।

मूल लेखक: Y. Lai, C. Howlett, M. Maus, H. Gil-Marín, H. E. Noriega, S. Ramírez-Solano, P. Zarrouk, J. Aguilar, S. Ahlen, O. Alves, A. Aviles, D. Brooks, S. Chen, T. Claybaugh, T. M. Davis, K. Dawson, A. de la M

प्रकाशित 2026-02-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Y. Lai, C. Howlett, M. Maus, H. Gil-Marín, H. E. Noriega, S. Ramírez-Solano, P. Zarrouk, J. Aguilar, S. Ahlen, O. Alves, A. Aviles, D. Brooks, S. Chen, T. Claybaugh, T. M. Davis, K. Dawson, A. de la Macorra, P. Doel, J. E. Forero-Romero, E. Gaztañaga, S. Gontcho A Gontcho, K. Honscheid, S. Juneau, M. Landriau, M. Manera, R. Miquel, E. Mueller, S. Nadathur, G. Niz, N. Palanque-Delabrouille, W. Percival, C. Poppett, M. Rezaie, G. Rossi, E. Sanchez, M. Schubnell, D. Sprayberry, G. Tarlé, M. Vargas-Magaña, L. Verde, S. Yuan, R. Zhou, H. Zou

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

मुख्य चित्र: ब्रह्मांड के "फिंगरप्रिंट" का मानचित्रण

कल्पना कीजिए कि ब्रह्मांड आकाशगंगाओं से भरा एक विशाल, 3D महासागर है। अरबों वर्षों में, गुरुत्वाकर्षण ने इन आकाशगंगाओं को एक विशिष्ट पैटर्न में खींचा है, जैसे कि एक विशाल, ब्रह्मांडीय फिंगरप्रिंट (उंगलियों के निशान)। वैज्ञानिक इस पैटर्न को मापने की कोशिश कर रहे हैं ताकि ब्रह्मांड के नियमों को समझा जा सके: यह कितनी तेजी से फैल रहा है? इसमें कितना डार्क मैटर है? क्या "डार्क एनर्जी" जो ब्रह्मांड को दूर धकेल रही है, समय के साथ बदल रही है?

DESI (डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट) सर्वेक्षण एक सुपर-शक्तिशाली कैमरे की तरह है जो 3 करोड़ आकाशगंगाओं की तस्वीर ले रहा है। यह डेटा की एक बहुत बड़ी मात्रा है—पिछले किसी भी सर्वेक्षण की तुलना में कहीं अधिक। हालाँकि, 3 करोड़ बिंदुओं को देखना बहुत कठिन है। इसे समझने के लिए, वैज्ञानिकों को अपने द्वारा ली गई "तस्वीर" की तुलना एक "सैद्धांतिक मानचित्र" (theoretical map) से करने की आवश्यकता है कि ब्रह्मांड अलग-अलग नियमों के आधार पर कैसा दिखना चाहिए।

यह शोध पत्र उस तुलना को करने के दो अलग-अलग तरीकों का परीक्षण करने के बारे में है ताकि यह सुनिश्चित किया जा सके कि परिणाम सटीक हैं और इतने विशाल DESI डेटा को संभालने के लिए पर्याप्त तेज़ हैं।

दो प्रतिस्पर्धी: "फुल-मॉडलिंग" बनाम "शेपफिट"

लेखकों ने गैलेक्सी डेटा का विश्लेषण करने के लिए दो मुख्य तरीकों का परीक्षण किया:

1. फुल-मॉडलिंग (द "ब्रूट फोर्स" शेफ)

यह कैसे काम करता है: कल्पना कीजिए कि आप एक ऐसा केक बनाने की कोशिश कर रहे हैं जिसका स्वाद बिल्कुल एक विशिष्ट रेसिपी जैसा हो। "फुल-मॉडलिंग" दृष्टिकोण उस शेफ की तरह है जो, हर बार बैटर (घोल) चखते समय, रुक जाता है, लाइब्रेरी जाता है, आटे और चीनी के भौतिक विज्ञान को पढ़ता है, सटीक रासायनिक प्रतिक्रिया की गणना करता है, और फिर तुलना करने के लिए शुरू से एक नया केक बनाता है।
इसके फायदे: यह बहुत विस्तृत है। यह हर बार हर सूक्ष्म विवरण पर विचार करते हुए, बुनियादी स्तर से सैद्धांतिक मॉडल बनाता है।
इसके नुकसान: यह अविश्वसनीय रूप से धीमा है। यदि आपको 10,000 बार बैटर चखना है, तो हर बार शुरू से नया केक बनाने में बहुत समय लगेगा।

2. शेपफिट (द "टेम्प्लेट" आर्टिस्ट)

यह कैसे काम करता है: यह तरीका एक ऐसे कलाकार की तरह है जिसके पास केक का एक मास्टर टेम्प्लेट है। हर बार नया केक बनाने के बजाय, वे मास्टर टेम्प्लेट लेते हैं और उसे बस खींचते हैं, सिकोड़ते हैं, या झुकाते हैं ताकि यह देख सकें कि क्या वह बैटर से मेल खाता है। वे मापते हैं कि उन्हें इसे कितना खींचना या झुकाना पड़ा (ये "शेपफिट पैरामीटर्स" हैं) और फिर उन समायोजनों को वापस रेसिपी में अनुवादित करते हैं।
इसके फायदे: यह बहुत तेज़ है। आपको नया केक बनाने की ज़रूरत नहीं है; आप बस टेम्प्लेट को एडजस्ट करते हैं। यह वैज्ञानिकों को पूरे केक को दोबारा बेक किए बिना विभिन्न "रेसिपी" (कॉस्मोलॉजिकल मॉडल) का परीक्षण करने की अनुमति भी देता है।
इसके नुकसान: यह इस धारणा पर निर्भर करता है कि टेम्प्लेट ब्रह्मांड की सभी अजीबोगरीब स्थितियों को संभालने के लिए पर्याप्त लचीला है।

प्रयोग: "मॉक" ब्रह्मांड

चूंकि वैज्ञानिक वास्तविक DESI डेटा के पूरा होने का इंतज़ार नहीं कर सकते, इसलिए उन्होंने एक सिमुलेशन बनाया।

इसे एक वीडियो गेम के रूप में सोचें। उन्होंने कंप्यूटर के भीतर एक आदर्श, नकली ब्रह्मांड (एक "क्यूबिक बॉक्स") बनाया जहाँ वे सटीक नियम ( "सत्य") जानते थे।
फिर उन्होंने इस नकली डेटा पर अपने दो तरीकों (फुल-मॉडलिंग और शेपफिट) को चलाया ताकि यह देख सकें कि क्या वे उन नियमों का सही अनुमान लगा सकते हैं जिन्हें उन्होंने प्रोग्राम किया था।
उन्होंने इसे विभिन्न "ट्रेसर्स" (आकाशगंगाओं के प्रकार) के साथ टेस्ट किया, ठीक वैसे ही जैसे एक जासूस मामले को सुलझाने के लिए अलग-अलग प्रकार के सुरागों (पैरों के निशान, टायर के निशान, उंगलियों के निशान) को देख सकता है।

मुख्य निष्कर्ष

1. दोनों तरीके काम करते हैं (ज्यादातर)
जब वैज्ञानिकों ने नकली ब्रह्मांड पर तरीकों का परीक्षण किया, तो "फुल-मॉडलिंग" और "शेपफिट" दोनों ने ब्रह्मांड के नियमों का सही अनुमान लगाया। वे एक-दूसरे के साथ सुसंगत थे, और उनके बीच का अंतर इतना छोटा था कि वह आधा "सिग्मा" (सांख्यिकीय रूप से यह कहने का एक तरीका कि अंतर बहुत कम है और संभवतः केवल रैंडम शोर है) से भी कम था।

2. "स्मॉल स्केल" का जाल
वैज्ञानिकों ने यह परीक्षण किया कि वे कितनी गहराई तक "सूक्ष्म विवरणों" (small details) को देख सकते हैं।

उपमा: एक पेंटिंग को देखने की कल्पना करें। दूर से, यह एकदम सही दिखती है। यदि आप बहुत करीब जाते हैं, तो आप व्यक्तिगत ब्रशस्ट्रोक और कैनवास की बनावट देखने लगते हैं, जो चित्र को भ्रमित कर सकता है।
परिणाम: उन्होंने पाया कि यदि वे बहुत करीब स्थित आकाशगंगाओं (छोटे पैमाने) का विश्लेषण करने की कोशिश करते हैं, तो मॉडल थोड़े भ्रमित होने लगते हैं और छोटी गलतियाँ करने लगते हैं। परिणामों को सटीक रखने के लिए उन्होंने एक विशिष्ट दूरी ( $k_{max} = 0.20$ ) पर विश्लेषण को रोकने का निर्णय लिया।

3. "हेक्साडेकापोल" (चौथा कोण)
भौतिकी में, डेटा को अक्सर अलग-अलग कोणों से देखा जाता है।

उपमा: एक मूर्ति को देखने की कल्पना करें। आप इसे सामने (मोनोपोल), बगल से (क्वाड्रापोल), या एक अधिक जटिल कोण (हेक्साडेकापोल) से देख सकते हैं।
परिणाम: सबसे सरल ब्रह्मांड मॉडल (Lambda-CDM) के लिए, उस अतिरिक्त कोण को देखने से ज्यादा मदद नहीं मिली। लेकिन अधिक जटिल, "विस्तारित" मॉडलों के लिए (जहाँ डार्क एनर्जी समय के साथ बदल सकती है), उस अतिरिक्त कोण को देखना चश्मा पहनने जैसा था—इसने तस्वीर को बहुत स्पष्ट कर दिया और त्रुटियों को कम कर दिया।

4. गति बनाम सटीकता

बिना शॉर्टकट के: "शेपफिट" आमतौर पर "फुल-मॉडलिंग" की तुलना में तेज़ था, विशेष रूप से जब तीनों प्रकार की आकाशगंगाओं को एक साथ देखा जाता है। कुछ मामलों में यह लगभग 10 गुना तेज़ था।
शॉर्टकट के साथ (एम्युलेटर्स): वैज्ञानिकों ने "टेलर एक्सपेंशन एम्युलेटर्स" (केक की रेसिपी का अनुमान लगाने के लिए गणितीय शॉर्टकट) का उपयोग करने का प्रयास किया। जब उन्होंने इन शॉर्टकट का उपयोग किया, तो सरल मॉडलों के लिए "फुल-मॉडलिंग" तेज़ हो गया, लेकिन जटिल मॉडलों के लिए "शेपफिट" तेज़ बना रहा।
सीख: गति इस बात पर निर्भर करती है कि आप गणित को कैसे सेट करते हैं और ब्रह्मांड का मॉडल कितना जटिल है।

5. कोरिलेशन फंक्शन बनाम पावर स्पेक्ट्रम
पेपर में यह भी जांचा गया कि क्या डेटा को एक अलग गणितीय प्रारूप (कोरिलेशन फंक्शन बनाम पावर स्पेक्ट्रम) में देखने से परिणाम बदलते हैं।

उपमा: यह एक गाने को उसके शीट म्यूजिक (पावर स्पेक्ट्रम) के माध्यम से वर्णित करने बनाम समय के साथ नोट्स एक-दूसरे से कैसे संबंधित हैं (कोरिलेशन फंक्शन) के माध्यम से वर्णित करने जैसा है।
परिणाम: दोनों तरीकों ने एक ही उत्तर दिया। हालाँकि, बहुत कम दूरियों को देखते समय "कोरिलेशन फंक्शन" थोड़ा अधिक मजबूत (robust) था, जबकि "पावर स्पेक्ट्रम" उन क्षेत्रों में अपनी सटीकता जल्दी खो देता था।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि PyBird (विश्लेषण के लिए उपयोग किया जाने वाला सॉफ्टवेयर कोड) वास्तविक DESI डेटा के लिए तैयार है।

"ब्रूट फोर्स" विधि और "टेम्प्लेट" विधि दोनों विश्वसनीय और निष्पक्ष परिणाम देती हैं।
वे एक-दूसरे के साथ बहुत करीब से सहमत हैं।
वैज्ञानिकों ने त्रुटियों से बचने के लिए सर्वोत्तम सेटिंग्स (कितना करीब देखना है, कौन से कोणों का उपयोग करना है) का पता लगा लिया है।

संक्षेप में, टीम ने अपनी कार (DESI सर्वेक्षण) के लिए दो अलग-अलग इंजन बनाए और परीक्षण किए हैं। उन्होंने पाया कि दोनों इंजन सुचारू रूप से चलते हैं, सही गंतव्य (सही कॉस्मोलॉजिकल पैरामीटर्स) तक पहुँचते हैं, और "शेपफिट" इंजन अक्सर चलाने के लिए तेज़ होता है। अब वे वास्तविक डेटा के साथ सड़क पर उतरने के लिए तैयार हैं।

तकनीकी सारांश: DESI 2024 और उसके आगे के लिए PyBird के साथ ShapeFit कम्प्रेशन और फुल-मॉडलिंग पद्धति के बीच एक तुलना

समस्या विवरण
डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (DESI) का लक्ष्य तीस मिलियन से अधिक आकाशगंगाओं के क्लस्टरिंग (clustering) का विश्लेषण करके ब्रह्मांड संबंधी मापदंडों (cosmological parameters) को सीमित करना है। हालाँकि, डेटा की विशाल मात्रा विश्लेषण पद्धतियों के कठोर सत्यापन और गणनात्मक समय में महत्वपूर्ण कमी की आवश्यकता पर बल देती है। पारंपरिक "फुल-मॉडलिंग" (Full-Modelling) दृष्टिकोण, जो प्रभावी क्षेत्र सिद्धांत (Effective Field Theory of Large-Scale Structure - EFTofLSS) का उपयोग करके पावर स्पेक्ट्रम के माध्यम से सीधे ब्रह्मांड संबंधी मापदंडों को फिट करते हैं, अत्यधिक गणनात्मक रूप से खर्चीले होते हैं क्योंकि प्रत्येक मार्कोव चेन मोंटे कार्लो (MCMC) पुनरावृत्ति (iteration) के लिए रैखिक पावर स्पेक्ट्रा और गैर-रैखिक पदों (non-linear terms) की पुन: गणना करनी पड़ती है। इसके विपरीत, "टेम्प्लेट" (Template) फिटिंग विधियाँ डेटा को मॉडल-स्वतंत्र मापदंडों (जैसे BAO और ग्रोथ पैरामीटर्स) में संकुचित करती हैं, लेकिन ऐतिहासिक रूप से इनमें फुल-मॉडलिंग की तुलना में कमजोर प्रतिरोधात्मक शक्ति (constraining power) देखी गई है। "शेपफ़िट" (ShapeFit) पद्धति को एक मध्य मार्ग के रूप में प्रस्तावित किया गया था, जो विसंगतियों (degeneracies) को तोड़ने और बाधाओं में सुधार करने के लिए एक 'शेप पैरामीटर' पेश करती है, जबकि मॉडल-स्वतंत्रता को बनाए रखती है। यह शोध पत्र PyBird EFTofLSS पाइपलाइन के सत्यापन की आवश्यकता को संबोधित करता है और यह कठोरता से परीक्षण करता है कि क्या ShapeFit, $\Lambda$ CDM और विस्तारित ब्रह्मांडीय मॉडलों ( $w$ CDM, oCDM) के लिए DESI हेतु अनबायस्ड (unbiased) और सटीक बाधाओं को पुनरुत्पादित कर सकता है।

कार्यप्रणाली
लेखक एलआरजी (LRG), ईएलजी (ELG), और क्यूएसओ (QSO) के लिए मॉक गैलेक्सी कैटलॉग बनाने के लिए AbacusSummit सूट के क्यूबिक बॉक्स सिमुलेशन का उपयोग करते हैं। ये मॉक DESI सर्वेक्षण की क्लस्टरिंग और सटीकता से मेल खाने के लिए डिज़ाइन किए गए हैं।

पाइपलाइन: विश्लेषण PyBird कोड का उपयोग करता है, जो एक-लूप ऑर्डर तक EFTofLSS को लागू करता है, जिसमें लंबी तरंग दैर्ध्य के विस्थापन (long-wavelength displacements) को ध्यान में रखने के लिए IR-resummation पद शामिल हैं।
तुलना की जाने वाली दृष्टिकोण:
1. फुल-मॉडलिंग (Full-Modelling): पावर स्पेक्ट्रम मल्टीपोल (मोनोपोल, क्वाड्रुपोल और वैकल्पिक रूप से हेक्साडेकापोल) के लिए सीधे ब्रह्मांड संबंधी मापदंडों को फिट करता है।
2. शेपफ़िट (ShapeFit): पहले मॉडल-स्वतंत्र मापदंडों ( $\alpha_\perp, \alpha_\parallel, f\sigma_8, m$ ) को एक टेम्प्लेट पावर स्पेक्ट्रम में फिट करता है। इन्हें तत्पश्चात ब्रह्मांड संबंधी मापदंडों में परिवर्तित किया जाता है।
सत्यापन रणनीति: लेखक विभिन्न विन्यासों का परीक्षण करते हैं, जिनमें विभिन्न अधिकतम वेव नंबर ( $k_{max}$ ), हेक्साडेकापोल का समावेश, और न्यूसेंस पैरामीटर्स के लिए विभिन्न प्रायर कॉन्फ़िगरेशन (विशेष रूप से "BOSS MaxF" बनाम "BOSS MinF") शामिल हैं। वे पावर स्पेक्ट्रम से प्राप्त परिणामों की तुलना सहसंबंध फलन (correlation function) से प्राप्त परिणामों से भी करते हैं।
गणनात्मक दक्षता: अध्ययन टेलर एक्सपेंशन एम्युलेटर्स (Taylor expansion emulators) के साथ और उनके बिना रन टाइम का मूल्यांकन करता है, जो MCMC अभिसरण (convergence) को तेज करने के लिए मॉडल पावर स्पेक्ट्रम का अनुमान लगाते हैं।

प्रमुख योगदान

PyBird का कठोर सत्यापन: यह शोध पत्र पुष्टि करता है कि PyBird पाइपलाइन DESI-समान आयतनों (volumes) के लिए अनबायस्ड ब्रह्मांड संबंधी बाधाएं उत्पन्न करता है, जो इसके वर्ष 1 डेटा रिलीज के लिए तैयार होने की पुष्टि करता है।
ShapeFit बनाम Full-Modelling समानता: यह प्रदर्शित करता है कि जब ShapeFit को PyBird फ्रेमवर्क के भीतर लागू किया जाता है, तो यह Full-Modelling के अनुरूप ब्रह्मांड संबंधी बाधाएं प्रदान करता है, जिससे मॉडल-स्वतंत्र संपीड़न और पूर्ण सैद्धांतिक मॉडलिंग के बीच का अंतर कम हो जाता है।
विश्लेषण विकल्पों का अनुकूलन: अध्ययन इष्टतम फिटिंग स्केल ( $k_{max} = 0.20 h \text{Mpc}^{-1}$ ) और प्रायर कॉन्फ़िगरेशन ("BOSS MaxF" और "BOSS MinF") की पहचान करता है जो सांख्यिकीय सटीकता और व्यवस्थित त्रुटि नियंत्रण के बीच संतुलन बनाते हैं।
हेक्साडेकापोल की उपयोगिता: यह कार्य हेक्साडेकापोल को शामिल करने के प्रभाव को मापता है, यह दिखाते हुए कि यह विस्तारित मॉडलों ( $w$ CDM, oCDM) के लिए महत्वपूर्ण है लेकिन मानक $\Lambda$ CDM के लिए इसके लाभ सीमित हैं।
सहसंबंध फलन निरंतरता: यह पुष्टि करता है कि सहसंबंध फलन से प्राप्त बाधाएं पावर स्पेक्ट्रम से प्राप्त परिणामों के साथ सुसंगत हैं, जो PyBird में फूरियर-स्पेस कार्यान्वयन की मजबूती की पुष्टि करती है।

परिणाम

निरंतरता: $\Lambda$ CDM मॉडल के लिए, ShapeFit और Full-Modelling की बाधाएं $\sim 0.5\sigma$ स्तर पर सुसंगत हैं। विस्तारित मॉडलों ( $w$ CDM और oCDM) के लिए, विसंगति क्रमशः $0.7\sigma$ और $0.5\sigma$ के भीतर रहती है। दोनों विधियाँ $k_{max} = 0.20 h \text{Mpc}^{-1}$ तक वास्तविक सिमुलेशन ब्रह्मांड विज्ञान को पुनः प्राप्त करती हैं, यहाँ तक कि हेक्साडेकापोल को शामिल करने पर भी।
व्यवस्थित बदलाव (Systematic Shifts): दोनों विधियों के बीच $\ln(10^{10}A_s)$ में छोटे व्यवस्थित बदलाव देखे गए हैं, जो संभवतः न्यूसेंस पैरामीटर्स के मार्जिनलाइजेशन के तरीके या प्रायर वॉल्यूम प्रभावों के कारण हैं, लेकिन ये सांख्यिकीय अनिश्चितताओं की तुलना में नगण्य हैं।
मॉडल विस्तार: हेक्साडेकापोल को शामिल करने से $w$ CDM और oCDM मॉडलों के लिए बाधाएं काफी मजबूत होती हैं और व्यवस्थित पूर्वाग्रह कम होते हैं, जबकि $\Lambda$ CDM पर इसका प्रभाव न्यूनतम है।
गणनात्मक प्रदर्शन:
- एम्युलेटर्स के बिना, ShapeFit सिंगल ट्रेसर्स के लिए Full-Modelling की तुलना में लगभग 3 गुना तेज़ है और $\Lambda$ CDM में संयुक्त ट्रेसर्स के लिए 10 गुना तक तेज़ है, मुख्य रूप से इसलिए क्योंकि यह कन्वर्जन स्टेप के दौरान बायस पैरामीटर्स को फिर से फिट करने से बचता है।
- टेलर एक्सपेंशन एम्युलेटर्स के साथ, Full-Modelling $\Lambda$ CDM के लिए तेज़ हो सकता है (ग्रिड जनरेशन की लागत के कारण), लेकिन ShapeFit विस्तारित मॉडलों ( $w$ CDM, oCDM) के लिए तेज़ रहता है, जहाँ ग्रिड जनरेशन का समय अधिक प्रभावी होता है।
सहसंबंध फलन: सहसंबंध फलन ( $s_{min} = 30 h^{-1}\text{Mpc}$ तक) से प्राप्त बाधाएं अनबायस्ड और पावर स्पेक्ट्रम परिणामों के सुसंगत हैं, हालांकि सहसंबंध फलन बड़े पैमानों तक सीमित होने पर अपनी प्रतिरोधात्मक शक्ति तेजी से खो देता है।

महत्व
यह शोध पत्र स्थापित करता है कि PyBird पाइपलाइन DESI वर्ष 1 विश्लेषण के लिए मजबूत और तैयार है। महत्वपूर्ण रूप से, यह ShapeFit को Full-Modelling के एक व्यवहार्य विकल्प के रूप में मान्य करता है, जो गणनात्मक रूप से कुशल और मॉडल-स्वतंत्र ब्रह्मांड संबंधी जानकारी निकालने का मार्ग प्रदान करता है। यह समुदाय को सटीकता से समझौता किए बिना ब्रह्मांड संबंधी निष्कर्ष निकालने के लिए एक संपीड़ित मापदंडों (BAO, ग्रोथ और शेप) का उपयोग करने की अनुमति देता है। ये निष्कर्ष आगामी DESI डेटा रिलीज के लिए इन पद्धतियों के उपयोग का समर्थन करते हैं, जिससे यह सुनिश्चित होता है कि सर्वेक्षण डार्क एनर्जी और ब्रह्मांड की ज्यामिति को सीमित करने में अपनी वैज्ञानिक क्षमता प्राप्त कर सके।

मुख्य चित्र: ब्रह्मांड के "फिंगरप्रिंट" का मानचित्रण

दो प्रतिस्पर्धी: "फुल-मॉडलिंग" बनाम "शेपफिट"

प्रयोग: "मॉक" ब्रह्मांड

मुख्य निष्कर्ष

निष्कर्ष

इसी तरह के और पेपर