Multiprobe cosmology forecasts from halo-occupation-distribution-based forward modeling of galaxy and void statistics

तकनीकी सारांश: गैलेक्सी और वॉइड सांख्यिकी के हेलो-ऑक्यूपेशन-डिस्ट्रीब्यूशन-आधारित फॉरवर्ड मॉडलिंग से मल्टीप्रोब कॉस्मोलॉजी पूर्वानुमान

समस्या विवरण
कॉस्मिक वॉइड्स (Cosmic voids), जो कॉस्मिक वेब के कम घनत्व वाले बड़े क्षेत्र हैं, ब्रह्मांड विज्ञान (cosmology) के शक्तिशाली लेकिन कम उपयोग किए गए प्रोब हैं। जबकि वॉइड सांख्यिकी संरचना विकास ($\Omega_m$ और $\sigma_8$) पर स्वतंत्र बाधाएं प्रदान करती है और न्यूट्रिनो द्रव्यमान, डार्क एनर्जी और मॉडिफाइड ग्रेविटी के प्रति अद्वितीय संवेदनशीलता प्रदान करती है, उनकी क्षमता वर्तमान में मॉडलिंग चुनौतियों के कारण सीमित है। प्राथमिक कठिनाई "वॉइड-ट्रेसर संबंध" (void-tracer relation) में निहित है: वॉइड्स को गैलेक्सी वितरण के भीतर प्रेक्षण योग्य (observationally) रूप से पहचाना जाता है, जिसके लिए एक मॉडल की आवश्यकता होती है जो "वास्तविक" पदार्थ वॉइड्स को देखे गए गैलेक्सी वॉइड्स से जोड़ सके। मानक सैद्धांतिक दृष्टिकोण अक्सर अनुभवजन्य नुस्खों (empirical prescriptions) या रैखिक सिद्धांत (linear theory) की धारणाओं पर निर्भर करते हैं जो गैलेक्सी-हेलो संबंध की जटिलताओं या विशिष्ट वॉइड फाइंडर्स के चयन प्रभावों को पूरी तरह से कैप्चर करने में सक्षम नहीं हो सकते हैं। इसके अलावा, कॉस्मोलॉजिकल मापदंडों और गैलेक्सी-हेलो संबंध (विशेष रूप से हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन, या HOD) के बीच डिजनरेसी (degeneracy) उन सटीक बाधाओं को सीमित करती है जो वॉइड सांख्यिकी से प्राप्त होती हैं।

कार्यप्रणाली (Methodology)
लेखक एक सिमुलेशन-आधारित फॉरवर्ड मॉडलिंग दृष्टिकोण का उपयोग करते हैं, जिसमें AbacusSummit कॉस्मोलॉजिकल N-बॉडी सिमुलेशन सूट का उपयोग किया गया है।

• गैलेक्सी मॉडलिंग: वे एक विस्तारित हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन (HOD) ढांचे का उपयोग करके डार्क मैटर हेलो को मॉक गैलेक्सीज़ के साथ पॉप्युलेट करते हैं। इस मॉडल में सेंट्रल और सैटेलाइट गैलेक्सी ऑक्यूपेशन ($\langle N_{cen}|M_h \rangle$ और $\langle N_{sat}|M_h \rangle$) के पैरामीटर शामिल हैं और इसमें गैलेक्सी असेंबली बायस (galaxy assembly bias) को भी शामिल किया गया है, जहाँ गैलेक्सी ऑक्यूपेशन बड़े पैमाने के वातावरण (मैटर ओवरडेंसिटी $\delta^m_8$ द्वारा मापा गया) पर निर्भर करता है।
• वॉइड पहचान: सिम्युलेटेड HOD गैलेक्सी वितरण में वॉइड्स की पहचान $V^2$ एल्गोरिदम (जो ZOBOW वाटरशेड विधि पर आधारित है) का उपयोग करके की जाती है, जो वोरोनोई टेसेलेशन (Voronoi tessellations) से वॉइड्स का निर्माण करता है। यह सुनिश्चित करता है कि वॉइड सांख्यिकी उस विशिष्ट वॉइड-फाइंडर के अनुरूप है जिसका उपयोग अवलोकन संबंधी डेटा में किया जाता है।
• अवलोकनीय (Observables): अध्ययन एक मल्टी-प्रोब डेटा वेक्टर का उपयोग करके DESI Year 5 (14,000 deg$^2$, $0.4 < z < 0.66$) की नकल करने वाले सर्वेक्षण के लिए पूर्वानुमान लगाता है। इसमें शामिल हैं:
  1. वॉइड साइज फंक्शन ($n_v$)।
  2. प्रोजेक्टेड वॉइड-गैलेक्सी क्रॉस-कोरिलेशन फंक्शन ($w_{p,vg}$)।
  3. प्रोजेक्टेड गैलेक्सी ऑटो-कोरिलेशन फंक्शन ($w_{p,gg}$)।
  4. कमजोर लेंसिंग (weak lensing) के माध्यम से वॉइड एक्सीस सरफेस डेंसिटी ($\Delta\Sigma_{vm}$) (विशिष्ट परिदृश्यों में)।
• पूर्वानुमान (Forecasting): फिशर मैट्रिक्स (Fisher matrix) पूर्वानुमान कॉस्मोलॉजिकल मापदंडों ($\Omega_m, \sigma_8$) और HOD मापदंडों (असेंबली बायस पैरामीटर्स $Q_{cen}$ और $Q_{sat}$ सहित) के सापेक्ष डेटा वेक्टर के डेरिवेटिव का उपयोग करके गणना किए जाते हैं। कोवेरियेंस मैट्रिक्स का अनुमान सिमुलेशन के सब-वॉल्यूम और एक बूटस्ट्रैप पद्धति का उपयोग करके संख्यात्मक रूप से लगाया जाता है, जिसमें शोर को कम करने के लिए बॉक्सकार स्मूथिंग का उपयोग किया जाता है।

प्रमुख योगदान

1. फॉरवर्ड मॉडलिंग के माध्यम से सेल्फ-कैलिब्रेशन: यह पेपर प्रदर्शित करता है कि एक एकल HOD-आधारित फॉरवर्ड मॉडलिंग ढांचे के भीतर वॉइड और गैलेक्सी सांख्यिकी को संयोजित करके वॉइड-गैलेक्सी संबंध का सेल्फ-कैलिब्रेशन किया जा सकता है। गैलेक्सी-हेलो संबंध को स्पष्ट रूप से मॉडल करके, यह विधि उन अनिश्चितताओं को दूर करती है जो केवल गैलेक्सी क्लस्टरिंग से प्राप्त विश्लेषणों को बाधित करती हैं।
2. डिजनरेसी को तोड़ना: अध्ययन दिखाता है कि वॉइड साइज फंक्शन और गैलेक्सी क्लस्टरिंग का संयोजन $\Omega_m$ और $\sigma_8$ के बीच की डिजनरेसी को तोड़ता है। यह वॉइड साइज फंक्शन की अद्वितीय, आकार-निर्भर प्रतिक्रिया से प्रेरित है (जहाँ $\Omega_m$ छोटे और बड़े वॉइड्स को विपरीत तरीकों से प्रभावित करता है), जो गैलेक्सी क्लस्टरिंग की डिजनरेसी दिशा के विपरीत है।
3. असेंबली बायस बाधाएं: ढांचा गैलेक्सी असेंबली बायस पैरामीटर्स ($Q_{cen}, Q_{sat}$) के लिए बाधाओं का सफलतापूर्वक पूर्वानुमान लगाता है, जिन्हें केवल गैलेक्सी क्लस्टरिंग के साथ बाधित करना कठिन होता है।
4. लेंसिंग एकीकरण: पेपर स्टेज-III और स्टेज-IV सर्वेक्षणों (किनेमैटिक लेंसिंग परिदृश्यों सहित) से प्राप्त वॉइड साइज फंक्शन और स्टैक्ड वीक लेंसिंग संकेतों को जोड़ने के लिए पूर्वानुमान प्रदान करता है, जो महत्वपूर्ण पूरक शक्ति दिखाता है।

परिणाम

• DESI-Y5 पूर्वानुमान (गैलेक्सी + वॉइड सांख्यिकी): $n_v, w_{p,vg},$ और $w_{p,gg}$ के संयोजन वाले फिडुशियल परिदृश्य के लिए, लेखक $\Omega_m$ पर 1.5% और $\sigma_8$ पर 0.8% की बाधाओं का पूर्वानुमान लगाते हैं। सबसे अच्छी तरह से बाधित संयोजन $\sigma_8 \Omega_m^{-0.038}$ है, जिसे 0.8% के स्तर पर बाधित किया गया है।
• डिजनरेसी ब्रेकिंग: केवल वॉइड साइज फंक्शन ($n_v$) का उपयोग करने से कमजोर बाधाएं ( $\Omega_m$ के लिए 5.9%, $\sigma_8$ के लिए 15.5%) और महत्वपूर्ण डिजनरेसी प्राप्त होती है। केवल गैलेक्सी क्लस्टरिंग ($w_{p,gg}$) का उपयोग करने से 4.8% और 7.3% प्राप्त होती है। $n_v$ और $w_{p,gg}$ का संयोजन अकेले ही इन्हें 1.9% और 1.1% में सुधार देता है, जो दर्शाता है कि वॉइड साइज फंक्शन महत्वपूर्ण ऑर्थोगोनल जानकारी प्रदान करता है।
• वॉइड लेंसिंग पूर्वानुमान: स्टेज-IV सर्वेक्षण (1250 deg$^2$ ओवरलैप) से वॉइड साइज फंक्शन को वॉइड लेंसिंग के साथ जोड़ने से $\Omega_m$ के लिए 4.8% और $\sigma_8$ के लिए 2.6% की बाधाएं मिलती हैं। 10,000 deg$^2$ के आशावादी ओवरलैप के साथ, बाधाएं $\Omega_m$ के लिए 3.7% और $\sigma_8$ के लिए 1.5% तक पहुँच जाती हैं। किनेमैटिक लेंसिंग (KL) परिदृश्य समान क्षमता दिखाते हैं, जहाँ 2000 deg$^2$ के KL डेटा से 4.0% और 1.7% की बाधाएं मिलती हैं।
• पैरामीटर संवेदनशीलता: विश्लेषण प्रकट करता है कि वॉइड साइज फंक्शन सेंट्रल ऑक्यूपेशन के ट्रांजिशन विड्थ ($\sigma_{\log M}$) और न्यूनतम हेलो मास ($M_{min}$) के प्रति अत्यधिक संवेदनशील है, जबकि यह सैटेलाइट ऑक्यूपेशन पैरामीटर्स ($M_1, \alpha$) के प्रति अपेक्षाकृत कम संवेदनशील है। इसके विपरीत, वॉइड लेंसिंग मुख्य रूप से कॉस्मोलॉजिकल मापदंडों के प्रति संवेदनशील है और HOD विवरणों के प्रति कम है।

महत्व और दावे
यह पेपर दावा करता है कि यह दृष्टिकोण वॉइड्स को सटीक कॉस्मोलॉजिकल प्रोब के रूप में उपयोग करने के लिए एक मजबूत मार्ग स्थापित करता है। गैलेक्सी क्लस्टरिंग के साथ वॉइड सांख्यिकी को एक फॉरवर्ड-मॉडलिंग ढांचे में एकीकृत करके, अध्ययन प्रदर्शित करता है कि:

• कोई अतिरिक्त न्युसेंस लागत नहीं: एक HOD ढांचे के भीतर वॉइड सांख्यिकी की भविष्यवाणी करने के लिए गैलेक्सी क्लस्टरिंग के लिए आवश्यक न्युसेंस पैरामीटर्स के अलावा अतिरिक्त पैरामीटर्स की आवश्यकता नहीं होती है, जिससे यह संयोजन कुशल और सैद्धांतिक रूप से सुसंगत बनता है।
• सिस्टमैटिक्स मजबूती: चूंकि वॉइड्स गैलेक्सी क्लस्टरिंग और वीक लेंसिंग की तुलना में अलग सिस्टमैटिक्स के प्रति संवेदनशील हैं, इसलिए वे विलंब ब्रह्मांड (late-Universe) के प्रोब्स के लिए मूल्यवान क्रॉस-चेक प्रदान करते हैं, जो विशेष रूप से $S_8$ तनाव (tension) को संबोधित करने के लिए प्रासंगिक है।
• भविष्य की तैयारी: कार्यप्रणाली को DESI जैसे आगामी स्पेक्ट्रोस्कोपिक सर्वेक्षणों और वीक लेंसिंग सर्वेक्षणों (जैसे रोमन स्पेस टेलीस्कोप) के लिए लागू करने योग्य बनाया गया है, जो गैलेक्सी-वॉइड कनेक्शन से अधिकतम कॉस्मोलॉजिकल जानकारी निकालने के लिए एक ब्लूप्रिंट प्रदान करती है।

लेखक नोट करते हैं कि हालांकि उनके पूर्वानुमान वास्तविक-स्थान (real-space) सांख्यिकी पर आधारित हैं, रेडशिफ्ट-स्पेस डिस्टॉर्शन और अल्कोक-पैकज़िंस्की (Alcock-Paczyński) प्रभावों को शामिल करने से भविष्य के कार्य में बाधाओं को और बढ़ाया जा सकता है, हालांकि इसके लिए अतिरिक्त न्युसेंस पैरामीटर्स को मॉडल करने की आवश्यकता होगी।