🔭 astrophysics

Euclid preparation. Full-shape modelling of 2-point and 3-point correlation functions in real space

यह शोध पत्र यूक्लिड-समान (Euclid-like) एन-बॉडी सिमुलेशन का उपयोग करके वास्तविक-स्थान 2-बिंदु और 3-बिंदु सहसंबंध फलनों के संयुक्त पूर्ण-आकार विश्लेषण के लिए एक विक्षोभ मॉडल (perturbative model) को मान्य करता है, जो 20 Mpc/h तक इसकी सटीकता को प्रदर्शित करता है और ब्रह्मांड संबंधी मापदंडों को सीमित करने के लिए 3-बिंदु फलन हेतु 30 Mpc/h का एक इष्टतम स्केल कट स्थापित करता है।

मूल लेखक: Euclid Collaboration, M. Guidi, A. Veropalumbo, A. Pugno, M. Moresco, E. Sefusatti, C. Porciani, E. Branchini, M. -A. Breton, B. Camacho Quevedo, M. Crocce, S. de la Torre, V. Desjacques, A. EggemeierEuclid Collaboration, M. Guidi, A. Veropalumbo, A. Pugno, M. Moresco, E. Sefusatti, C. Porciani, E. Branchini, M. -A. Breton, B. Camacho Quevedo, M. Crocce, S. de la Torre, V. Desjacques, A. Eggemeier, A. Farina, M. Kärcher, D. Linde, M. Marinucci, A. Moradinezhad Dizgah, C. Moretti, K. Pardede, A. Pezzotta, E. Sarpa, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, D. Bagot, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, G. De Lucia, H. Dole, M. Douspis, F. Dubath, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, F. Faustini, S. Ferriol, F. Finelli, P. Fosalba, S. Fotopoulou, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, L. Guzzo, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, 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, K. Markovic, M. Martinelli, N. Martinet, F. Marulli, R. Massey, E. Medinaceli, S. Mei, M. Melchior, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, B. Morin, L. Moscardini, E. Munari, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, W. J. Percival, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, J. A. Schewtschenko, P. Schneider, T. Schrabback, M. Scodeggio, A. Secroun, G. Seidel, M. Seiffert, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, D. Tavagnacco, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, A. Tsyganov, I. Tutusaus, L. Valenziano, J. Valiviita, T. Vassallo, G. Verdoes Kleijn, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, E. Zucca, V. Allevato, M. Ballardini, M. Bolzonella, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, D. Di Ferdinando, J. A. Escartin Vigo, L. Gabarra, J. Martín-Fleitas, S. Matthew, M. Maturi, N. Mauri, R. B. Metcalf, A. A. Nucita, M. Pöntinen, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, I. T. Andika, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, A. Balaguera-Antolinez, D. Bertacca, M. Bethermin, L. Blot, H. Böhringer, S. Borgani, M. L. Brown, S. Bruton, A. Calabro, F. Caro, C. S. Carvalho, T. Castro, F. Cogato, S. Conseil, S. Contarini, A. R. Cooray, O. Cucciati, S. Davini, F. De Paolis, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, P. Dimauro, A. Enia, Y. Fang, A. G. Ferrari, P. G. Ferreira, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, C. M. Gutierrez, C. Hernández-Monteagudo, H. Hildebrandt, J. Hjorth, S. Joudaki, J. J. E. Kajava, Y. Kang, V. Kansal, D. Karagiannis, K. Kiiveri, C. C. Kirkpatrick, S. Kruk, M. Lattanzi, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, L. Leuzzi, T. I. Liaudat, A. Loureiro, J. Macias-Perez, G. Maggio, M. Magliocchetti, F. Mannucci, R. Maoli, C. J. A. P. Martins, L. Maurin, M. Miluzio, P. Monaco, G. Morgante, S. Nadathur, K. Naidoo, A. Navarro-Alsina, S. Nesseris, L. Pagano, F. Passalacqua, K. Paterson, L. Patrizii, A. Pisani, D. Potter, S. Quai, M. Radovich, P. Reimberg, P. -F. Rocci, G. Rodighiero, S. Sacquegna, M. Sahlén, D. B. Sanders, A. Schneider, D. Sciotti, E. Sellentin, L. C. Smith, J. G. Sorce, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, C. Valieri, A. Venhola, D. Vergani, F. Vernizzi, G. Verza, P. Vielzeuf, N. A. Walton

प्रकाशित 2026-03-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Euclid Collaboration, M. Guidi, A. Veropalumbo, A. Pugno, M. Moresco, E. Sefusatti, C. Porciani, E. Branchini, M. -A. Breton, B. Camacho Quevedo, M. Crocce, S. de la Torre, V. Desjacques, A. Eggemeier, A. Farina, M. Kärcher, D. Linde, M. Marinucci, A. Moradinezhad Dizgah, C. Moretti, K. Pardede, A. Pezzotta, E. Sarpa, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, D. Bagot, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, G. De Lucia, H. Dole, M. Douspis, F. Dubath, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, F. Faustini, S. Ferriol, F. Finelli, P. Fosalba, S. Fotopoulou, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, L. Guzzo, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kümmel, M. Kunz, H. Kurki-Suonio, 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, K. Markovic, M. Martinelli, N. Martinet, F. Marulli, R. Massey, E. Medinaceli, S. Mei, M. Melchior, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, B. Morin, L. Moscardini, E. Munari, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, W. J. Percival, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, J. A. Schewtschenko, P. Schneider, T. Schrabback, M. Scodeggio, A. Secroun, G. Seidel, M. Seiffert, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, D. Tavagnacco, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, A. Tsyganov, I. Tutusaus, L. Valenziano, J. Valiviita, T. Vassallo, G. Verdoes Kleijn, Y. Wang, J. Weller, G. Zamorani, F. M. Zerbi, E. Zucca, V. Allevato, M. Ballardini, M. Bolzonella, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, D. Di Ferdinando, J. A. Escartin Vigo, L. Gabarra, J. Martín-Fleitas, S. Matthew, M. Maturi, N. Mauri, R. B. Metcalf, A. A. Nucita, M. Pöntinen, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, I. T. Andika, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, A. Balaguera-Antolinez, D. Bertacca, M. Bethermin, L. Blot, H. Böhringer, S. Borgani, M. L. Brown, S. Bruton, A. Calabro, F. Caro, C. S. Carvalho, T. Castro, F. Cogato, S. Conseil, S. Contarini, A. R. Cooray, O. Cucciati, S. Davini, F. De Paolis, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, P. Dimauro, A. Enia, Y. Fang, A. G. Ferrari, P. G. Ferreira, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, C. M. Gutierrez, C. Hernández-Monteagudo, H. Hildebrandt, J. Hjorth, S. Joudaki, J. J. E. Kajava, Y. Kang, V. Kansal, D. Karagiannis, K. Kiiveri, C. C. Kirkpatrick, S. Kruk, M. Lattanzi, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, L. Leuzzi, T. I. Liaudat, A. Loureiro, J. Macias-Perez, G. Maggio, M. Magliocchetti, F. Mannucci, R. Maoli, C. J. A. P. Martins, L. Maurin, M. Miluzio, P. Monaco, G. Morgante, S. Nadathur, K. Naidoo, A. Navarro-Alsina, S. Nesseris, L. Pagano, F. Passalacqua, K. Paterson, L. Patrizii, A. Pisani, D. Potter, S. Quai, M. Radovich, P. Reimberg, P. -F. Rocci, G. Rodighiero, S. Sacquegna, M. Sahlén, D. B. Sanders, A. Schneider, D. Sciotti, E. Sellentin, L. C. Smith, J. G. Sorce, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, C. Valieri, A. Venhola, D. Vergani, F. Vernizzi, G. Verza, P. Vielzeuf, N. A. Walton

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

ब्रह्मांड की कल्पना एक विशाल, ब्रह्मांडीय महासागर के रूप में करें। इस महासागर में आकाशगंगाएँ बेतरतीब ढंग से बिखरी हुई नहीं हैं; वे समूहों, दीवारों और विशाल खाली स्थानों का निर्माण करती हैं, जो एक जटिल "ब्रह्मांडीय जाल" (cosmic web) बनाती हैं। दशकों से, खगोलविदों ने इस जाल का अध्ययन करने के लिए यह देखा है कि आकाशगंगाओं के जोड़े एक-दूसरे से कितनी दूरी पर स्थित हैं। यह भीड़ में दो दोस्तों के बीच की दूरी मापने जैसा है ताकि यह समझा जा सके कि भीड़ कैसे संगठित है। इस पद्धति को 2-पॉइंट कोरिलेशन फंक्शन (2PCF) कहा जाता है।

हालाँकि, केवल जोड़ों को देखना एक सिम्फनी (स्वरलहरी) को केवल दो वाद्य यंत्रों को एक समय में सुनकर समझने की कोशिश करने जैसा है। आप उस सामंजस्य और जटिल अंतःक्रियाओं को चूक जाते हैं जो तीन या अधिक वाद्य यंत्रों के एक साथ बजने पर होती हैं। पूर्ण चित्र प्राप्त करने के लिए, खगोलविदों को आकाशगंगाओं के त्रिकों (triplets) को देखने की आवश्यकता है। यह 3-पॉइंट कोरिलेशन फंक्शन (3PCF) है। यह ब्रह्मांडीय जाल के "आकार" के बारे में बताता है—कैसे आकाशगंगाएँ त्रिभुजों में समूह बनाती हैं, जो गुरुत्वाकर्षण, डार्क मैटर और ब्रह्मांड के इतिहास के उन रहस्यों को उजागर करती हैं जिन्हें अकेले जोड़े नहीं देख सकते।

चुनौती: "भारी काम" की समस्या
समस्या यह है कि इन त्रिकों (triplets) की गणना करना अविश्वसनीय रूप से कठिन है। यह 1,00,000 प्रशंसकों वाले स्टेडियम में लोगों के हर संभावित समूह की गिनती करने जैसा है। गणित इतना भारी और धीमा है कि लंबे समय तक वैज्ञानिकों को अपने मॉडलों को सरल बनाना पड़ा, जिसका अर्थ है कि गणना को प्रबंधनीय बनाने के लिए उन्होंने बहुत सारी विस्तृत जानकारी को छोड़ दिया।

नया समाधान: "कॉस्मिक एमुलेटर"
यह शोध पत्र, जिसे विशाल यूक्लिड सहयोग (Euclid Collaboration) (यूरोपीय अंतरिक्ष एजेंसी के यूक्लिड अंतरिक्ष दूरबीन के लिए तैयारी कर रहे एक दल) द्वारा लिखा गया है, एक सफलता पेश करता है। उन्होंने एक "कॉस्मिक एमुलेटर" बनाया है।

इस एमुलेटर को एक सुपर-स्मार्ट, हाई-स्पीड वीडियो गेम इंजन के रूप में समझें। हर बार एक नया सिद्धांत परीक्षण करने के लिए भारी, धीमी गणित करने के बजाय, एमुलेटर ने ब्रह्मांडीय जाल के नियमों को सीख लिया है। यह तुरंत भविष्यवाणी कर सकता है कि ब्रह्मांड के विभिन्न संस्करणों के लिए आकाशगंगा पैटर्न वास्तव में कैसे दिखने चाहिए। यह वैज्ञानिकों को एक ही समय में हजारों परीक्षण करने की अनुमति देता है जितना समय पहले केवल एक परीक्षण चलाने में लगता था।

प्रयोग: नियमों का परीक्षण
टीम ने एक विशाल कंप्यूटर सिमुलेशन ("आभासी ब्रह्मांड") का उपयोग किया जो यूक्लिड टेलीस्कोप द्वारा देखे जाने वाले दृश्य की नकल करता है। उन्होंने इस आभासी ब्रह्मांड को अरबों "नकली" आकाशगंगाओं से भरा और फिर अपने नए, तेज़ एमुलेटर का उपयोग करके 2-पॉइंट (जोड़े) और 3-पॉइंट (त्रिक) डेटा का एक साथ विश्लेषण किया।

उन्होंने दो मुख्य प्रश्न पूछे:

हम कितनी करीब देख सकते हैं? ("स्केल कट")
ठीक वैसे ही जैसे एक मानचित्र धुंधला हो जाता है यदि आप ज़ूम करके किसी एक गली के बहुत करीब देखते हैं, ब्रह्मांड के गणितीय मॉडल टूट जाते हैं यदि आप उन आकाशगंगाओं को देखते हैं जो एक-दूसरे के बहुत करीब हैं (जहाँ गुरुत्वाकर्षण अव्यवस्थित और अराजक हो जाता है)। टीम ने पाया कि जोड़ों के लिए, वे लगभग 2 करोड़ प्रकाश वर्ष तक नीचे देख सकते हैं। त्रिकों के लिए, सटीक परिणाम प्राप्त करने के लिए (जहाँ गणित "टूट" न जाए), उन्हें लगभग 3 से 4 करोड़ प्रकाश वर्ष दूर रहना होगा और कुछ अजीब त्रिभुज आकारों (जैसे कि पूर्ण समद्विबाहु त्रिभुज) से बचना होगा जो मॉडल करना कठिन हैं।
क्या यह मिलकर काम करता है?
उन्होंने जोड़ों और त्रिकों के डेटा को जोड़कर ब्रह्मांड के तीन प्रमुख "सामग्रियों" को मापा:

कितना सामान मौजूद है? (पदार्थ घनत्व/Matter density)
ब्रह्मांड कितनी तेज़ी से फैल रहा है? (हबल स्थिरांक/Hubble constant)
ब्रह्मांड कितना "उबड़-खाबड़" है? (विचलन का आयाम/Amplitude of fluctuations)

परिणाम: एक स्पष्ट तस्वीर
परिणाम रोमांचक थे। जोड़े के डेटा को त्रिक के डेटा के साथ जोड़कर, टीम ने ब्रह्मांड की सामग्रियों को पहले की तुलना में बहुत अधिक सटीकता से निर्धारित किया।

"टाई" तोड़ना: पहले, जोड़ों के डेटा में एक "डिजेनेरेसी" (अस्पष्टता) थी—यह सेब और संतरे के बैग के संयुक्त वजन को जानकर व्यक्तिगत वजन का अनुमान लगाने जैसा था। आप यह नहीं बता सकते थे कि कौन सा किसका है। त्रिक डेटा जोड़ने ने एक दूसरे तराजू की तरह काम किया, जिसने "टाई" को तोड़ दिया और उन्हें ठीक से बताया कि कितना "उबड़-खाबड़पन" (बायस) और कितना "सामग्री" (कॉस्मोलॉजी) मौजूद था।
सटीकता: मॉडल अविश्वसनीय रूप से अच्छा काम करता है, जो आभासी ब्रह्मांड के सत्य के लगभग पूर्ण रूप से मेल खाता है, बशर्ते कि वे उन आकाशगंगाओं को न देखें जो एक-दूसरे के बहुत करीब हैं।

यह क्यों महत्वपूर्ण है
यह शोध पत्र यूक्लिड मिशन के लिए एक "रिहर्सल" है। यूक्लिड टेलीस्कोप जल्द ही लॉन्च होने वाला है और यह लाखों आकाशगंगाओं का मानचित्र बनाएगा। यह शोध साबित करता है कि टीम के पास सही उपकरण (एमुलेटर) और सही नियम (गणितीय मॉडल) हैं ताकि वह डेटा की इस विशाल मात्रा का विश्लेषण कर सके।

संक्षेप में, उन्होंने एक तेज़, विश्वसनीय इंजन बनाया है जो उन्हें ब्रह्मांड के "पूर्ण सिम्फनी" (जोड़े और त्रिक) को सुनने की अनुमति देता है, न कि केवल एक जुगलबंदी को। यह हमें उन अदृश्य बलों—डार्क एनर्जी और डार्क मैटर—को समझने में मदद करेगा जो हमारे ब्रह्मांड को आकार दे रहे हैं, जिससे ब्रह्मांड की एक धुंधली तस्वीर एक हाई-डेफिनिशन मास्टरपीस में बदल जाएगी।

यहाँ शोध पत्र "Euclid preparation. Full-shape modelling of 2-point and 3-point correlation functions in real space" (arXiv:2506.22257v1) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

Euclid मिशन का लक्ष्य गैलेक्सी क्लस्टरिंग और वीक लेंसिंग का उपयोग करके ब्रह्मांड के बड़े पैमाने की संरचना (LSS) का मानचित्रण करना है। जबकि 2-पॉइंट कोरिलेशन फंक्शन (2PCF) और इसके फूरियर प्रतिरूप (पावर स्पेक्ट्रम) मानक उपकरण हैं, उच्च-क्रम सांख्यिकी जैसे कि 3-पॉइंट कोरिलेशन फंक्शन (3PCF) या बाइसपेक्ट्रम (bispectrum), गैलेक्सी बायस (galaxy bias), नॉन-लीनियर विकास और प्राइमोर्डियल भौतिकी के संबंध में महत्वपूर्ण नॉन-गॉसियन जानकारी प्रदान करते हैं।

हालाँकि, कॉन्फ़िगरेशन स्पेस (configuration space) में 3PCF के लिए फुल-शेप विश्लेषण (अर्थात केवल विशिष्ट विशेषताओं जैसे BAO के बजाय पूरे कोरिलेशन फंक्शन के आकार से कॉस्मोलॉजिकल पैरामीटर्स निकालना) ऐतिहासिक रूप से निम्नलिखित कारणों से बाधित रहा है:

गणना संबंधी लागत (Computational Cost): 3PCF के लिए सैद्धांतिक मॉडलों का मूल्यांकन करना 2PCF की तुलना में काफी अधिक महंगा है, विशेष रूप से जब एक लाइकलीहुड फ्रेमवर्क के भीतर कॉस्मोलogical पैरामीटर्स पर एकीकरण (integration) किया जाता है।
मॉडल की वैधता (Model Validity): वास्तविक स्थान (real space) में 3PCF के लिए पर्टर्बेटिव मॉडलों (विशेष रूप से छोटे पैमानों पर) की वैधता की सीमा का Euclid के स्पेक्ट्रोस्कोपिक सैंपल की नकल करने वाले सिंथेटिक डेटा के विरुद्ध कड़ाई से परीक्षण नहीं किया गया था।
संयुक्त विश्लेषण का अभाव (Lack of Joint Analysis): पिछले अध्ययनों में अक्सर 2PCF और 3PCF को अलग-अलग माना गया या टेम्पलेट फिटिंग (निश्चित आकार) का उपयोग किया गया, न कि फुल-शेप पैरामीटर इन्फरेंस का।

2. कार्यप्रणाली (Methodology)

डेटा स्रोत (Data Source)

लेखकों ने Euclid Flagship I N-body सिमुलेशन से चार रेडशिफ्ट स्नैपशॉट्स ( $z = 0.9, 1.2, 1.5, 1.8$ ) का उपयोग किया।

सिमुलेशन: $3780 \, h^{-1}\text{Mpc}$ बॉक्स जिसमें $2 \times 10^{12}$ डार्क मैटर कण हैं।
गैलेक्सी कैटलॉग: Euclid के $H\alpha$ -एमिटिंग गैलेक्सी सैंपल ( $f_{H\alpha} > 2 \times 10^{-16} \text{ erg cm}^{-2} \text{ s}^{-1}$ ) की नकल करने के लिए एक हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन (HOD) प्रिस्क्रिप्शन (Pozzetti et al. 2016 का मॉडल 3) का उपयोग करके उत्पन्न किए गए।
आदर्शीकरण (Idealization): यह विश्लेषण एक आदर्श मामले को मानता है जिसमें अवलोकन संबंधी व्यवस्थित त्रुटियाँ (प्यूरिटी, कम्पलीटनेस, एंगुलर फुटप्रिंट) नहीं हैं, ताकि सैद्धांतिक मॉडल के प्रदर्शन को अलग किया जा सके।

सैद्धांतिक मॉडल (Theoretical Models)

2PCF: इसे लार्ज स्केल स्ट्रक्चर की इफेक्टिव फील्ड थ्योरी (EFTofLSS) का उपयोग करके नेक्स्ट-टू-लीडिंग ऑर्डर (NLO) (वन-लूप) पर मॉडल किया गया है। इसमें लीनियर बायस ( $b_1$ ), क्वाड्रेटिक बायस ( $b_2$ ), नॉन-लोकल बायस ( $b_{G2}, b_{\Gamma3}$ ), और काउंटरटर्म्स ( $c_0$ ) शामिल हैं।
3PCF: इसे पर्टर्बेशन थ्योरी में ट्री-लेवल (लीडिंग ऑर्डर) पर मॉडल किया गया है।
इन्फ्रारेड रिसमेशन (Infrared Resumation): नॉन-लीनियर विकास के कारण बेरियन एकोस्टिक ऑसिलेशन (BAO) के धुंधलेपन (smearing) को ध्यान में रखने के लिए दोनों सांख्यिकीओं पर लागू किया गया है।
बायस संबंध (Bias Relations): अध्ययन इस बात का परीक्षण करता है कि क्या बायस पैरामीटर्स को सैद्धांतिक संबंधों (जैसे $b_{G2}$ और $b_{\Gamma3}$ के लिए एक्सकर्शन-सेट भविष्यवाणियों) का उपयोग करके स्थिर करने से पैरामीटर स्पेस को कम किया जा सकता है।

एस्टिमेटर्स और एम्यूलेटर (Estimators and Emulation)

3PCF एस्टिमेटर: स्फेरिकल हार्मोनिक्स डीकंपोजिशन (SHD) एस्टिमेटर (Slepian & Eisenstein 2015) का उपयोग किया गया, जो त्रिकोणों (triangles) की कोणीय निर्भरता को लेजेंड्रे पॉलिनोमिअल्स में विस्तारित करता है, जिससे गणनात्मक जटिलता $O(N_g^3)$ से घटकर $O(N_g^2)$ हो जाती है।
एम्यूलेटर (Emulator): एक महत्वपूर्ण योगदान एक PyTorch-आधारित एम्यूलेटर का विकास था जो तीन कॉस्मोलॉजिकल पैरामीटर्स ( $A_s, \omega_{cdm}, h$ ) और नुनस (nuisance) पैरामीटर्स के फलन के रूप में 2PCF और 3PCF के लिए तेज़, मजबूत भविष्यवाणियां उत्पन्न करने में सक्षम है। इसने MCMC सैंपलिंग के दौरान धीमी संख्यात्मक एकीकरण (numerical integration) की आवश्यकता को समाप्त कर दिया।

विश्लेषण ढांचा (Analysis Framework)

लाइकलीहुड (Likelihood): 2PCF और 3PCF के लिए संयुक्त गॉसियन लाइकलीहुड (इस सत्यापन चरण के लिए क्रॉस-कोवेरियंस को अनदेखा करते हुए)।
मेट्रिक्स (Metrics):
- गुडनेस ऑफ फिट (GoF): $\chi^2$ टेस्ट।
- फिगर ऑफ बायस (FoB): फिडुशियल मानों के सापेक्ष रिकवर्ड पैरामीटर्स में व्यवस्थित बदलावों (systematic shifts) को मापता है।
- फिगर ऑफ मेरिट (FoM): कोवेरियंस मैट्रिक्स के निर्धारक के व्युत्क्रम वर्गमूल (inverse square root) का उपयोग करके, जो बाधा लगाने की शक्ति (constraining power) को मापता है।
स्केल कट्स (Scale Cuts): न्यूनतम सेपरेशन ( $r_{min}$ ) और लगभग आइसोसेलेस (isosceles) त्रिकोणों के बहिष्करण (जिसे $\eta_{min}$ द्वारा पैरामीटराइज किया गया है) को व्यवस्थित रूप से बदलकर यह निर्धारित किया गया कि वैधता रेंज क्या है।

3. मुख्य योगदान (Key Contributions)

रियल स्पेस में पहला संयुक्त फुल-शेप विश्लेषण: यह पहला अध्ययन है जो टेम्पलेट फिटिंग पर निर्भर रहने के बजाय कॉस्मोलॉजिकल पैरामीटर्स ( $A_s, \omega_{cdm}, h$ ) को एक साथ सीमित करने के लिए रियल-स्पेस 2PCF और 3PCF के संयुक्त फुल-शेप लाइकलीहुड विश्लेषण को निष्पादित करता है।
3PCF एम्यूलेटर का विकास: लेखकों ने एक नया एम्यूलेटर बनाया जो संयुक्त लाइकलीहुड फंक्शन के कुशल सैंपलिंग को सक्षम बनाता है, जिससे वह कंप्यूटेशनल बाधा दूर हो गई थी जो पहले फुल-शेप 3PCF विश्लेषण को रोकती थी।
पर्टर्बेटिव मॉडलों का सत्यापन: वास्तविक स्थान में 3PCF के लिए पर्टर्बेटिव बायस एक्सपेंशन का हाई-फिडेलिटी N-body सिमुलेशन के विरुद्ध कठोर सत्यापन प्रदान किया, जिससे अनबायस्ड परिणामों के लिए आवश्यक स्केल कट्स स्थापित हुए।
बायस संबंधों का परिमाणीकरण: यह प्रदर्शित किया कि कैसे सैद्धांतिक बायस संबंधों का उपयोग करके नुनस पैरामीटर स्पेस के आयाम (dimensionality) को बिना किसी महत्वपूर्ण व्यवस्थित त्रुटि के कम किया जा सकता है, जिससे कॉस्मोलॉजिकल बाधाएं बेहतर होती हैं।

4. मुख्य परिणाम (Key Results)

मॉडल वैधता और स्केल कट्स (Model Validity and Scale Cuts)

2PCF: NLO मॉडल सभी रेडशिफ्ट पर $20 \, h^{-1}\text{Mpc}$ तक के स्केल्स तक एक अच्छा फिट प्रदान करता है।
3PCF: ट्री-लेवल मॉडल छोटे स्केल्स पर विफल हो जाता है।
- यदि $\eta_{min} = 1$ (लगभग आइसोसेलेस त्रिकोणों को शामिल करते हुए) है, तो मॉडल $z=0.9$ पर केवल $r_{min} > 20 \, h^{-1}\text{Mpc}$ के लिए और उच्च रेडशिफ्ट पर $r_{min} > 10 \, h^{-1}\text{Mpc}$ के लिए वैध है।
- इष्टतम कट (Optimal Cut): लेखक लगभग आइसोसेलेस कॉन्फ़िगरेशन को बाहर रखते हुए ( $\eta_{min} \ge 3$ ) 3PCF के लिए $r_{min} = 30 \, h^{-1}\text{Mpc}$ के रूढ़िवादी स्केल कट की सिफारिश करते हैं। एक अधिक आक्रामक कट ( $r_{min}=30, \eta_{min}=2$ ) स्वीकार्य है लेकिन यह 68% कॉन्फिडेंस पर फिडुशियल $A_s$ के साथ मामूली तनाव (tension) दिखाता है।
बायस संबंध: $b_{G2}$ और $b_{\Gamma3}$ के लिए संबंधों का उपयोग प्रभावी ढंग से पैरामीटर स्पेस को कम करता है। हालांकि यह स्वयं बायस बाधाओं को महत्वपूर्ण रूप से नहीं बदलता है, यह काउंटरटर्म पैरामीटर $c_0$ पर बाधाओं को कड़ा करता है और कॉस्मोलॉजिकल पैरामीटर अनुमान की सटीकता में सुधार करता है।

कॉस्मोलॉजिकल बाधाएं (Cosmological Constraints)

डिजेनेरेसी को तोड़ना (Breaking Degeneracies): 2PCF और 3PCF का संयुक्त विश्लेषण स्कैलेर परमटर्बेशन के आयाम ( $A_s$ ) और लीनियर बायस ( $b_1$ ) के बीच के डिजेनेरेसी को महत्वपूर्ण रूप से तोड़ देता है, जो 2PCF-ओनली विश्लेषणों की एक बड़ी सीमा है।
सटीकता (Accuracy): मॉडल सभी रेडशिफ्ट में $h$ और $\omega_{cdm}$ के फिडुशियल मानों को सटीक रूप से रिकवर करता है।
तनाव (Tension): सबसे कम रेडशिफ्ट ( $z=0.9$ ) पर और आक्रामक स्केल कट्स ( $r_{min}=30, \eta_{min}=2$ ) के साथ, $A_s$ की रिकवरी में एक मामूली तनाव ( $\sim 68\%$ CL) दिखाई देता है, जो यह सुझाव देता है कि छोटे पैमाने की व्यवस्थित त्रुटियाँ या 3PCF के लिए ट्री-लेवल सन्निकटन अभी भी सीमित हो सकता है।
बाधा लगाने की शक्ति (Constraining Power): संयुक्त विश्लेषण के लिए फिगर ऑफ मेरिट (FoM), 2PCF अकेले की तुलना में, विशेष रूप से निचले रेडशिफ्ट पर जहाँ गैलेक्सी घनत्व अधिक होता है, एक लॉग स्केल पर कई गुना बढ़ जाता है।

5. महत्व (Significance)

यह कार्य Euclid मिशन की तैयारी के लिए एक बड़ा कदम है। पर्टर्बेटिव मॉडलों को मान्य करके और आवश्यक कंप्यूटेशनल टूल्स (एम्यूलेटर्स) विकसित करके, लेखकों ने निम्नलिखित के लिए मार्ग प्रशस्त किया है:

कॉन्फ़िगरेशन स्पेस विश्लेषण: यह स्थापित करना कि कॉन्फ़िगरेशन स्पेस (रियल स्पेस) में फुल-शेप विश्लेषण संभव और फूरियर-स्पेस (बाइसपेक्ट्रम) विश्लेषण के प्रतिस्पर्धी है।
भविष्य के रेडस्पेस अध्ययन: यहाँ विकसित किए गए तरीके और एम्यूलेटर्स सीधे रेडस्पेस डिस्टॉर्शन (RSD) वाले अधिक जटिल रेडस्पेस विश्लेषण के लिए लागू किए जा सकते हैं, जो Euclid के स्पेक्ट्रोस्कोपिक सैंपल का प्राथमिक लक्ष्य है।
मजबूत कॉस्मोलॉजी: यह प्रदर्शित करना कि 2PCF और 3PCF को संयोजित करने से कॉस्मोलॉजिकल पैरामीटर्स पर बेहतर बाधाएं मिलती हैं, विशेष रूप से गैलेक्सी बायस को कॉस्मोलॉजिकल भौतिकी से अलग करने में मदद मिलती है, जो स्टेज IV सर्वेक्षणों के परिशुद्धता लक्ष्यों के लिए आवश्यक है।

संक्षेप में, यह शोध पत्र सफलतापूर्वक वास्तविक स्थान में 3PCF के लिए पर्टर्बेटिव फ्रेमवर्क को मान्य करता है, व्यवस्थित पूर्वाग्रहों (systematic biases) से बचने के लिए आवश्यक स्केल कट्स को परिभाषित करता है, और यह सिद्ध करता है कि संयुक्त फुल-शेप विश्लेषण आगामी Euclid डेटा रिलीज़ के लिए एक व्यवहार्य और शक्तिशाली रणनीति है।