🔭 astrophysics

Frequentist Cosmological Constraints from Full-Shape Clustering Measurements in DESI DR1

यह शोध पत्र DESI DR1 फुल-शेप क्लस्टरिंग डेटा का एक फ्रीक्वेंटिस्ट विश्लेषण प्रस्तुत करता है, जो यह प्रकट करता है कि कॉस्मोलॉजिकल मापदंडों पर फ्रीक्वेंटिस्ट प्रतिबंध, विशेष रूप से विस्तारित $w_0w_a$ CDM मॉडलों में, बायेसियन परिणामों से काफी भिन्न हैं क्योंकि बाद वाले प्रायर (prior) विकल्पों के प्रति संवेदनशील होते हैं, हालांकि सुपरनोवा डेटा को शामिल करने पर ये विसंगतियां कम हो जाती हैं।

मूल लेखक: James Morawetz, Hanyu Zhang, Marco Bonici, Will Percival, Andrea Crespi, Jessica Nicole Aguilar, Steven Ahlen, Davide Bianchi, David Brooks, Francisco Javier Castander, Todd Claybaugh, Shaun Cole, And

प्रकाशित 2026-08-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: James Morawetz, Hanyu Zhang, Marco Bonici, Will Percival, Andrea Crespi, Jessica Nicole Aguilar, Steven Ahlen, Davide Bianchi, David Brooks, Francisco Javier Castander, Todd Claybaugh, Shaun Cole, Andrei Cuceu, Axel de la Macorra, Arnaud de Mattia, Biprateep Dey, Peter Doel, Simone Ferraro, Andreu Font-Ribera, Jaime E. Forero-Romero, Enrique Gaztañaga, Satya Gontcho A Gontcho, Gaston Gutierrez, ChangHoon Hahn, Klaus Honscheid, Dragan Huterer, Mustapha Ishak, Dick Joyce, Robert Kehoe, David Kirkby, Theodore Kisner, Ofer Lahav, Andrew Lambert, Martin Landriau, Laurent Le Guillou, Marc Manera, Ramon Miquel, Eva-Maria Mueller, Seshadri Nadathur, Jeffrey A. Newman, Gustavo Niz, Nathalie Palanque-Delabrouille, Francisco Prada, Ignasi Pérez-Ràfols, Graziano Rossi, Lado Samushia, Eusebio Sanchez, David Schlegel, Michael Schubnell, Joseph Harry Silber, David Sprayberry, Gregory Tarlé, Benjamin Alan Weaver, Pauline Zarrouk, Rongpu Zhou, Hu 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

कल्पना कीजिए कि ब्रह्मांड एक विशाल, फैलता हुआ गुब्बारा है जो बिंदुओं के एक जटिल पैटर्न से ढका हुआ है। ये बिंदु आकाशगंगाएँ हैं, और जिस तरह से वे एक साथ समूह बनाते हैं, उसमें वह रहस्य छिपा है कि हमारे ब्रह्मांड की शुरुआत कैसे हुई, यह कैसे बढ़ता है, और वह रहस्यमय बल क्या है जो इसे दूर धकेल रहा है। वैज्ञानिक इसे "लार्ज-स्केल स्ट्रक्चर" (Large-Scale Structure) कहते हैं। इस कोड को सुलझाने के लिए, वे एक ब्रह्मांडीय पैमाने का उपयोग करते हैं जिसे "बेरियन एकोस्टिक ऑसिलेशन" (BAO) कहा जाता है—जो बिग बैंग से निकली एक जीवाश्म लहर है और दूरी मापने में मदद करती है। वे आकाशगंगाओं के पैटर्न के "पूर्ण आकार" (full shape) का भी अध्ययन करते हैं, जो उन्हें बताता है कि संरचनाएँ कितनी तेज़ी से बढ़ रही हैं और कितना "डार्क एनर्जी" (वह अदृश्य बल जो विस्तार को तेज़ कर रहा है) काम कर रहा है। सबसे बड़ा सवाल जो हर कोई पूछ रहा है वह यह है: क्या ब्रह्मांड बिल्कुल वैसा ही व्यवहार कर रहा है जैसा हमारे मानक पाठ्यपुस्तकीय मॉडल भविष्यवाणी करते हैं, या डेटा में कुछ नया और अजीब छिपा हुआ है?

यहीं पर डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (DESI) काम आता है। यह एक विशाल टेलीस्कोप प्रोजेक्ट है जिसने अभी-अभी अपना पहला डेटा बैच (DR1) जारी किया है, जिसमें लाखों आकाशगंगाओं की स्थिति को मापा गया है। लेकिन इसमें एक पेच है: जब वैज्ञानिक इस डेटा का विश्लेषण करते हैं, तो उन्हें गणित करने के बारे में चुनाव करने होते हैं। एक लोकप्रिय विधि, जिसे "बायेसियन" (Bayesian) कहा जाता है, "प्रायर्स" (priors) पर बहुत अधिक निर्भर करती है—जो शुरुआती अनुमानों या धारणाओं की तरह होते हैं कि डेटा देखने से पहले उत्तर क्या हो सकता है। दूसरी विधि, "फ्रीक्वेंटिस्ट" (Frequentist), इन अनुमानों को अनदेखा करती है और डेटा को खुद बोलने देती है, यह पूछते हुए कि, "यदि हम इस प्रयोग को हज़ार बार दोहराते, तो हमें यह परिणाम कितनी बार मिलता?"

आप जो पेपर पढ़ने जा रहे हैं वह इन दो गणितीय जासूसों की एक जासूसी कहानी है। लेखकों ने, जे. मोरावेट्ज़ के नेतृत्व में, उसी ताज़ा DESI डेटा को दोनों बायेसियन और फ्रीक्वेंटिस्ट चश्मों से देखा यह देखने के लिए कि क्या शुरुआती अनुमानों ने गुप्त रूप से परिणामों को मोड़ दिया था। उन्होंने पाया कि ब्रह्मांड के सबसे सरल मॉडल (जिसे $\Lambda$ CDM कहा जाता है) के लिए, दोनों जासूस पूरी तरह से सहमत हैं। हालाँकि, एक अधिक जटिल मॉडल के लिए जो डार्क एनर्जी को समय के साथ बदलने की अनुमति देता है (जिसे $w_0w_a$ CDM कहा जाता है), बायेसियन जासूस के परिणाम उसके शुरुआती अनुमानों से काफी प्रभावित थे, जबकि फ्रीक्वेंटिस्ट जासूस तथ्यों पर अडिग रहा।

उन्होंने यह पाया:

सरल ब्रह्मांड बनाम जटिल ब्रह्मांड
जब वैज्ञानिकों ने ब्रह्मांड के मानक, सरल मॉडल ( $\Lambda$ CDM) को देखा, तो दोनों विधियों ने बहुत समान उत्तर दिए। उदाहरण के लिए, उन्होंने पाया कि ब्रह्मांड लगभग $68.96$ किमी/सेकंड/Mpc (एक माप कि आकाशगंगाएँ हमसे कितनी तेज़ी से दूर जा रही हैं) की दर से फैल रहा है और पदार्थ ब्रह्मांड का लगभग $30.34\%$ हिस्सा बनाता है। "शुरुआती अनुमानों" ने यहाँ गड़बड़ी नहीं की; डेटा इतना मजबूत था कि वह किसी भी पूर्वाग्रह को दबा सके, और दोनों विधियों के बीच का अंतर $1\sigma$ (विचलन का एक मानक सांख्यिकीय माप) से भी कम था।

"प्रायर" का जाल
कहानी तब रोमांचक हो जाती है जब उन्होंने उस जटिल मॉडल का परीक्षण किया जहाँ डार्क एनर्जी समय के साथ बदलती है ( $w_0w_a$ CDM)। इस परिदृश्य में, बायेसियन विधि (जो शुरुआती अनुमानों का उपयोग करती है) ने ऐसे परिणाम दिए जो फ्रीक्वेंटिस्ट विधि (जो अनुमान नहीं लगाती) से सांख्यिकीय रूप से भिन्न थे।

बायेसियन परिणाम: सुपरनोवा डेटा के बिना, इसने सुझाव दिया कि ब्रह्मांड बहुत तेज़ी से फैल रहा है ( $H_0 \approx 77.0$ किमी/सेकंड/Mpc) और डार्क एनर्जी बहुत अजीब तरह से व्यवहार कर रही है।
फ्रीक्वेंटिस्ट परिणाम: इसने बहुत धीमी विस्तार दर ( $H_0 \approx 63.7$ किमी/सेकंड/Mpc) और डार्क एनर्जी के अलग मानों का सुझाव दिया।

लेखकों ने इन परिणामों के बीच सांख्यिकीय दूरी की गणना की और भारी बदलाव पाए: बायेसियन माध्य विस्तार दर ( $H_0$ ) के लिए फ्रीक्वेंटिस्ट अनुमान से $4.1\sigma$ दूर था, और अन्य मापदंडों जैसे डार्क एनर्जी के लिए और भी बड़े बदलाव ( $6.3\sigma$ और $6.6\sigma$ ) देखे गए। लेखकों ने महसूस किया कि बायेसियन परिणाम अपने ही शुरुआती अनुमानों द्वारा "खींचा" जा रहा था। क्योंकि इस जटिल मॉडल के लिए डेटा थोड़ा धुंधला है, इसलिए "प्रायर" (अनुमान) एक भारी चुंबक की तरह काम कर रहा था, जो अंतिम उत्तर को वहां खींच रहा था जहां उसका अनुमान था, न कि वहां जहां डेटा इशारा कर रहा था। फ्रीक्वेंटिस्ट विधि, चुंबक की ओर न देखते हुए, एक अलग, अधिक डेटा-संचालित पथ पर मिली।

सुपरनोवा का जादू
लेकिन यहाँ एक मोड़ आया। जब वैज्ञानिकों ने इसमें टाइप Ia सुपरनोवा (विस्फोट होते तारे जो एक अन्य ब्रह्मांडीय पैमाने के रूप में कार्य करते हैं) का डेटा मिलाया, तो दोनों विधियाँ अंततः सहमत हो गईं। सुपरनोवा से प्राप्त अतिरिक्त डेटा इतना शक्तिशाली था कि उसने मापदंडों के बीच के "डिजेनेरेसी" (भ्रम) को तोड़ दिया। इसने बायेसियन विधि को अपने पक्षपाती अनुमानों को छोड़ने और फ्रीक्वेंटिस्ट विधि के साथ तालमेल बिठाने के लिए मजबूर कर दिया, जिससे सांख्यिकीय बदलाव $1\sigma$ से भी कम हो गए। सुपरनोवा के बिना, बायेसियन परिणाम शुरुआती धारणाओं के चयन पर अत्यधिक निर्भर थे, जिससे ऐसे निष्कर्ष निकले जो फ्रीक्वेंटिस्ट विश्लेषण से काफी भिन्न थे।

मुख्य निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि जटिल ब्रह्मांड संबंधी मॉडलों के लिए, मानक शुरुआती अनुमानों के साथ केवल बायेसियन विधियों पर भरोसा करना भ्रामक निष्कर्षों की ओर ले जा सकता है। फ्रीक्वेंटिस्ट दृष्टिकोण ने एक महत्वपूर्ण वास्तविकता की जाँच प्रदान की, जिससे पता चला कि पिछले बायेसियन विश्लेषणों में देखे गए "अजीब" परिणाम शायद केवल प्रायर के चुनाव के गणितीय प्रभाव थे, न कि कोई नई भौतिकी।

विशेष रूप से, अन्य मापों के साथ संयुक्त DESI डेटा के फ्रीक्वेंटिस्ट विश्लेषण ने ये विश्वास अंतराल (confidence intervals) दिए:

सरल मॉडल ( $\Lambda$ CDM) के लिए: $\sigma_8 = 0.863^{+0.048}_{-0.040}$ , $H_0 = 68.96^{+0.81}_{-0.80}$ किमी/सेकंड/Mpc, और $\Omega_m = 0.3034 \pm 0.0110$ ।
जटिल मॉडल ( $w_0w_a$ CDM) बिना सुपरनोवा के: $\sigma_8 = 0.782^{+0.060}_{-0.036}$ , $H_0 = 63.7^{+4.2}_{-2.0}$ किमी/सेकंड/Mpc, $\Omega_m = 0.378^{+0.024}_{-0.047}$ , $w_0 = -0.16^{+0.10}_{-0.50}$ , और $w_a = -3.0^{+1.7}$ ।

लेखक इस बात पर जोर देते हैं कि हालांकि बायेसियन विधि शक्तिशाली है, लेकिन जब डेटा पूरी तरह से स्पष्ट न हो, तो इसका उपयोग अत्यंत सावधानी के साथ किया जाना चाहिए, क्योंकि "प्रायर" आसानी से निष्कर्षों को हाईजैक कर सकता है। फ्रीक्वेंटिस्ट विधि का उपयोग एक क्रॉस-चेक के रूप में करके, उन्होंने यह सुनिश्चित किया कि हमारे ब्रह्मांड का मानचित्र केवल उस स्थान पर आधारित नहीं है जहाँ हमने सोचा था कि यह हो सकता है, बल्कि वास्तविक भूगोल (terrain) पर आधारित है।

तकनीकी सारांश: DESI DR1 में फुल-शेप क्लस्टरिंग मापों से प्राप्त फ्रीक्वेंटिस्ट कॉस्मोलॉजिकल बाधाएं

समस्या विवरण
आधुनिक कॉस्मोलोलॉजिकल इन्फरेंस (ब्रह्मांड संबंधी निष्कर्ष), विशेष रूप से डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (DESI) डेटा रिलीज़ 1 (DR1) के संबंध में, मुख्य रूप से बेयसियन सांख्यिकीय ढांचों पर निर्भर रही है। हालांकि ये शक्तिशाली हैं, लेकिन विस्तारित कॉस्मोलॉजिकल मॉडलों (जैसे कि $w_0w_a$ CDM) के लिए बेयसियन निष्कर्ष, विशेष रूप से गैलेक्सी क्लस्टरिंग के प्रभावी क्षेत्र सिद्धांत (EFT) मॉडलों के मामले में अत्यधिक संवेदनशील हो सकते हैं, जिनमें बड़ी संख्या में कमजोर रूप से बाधित न्यूसेंस पैरामीटर्स शामिल होते हैं। पिछले अध्ययनों ने "प्रायर प्रभावों" (prior effects) की पहचान की है—जिसमें प्रायर वेट प्रभाव (PWE) और प्रायर वॉल्यूम प्रोजेक्शन प्रभाव (PVE) शामिल हैं—जो मैक्सिमम ए पोस्टीरियोरी (MAP) अनुमानों को मैक्सिमम लाइक्लीहुड एस्टीमेट (MLE) से दूर कर सकते हैं और मार्जिनलाइज्ड पोस्टीरियर डिस्ट्रीब्यूशन को विकृत कर सकते हैं। ये प्रभाव पैरामीट्राइजेशन पर निर्भर होते हैं और यदि प्रायर भौतिक रूप से अच्छी तरह से प्रेरित (well-motivated) नहीं है, तो भ्रामक निष्कर्षों की ओर ले जा सकते हैं। यह शोध इन प्रायर प्रभावों को मात्रात्मक रूप से मापने की आवश्यकता को संबोधित करता है, जिसके लिए एक समानांतर फ्रीक्वेंटिस्ट विश्लेषण किया गया है जो स्वाभाविक रूप से प्रायर धारणाओं से मुक्त है।

कार्यप्रणाली
लेखक DESI DR1 फुल-शेप (FS) क्लस्टरिंग मापों का एक फ्रीक्वेंटिस्ट विश्लेषण करते हैं, और अपने परिणामों की सीधे आधिकारिक DESI सहयोग के बेसलाइन बेयसियन विश्लेषण के साथ तुलना करते हैं।

डेटा और मॉडलिंग: यह विश्लेषण आधिकारिक बेयसियन कार्य के समान ही डेटासेट का उपयोग करता है: DESI DR1 फुल-शेप पावर स्पेक्ट्रम मल्टीपल्स, पोस्ट-रिकन्स्ट्रक्शन बेरियन एकोस्टिक ऑसिलेशन (BAO) माप, प्लैंक "लाइट" CMB लाइकलीहुड, और टाइप Ia सुपरनोवा संकलन (Union3, DES Year 5, PantheonPlus)। मॉडलिंग में उन्हीं EFT-आधारित परटर्बेशन थ्योरी मॉडलों और न्यूसेंस पैरामीटर्स (गैलेक्सी बायस, काउंटरटर्म्स, स्टोकेस्टिक पैरामीटर्स) का उपयोग किया गया है जो बेयसियन विश्लेषण में उपयोग किए गए थे।
कंप्यूटेशनल फ्रेमवर्क: फ्रीक्वेंटिस्ट प्रोफाइलिंग की कम्प्यूटेशनल लागत को संभालने के लिए, लेखक फुल-शेप पावर स्पेक्ट्रा के लिए सरोगेट मॉडल (एम्युलेटर्स) Effort.jl और CMB अनिसोट्रॉपी के लिए Capse.jl का उपयोग करते हैं। ये डिफरिएबल कोड ग्रेडिएंट-आधारित ऑप्टिमाइजेशन विधियों के उपयोग को सक्षम बनाते हैं।
सांख्यिकीय दृष्टिकोण:
- बेयसियन: मार्जिनलाइज्ड पोस्टीरियर और क्रेडिबल इंटरवल्स प्राप्त करने के लिए नो-यू-टर्न सैंपलिंग (NUTS) एल्गोरिदम का उपयोग करते हुए मानक मार्कौव चेन मोंटे कार्लो (MCMC)।
- फ्रीक्वेंटिस्ट: क्रेडिबल इंटरवल्स के निर्माण के लिए प्रोफाइल लाइकलीहुड (PL) विधि का उपयोग किया जाता है। इसमें रुचि के पैरामीटर्स के निश्चित मानों के लिए सभी न्यूसेंस पैरामीटर्स पर लाइकलीहुड को अधिकतम करना शामिल है। लेखक विल्क्स प्रमेय (Wilks' theorem) पर भरोसा करते हुए MLE की गणना करते हैं और $\Delta\chi^2$ थ्रेसहोल्ड (68.3% कॉन्फिडेंस के लिए 1 और 2.30) के आधार पर 1D और 2D कॉन्फिडेंस इंटरवल्स का निर्माण करते हैं।
- तुलना: अध्ययन $\Lambda$ CDM और $w_0w_a$ CDM मॉडलों के लिए विभिन्न डेटासेट संयोजनों में MLE (फ्रीक्वेंटिस्ट), MAP (बेयसियन), और मार्जिनलाइज्ड पोस्टीरियर मीन्स की तुलना करता है।

प्रमुख योगदान

प्रतिमानों की प्रत्यक्ष तुलना: यह शोध समान डेटा और भौतिक मॉडलों का उपयोग करके फ्रीक्वेंटिस्ट कॉन्फिडेंस इंटरवल्स और बेयसियन क्रेडिबल इंटरवल्स की एक कठोर तुलना प्रदान करता है, जिससे प्रायर विकल्पों का प्रभाव अलग किया जा सके।
प्रायर प्रभावों का परिमाणीकरण: यह DESI DR1 बाधाओं में प्रायर प्रभावों के परिमाण को मात्रात्मक रूप से मापता है, यह प्रदर्शित करते हुए कि जबकि $\Lambda$ CDM बाधाएं मजबूत हैं, विस्तारित मॉडल ( $w_0w_a$ CDM) बाहरी डेटा (CMB, सुपरनोवा) के पर्याप्त रूप से बाधित न होने पर MLE और MAP के बीच महत्वपूर्ण बदलाव दिखाते हैं।
कवरेज का सत्यापन: 100 मॉक रियलाइजेशन का उपयोग करके एक कवरेज टेस्ट पुष्टि करता है कि प्रोफाइल लाइकलीहुड-आधारित कॉन्फिडेंस इंटरवल्स, मजबूत प्रायर प्रभावों वाले परिदृश्यों में भी सही फ्रीक्वेंटिस्ट कवरेज (लगभग 68.3%) बनाए रखते हैं, जबकि बेयसियन क्रेडिबल इंटरवल्स, जिन्हें फ्रीक्वेंटिस्ट इंटरवल के रूप में व्याख्यायित किया जाता है, $w_0w_a$ CDM मॉडल के लिए महत्वपूर्ण अंडर-कवरेज दिखाते हैं।
कम्प्यूटेशनल दक्षता: यह अध्ययन प्रदर्शित करता है कि आधुनिक एम्युलेटर्स और ग्रेडिएंट-आधारित ऑप्टिमाइज़र का उपयोग करके अपेक्षाकृत कम कम्प्यूटेशनल लागत (~1000 CPU घंटे) के साथ उच्च-परिशुद्धता वाली फ्रीक्वेंटिस्ट बाधाएं प्राप्त की जा सकती हैं, जिससे भविष्य के बड़े पैमाने के सर्वेक्षणों के लिए ऐसे विश्लेषण व्यवहार्य हो जाते हैं।

परिणाम

$\Lambda$ CDM मॉडल: मानक $\Lambda$ CDM मॉडल के लिए, फ्रीक्वेंटिस्ट और बेयसियन परिणाम करीबी सहमति दिखाते हैं। MLE और MAP सभी पैरामीटर्स ( $\sigma_8, H_0, \Omega_m$ ) और डेटासेट संयोजनों के लिए 1 $\sigma$ बेयसियन क्रेडिबल इंटरवल्स के भीतर आते हैं। MLE और बेयसियन मीन्स के बीच बदलाव न्यूनतम है (उदाहरण के लिए, DESI+BBN+ns10 के लिए $<0.8\sigma$ )।
$w_0w_a$ CDM मॉडल: विस्तारित मॉडल में महत्वपूर्ण विसंगतियां उत्पन्न होती हैं।
- सुपरनोवा के बिना: केवल DESI फुल-शेप और BAO डेटा (BBN बाधाओं के साथ) को फिट करते समय, फ्रीक्वेंटिस्ट MLE, बेयसियन मीन से काफी विस्थापित होता है। उदाहरण के लिए, $H_0$ के लिए विस्थापन $4.1\sigma$ है; $w_0$ के लिए, यह $6.3\sigma$ है। बेयसियन क्रेडिबल इंटरवल्स संकीर्ण होते हैं और अलग तरह से केंद्रित होते हैं, जो प्रायर वॉल्यूम से भारी रूप से प्रभावित होते हैं।
- सुपरनोवा के साथ: टाइप Ia सुपरनोवा डेटा का समावेश बैकग्राउंड एक्सपेंशन पैरामीटर्स के बीच डिजनरेसी (degeneracy) को तोड़ देता है। यह बाधाओं को सख्त करता है और प्रायर प्रभावों को कम करता है, जिससे MLE और MAP के बीच निकटता आती है (अधिकांश पैरामीटर्स के लिए विस्थापन $<1\sigma$ तक कम हो जाता है)।
पैरामीटर प्राथमिकताएं: फ्रीक्वेंटिस्ट विश्लेषण प्रकट करता है कि फुल-शेप और BAO प्रोब्स $w_0w_a$ प्लेन में समान पैरामीटर प्राथमिकताएं साझा करते हैं। इसके विपरीत, बेयसियन फुल-शेप परिणाम (सुपरनोवा के बिना) प्रायर प्रभावों के कारण BAO-अनुकूल क्षेत्र से दूर खींचे जाते हैं, एक ऐसी विसंगति जो फ्रीक्वेंटिस्ट विश्लेषण में गायब हो जाती है।

महत्व
यह शोध निष्कर्ष निकालता है कि जबकि बेयसियन विधियां मानक हैं, वर्तमान DESI डेटा के लिए उनके परिणाम विस्तारित कॉस्मोलॉजिकल मॉडलों में प्रायर-प्रेरित पूर्वाग्रहों (biases) के प्रति संवेदनशील हैं। फ्रीक्वेंटिस्ट प्रोफाइल लाइकलीहुड दृष्टिकोण एक प्रायर-स्वतंत्र बेंचमार्क प्रदान करता है, जो यह प्रकट करता है कि $w_0w_a$ CDM मॉडल में बेयसियन विश्लेषणों से प्राप्त "तनाव" (tension) या विशिष्ट पैरामीटर मान आंशिक रूप से प्रायर विकल्पों के आर्टिफैक्ट (artifact) हैं, न कि शुद्ध डेटा-संचालित निष्कर्ष। लेखक तर्क देते हैं कि बेयसियन विश्लेषणों को फ्रीक्वेंटिस्ट व्याख्याओं के साथ पूरक करना कॉस्मोलॉजिकल बाधाओं की अधिक सूक्ष्म और मजबूत समझ प्रदान करता है, विशेष रूप से उन मॉडलों के लिए जिनमें बड़े न्यूसेंस पैरामीटर स्पेस शामिल हैं। यह अध्ययन यह दावा नहीं करता है कि एक विधि वस्तुनिष्ठ रूप से दूसरे से बेहतर है, बल्कि इस बात पर जोर देता है कि दोनों प्रतिमानों का उपयोग करने से डेटा-संचालित संकेतों को प्रायर-प्रेरित आर्टिफैक्ट्स से अलग करने में मदद मिलती है। भविष्य के कार्य यह आकलन करने के लिए DESI DR2 पर इन विधियों को लागू करेंगे कि कैसे बढ़ता डेटा वॉल्यूम प्रायर प्रभावों को और कम करता है।

इसी तरह के और पेपर