Two per cent measurement of $H_0$ from Cepheids alone

तकनीकी सारांश: केवल सेफिड्स (Cepheids) से $H_0$ का दो प्रतिशत मापन

समस्या विवरण
"हबल टेंशन" (Hubble tension) की निरंतरता—जो $\Lambda$CDM मॉडल के तहत कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) से अनुमानित हबल स्थिरांक ($H_0 \sim 67.4$ किमी s$^{-1}$ Mpc$^{-1}$) और स्थानीय दूरी की सीढ़ी (local distance ladder) के मापों ($\sim 73.0$ किमी s$^{-1}$ Mpc$^{-1}$) के बीच एक सांख्यिकीय रूप से महत्वपूर्ण विसंगति है—ब्रह्मांड विज्ञान के लिए एक गंभीर चुनौती बनी हुई है। स्थानीय मापों में अनिश्चितता का एक प्राथमिक स्रोत टाइप Ia सुपरनोवा (SNe) पर निर्भरता है, जो दूरी की तीसरी सीढ़ी (third rung) के लिए उपयोग किए जाते हैं, जो मानकीकरण (standardization), धूल सुधार (dust correction) और चयन प्रभावों (selection effects) से संबंधित जटिल व्यवस्थित त्रुटियों को पेश करता है। केवल पहले दो रंंगों (ज्यामितीय एंकर और सेफिड्स) का उपयोग करके $H_0$ को अनुमानित करने के पिछले प्रयासों ने पूर्ण SH0ES विश्लेषण के अनुरूप परिणाम दिए हैं, लेकिन उनमें अनिश्चितताएं अधिक थीं और चयन मॉडलिंग में संभावित पूर्वाग्रह थे। यह अध्ययन इस बात का आकलन करने के लिए "केवल सेफिड्स" दृष्टिकोण का पुनरावलोकन करता है कि क्या एक सटीक, SN-स्वतंत्र $H_0$ मापन संभव है, और यह देखने के लिए कि क्या SNe को इन्फरेंस पाइपलाइन से हटाने पर भी टेंशन बना रहता है।

कार्यप्रणाली (Methodology)
लेखक एक बेयसियन फॉरवर्ड मॉडल (Bayesian forward model) का निर्माण करते हैं ताकि दो-रंग (two-rung) वाली दूरी की सीढ़ी का उपयोग करके $H_0$ का अनुमान लगाया जा सके, जो निम्नलिखित से बनी है:

1. ज्यामितीय एंकर (Geometric Anchors): मिल्की वे सेफिड्स के लिए Gaia और HST से प्राप्त परावर्तन (parallax) माप, लार्ज मैग्नेटिक क्लाउड (LMC) में अलग हुए ग्रहण डालने वाले द्वि-तारा (detached eclipsing binaries), और NGC 4258 में वाटर मासर (water masers)।
2. सेफिड अवलोकनीय (Cepheid Observables): 35 होस्ट गैलेक्सीज़ (एंकर को छोड़कर) के 3,130 सेफिड्स के आवर्त (periods), आभासी परिमाण (apparent magnitudes), और धात्विकता (metallicities)।
3. रेडशिफ्ट (Redshifts): 35 सेफिड होस्ट गैलेक्सीज़ के प्रेक्षित रेडशिफ्ट (CMB फ्रेम में परिवर्तित)।

K22 (Kenworthy et al. 2022) की तुलना में मुख्य पद्धतिगत सुधार निम्नलिखित हैं:

• फॉरवर्ड मॉडलिंग: K22 के विपरीत, जिसने पूर्व-गणना की गई दूरियों का उपयोग किया था, यह अध्ययन सीधे एक एकल-चरण इन्फरेंस में सेफिड अवलोकनीयों का फॉरवर्ड-मॉडलिंग करता है, जिसमें होस्ट दूरियों को लेटेंट वेरिएबल्स (latent variables) के रूप में माना जाता है।
• कठोर चयन फलन मॉडलिंग (Rigorous Selection Function Modeling): लेखक नमूना चयन प्रक्रिया को स्पष्ट रूप से मॉडल करते हैं। वे दो प्राथमिक परिदृश्यों का परीक्षण करते हैं: SN आभासी परिमाण ($m_{SN} \lesssim 14$) पर आधारित चयन और होस्ट गैलेक्सी रेडशिफ्ट ($cz \lesssim 3300$ km s$^{-1}$) पर आधारित चयन। वे अनोक्षित स्रोतों को समझाने के लिए एक सिद्धांत-आधारित बेयसियन ढांचा तैयार करते हैं, जिससे दूरी के प्रायर (priors) में मनमाने बदलावों से बचा जा सके। वितरण तुलनाओं के आधार पर SN परिमाण चयन को सबसे संभावित परिदृश्य माना गया है।
• अत्याधुनिक विशेष वेग मॉडलिंग (State-of-the-Art Peculiar Velocity Modeling): यह अध्ययन Manticore-Local पुनर्निर्माण का उपयोग करता है, जो BORG (Bayesian Origin Reconstruction from Galaxies) एल्गोरिदम से प्राप्त स्थानीय ब्रह्मांड का घनत्व और वेग क्षेत्र पुनर्निर्माण है। यह प्रारंभिक स्थितियों के पोस्टीरियर सैंपल्स प्रदान करता है, जिससे पुनर्निर्माण अनिश्चितताओं पर मार्जिनलाइजेशन (marginalization) और गैर-रैखिक प्रवाह (non-linear flows) तथा गैलेक्सी बायस का सटीक मॉडलिंग संभव होता है। इसकी तुलना रैखिक-सिद्धांत पुनर्निर्माण (Carrick et al. 2015) और सरल विकर्ण सहप्रसरण (diagonal covariance) धारणाओं से की जाती है।
• प्रायर निरंतरता (Prior Consistency): विश्लेषण होस्ट गैलेक्सी दूरियों के लिए 'यूनिफॉर्म-इन-वॉल्यूम' प्रायर ($p(r) \propto r^2$) अपनाता है, जो पिछले विश्लेषणों में उपयोग किए गए 'यूनिफॉर्म-इन-डिस्टेंस-मॉडुलस' प्रायर द्वारा उत्पन्न पूर्वाग्रह को ठीक करता है।

मुख्य योगदान

1. सिद्धांत-आधारित चयन मॉडलिंग: यह शोध पत्र प्रदर्शित करता है कि चयन प्रभावों की उपेक्षा करना या उन्हें गलत तरीके से मॉडल करना (जैसे, लेटेंट दूरियों पर प्रायर को संशोधित करने के बजाय डिटेक्शन प्रोबेबिलिटी को मॉडल करने के बजाय) $H_0$ में महत्वपूर्ण पूर्वाग्रह पैदा करता है।
2. Manticore-Local का अनुप्रयोग: यह दूरी की सीढ़ी के इन्फरेंस में उपलब्ध सबसे सटीक स्थानीय वेग क्षेत्र पुनर्निर्माण को लागू करता है, और रैखिक पुनर्निर्माण की तुलना में अनिश्चितता में कमी को मापता है।
3. SN-स्वतंत्र बाधा (Constraint): यह $H_0$ पर एक मजबूत बाधा प्रदान करता है जो पूरी तरह से सेफिड डेटा और ज्यामितीय एंकरों पर निर्भर है, जो टाइप Ia सुपरनोवा के मानकीकरण और व्यवस्थित त्रुटियों से मुक्त है।

परिणाम
फिडुशियल मॉडल (Manticore-Local वेग पुनर्निर्माण और SN परिमाण चयन) का उपयोग करते हुए, लेखक निष्कर्ष निकालते हैं:
$$H_0 = 71.1 \pm 1.4 \text{ km s}^{-1} \text{ Mpc}^{-1}$$

• SH0ES के साथ तुलना: यह परिणाम पूर्ण SH0ES मान ($73.2 \pm 0.9$ किमी s$^{-1}$ Mpc$^{-1}$) से लगभग $1.3\sigma$ कम है, लेकिन अनिश्चितताओं के भीतर सुसंगत बना हुआ है।
• CMB के साथ तुलना: यह नवीनतम संयुक्त CMB डेटा (Planck, ACT, SPT) के साथ $2.8\sigma$ तनाव (tension) में है।
• चयन संवेदनशीलता: यदि नमूने को केवल होस्ट रेडशिफ्ट द्वारा चयनित माना जाता है, तो अनुमानित मान बदलकर $H_0 = 72.5 \pm 1.4$ किमी s$^{-1}$ Mpc$^{-1}$ हो जाता है। वास्तविक मान इन दोनों के बीच कहीं स्थित होने की संभावना है।
• अनिश्चितता में कमी: SN परिमाण चयन परिदृश्य में, $H_0$ पर अनिश्चितता को Carrick et al. (2015) पुनर्निर्माण का उपयोग करने की तुलना में लगभग 18% कम करने के लिए Manticore-Local का उपयोग किया जाता है।
• प्रायर प्रभाव: यह अध्ययन पुष्टि करता है कि 'यूनिफॉर्म-इन-डिस्टेंस-मॉडुलस' प्रायर (जैसा कि K22 में है) $H_0$ को भौतिक रूप से प्रेरित 'यूनिफॉर्म-इन-वॉल्यूम' प्रायर की तुलना में लगभग 1.6% अधिक पक्षपाती (bias high) बनाता है।

महत्व
यह शोध पत्र दावा करता है कि हबल टेंशन पर सार्थक रूप से विचार करने के लिए पर्याप्त सटीकता (2% से बेहतर) के साथ $H_0$ का मापन केवल दूसरे-रंग (सेफिड्स) के डेटा का उपयोग करके प्राप्त किया जा सकता है। परिणाम बताते हैं कि हबल टेंशन केवल तीसरे रंग (SNe) की कृत्रिम रचना नहीं है, क्योंकि SNe को हटाने के बाद भी, यदि चयन प्रभावों और विशेष वेगों को कठोरता से मॉडल किया जाए, तो टेंशन बना रहता है।

लेखक इस बात पर जोर देते हैं कि इस मापन की सटीकता विशेष वेग मॉडलिंग की विश्वसनीयता और चयन फलनों (selection functions) के सही उपचार पर अत्यधिक निर्भर है। वे निष्कर्ष निकालते हैं कि हालांकि सेफिड-ओनली मापन पूर्ण SH0ES लैडर के साथ सुसंगत है, फिर भी फिडुशियल परिदृश्य में निचला केंद्रीय मान मजबूत सांख्यिकीय मॉडलिंग के महत्व को रेखांकित करता है। यह कार्य इस बात को उजागर करता है कि $H_0$ की भविष्य की सटीकता में सुधार, अधिक दूसरे-रंग के डेटा को शामिल करने और स्थानीय ब्रह्मांड पुनर्निर्माण को परिष्कृत करने से आ सकता है, जो संभावित रूप से SNe व्यवस्थित त्रुटियों से स्वतंत्र $H_0$ के उप-1% निर्धारण का मार्ग प्रशस्त कर सकता है।