🔭 astrophysics

Photometric Redshift Estimation for Rubin Observatory Data Preview 1 with Redshift Assessment Infrastructure Layers (RAIL)

यह शोध पत्र RAIL फ्रेमवर्क का उपयोग करके रुबिन वेधशाला डेटा प्रिव्यू 1 से फोटोमेट्रिक रेडशिफ्ट का पहला व्यवस्थित विश्लेषण प्रस्तुत करता है, जो यह प्रदर्शित करता है कि मशीन-लर्निंग-आधारित एल्गोरिदम LSST वर्ष 1 की आवश्यकताओं को पूरा करने वाले प्रदर्शन मेट्रिक्स प्राप्त करते हैं और साथ ही उच्च-रेडशिफ्ट सटीकता के लिए यूक्लिड (Euclid) नियर-इन्फ्रारेड फोटोमेट्री जोड़ने के लाभों को रेखांकित करते हैं।

मूल लेखक: T. Zhang, E. Charles, J. F. Crenshaw, S. J. Schmidt, P. Adari, J. Gschwend, S. Mau, B. Andrews, E. Aubourg, Y. Bains, K. Bechtol, A. Boucaud, D. Boutigny, P. Burchat, J. Chevalier, J. Chiang, H. -F. C

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: T. Zhang, E. Charles, J. F. Crenshaw, S. J. Schmidt, P. Adari, J. Gschwend, S. Mau, B. Andrews, E. Aubourg, Y. Bains, K. Bechtol, A. Boucaud, D. Boutigny, P. Burchat, J. Chevalier, J. Chiang, H. -F. Chiang, D. Clowe, J. Cohen-Tanugi, C. Combet, A. Connolly, S. Dagoret-Campagne, P. N. Daly, F. Daruich, G. Daubard, J. De Vicente, H. Drass, K. Fanning, E. Gawiser, M. Graham, L. P. Guy, Q. Hang, P. Ingraham, O. Ilbert, M. Jarvis, M. J. Jee, T. Jenness, A. Johnson, C. Juramy-Gilles, S. M. Kahn, J. B. Kalmbach, Y. Kang, A. Kannawadi, L. S. Kelvin, S. Liang, O. Lynn, N. B. Lust, M. Lutfi, A. Malz, R. Mandelbaum, S. Marshall, J. Meyers, M. Migliore, M. Moniez, J. Neveu, J. A. Newman, E. Nourbakhsh, D. Oldag, H. Park, S. Pelesky, A. A. Plazas Malagón, B. Quint, M. Rahman, A. Rasmussen, K. Reil, W. Roby, A. Roodman, C. Roucelle, M. Salvato, B. Sánchez, D. Sanmartim, R. H. Schindler, J. Scora, J. Sebag, N. Sedaghat, I. Sevilla-Noarbe, R. Shirley, A. Shugart, R. Solomon, D. Taranu, G. Thayer, L. Toribio San Cipriano, E. Urbach, Y. Utsumi, W. van Reeven, A. von der Linden, C. W. Walter, W. M. Wood-Vasey, J. Zuntz, LSST Dark Energy Science Collaboration

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, तीन-आयामी शहर है। इस शहर की संरचना को समझने के लिए, खगोलविदों को हर "इमारत" (आकाशगंगा) के बारे में दो चीजें जानने की जरूरत है: वह कैसी दिखती है और वह कितनी दूर है।

खगोल विज्ञान में, "कितनी दूर" को रेडशिफ्ट (redshift) द्वारा मापा जाता है। रेडशिफ्ट को गुजरती हुई एम्बुलेंस के सायरन की पिच (pitch) की तरह समझें। जैसे-जैसे एम्बुलेंस दूर जाती है, आवाज की पिच कम हो जाती है। इसी तरह, ब्रह्मांड के विस्तार के कारण जब आकाशगंगाएं हमसे दूर जाती हैं, तो उनका प्रकाश खिंचकर लाल छोर की ओर शिफ्ट हो जाता है। प्रकाश जितना अधिक लाल होगा, आकाशगंगा उतनी ही दूर होगी।

समस्या यह है कि अरबों आकाशगंगाओं के लिए, हम एक सटीक "सायरन" माप (जिसे स्पेक्ट्रोस्कोपिक रेडशिफ्ट कहा जाता है) नहीं प्राप्त कर सकते क्योंकि इसके लिए बहुत अधिक समय और शक्तिशाली दूरबीनों की आवश्यकता होती है। इसके बजाय, खगोलविदों को आकाशगंगा के रंग के आधार पर दूरी का अनुमान लगाना पड़ता है। इस अनुमान को फोटोमेट्रिक रेडशिफ्ट (या "photo-z") कहा जाता है।

यह शोध पत्र वेरा सी. रुबिन वेधशाला (Vera C. Rubin Observatory) के लिए एक "ड्रेस रिहर्सल" है, जो एक विशाल नई दूरबीन है जो जल्द ही पूरे दक्षिणी आकाश की तस्वीरें लेने वाली है। मुख्य मिशन शुरू करने से पहले, टीम को अपने उपकरणों का परीक्षण वास्तविक डेटा के एक छोटे समूह पर करना था जिसे डेटा प्रिव्यू 1 (DP1) कहा जाता है।

यहाँ उन्होंने क्या किया, इसे सरल शब्दों में समझाया गया है:

1. टूलकिट: RAIL

टीम ने RAIL (रेडशिफ्ट असेसमेंट इंफ्रास्ट्रक्चर लेयर्स) नामक एक सॉफ्टवेयर टूलकिट का उपयोग किया। RAIL को खगोलविदों के लिए एक "स्विस आर्मी नाइफ" की तरह समझें। केवल एक विधि का उपयोग करने के बजाय, RAIL उन्हें एक साथ आठ अलग-अलग एल्गोरिदम (गणितीय रेसिपी) आज़माने की अनुमति देता है ताकि यह देखा जा सके कि कौन सा सबसे अच्छा काम करता है।

"टेम्पलेट" शेफ: दो उपकरण (BPZ और LePhare) नए व्यंजन की तुलना एक कुकबुक से करने वाले शेफ की तरह काम करते हैं। वे आकाशगंगा के रंगों को ज्ञात आकाशगंगा "रेसिपी" (टेम्पलेट्स) के साथ तुलना करते हैं ताकि यह देखा जा सके कि कौन सा सबसे सटीक बैठता है।
"मशीन लर्निंग" छात्र: अन्य छह उपकरण (जैसे FlexZboost, kNN, और DNF) उन छात्रों की तरह हैं जो उदाहरणों से सीखते हैं। उन्हें ज्ञात दूरियों वाली आकाशगंगाओं की एक विशाल सूची (ट्रेनिंग सेट) दी जाती है। वे रंग और दूरी के बीच के पैटर्न को तब तक समझते हैं जब तक कि वे देखी न गई किसी नई आकाशगंगा की दूरी का अनुमान लगाने में सक्षम न हो जाएं।

2. टेस्ट ड्राइव

टीम ने रुबिन वेधशाला के टेस्ट कैमरा से वास्तविक छवियों को लिया और इन आठ उपकरणों को उन पर लागू किया।

ट्रेनिंग क्लास: उन्होंने आकाश के एक विशिष्ट हिस्से (ECDFS) में आकाशगंगाओं की एक "गोल्ड स्टैंडर्ड" सूची का उपयोग किया, जहाँ अन्य सर्वेक्षणों से दूरियां पहले से ज्ञात थीं। उन्होंने इसका उपयोग मशीन-लर्निंग टूल्स को सिखाने के लिए किया।
परीक्षा: फिर उन्होंने उपकरणों का परीक्षण आकाशगंगाओं के एक नए सेट पर किया ताकि यह देखा जा सके कि उनके अनुमान कितने सटीक थे।

3. परिणाम: अनुमान कितने अच्छे थे?

टीम ने पाया कि उपकरण बहुत अच्छी तरह से काम कर रहे हैं, लेकिन पूरी तरह से नहीं।

"अच्छा" ज़ोन: उन आकाशगंगाओं के लिए जो अपेक्षाकृत चमकीली हैं और बहुत दूर नहीं हैं (रेडशिफ्ट 1.2 से कम), उपकरण अविश्वसनीय रूप से सटीक हैं। इनका "स्कैटर" (यह कि अनुमान वास्तविक मान से कितना भटकता है) लगभग 0.03 है। कल्पना कीजिए कि आप एक कार की दूरी का अनुमान लगा रहे हैं; यदि कार 100 मील दूर है, तो आप केवल लगभग 3 मील से ही गलत होंगे। यह रुबिन वेधशाला के भविष्य के विज्ञान के लिए सख्त आवश्यकताओं को पूरा करने के लिए पर्याप्त है।
"कठिन" ज़ोन: जब बहुत धुंधली या बहुत दूर की आकाशगंगाओं (रेडशिफ्ट 1.2 से अधिक) को देखा जाता है, तो उपकरण संघर्ष करने लगते हैं। यह अंधेरे में एक छोटे, मंद जुगनू की दूरी का अनुमान लगाने जैसा है; अनुमान कम विश्वसनीय हो जाता है।
आउटलेयर्स (Outliers): लगभग 10% बार, उपकरण "विनाशकारी" त्रुटि करते हैं, यानी वे अनुमान लगाते हैं कि आकाशगंगा पास है जबकि वास्तव में वह दूर है (या इसके विपरीत)। यह आमतौर पर इसलिए होता है क्योंकि आकाशगंगा का रंग भ्रमित करने वाला होता है (उदाहरण के लिए, एक बहुत दूर की आकाशगंगा पास की आकाशगंगा जैसी दिख सकती है क्योंकि उसका प्रकाश खिंच गया है)।

4. गुप्त हथियार: इन्फ्रारेड लाइट

टीम ने यह भी परीक्षण किया कि यदि वे यूक्लिड स्पेस टेलिस्कोप (जो इन्फ्रारेड प्रकाश में देखता है) से डेटा जोड़ते हैं तो क्या होगा।

उपमा: कल्पना कीजिए कि आप अंधेरे में किसी फल को पहचान रहे हैं। यदि आपके पास केवल एक टॉर्च (दृश्य प्रकाश) है, तो यह कठिन है। लेकिन यदि आपके पास एक थर्मल कैमरा (इन्फ्रारेड) भी है, तो आप गर्मी के निशान को देख सकते हैं और उसे बेहतर तरीके से पहचान सकते हैं।
परिणाम: पास की आकाशगंगाओं के लिए इन्फ्रारेड डेटा जोड़ने से बहुत अधिक मदद नहीं मिली (क्योंकि हम उन्हें पहले से ही अच्छी तरह देख पा रहे थे), लेकिन इसने बहुत दूर की आकाशगंगाओं (रेडशिफ्ट > 1.2) के लिए अनुमानों में महत्वपूर्ण सुधार किया।

5. बड़ी तस्वीर

शोध पत्र निष्कर्ष निकालता है कि "ड्रेस रिहर्सल" सफल रहा। RAIL टूलकिट रुबिन वेधशाला द्वारा जल्द ही एकत्र किए जाने वाले भारी मात्रा में डेटा को संभालने के लिए तैयार है।

अब वे अरबों आकाशगंगाओं के लिए एक "दूरी मानचित्र" बना सकते हैं।
वे आकाशगंगाओं को दूरी के आधार पर "बिन्स" (bins) में समूहित कर सकते हैं, जो डार्क एनर्जी (वह रहस्यमय बल जो ब्रह्मांड को दूर धकेल रहा है) के अध्ययन के लिए महत्वपूर्ण है।
हालांकि सबसे धुंधली, सबसे दूर की आकाशगंगाओं की त्रुटियों को ठीक करने के लिए अभी भी काम किया जाना बाकी है, लेकिन आधार मजबूत है।

संक्षेप में: टीम ने एक परिष्कृत अनुमान लगाने वाली मशीन बनाई, वास्तविक ब्रह्मांडीय डेटा के एक छोटे नमूने पर उसका परीक्षण किया, और पुष्टि की कि यह आकाशगंगाओं की दूरी को इतनी सटीकता से मैप कर सकता है कि यह हमें ब्रह्मांड के भाग्य को समझने में मदद कर सके।

तकनीकी सारांश: रूबिन वेधशाला डेटा प्रीव्यू 1 के लिए फोटोमेट्रिक रेडशिफ्ट अनुमान (Redshift Assessment Infrastructure Layers - RAIL के साथ)

समस्या विवरण
वेरा सी. रूबिन वेधशाला का लेगेसी सर्वे ऑफ स्पेस एंड टाइम (LSST), कमजोर गुरुत्वाकर्षण लेंसिंग (weak gravitational lensing), बड़े पैमाने की संरचना (large-scale structure), और सुपरनोवा के माध्यम से डार्क एनर्जी की जांच करने का लक्ष्य रखता है। इन ब्रह्मांडीय जांचों (cosmological probes) के लिए नमूनों के चयन, टोमोग्राफिक बिनों को परिभाषित करने और एन्सेम्बल रेडशिफ्ट वितरण ( $n(z)$ ) के निष्कर्ष निकालने के लिए अरबों आकाशगंगाओं के सटीक और सुसंगत फोटोमेट्रिक रेडशिफ्ट ( $z_{phot}$ ) की आवश्यकता होती है। रूबिन वेधशाला का डेटा प्रीव्यू 1 (DP1), जो LSST कमिशनिंग कैमरा (LSSTComCam) का उपयोग करता है, प्रोसेसिंग पाइपलाइनों को मान्य करने के लिए वास्तविक अवलोकनात्मक डेटा का पहला अवसर प्रदान करता है। यह शोध पत्र DP1 डेटा से $z_{phot}$ का अनुमान लगाने की चुनौती को संबोधित करता है, विभिन्न एल्गोरिदम के प्रदर्शन का मूल्यांकन करता है, और भविष्य के LSST संचालन के लिए एक आधार रेखा (baseline) स्थापित करता है।

कार्यप्रणाली
यह अध्ययन DP1 फोटोट्रॉमी पर आठ अलग-अलग $z_{phot}$ एल्गोरिदम को लागू करने के लिए रेडशिफ्ट असेसमेंट इंफ्रास्ट्रक्चर लेयर्स (RAIL) फ्रेमवर्क का उपयोग करता है। विश्लेषण दो प्राथमिक क्षेत्रों पर केंद्रित है:

एक्सटेंडेड चांद्रा डीप फील्ड साउथ (ECDFS): गहन $ugrizy$ (6-बैंड) कवरेज का उपयोग करते हुए।
Rubin_SV_38_7: $griz$ (4-बैंड) कवरेज का उपयोग करते हुए।

डेटा तैयारी:

इनपुट फोटोट्रॉमी: लेखक DP1 कोएड ऑब्जेक्ट कैटलॉग से Gaap1p0 (1" गॉसियन अपर्चर) फ्लक्स का उपयोग करते हैं।
चयन: आकाशगंगाओं का चयन $i$ -बैंड PSF फ्लक्स सिग्नल-टू-नॉइज़ (SNR) > 5 और विस्तारित स्रोत मानदंडों ( $g_{extendedness} > 0.5$ , $r_{extendedness} > 0.5$ ) के साथ किया गया है।
संदर्भ नमूना (Reference Sample): ECDFS क्षेत्र में एक संदर्भ कैटलॉग बनाया गया था, जिसमें DP1 ऑब्जेक्ट्स को कई सर्वेक्षणों (जैसे 3D-HST, ASTRODEEP, CANDELS, PRIMUS) से स्पेक्ट्रोस्कोपिक ($spec$- $z$ ), ग्रिसम (grism), और उच्च-गुणवत्ता वाले मल्टीबैंड फोटो- $z$ डेटा के साथ क्रॉस-मैच किया गया था। इस संदर्भ सेट को 70% प्रशिक्षण (training) और 30% परीक्षण (testing) के लिए विभाजित किया गया था, जिसमें विश्वास सीमा (confidence threshold) > 0.9 थी।
सत्यापन (Validation): एक स्वतंत्र सत्यापन सेट बनाया गया था, जिसमें SV_38_7 क्षेत्र को DESI डेटा रिलीज़ 1 (DR1) स्पेक्ट्रोस्कोपिक नमूनों (BGS, LRG, ELG) के साथ क्रॉस-मैच किया गया था।
यूक्लिड एकीकरण (Euclid Integration): ECDFS डेटा के एक उपसमुच्चय को निकट-अवरक्त (Near-Infrared - NIR) $YJH$ फोटोट्रॉमी को शामिल करने के लिए Euclid Quick Data Release (Q1) के साथ क्रॉस-मैच किया गया था।

मूल्यांकित एल्गोरिदम:
अध्ययन दो श्रेणियों के तरीकों की तुलना करता है:

टेम्पलेट-फिटिंग (Template-Fitting): BPZ और LePhare। ये देखे गए फोटोट्रॉमी की तुलना स्पेक्ट्रल एनर्जी डिस्ट्रीब्यूशन (SED) टेम्पलेट्स से करते हैं, प्रायर (priors) और $\chi^2$ मिनिमाइजेशन लागू करते हैं।
मशीन लर्निंग (ML): FlexZBoost, TPZ, kNN, CMNN, GPz, और DNF। ये मल्टीबैंड फोटोट्रॉमी से संदर्भ रेडशिफ्ट के एम्पिरिकल मैपिंग को सीखते हैं।

वर्कफ़्लो:
लेखकों ने वर्कफ़्लो प्रबंधन के लिए RAIL_projects का उपयोग किया, जिसमें विभिन्न "फ्लेवर्स" (6-बैंड, 4-बैंड, और 6-बैंड + Euclid NIR) के कॉन्फ़िगरेशन का परीक्षण किया गया। प्रदर्शन को अनुकूलित करने के लिए हाइपरपैरामीटर ट्यून किए गए (जैसे, TPZ में ट्री काउंट बढ़ाना, FlexZBoost में बेसिस फंक्शन्स को समायोजित करना)।

प्रमुख योगदान

DP1 का पहला व्यवस्थित विश्लेषण: यह कार्य वास्तविक LSSTComCam डेटा पर RAIL फ्रेमवर्क के पहले व्यवस्थित अनुप्रयोग को प्रस्तुत करता है, जो प्रति-आकाशगंगा प्रायिकता घनत्व फलन (PDFs), पॉइंट अनुमान और एन्सेम्बल $n(z)$ उत्पन्न करता है।
एल्गोरिदम बेंचमार्किंग: विभिन्न डेटा गहराई (4-बैंड बनाम 6-बैंड) और रेडशिफ्ट रेंज में आठ एल्गोरिदम का व्यापक तुलनात्मक अध्ययन।
संदर्भ कैटलॉग निर्माण: LSST फोटो- $z$ पाइपलाइनों के प्रशिक्षण और सत्यापन के लिए विशेष रूप से तैयार किया गया ECDFS में एक उच्च-गुणवत्ता वाला, मल्टी-सर्वेक्षण संदर्भ कैटलॉग।
यूक्लिड NIR प्रभाव: LSST ऑप्टिकल डेटा में Euclid $YJH$ फोटोट्रॉमी जोड़ने के विशिष्ट लाभ का आकलन।

परिणाम

प्रदर्शन मेट्रिक्स:
- 6-बैंड डेटा में, मशीन-लर्निंग एल्गोरिदम ने एक नॉर्मलाइज्ड मीडियन एब्सोल्यूट डेविएशन (स्कैटर) $\sigma_{NMAD} \sim 0.03$ और आउटलियर अंश ( $\eta_{0.15}$ ) लगभग 10–15% प्राप्त किया।
- ML-आधारित एल्गोरिदम के लिए समग्र बायस (bias) $< 0.005$ था, जो LSST वर्ष 1 (Y1) की रेडशिफ्ट बायस आवश्यकता को पूरा करता है।
- सभी एल्गोरिदम के लिए स्कैटर $< 0.1$ था, जो LSST Y1 की आवश्यकता को पूरा करता है।
- गिरावट (Degradation): धुंधले परिमाण ( $i > 23$ ) और उच्च रेडशिफ्ट ( $z > 1.2$ ) पर प्रदर्शन काफी गिर जाता है, जहाँ प्रशिक्षण डेटा विरल (sparse) होता है।
- एल्गोरिदम विशिष्टता: FlexZBoost ने उच्चतम टोमोग्राफिक बिनिंग सटीकता (78.1%) प्राप्त की। टेम्पलेट-फिटिंग विधियों (BPZ, LePhare) ने बड़े बायस और विशिष्ट विफलता मोड दिखाए, जैसे कि उच्च $z$ पर लाइमन-ब्रेक (Lyman-break) आकाशगंगाओं को निम्न- $z$ बाल्मर-ब्रेक आकाशगंगाओं के रूप में गलत पहचानना।
एन्सेम्बल वितरण:
- ECDFS टेस्ट सेट में, अधिकांश एल्गोरिदम ने वास्तविक स्टैक्ड $n(z)$ वितरण को सफलतापूर्वक रिकवर किया।
- SV_38_7 क्षेत्र में (अलग गहराई/फिल्टर सेट), कुछ ML विधियों ने आर्टिफैक्ट्स प्रदर्शित किए (जैसे, उच्च- $z$ पूंछ, $z \sim 0.7$ पर स्पाइक्स) क्योंकि ECDFS प्रशिक्षण सेट और SV_38_7 लक्षित आबादी के बीच बेमेल था। DNF ने इस क्षेत्र में सबसे कम बायस्ड $n(z)$ प्रदान किया।
- यूक्लिड NIR प्रभाव: $z > 1.2$ वाली आकाशगंगाओं के लिए बायस, स्कैटर और आउटलियर दरों को कम करने में Euclid $YJH $फोटोट्रॉमी को शामिल करना महत्वपूर्ण रहा। हालांकि, नमूने के मुख्य भाग ($ z < 1.2$) के लिए, सुधार न्यूनतम था क्योंकि प्रशिक्षण डेटा कम रेडशिफ्ट पर केंद्रित था।
कैलिब्रेशन: प्रोबेबिलिटी इंटीग्रल ट्रांसफॉर्म (PIT-QQ) प्लॉट्स ने संकेत दिया कि जबकि अधिकांश विधियाँ अच्छी तरह से कैलिब्रेटेड हैं, कुछ (जैसे, CMNN) अत्यधिक आत्मविश्वासी (overconfident) एरर बार प्रदान करती हैं, और टेम्पलेट-फिटिंग विधियों ने उच्च रेडशिफ्ट की ओर PDF झुकाव दिखाया।

महत्व और दावे
यह शोध पत्र दावा करता है कि RAIL पाइपलाइन LSST डेटा के लिए फोटोमेट्रिक रेडशिफ्ट उत्पन्न करने के लिए तैयार है, जो वास्तविक कमिशनिंग डेटा पर "उत्साहजनक प्रारंभिक प्रदर्शन" प्रदर्शित करती है। परिणाम मान्य करते हैं कि:

मशीन-लर्निंग एल्गोरिदम प्रतिनिधि, उच्च-महत्वपूर्ण नमूनों पर प्रशिक्षित होने पर रेडशिफ्ट बायस और स्कैटर के लिए LSST Y1 आवश्यकताओं को पूरा कर सकते हैं।
पाइपलाइन सफलतापूर्वक प्रति-आकाशगंगा PDFs और एन्सेम्बल $n(z)$ अनुमान दोनों उत्पन्न करती है, जो कमजोर लेंसिंग और क्लस्टरिंग विश्लेषण के लिए आवश्यक हैं।
उच्च-रेडशिफ्ट आबादी के लिए (Euclid) NIR डेटा का समावेश फायदेमंद है, हालांकि वर्तमान में उच्च- $z$ संदर्भ प्रशिक्षण डेटा की कमी के कारण इसका प्रभाव सीमित है।

लेखक स्पष्ट रूप से सीमाओं को नोट करते हैं: प्रशिक्षण सेट का आकार और गहराई $z \approx 1.2$ से परे मजबूती को सीमित करती है; कुछ एल्गोरिदम नॉन-डिटेक्शन (non-detections) के साथ संघर्ष करते हैं; और हाइपरपैरामीटर अनुकूलन सीमित था। वे निष्कर्ष निकालते हैं कि हालांकि पाइपलाइन कार्यात्मक है, भविष्य के कार्यों को पूर्ण LSST ऑब्जेक्ट कैटलॉग पर प्रदर्शन को अधिकतम करने के लिए सैंपल वेरिएंस, नॉन-डिटेक्शन हैंडलिंग और आगे के अनुकूलन को संबोधित करना होगा।

1. टूलकिट: RAIL

2. टेस्ट ड्राइव

3. परिणाम: अनुमान कितने अच्छे थे?

4. गुप्त हथियार: इन्फ्रारेड लाइट

5. बड़ी तस्वीर

इसी तरह के और पेपर