🔭 astrophysics

Dark Energy Survey Year 6 Results: Clustering-redshifts and importance sampling of Self-Organised-Maps $n(z)$ realizations for $3\times2$ pt samples

यह शोध पत्र डार्क एनर्जी सर्वे वर्ष 6 विश्लेषण के लिए एक ऐसी विधि प्रस्तुत करता है जो क्लस्टरिंग-रेडशिफ्ट बाधाओं (clustering-redshift constraints) का उपयोग करके सेल्फ-ऑर्गनाइज्ड मैप (Self-Organized Map) वास्तविकताओं पर इम्पोर्टेंस सैंपलिंग (importance sampling) लागू करके रेडशिफ्ट अनुमान सटीकता और ब्रह्मांड संबंधी बाधा निर्धारण शक्ति (cosmological constraining power) को बढ़ाती है, जिसके परिणामस्वरूप $S_8$ मापों में लगभग 10% का सुधार होता है।

मूल लेखक: W. d'Assignies, G. M. Bernstein, B. Yin, G. Giannini, A. Alarcon, M. Manera, C. To, M. Yamamoto, N. Weaverdyck, R. Cawthon, M. Gatti, A. Amon, D. Anbajagane, S. Avila, M. R. Becker, K. Bechtol, C. Cha

प्रकाशित 2026-02-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: W. d'Assignies, G. M. Bernstein, B. Yin, G. Giannini, A. Alarcon, M. Manera, C. To, M. Yamamoto, N. Weaverdyck, R. Cawthon, M. Gatti, A. Amon, D. Anbajagane, S. Avila, M. R. Becker, K. Bechtol, C. Chang, M. Crocce, J. De Vicente, S. Dodelson, J. Fang, A. Ferté, D. Gruen, E. Legnani, A. Porredon, J. Prat, M. Rodriguez-Monroy, C. Sánchez, T. Schutt, I. Sevilla-Noarbe, D. Sanchez Cid, M. A. Troxel, T. M. C. Abbott, F. Andrade-Oliveira, M. Aguena, O. Alves, D. Bacon, J. Blazek, S. Bocquet, D. Brooks, R. Camilleri, A. Carnero Rosell, M. Carrasco Kind, J. Carretero, F. J. Castander, L. N. da Costa, M. E. da Silva Pereira, T. M. Davis, S. Desai, P. Doel, C. Doux, A. Drlica-Wagner, T. Eifler, J. Elvin-Poole, S. Everett, B. Flaugher, P. Fosalba, J. Frieman, J. Garcia-Bellido, E. Gaztanaga, P. Giles, G. Gutierrez, S. R. Hinton, D. L. Hollowood, K. Honscheid, D. Huterer, B. Jain, D. J. James, K. Kuehn, O. Lahav, S. Lee, J. L. Marshall, J. Mena-Fernandez, F. Menanteau, R. Miquel, J. Muir, J. Myles, R. L. C. Ogando, A. Palmese, M. Paterno, P. Petravick, A. A. Plazas Malagon, M. Raveri, A. Roodman, S. Samuroff, E. Sanchez, E. Sheldon, T. Shin, M. Smith, E. Suchyta, M. E. C. Swanson, G. Tarle, D. Thomas, V. Vikram, A. R. Walker

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 आप रात के समय एक विशाल, धुंधले जंगल का मानचित्र बनाने की कोशिश कर रहे हैं। आपके पास एक टॉर्च (आपका टेलीस्कोप) है जिससे आप पेड़ों (गैलेक्सी/आकाशगंगाओं) को देख सकते हैं, लेकिन धुंध इतनी घनी है कि आप यह नहीं बता सकते कि प्रत्येक पेड़ वास्तव में कितनी दूर है। आप पत्तियों के रंग और टहनियों के आकार को जानते हैं, लेकिन बिना किसी पैमाने के, आप निश्चित नहीं हो सकते कि कोई पेड़ 100 मीटर दूर है या 1,000 मीटर दूर।

खगोल विज्ञान में, इस "दूरी" को रेडशिफ्ट (redshift) कहा जाता है। अरबों आकाशगंगाओं की दूरी जानना यह समझने के लिए अत्यंत महत्वपूर्ण है कि ब्रह्मांड कैसे फैल रहा है और "डार्क एनर्जी" क्या कर रही है। लेकिन दूरी मापना बहुत कठिन और महंगा है।

यह शोध पत्र डार्क एनर्जी सर्वे (DES) के लिए उन दूरियों को मापने के एक चतुर नए तरीके के बारे में है, जो एक विशाल परियोजना है जिसने छह वर्षों में आकाश के एक बड़े हिस्से की तस्वीरें ली हैं।

यहाँ इस "धुंधले जंगल" की समस्या को हल करने की कहानी दी गई है, जिसे सरल रूप में समझाया गया है:

1. पुराना तरीका: मानचित्र के साथ अनुमान लगाना (फोटोमेट्रिक रेडशिफ्ट)

पहले, खगोलशास्त्री किसी आकाशगंगा के रंग को देखकर उसकी दूरी का अनुमान लगाने की कोशिश करते थे। यह रात में कार की हेडलाइट्स को देखकर यह अनुमान लगाने जैसा है कि कार कितनी दूर है। यदि लाइटें लाल दिखती हैं, तो कार संभवतः दूर है (क्योंकि यात्रा के दौरान प्रकाश खिंच जाता है)।

DES टीम ने सेल्फ-ऑर्गनाइजिंग मैप (SOM) नामक एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग किया। इसे एक विशाल, उच्च-तकनीकी सॉर्टिंग मशीन के रूप में समझें। यह लाखों आकाशगंगाओं को लेता है और उन्हें उनके रंगों के आधार पर "बिनों" (bins) में वर्गीकृत करता है। फिर, यह बाकी आकाशगंगाओं की दूरी का अनुमान लगाने के लिए कुछ ज्ञात दूरियों (ज्ञात आकाशगंगाओं के एक छोटे, स्पष्ट नमूने से) का उपयोग करता है।

समस्या: यह विधि अच्छी है, लेकिन इसमें कुछ अंधे बिंदु (blind spots) हैं। कभी-कभी, एक दूर स्थित आकाशगंगा बिल्कुल वैसी ही दिखती है जैसी एक पास की आकाशगंगा (एक "कलर-रेडशिफ्ट डिजेनेरेसी")। कंप्यूटर भ्रमित हो जाता है, और मानचित्र में त्रुटियाँ आती हैं।

2. नया तरीका: "पार्टी गेस्ट" विधि (क्लस्टरिंग रेडशिफ्ट)

इस भ्रम को ठीक करने के लिए, लेखकों ने क्लस्टरिंग रेडशिफ्ट (WZ) नामक एक नई तकनीक पेश की।

कल्पना कीजिए कि आप एक बड़ी, शोर-शराबे वाली पार्टी (ब्रह्मांड) में हैं। आप जानना चाहते हैं कि लोगों का एक विशिष्ट समूह (आपकी "अज्ञात" आकाशगंगाएँ) कहाँ खड़ा है, लेकिन आप उन्हें स्पष्ट रूप से नहीं देख पा रहे हैं। हालाँकि, आप वीआईपी (VIPs) के एक समूह (स्पेक्ट्रोस्कोपिक आकाशगंगाएँ) को देख सकते हैं जिनकी स्थिति आप पूरी तरह से जानते हैं क्योंकि उनके पास नेम टैग लगे हैं।

यदि आपका अज्ञात समूह वीआईपी के ठीक बगल में खड़ा है, तो संभावना है कि वे एक ही दूरी पर हैं। यदि वे दूर हैं, तो वे अलग-अलग दूरियों पर हैं। यह देखकर कि आपकी अज्ञात आकाशगंगाएँ कितनी बार वीआईपी के साथ "साथ रहती हैं" (क्लस्टर करती हैं), आप पता लगा सकते हैं कि वे कहाँ खड़ी हैं।

वीआईपी (VIPs): ये BOSS और eBOSS सर्वेक्षणों की आकाशगंगाएँ हैं। खगोलशास्त्रियों ने इन दूरियों को अत्यधिक सटीकता से मापने के लिए विशाल स्पेक्ट्रोग्राफ का उपयोग किया।
अज्ञात (Unknowns): ये डार्क एनर्जी सर्वे की अरबों आकाशगंगाएँ हैं।

शोध पत्र बताता है कि कैसे उन्होंने यह गणना की कि आपकी "अज्ञात" आकाशगंगाएँ और "वीआईपी" आकाश में कितनी बार एक-दूसरे के पास दिखाई देते हैं ताकि अज्ञातों की दूरियों का पता लगाया जा सके।

3. "फ़िल्टर" (इम्पोर्टेंस सैंपलिंग)

यहाँ पेचीदा हिस्सा है: कंप्यूटर ने पुराने "रंग अनुमान" (color guessing) विधि के आधार पर लाखों संभावित दूरी मानचित्र (realizations) उत्पन्न किए। इनमें से अधिकांश मानचित्र ठीक थे, लेकिन कुछ गलत थे।

लेखकों ने एक गणितीय फ़िल्टर (जिसे इम्पोर्टेंस सैंपलिंग कहा जाता है) बनाया। उन्होंने उन लाखों मानचित्रों में से प्रत्येक को अपने नए "पार्टी गेस्ट" परीक्षण से चलाया।

यदि किसी मानचित्र ने कहा, "ये आकाशगंगाएँ दूर हैं," लेकिन "पार्टी गेस्ट" परीक्षण ने दिखाया कि वे पास के वीआईपी के साथ मंडरा रही हैं, तो उस मानचित्र को कचरे में फेंक दिया गया।
यदि कोई मानचित्र "पार्टcy गेस्ट" डेटा से मेल खाता था, तो उसे रखा गया।

परिणाम? एक बहुत छोटा, बहुत अधिक सटीक दूरी मानचित्रों का सेट जो रंग डेटा और क्लस्टरिंग डेटा दोनों को संतुष्ट करता है।

4. "धुंध" और "पैमाना" (सिस्टमैटिक्स)

यह शोध पत्र सिस्टमैटिक त्रुटियों (systematic errors) के रूप में "धुंध" से भी निपटता है।

बायस (Bias): आकाशगंगाएँ यादृच्छिक रूप से बिखरी हुई नहीं होती हैं; वे डार्क मैटर के प्रभामंडल (halos) में एक साथ गुच्छों में होती हैं। कभी-कभी, उनके गुच्छे बनने का तरीका इस बात पर निर्भर करता है कि वे कितनी दूर हैं। लेखकों को इस बात का हिसाब रखने के लिए एक "सुधार कारक" (जैसे एक पैमाना जो खिंचता या सिकुड़ता है) बनाना पड़ा।
पैमाना (Scale): उन्हें इस बात के प्रति सावधान रहना था कि वे कितना करीब देखते हैं। बहुत करीब देखना (बहुत छोटे पैमाने पर) ऐसा है जैसे अपनी नाक को पन्ने से सटाकर किताब पढ़ने की कोशिश करना; भौतिकी जटिल और मॉडल करने में कठिन हो जाती है। उन्होंने एक "गोल्डिलॉक्स" दूरी (1.5 से 5 मिलियन प्रकाश वर्ष) चुनने का निर्णय लिया जहाँ सिग्नल मजबूत है लेकिन भौतिकी अभी भी अनुमानित है।

5. परिणाम: ब्रह्मांड की एक स्पष्ट तस्वीर

"कलर गेसिंग" (SOMPZ) को "पार्टी गेस्ट" विधि (WZ) के साथ जोड़कर, उन्होंने ब्रह्मांड का एक बहुत अधिक स्पष्ट मानचित्र बनाया।

यह क्यों मायने रखता है?
डार्क एनर्जी सर्वे का अंतिम लक्ष्य $S_8$ नामक संख्या को मापना है। यह संख्या हमें बताती है कि ब्रह्मांड कितना "गुच्छेदार" (clumpy) है।

यदि ब्रह्मांड बहुत अधिक गुच्छेदार है, तो हमारे डार्क एनर्जी के बारे में सिद्धांत गलत हो सकते हैं।
यदि यह पर्याप्त गुच्छेदार नहीं है, तो शायद हम कुछ मौलिक मिस कर रहे हैं।

शोध पत्र निष्कर्ष निकालता है कि इस नए "पार्टी गेस्ट" फ़िल्टर का उपयोग करके, उन्होंने अपने $S_8$ माप की सटीकता में लगभग 10% का सुधार किया। यह बहुत अधिक नहीं लग सकता है, लेकिन ब्रह्मांड विज्ञान (cosmology) में, यह एक बड़ी छलांग है। यह एक व्यक्ति की धुंधली आकृति देखने और उसका चेहरा स्पष्ट रूप से देखने के बीच का अंतर है।

सारांश उपमा

ब्रह्मांड को एक विशाल, 3D पहेली के रूप में सोचें।

फोटोमेट्री (पुराना तरीका): आप टुकड़ों के रंग को देखकर पहेली को हल करने की कोशिश करते हैं। यह तेज़ है, लेकिन आप अक्सर गलत टुकड़ों को एक साथ जोड़ देते हैं।
क्लस्टरिंग (नया तरीका): आपके पास कुछ "एंकर टुकड़े" (anchor pieces) हैं जिनकी स्थिति ज्ञात है। आप बॉक्स को हिलाते हैं और देखते हैं कि कौन से टुकड़े एंकरों के साथ चिपकते हैं।
यह शोध पत्र: यह इस बारे में निर्देश पुस्तिका है कि रंग के सुरागों को एंकर के सुरागों के साथ कैसे जोड़ा जाए ताकि आप पहेली को पूरी तरह से हल कर सकें, जिससे ब्रह्मांड का वास्तविक आकार प्रकट हो सके।

यह कार्य यह समझने के लिए एक महत्वपूर्ण कदम है कि ब्रह्मांड तेजी से क्यों फैल रहा है, और क्या हमारे वर्तमान भौतिकी के नियमों को अपडेट करने की आवश्यकता है।

यहाँ "Dark Energy Survey Year 6 Results: Clustering-redshifts and importance sampling of Self-Organised-Maps $n(z)$ realizations for 3 × 2pt samples" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गैलेक्सी सैंपल्स के रेडशिफ्ट वितरण, $n(z)$ , का सटीक निर्धारण, जो कमजोर गुरुत्वाकर्षण लेंसिंग (कॉस्मिक शीयर) और गैलेक्सी क्लस्टरिंग (3 $\times$ 2pt) से जुड़े ब्रह्मांडीय विश्लेषणों के लिए महत्वपूर्ण है।

फोटोट्रॉमिक रेडशिफ्ट (PZ) की सीमाएँ: जबकि डीप फील्ड्स और स्पेक्ट्रोस्कोपिक डेटा के साथ कैलिब्रेटेड सेल्फ-ऑर्गनाइजिंग मैप्स (SOMPZ) मजबूत $n(z)$ अनुमान प्रदान करते हैं, वे कलर-रेडशिफ्ट डिजेनेरेसी (रंग-रेडशिफ्ट विसंगति) और अपूर्ण स्पेक्ट्रोस्कोपिक ट्रेनिंग सेट्स के कारण व्यवस्थित पूर्वाग्रह (systematic biases) और अनिश्चितताओं से ग्रस्त होते हैं।
क्लस्टरिंग रेडशिफ्ट्स (WZ) की सीमाएँ: पारंपरिक क्लस्टरिंग-आधारित रेडशिफ्ट अनुमान (WZ) स्पेक्ट्रोस्कोपिक संदर्भ नमूनों के कोणीय क्रॉस-कोरिलेशन पर निर्भर करता है। हालांकि यह फोटोट्रॉमिक शोर से मुक्त है, WZ उच्च रेडशिफ्ट पर स्पेक्ट्रोस्कोपिक नमूनों की विरलता (sparsity) और गैलेक्सी बायस (galaxy bias) की डिजेनेरेसी से सीमित है।
चुनौती: डार्क एनर्जी सर्वे ईयर 6 (DES Y6) के लिए, लक्ष्य SOMPZ और WZ की शक्तियों को मिलाकर एक $n(z)$ का पोस्टीरियर वितरण तैयार करना है जो व्यवस्थित त्रुटियों को न्यूनतम करे और कॉस्मोलॉजिकल कंस्ट्रेंटिंग पावर (ब्रह्मांडीय बाधा शक्ति) को अधिकतम करे, विशेष रूप से सोर्स (लेंसिंग) और लेंस (क्लस्टरिंग) गैलेक्सी बिन्स के लिए।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक हाइब्रिड फ्रेमवर्क को रेखांकित करता है जो इम्पॉर्टेंस सैंपलिंग के माध्यम से SOMPZ-व्युत्पन्न रियलाइजेशन को WZ बाधाओं के साथ एकीकृत करता है।

A. डेटा सैंपल्स (Data Samples)

अननोन सैंपल्स (टारगेट्स):
- लेंस (Maglim++): गोल्ड कैटलॉग से चुने गए लेंस गैलेक्सीज़ के 6 टोमोरफिक बिन्स ( $z \approx 0.2 - 1.05$ )।
- सोर्स (Metadetect): शेप कैटलॉग से सोर्स गैलेक्सीज़ के 4 टोमोरफिक बिन्स ( $z \approx 0.4 - 1.2$ )।
रेफरेंस सैंपल्स (स्पेक्ट्रोस्कोपिक):
- BOSS और eBOSS गैलेक्सीज़ (LOWZ, CMASS, LRG, ELG) जो $0 < z < 1.1$ को कवर करती हैं।
- eBOSS क्वासर (QSO) जो $0.8 < z < 2.2$ को कवर करते हैं, ताकि उच्च रेडशिफ्ट पर सोर्स बिन्स के लिए बाधाओं को बढ़ाया जा सके।
सिमुलेशन: Cardinal सिमुलेशन (एक N-बॉडी सिमुलेशन जो DES Y6 की नकल करता है) का उपयोग व्यवस्थित त्रुटियों को सत्यापित करने और न्युसेंस पैरामीटर्स के लिए प्रायर्स (priors) को परिभाषित करने के लिए किया जाता है।

B. सैद्धांतिक मॉडलिंग (Theoretical Modeling)

WZ लाइकलीहुड को अज्ञात सैंपल्स ( $u$ ) और संदर्भ सैंपल्स ( $r$ ) के बीच कोणीय क्रॉस-कोरिलेशन ( $w_{ur}$ ) का उपयोग करके मॉडल किया गया है।

बेसिस फंक्शन्स (Basis Functions): अज्ञात $n_u(z)$ को टॉप-हैट बिन्स के बजाय "सॉ-टूथ" (sawtooth) बेसिस फंक्शन्स $K_j(z)$ के योग में विघटित किया गया है, जो स्मूथ मॉडलिंग और क्लस्टरिंग प्रभावों के समावेश की अनुमति देता है।
सिग्नल कंपोनेंट्स: मॉडल में शामिल हैं:
1. इंट्रिन्सिक क्लस्टरिंग: गैलेक्सी बायस ( $b_u b_r$ ) के उत्पाद और मैटर पावर स्पेक्ट्रम के समानुपाती।
2. मैग्निफिकेशन: मैग्निफिकेशन प्रभाव ( $\alpha$ ) जो सैंपल्स को जोड़ता है।
3. सिस्टमैटिक्स: एक लचीला व्यवस्थित त्रुटि फंक्शन $S(z)$ , जिसे लीनियर बायस धारणाओं और अन्य मॉडलिंग अशुद्धियों को संभालने के लिए लेजेंड्रे पॉलीनोमियल विस्तार के रूप में मॉडल किया गया है।
स्केल रेंज: विश्लेषण उन कोणीय पैमानों का उपयोग करता है जो 1.5–5 Mpc के कोमोविंग ट्रांसवर्स डिस्टेंस के अनुरूप हैं। यह रेंज नॉन-लीनियर फिजिक्स (1-हेलो इफेक्ट्स) को कम करने और कॉस्मोलॉजिकल इन्फरेंस स्केल्स से स्वतंत्रता बनाए रखने के लिए अनुकूलित है, जबकि सिग्नल-टू-नॉइज़ को भी बेहतर बनाती है।

C. इम्पॉर्टेंस सैंपलिंग पाइपलाइन (Importance Sampling Pipeline)

जनरेशन: SOMPZ फोटोट्रॉमिक पोस्टीरियर, $p(n|PZ) $से$ n(z) $के एक बड़े समूह ($ \sim 10^8$) के रियलाइजेशन उत्पन्न करना।
लाइकलीहुड इवैल्यूएशन: प्रत्येक रियलाइजेशन के लिए, देखे गए डेटा के विरुद्ध अनुमानित क्रॉस-कोरिलेशन की तुलना करते हुए WZ लाइकलीहुड, $p(w|n)$ , की गणना करना।
सिलेक्शन (इम्पॉर्टेंस सैंपलिंग): उन रियलाइजेशन को बनाए रखना जिनकी संभावना WZ लाइकलीहुड के समानुपाती है। इससे एक संयुक्त पोस्टीरियर सैंपल, $p(n|PZ, WZ)$ प्राप्त होता है।
कंप्रेशन: उच्च-आयामी (high-dimensional) $n(z)$ सैंपल्स को कॉस्मोलॉजिकल इन्फरेंस के लिए व्यवहार्य बनाने के लिए, उन्हें मोड प्रोजेक्शन (PCA-जैसे अपघटन) का उपयोग करके एक निम्न-आयामी स्थान में संकुचित किया जाता है।
मार्जिनलाइजेशन: संकुचित मापदंडों का उपयोग अंतिम 3 $\times$ 2pt कॉस्मोलॉजिकल विश्लेषण में न्युसेंस पैरामीटर्स के रूप में किया जाता है।

3. मुख्य योगदान (Key Contributions)

हाइब्रिड कैलिब्रेशन फ्रेमवर्क: एक ऐसा पाइपलाइन सफलतापूर्वक लागू किया गया जो SOMPZ फोटोट्रॉमिक अनुमानों को WZ क्लस्टरिंग बाधाओं के साथ जोड़कर रेडशिफ्ट अनिश्चितताओं को काफी कम करता है।
सिस्टमैटिक्स मॉडलिंग: लेजेंड्रे पॉलीनोमियल्स का उपयोग करके एक मजबूत व्यवस्थित त्रुटि मॉडल विकसित किया गया, जिसे Cardinal सिमुलेशन के विरुद्ध सत्यापित किया गया। अध्ययन ने पाया कि डेस ईयर 3 में उपयोग किए गए 5वें-क्रम के मॉडलों की तुलना में, बायस इवोल्यूशन को मॉडल करने के लिए निम्न-क्रम के पॉलीनोमियल्स पर्याप्त हैं।
उच्च-रेडशिफ्ट विस्तार: उच्च रेडशिफ्ट के लिए सोर्स बिन्स को विस्तारित करने के लिए eBOSS QSOs का उपयोग करने का प्रदर्शन किया गया, जो क्वासरों की विरल घनत्व के बावजूद प्रभावी रहा।
स्केल इंडिपेंडेंस का सत्यापन: यह सत्यापित किया गया कि चुना गया स्केल रेंज (1.5–5 Mpc) बड़े पैमानों (5–15 Mpc) के साथ सुसंगत परिणाम देता है और फाइबर कोलिजन तथा नॉन-लीनियर बायस के प्रति मजबूत है।
DESI कंसिस्टेंसी चेक: DESI DR1 डेटा के साथ क्रॉस-कोरिलेट करके पद्धति को मान्य किया गया, जो BOSS/eBOSS परिणामों के साथ उत्कृष्ट सहमति दिखाता है, जिससे WZ दृष्टिकोण की विश्वसनीयता की पुष्टि होती है।

4. परिणाम (Results)

रेडशिफ्ट डिस्ट्रीब्यूशन रिफाइनमेंट:
- लेंस बिन्स: WZ बाधाओं से अधिकांश बिन्स के लिए माध्य रेडशिफ्ट में नगण्य बदलाव आया, लेकिन बिन 3 के लिए मानक विचलन (स्टैंडर्ड डेविएशन) में उल्लेखनीय कमी आई। बिन 6 में $\Delta \langle z \rangle \approx 0.015$ का बदलाव देखा गया, जो $z \sim 0.85$ पर WZ डेटा द्वारा संचालित था।
- सोर्स बिन्स: WZ बाधाओं के कारण पहले दो बिन्स के लिए माध्य रेडशिफ्ट में लगभग $1\sigma$ का ऊपर की ओर बदलाव और अन्य के लिए मध्यम बदलाव हुआ। $n(z)$ का मानक विचलन थोड़ा बढ़ गया, जो व्यापक लेकिन अधिक सटीक वितरण का संकेत देता है।
कॉस्मोलॉजिकल इम्पैक्ट:
- कॉस्मिक शीयर (1 $\times$ 2pt): WZ जानकारी को शामिल करने से $S_8$ (मैटर क्लस्टरिंग का माप) के बाधा (constraint) में 10% का सुधार हुआ।
- 3 $\times$ 2pt विश्लेषण: $S_8$ बाधाओं में सुधार लगभग 10% था। यह लाभ मुख्य रूप से सोर्स सैंपल्स के बेहतर कैलिब्रेशन से प्रेरित है; लेंस कैलिब्रेशन का $S_8$ पर नगण्य प्रभाव पड़ा लेकिन $\Omega_m$ पर छोटा लाभ मिला।
- कंसिस्टेंसी: सर्वोत्तम-फिट कॉस्मोलॉजिकल पैरामीटर्स SOMPZ-ओनली और SOMPZ+WZ विश्लेषणों के बीच सुसंगत रहे, जो पुष्टि करता है कि WZ अनिश्चितताओं को बिना किसी पूर्वाग्रह के ठीक करता है।

5. महत्व (Significance)

यह कार्य पूर्ण DES Y6 3 $\times$ 2pt कॉस्मोलॉजिकल विश्लेषण के लिए रेडशिफ्ट कैलिब्रेशन फ्रेमवर्क स्थापित करता है। फोटोट्रॉमिक और क्लस्टरिंग जानकारी को कठोरता से जोड़कर, DES सहयोग ने गैलेक्सी रेडशिफ्ट वितरणों का अधिक मजबूत और सटीक लक्षण वर्णन प्राप्त किया है।

भविष्य के सर्वेक्षण: यह कार्य सीधे अगली पीढ़ी के स्टेज-IV सर्वेक्षणों जैसे Euclid, LSST, और Roman के लिए विस्तार योग्य है। ये सर्वेक्षण और भी गहरे इमेजिंग और बड़े स्पेक्ट्रोस्कोपिक ओवरलैप (जैसे Euclid के H $\alpha$ उत्सर्जक और DESI के क्वासर) से लाभान्वित होंगे, जिससे यह हाइब्रिड WZ+SOMPZ दृष्टिकोण उप-प्रतिशत (sub-percent) सटीकता प्राप्त करने के लिए आवश्यक हो जाएगा।
सिस्टमैटिक कंट्रोल: यह प्रदर्शन कि निम्न-क्रम के व्यवस्थित मॉडल पर्याप्त हैं और स्केल चयन मजबूत है, जटिल सिस्टमैटिक्स को संभालने के लिए भविष्य के बड़े पैमाने के संरचना विश्लेषणों के लिए एक टेम्पलेट प्रदान करता है।