🔭 astrophysics

Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference

यह अध्ययन प्रदर्शित करता है कि सिमुलेशन-आधारित अनुमान के माध्यम से मिंकोव्स्की फंक्शनल्स (Minkowski Functionals) को डेरिवेटिव्स के कंडीशनल मोमेंट्स (Conditional Moments of Derivatives - CMD) के साथ संयोजित करने से $\sigma_8$ और $\Omega_{\mathrm{m}}$ पर काफी अधिक सटीक कॉस्मोलॉजिकल बाधाएं प्राप्त होती हैं, जिसमें CMD-संवर्धित रूपात्मक दृष्टिकोण रेडशिफ्ट-स्पेस हेलो पावर स्पेक्ट्रम की तुलना में द्रव्यमान-चयनित हेलो विन्यासों में पूरक अनिसोट्रोपिक और नॉनलीनियर विशेषताओं को पकड़कर बेहतर प्रदर्शन करता है।

मूल लेखक: M. H. Jalali Kanafi, S. M. S. Movahed

प्रकाशित 2026-04-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: M. H. Jalali Kanafi, S. M. S. Movahed

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 ब्रह्मांड में भरे हुए एक विशाल, अदृश्य कोहरे के आकार को समझने की कोशिश कर रहे हैं। यह "कोहरा" वास्तव में डार्क मैटर और आकाशगंगाओं से बना है, जो क्लस्टर्स, फिलामेंट्स और खाली रिक्त स्थानों (voids) का एक कॉस्मिक वेब (cosmic web) बनाता है। खगोलशास्त्री जानना चाहते हैं कि यह वेब वास्तव में कैसे बना है क्योंकि इसका आकार हमें ब्रह्मांड के घटकों के रहस्यों: जैसे कि इसमें कितना पदार्थ ( $\Omega_m$ ) है और यह कितना गांठदार या असमान ( $\sigma_8$ ) है, के बारे में बताता है।

लंबे समय तक, वैज्ञानिक इस बादल को सरल सांख्यिकी (statistics) देखकर मापने की कोशिश करते रहे थे, जैसे कि यह देखना कि आकाशगंगाओं के जोड़े एक निश्चित दूरी पर कितने दूर हैं। यह एक जटिल मूर्ति को समझने के लिए केवल उस पर दो विशिष्ट बिंदुओं के बीच की दूरी मापने जैसा है। यह ठीक-ठाक काम करता है, लेकिन आप बड़ी तस्वीर को चूक जाते हैं।

यह शोध पत्र सिमुलेशन-आधारित अनुमान (Simulation-Based Inference - SBI) का उपयोग करके ब्रह्मांड को "देखने" का एक नया, स्मार्ट तरीका पेश करता है। यहाँ उनके तरीके और निष्कर्षों का सरल शब्दों में विवरण दिया गया है:

1. समस्या: "लाइकलीहुड" (Likelihood) का जाल

परंपरागत रूप से, डेटा से सीखने के लिए वैज्ञानिकों को एक सटीक गणितीय सूत्र (एक "लाइकलीहुड") की आवश्यकता होती है जो यह भविष्यवाणी कर सके कि किसी दिए गए ब्रह्मांड के लिए डेटा कैसा दिखना चाहिए। लेकिन ब्रह्मांड अव्यवस्थित और गैर-रेखीय (non-linear) है (जैसे कि ऊन का एक उलझा हुआ गोला)। इस अव्यवस्था के लिए एक आदर्श सूत्र बनाना लगभग असंभव है। यह एक सूफ़ले (soufflé) के लिए ऐसी रेसिपी लिखने जैसा है जिसमें रसोई में हवा के हर एक झोंके का भी हिसाब रखा गया हो।

समाधान: रेसिपी लिखने के बजाय, लेखकों ने एक सुपर-स्मार्ट AI (एक न्यूरल नेटवर्क) बनाया। उन्होंने AI को ज्ञात सामग्रियों वाले हजारों सिम्युलेटेड ब्रह्मांड दिखाए और उसे पैटर्न सीखने के लिए कहा। एक बार प्रशिक्षित होने के बाद, AI वास्तविक डेटा को देख सकता है और बिना किसी सटीक सूत्र के सामग्री का अनुमान लगा सकता है।

2. उपकरण: तीन अलग-अलग "आंखें"

टीम ने यह देखने के लिए कि कौन सा तरीका ब्रह्मांड को देखने का सबसे अच्छा उत्तर देता है, तीन अलग-अलग तरीकों की तुलना की:

पावर स्पेक्ट्रम (Power Spectrum - PS): यह "पुराना भरोसेमंद" तरीका है। यह कोहरे को एक मानक कैमरा लेंस के माध्यम से देखने जैसा है। यह मापता है कि कोहरा विभिन्न आकारों पर कितना गांठदार है। यह अच्छा है, लेकिन यह ज्यादातर कोहरे को एक चिकने, गोल गोले के रूप में देखता है। यह अजीब आकृतियों को मिस कर देता है।
मिंकोव्स्की फंक्शनल्स (Minkowski Functionals - MFs): यह कोहरे को एक 3D मूर्तिकार की आंख से देखने जैसा है। केवल दूरियों को मापने के बजाय, यह कोहरे के आकार को मापता है: यह कितना आयतन (volume) घेरता है? इसकी सतह का क्षेत्रफल कितना है? क्या यह एक पहाड़ी या घाटी की तरह घुमावदार है? यह ब्रह्मांड की ज्यामिति (geometry) और टोपोलॉजी (जुड़ाव) को पकड़ता है।
कंडीशनल मोमेंट्स ऑफ डेरिवेटिव्स (Conditional Moments of Derivatives - CMD): यह नई, सुपर-पावर्ड आंख है। कल्पना कीजिए कि कोहरा केवल एक आकार नहीं है, बल्कि एक ऐसा आकार है जिसे अदृश्य हवाओं द्वारा खींचा जा रहा है। हमारे ब्रह्मांड में, आकाशगंगाओं की गति कोहरे को विशिष्ट दिशाओं में खींचती है (हमारी ओर या हमसे दूर)। "CMD" टूल विशेष है क्योंकि यह केवल आकार को नहीं देखता; यह कोहरे के खिंचाव की दिशा और हवा की तीव्रता को भी देखता है। यह मूर्तिकार की आंख में दिशा-सूचक यंत्र (compass) और स्पीडोमीटर जोड़ने जैसा है।

3. प्रयोग: "बिग सोबोल सीक्वेंस" (The Big Sobol Sequence)

लेखकों ने 32,768 सिम्युलेटेड ब्रह्मांडों (जिसे बिग सोबोल सीक्वेंस कहा जाता है) के एक विशाल पुस्तकालय का उपयोग किया। उन्होंने केवल एक "मानक" ब्रह्मांड नहीं चुना; उन्होंने विभिन्न मात्रा में पदार्थ और गांठदारपन के साथ विविध ब्रह्मांडों का सिम्युलेशन किया। उन्होंने इनमें से 25,000 पर अपने AI को प्रशिक्षित किया और बाकी पर इसका परीक्षण किया।

4. परिणाम: कौन जीता?

जब उन्होंने उपकरणों की तुलना की, तो परिणाम आश्चर्यजनक और रोमांचक थे:

आकार बनाम दिशा: "मूर्तिकार की आंख" (MFs) सामग्री के घटकों को खोजने में "मानक कैमरा" (Power Spectrum) से बेहतर थी। लेकिन "सुपर-पावर्ड आंख" (CMD) उससे भी बेहतर थी।
टीम वर्क की शक्ति: जब उन्होंने मूर्तिकार की आंख (MFs) को सुपर-पावर्ड आंख (CMD) के साथ जोड़ा, तो उन्हें सबसे अच्छे परिणाम मिले। यह एक ऐसे मूर्तिकार जैसा है जो यह भी जानता है कि हवा कैसे चलती है। इस संयोजन ने अकेले आकार वाले उपकरणों का उपयोग करने की तुलना में पदार्थ की मात्रा के लिए लगभग 27% और गांठदारपन के लिए 26% अधिक सटीकता में सुधार किया।
"मैसिव हेलोस" (Massive Halos) का आश्चर्य: उन्होंने परीक्षण किया कि क्या होता है यदि वे केवल पदार्थ के सबसे भारी, सबसे विशाल समूहों (छोटे समूहों को अनदेखा करते हुए) को देखते हैं।
- "मानक कैमरा" (Power Spectrum) भ्रमित हो गया और उसके माप खराब हो गए।
- "सुपर-पावर्ड आंख" (CMD) वास्तव में बेहतर (पदार्थ घनत्व के लिए 43% का सुधार!) हो गई।
- क्यों? भारी समूह विशाल, स्पष्ट लैंडमार्क की तरह होते हैं। नया तरीका इन लैंडमार्क की दिशा और आकार को पढ़ने में इतना अच्छा है कि उसे सटीक उत्तर पाने के लिए छोटे, शोर वाले विवरणों की आवश्यकता नहीं है।

5. निष्कर्ष

यह शोध पत्र दिखाता है कि ब्रह्मांड को समझने के लिए, हमें केवल बिंदुओं को गिनना बंद करना होगा और आकारों, दिशाओं और इस बात पर ध्यान देना होगा कि चीजों को कैसे खींचा जा रहा है।

AI का उपयोग करके सिमुलेशन से सीखने के साथ, लेखकों ने सिद्ध किया कि CMD प्रकार का माप, पारंपरिक आकार विश्लेषण (MFs) के साथ मिलकर, पुराने तरीकों की तुलना में ब्रह्मांड से अधिक जानकारी निकाल सकता है। यह यह समझने जैसा है कि तूफान को समझने के लिए आपको केवल हवा की गति मापने की ही नहीं, बल्कि बादलों के आकार और हवा उन्हें किस दिशा में धकेल रही है, यह समझने की भी आवश्यकता है।

संक्षेप में: उन्होंने AI का उपयोग करके एक बेहतर "कॉस्मिक माइक्रोस्कोप" बनाया, और यह पता चला कि कॉस्मिक वेब की दिशा को देखना हमें ब्रह्मांड के निर्माण के बारे में कहीं अधिक स्पष्ट तस्वीर देता है।

यहाँ शोध पत्र "Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पारंपरिक ब्रह्मांड संबंधी अनुमान (cosmological inference) निम्न-क्रम के सारांश सांख्यिकी (summary statistics) पर निर्भर करते हैं, मुख्य रूप से पावर स्पेक्ट्रम (PS) या टू-पॉइंट कोरिलेशन फंक्शन्स। हालांकि रैखिक शासन (linear regime) में ये गणनात्मक रूप से कुशल हैं, लेकिन ये विधियाँ बड़े पैमाने की संरचनाओं (Large-Scale Structure - LSS) के गैर-गॉसियन (non-Gaussian) और गैर-रैखिक विकास में निहित महत्वपूर्ण जानकारी को त्याग देती हैं। इसके अतिरिक्त, पारंपरिक विधियों के लिए स्पष्ट विश्लेतिक लाइकलीहुड फंक्शन (likelihood function) की आवश्यकता होती है, जो जटिल, उच्च-क्रम के अवलोकनों के लिए अक्सर अगम्य (intractable) होता है।

अगली पीढ़ी के गैलेक्सी सर्वेक्षणों (जैसे DESI, Euclid, Roman) के आगमन के साथ, निम्नलिखित के लिए एक महत्वपूर्ण आवश्यकता है:

उन्नत सांख्यिकी (Advanced Statistics): ऐसे उपकरण जो गैर-गॉसियन संकेतों और एनिसोट्रोपिक (anisotropic) विशेषताओं (विशेष रूप से रेडशिफ्ट-स्पेस डिस्टॉर्शन, या RSDs) को पकड़ने में सक्षम हों, जिन्हें स्केलर सांख्यिकी छोड़ देती है।
मजबूत अनुमान ढांचे (Robust Inference Frameworks): ऐसी विधियाँ जो स्पष्ट लाइकलीहुड फंक्शन पर निर्भर किए बिना ब्रह्मांडीय मापदंडों (cosmological parameters) को निकालने में सक्षम हों।

यह कार्य वेटेड मॉर्फोलॉजिकल डिस्क्रिप्टर्स (weighted morphological descriptors) के पावर स्पेक्ट्रम मल्टीपोल की तुलना में कंस्ट्रैनिंग पावर (constraining power) को मापने की क्षमता को निर्धारित करने के माध्यम से इस अंतर को संबोधित करता है, जो विशेष रूप से रेडशिफ्ट स्पेस में एनिसोट्रॉपी और नॉन-लिनियैरिटी के प्रति संवेदनशीलता पर केंद्रित है।

2. कार्यप्रणाली (Methodology)

अ. डेटा और सिमुलेशन (Data and Simulations)

सिमुलेशन सुइट: विश्लेषण के लिए क्विजोट (Quijote) सिमुलेशन सुइट के बिग सोबोल सीक्वेंस (BSQ) उपसमुच्चय का उपयोग किया गया है।
पैरामीटर्स: 32,768 N-बॉडी सिमुलेशन जो सोबोल सीक्वेंस का उपयोग करके पांच ब्रह्मांडीय मापदंडों ( $\Omega_m, \Omega_b, h, n_s, \sigma_8$ ) को भिन्न करते हैं।
रेडशिफ्ट: विश्लेषण $z = 0.5$ पर किया गया है।
हेलो कैटलॉग (Halo Catalogs): फ्रेंड्स-ऑफ-फ्रिएंड्स (FoF) एल्गोरिदम का उपयोग करके उत्पन्न किए गए। अध्ययन तीन हेलो चयन परिदृश्यों का अन्वेषण करता है:
1. सभी हेलो (परिवर्तनीय संख्या घनत्व)।
2. निश्चित संख्या घनत्व ( $\bar{n}_h = 10^{-4} h^3 \text{Mpc}^{-3}$ )।
3. द्रव्यमान-चयनित ( $M > 3 \times 10^{13} h^{-1} M_\odot$ )।
रेडशिफ्ट स्पेस: रेडशिफ्ट-स्पेस डिस्टॉर्शन (Kaiser effect और Fingers-of-God) को शामिल करने के लिए पक्यूलर वेलोसिटी (peculiar velocities) का उपयोग करके हेलो स्थितियों को रेडशिफ्ट स्पेस में परिवर्तित किया गया है।

ब. सारांश सांख्यिकी (Summary Statistics)

अध्ययन तीन वर्गों की सांख्यिकी की तुलना करता है:

पावर स्पेक्ट्रम (PS): रेडशिफ्ट-स्पेस मल्टीपोल ( $\ell=0, 2, 4$ ) $k_{\text{max}} \simeq 0.16 \, h \text{Mpc}^{-1}$ तक।
मिंकोव्स्की फंक्शनल्स (MFs): स्केलर मॉर्फोलॉजिकल डिस्क्रिप्टर ( $V_0, V_1, V_2, V_3$ ) जो एक्सकर्जन सेट्स (excursion sets) के वॉल्यूम, सतह क्षेत्र, माध्य वक्रता (mean curvature) और गॉसियन वक्रता (Gaussian curvature) को मात्रात्मक रूप देते हैं।
कंडीशनल मोमेंट्स ऑफ डेरिवेटिव्स (CMD): एक वेटेड मॉर्फोलॉजिकल सांख्यिकी जिसे दिशात्मक/एनिसोट्रोपिक जानकारी को पकड़ने के लिए पेश किया गया है। CMD मॉर्फोलॉजिकल मापों को फील्ड डेरिवेटिव्स (ग्रेडिएंट्स) के साथ जोड़ता है, जिसे निम्नानुसार परिभाषित किया गया है:
$N^{(m)}_{\text{CMD}}(\vartheta, i) = \frac{1}{V} \int_V d^3x \, \delta_D(\delta_s(x) - \vartheta) \, |\nabla_i \delta_s(x)|^m$
यह CMD को लाइन-ऑफ-साइट (LOS) के सापेक्ष एनिसोट्रॉपी की दिशा के प्रति संवेदनशील बनाता है।

स. अनुमान ढांचा: सिमुलेशन-आधारित अनुमान (Inference Framework: SBI)

दृष्टिकोण: न्यूरल पोस्टीरियर एस्टीमेशन (NPE) का उपयोग करके लाइकलीहुड-फ्री अनुमान।
मॉडल: कंडीशनल नॉर्मलाइजिंग फ्लोज़ (विशेष रूप से न्यूरल स्प्लाइन फ्लोज़) जो पोस्टीरियर वितरण $p(\theta | D)$ का अनुमान लगाने के लिए प्रशिक्षित हैं।
प्रशिक्षण: प्रशिक्षण के लिए 25,000 सिमुलेशन, सत्यापन (validation) के लिए 3,000 और परीक्षण (testing) के लिए 2,000।
कैलिब्रेशन: यह सुनिश्चित करने के लिए कि विश्वसनीय अंतराल (credible intervals) सांख्यिकीय रूप से सटीक हैं, सिमुलेशन-आधारित कैलिब्रेशन (रैंक स्टैटिस्टिक्स) का उपयोग करके सत्यापित किया गया।

3. प्रमुख योगदान (Key Contributions)

SBI में CMD का परिचय: यह रेडशिफ्ट स्पेस में हेलो फील्ड्स के लिए कॉस्मोलॉजिकल फोरकास्टिंग हेतु कंडीशनल मोमेंट्स ऑफ डेरिवेटिव्स (CMD) का पहला अनुप्रयोग है।
एनिसोट्रॉपी संवेदनशीलता का मात्रात्मक निर्धारण: यह अध्ययन स्पष्ट रूप से प्रदर्शित करता है कि वेटेड मॉर्फोलॉजिकल सांख्यिकी (CMD), स्केलर MFs और मानक PS मल्टीपोल द्वारा छोड़ी गई या कम उपयोग की गई RSDs से प्रेरित एनिसोट्रोपिक जानकारी को पकड़ती है।
व्यापक बेंचमार्किंग: विभिन्न स्मूथिंग स्केल, फिडुशियल कॉस्मोलॉजी और हेलो चयन मानदंडों के तहत MFs, CMD, उनके संयोजन और पावर स्पेक्ट्रम के बीच एक कठोर तुलना।
मजबूती विश्लेषण (Robustness Analysis): यह जांच कि हेलो प्रचुरता (abundance) और द्रव्यमान रिज़ॉल्यूशन पर कंस्ट्रेंटिंग पावर कैसे निर्भर करती है, जिससे पता चलता है कि वेटेड मॉर्फोलॉजी, पावर स्पेक्ट्रम की तुलना में ट्रेसर प्रचुरता के उतार-चढ़ाव पर कम निर्भर है।

4. प्रमुख परिणाम (Key Results)

अ. स्केलर मॉर्फोलॉजी बनाम वेटेड मॉर्फोलॉजी का प्रदर्शन

CMD बनाम MFs: फिडुशियल कॉस्मोलॉजी ( $\Omega_m = 0.3175, \sigma_8 = 0.834$ ) और स्मूथिंग स्केल $R=15 \, h^{-1}\text{Mpc}$ पर, CMD अकेले MFs की तुलना में व्यवस्थित रूप से कड़े (tighter) प्रतिबंध प्रदान करता है।
संयुक्त एस्टीमेटर (Joint Estimator): MFs और CMD को मिलाने से परिशुद्धता में सुधार होता है:
- $\sigma_8$ के लिए 27%
- $\Omega_m$ के लिए 26%
  यह स्केलर (ज्यामितीय/टोपोलॉजिकल) और दिशात्मक (एनिसोट्रोपिक) जानकारी की पूरक प्रकृति को उजागर करता है।

ब. पावर स्पेक्ट्रम के साथ तुलना

मैच्ड स्केल्स: $k_{\text{max}} \simeq 0.16 \, h \text{Mpc}^{-1}$ $k_{max} ≃ 0.16 h Mpc^{- 1}$ (जो $R=15 \, h^{-1}\text{Mpc}$ $R = 15 h^{- 1} Mpc$ के बराबर है) पर तुलना करने पर:
- $\sigma_8$ : संयुक्त MFs+CMD एस्टीमेटर, पूर्ण पावर स्पेक्ट्रम मल्टीपोल ( $\ell=0,2,4$ ) से ~47% बेहतर प्रदर्शन करता है।
- $\Omega_m$ : पावर स्पेक्ट्रम थोड़ा अधिक कड़ा है, लेकिन अनिश्चितताओं को देखते हुए यह अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं है।
द्रव्यमान-चयनित हेलो: द्रव्यमान-चयनित विन्यास ( $M > 3 \times 10^{13} h^{-1} M_\odot$ $M > 3 \times 1 0^{13} h^{- 1} M_{⊙}$ ) में, वेटेड मॉर्फोलॉजिकल एस्टीमेटर दोनों मापदंडों के लिए पावर स्पेक्ट्रम से काफी बेहतर प्रदर्शन करता है:
- $\sigma_8$ के लिए 45% सुधार।
- $\Omega_m$ के लिए 43% सुधार।
- व्याख्या: द्रव्यमान चयन शॉट नॉइज़ को कम करता है और विशाल हेलो के सुसंगत बायस (coherent bias) को बढ़ाता है, जिससे MFs+CMD द्वारा पकड़े गए ज्यामितीय/टोपोलॉजिकल फीचर्स प्रबल हो जाते हैं।

स. स्मूथिंग स्केल और हेलो चयन पर निर्भरता

स्मूथिंग स्केल: CMD की कंस्ट्रेंटिंग पावर MFs की तुलना में स्मूथिंग स्केल $R$ के प्रति अधिक संवेदनशील है। छोटे स्केल (उच्च $R$ ) CMD के लिए कड़े प्रतिबंध देते हैं क्योंकि यह नॉन-लीनियर जानकारी को अधिक प्रभावी ढंग से पकड़ता है।
हेलो प्रचुरता (Halo Abundance):
- संख्या घनत्व को स्थिर करने से PS और MFs+CMD दोनों के लिए प्रतिबंध कमजोर हो जाते हैं, लेकिन गिरावट पावर स्पेक्ट्रम के लिए बहुत अधिक है ( $\sigma_8$ के लिए 54% की हानि बनाम MFs+CMD के लिए 30%)।
- यह पुष्टि करता है कि इन पैमानों पर पावर स्पेक्ट्रम की कंस्ट्रेंटिंग पावर काफी हद तक प्रचुरता-संचालित जानकारी पर निर्भर करती है, जबकि वेटेड मॉर्फोलॉजी घनत्व क्षेत्र की आंतरिक ज्यामिति और एनिसोट्रॉपी पर निर्भर करती है।

द. पैरामीटर स्पेस में स्थिरता

हालांकि पूर्ण अनिश्चितताएं वास्तविक ब्रह्मांडीय मापदंडों के साथ भिन्न होती हैं, फिर भी सांख्यिकी की सापेक्ष कंस्ट्रेंटिंग पावर (उदाहरण के लिए, MFs+CMD और PS के बीच अनिश्चितताओं का अनुपात) खोजे गए पूरे पैरामीटर स्पेस में लगभग स्थिर रहती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य स्थापित करता है कि वेटेड मॉर्फोलॉजिकल सांख्यिकी, विशेष रूप से Minkowski Functionals और Conditional Moments of Derivatives का संयोजन, LSS के नॉनलीनियर और एनिसोट्रोपिक शासन से ब्रह्मांडीय जानकारी निकालने के लिए पारंपरिक पावर स्पेक्ट्रम मल्टीपोल की तुलना में श्रेष्ठ है।

भौतिक अंतर्दृष्टि (Physical Insight): परिणाम प्रदर्शित करते हैं कि ब्रह्मांडीय संरचनाओं का "आकार" और "दिशा" (जिसे CMD द्वारा पकड़ा जाता है) $\sigma_8$ और $\Omega_m$ के बारे में विशिष्ट, उच्च-मूल्य वाली जानकारी रखते हैं जो केवल क्लस्टरिंग आयामों (clustering amplitudes) द्वारा पूरी तरह से नहीं पकड़ी जा सकती है।
पद्धतिगत प्रगति (Methodological Advance): यह अध्ययन जटिल, गैर-गॉसियन डिस्क्रिप्टर्स के साथ SBI के उपयोग को मान्य करता है, यह सिद्ध करता है कि लाइकलीहुड-फ्री अनुमान विश्लेतिक लाइकलीहुड सन्निकटन की आवश्यकता के बिना इन सांख्यिकीओं को मजबूती से संभाल सकता है।
भविष्य का दृष्टिकोण: यह ढांचा ट्रेसर प्रचुरता और द्रव्यमान सीमा के बदलावों के प्रति मजबूत है, जो इसे वास्तविक दुनिया के गैलेक्सी सर्वेक्षणों (जैसे DESI और Euclid) के लिए अत्यधिक आशाजनक बनाता है जहाँ चयन प्रभाव (selection effects) और सिस्टमैटिक्स महत्वपूर्ण होते हैं। भविष्य के कार्य छोटे पैमानों ( $k_{\text{max}} = 0.5 \, h \text{Mpc}^{-1}$ ) तक तुलना का विस्तार करेंगे और इसमें अवलोकनात्मक सिस्टमैटिक्स को शामिल किया जाएगा।