Foreground removal in HI 21 cm intensity mapping under frequency-dependent beam distortions

तकनीकी सारांश: आवृत्ति-निर्भर बीम विरूपणों के तहत HI 21 सेमी तीव्रता मानचित्रण में अग्रभूमि (फोरग्राउंड) निष्कासन

समस्या विवरण
न्यूट्रल हाइड्रोजन (HI) तीव्रता मानचित्रण पुनर्गठन (पोस्ट-रीओनाइजेशन) युग में ब्रह्मांड विज्ञान के लिए एक प्राथमिक जांच उपकरण है, जो ब्रह्मांड का एक टोमोग्राफिक दृश्य प्रदान करता है। हालांकि, क्षीण HI संकेत को निकालना खगोलीय अग्रभूमि (सिंक्रोट्रॉन, फ्री-फ्री, और बिंदु स्रोत) के कारण अत्यंत चुनौतीपूर्ण है, जो कि HI संकेत से पांच परिमाण (orders of magnitude) तक अधिक चमकीले होते हैं। जबकि ब्लाइंड सोर्स सेपरेशन (BSS) और मॉडल-फिटिंग विधियों ने आशाजनक परिणाम दिखाए हैं, वे आमतौर पर एक सरलीकृत, आवृत्ति-स्वतंत्र बीम या एक समान डिग्रेडेड रेजोल्यूशन का अनुमान लगाते हैं। वास्तविक उपकरण, जैसे कि MeerKAT, आवृत्ति-निर्भर बीम विरूपण प्रदर्शित करते हैं, जिनमें फुल विड्थ एट हाफ मैक्सिमम (FWHM) में गैर-सुचारू (दोलनशील) परिवर्तन शामिल हैं। ये उपकरण प्रभाव अग्रभूमियों के साथ मिलकर कृत्रिम स्पेक्ट्रल विशेषताएं उत्पन्न करते हैं जो कॉस्मोलॉजिकल सिग्नल की नकल करती हैं, जिससे मानक पृथक्करण तकनीकों का प्रदर्शन खराब हो जाता है।

कार्यप्रणाली
लेखक 900–1400 MHz रेंज को कवर करने वाले सिमुलेटेड HI तीव्रता मानचित्रण डेटा का उपयोग करके विभिन्न फोरग्राउंड निष्कासन तकनीकों के प्रदर्शन का मूल्यांकन करते हैं, जो MeerKAT और SKA-Mid के लिए प्रासंगिक है। सिमुलेशन में यथार्थवादी कॉस्मोलॉजिकल HI सिग्नल (CRIME पर आधारित), गैलेक्टिक फोरग्राउंड (सिंक्रोट्रॉन और फ्री-फ्री के लिए PySM3 मॉडल का उपयोग करके), और एक्सट्रा-गैलेक्टिक बिंदु स्रोत शामिल हैं, जिन्हें टेलिस्कोप बीम के साथ संलग्नीकृत (convolved) किया गया है और थर्मल नॉइज़ से दूषित किया गया है।

यथार्थवाद को क्रमिक रूप से बढ़ाने के लिए तीन बीम मॉडल परीक्षण किए गए:

1. गाऊसी डिग्रेडेड (Gaussian Degraded): एक समान रेजोल्यूशन जिसे सभी चैनलों को सबसे खराब स्थिति वाले रेजोल्यूशन तक स्मूथ करके प्राप्त किया गया है।
2. गाऊसी इवॉल्विंग (Gaussian Evolving): एक ऐसा बीम जहाँ FWHM आवृत्ति के साथ स्वाभाविक रूप से बदलता है।
3. गाऊसी ऑसिलेटिंग (Gaussian Oscillating): एक यथार्थवादी मॉडल जिसमें FWHM विकास में एक दोलनशील शब्द शामिल है, जो देखे गए MeerKAT बीम व्यवहार की नकल करता है।

अध्ययन दो श्रेणियों की विधियों की तुलना करता है:

• मॉडल-फिटिंग: बहुपद फिटिंग (6th-order) और पैरामीट्रिक फिटिंग (निश्चित/मुक्त स्पेक्ट्रल इंडेक्स के साथ फ्री-फ्री और सिंक्रोट्रॉन का मॉडलिंग)।
• ब्लाइंड सोर्स सेपरेशन (BSS): प्रिंसिपल कंपोनेंट एनालिसिस (PCA), फास्ट इंडिपेंडेंट कंपोनेंट एनालिसिस (FastICA), जनरलाइज्ड मॉर्फोलॉजिकल कंपोनेंट एनालिसिस (GMCA), और प्रस्तावित SDecGMCA।

SDecGMCA दृष्टिकोण
यह शोध पत्र HI तीव्रता मानचित्रण के लिए SDecGMCA (स्पेरिकल DecGMCA) के अनुप्रयोग को प्रस्तुत करता है। मानक BSS के विपरीत, जो एक रैखिक मिश्रण $X = AS$ मानता है, SDecGMगा आवृत्ति-निर्भर बीम को संबोधित करने के लिए गोलाकार हार्मोनिक डोमेन में एक संयुक्त डीकनवोल्यूशन और स्रोत पृथक्करण समस्या को हल करता है। मॉडल को $\hat{X}_{\ell m}^\nu = \hat{H}_\ell^\nu A_\nu \hat{S}_{\ell m} + \hat{N}_{\ell m}^\nu$ के रूप में तैयार किया गया है, जहाँ $\hat{H}_\ell^\nu$ बीम ट्रांसफर फंक्शन है। एल्गोरिदम वेवलेट (स्टारलेट) डोमेन में स्पर्सिटी (sparsity) को लागू करते हुए और हार्मोनिक स्पेस में डेटा फिडेलिटी को बनाए रखते हुए स्रोत मानचित्रों और मिक्सिंग मैट्रिक्स का पुनरावृत्ति (iteratively) अनुमान लगाता है।

मुख्य परिणाम

• यूनिफॉर्म बीम: "गाऊसी डिग्रेडेड" मॉडल के तहत, सभी विधियाँ (फिटिंग और BSS) अच्छा प्रदर्शन करती हैं, अधिकांश पैमानों पर 10% से बेहतर सटीकता के साथ कोणीय और आवृत्ति पावर स्पेक्ट्रा को पुनः प्राप्त करती हैं।
• इवॉल्विंग बीम: प्रदर्शन अलग हो जाता है। पैरामीट्रिक फिटिंग पूरी तरह से विफल हो जाती है। GMCA मध्यम पैमानों पर घटता है क्योंकि स्थानिक सुसंगतता (spatial coherence) बाधित होती है। PCA, FastICA, और SDecGMCA सटीकता बनाए रखते हैं, हालांकि BSS विधियाँ बड़े आवृत्ति पैमानों ($k_\nu < 0.1$) पर स्केल-डिपेंडेंट विरूपणों को पूरी तरह से अलग करने में संघर्ष करती हैं।
• ऑसिलेटिंग बीम: यह सबसे चुनौतीपूर्ण परिदृश्य है। बहुपद और पैरामीट्रिक फिटिंग दोनों ही विनाशकारी रूप से विफल हो जाते हैं, जिससे अत्यधिक पक्षपाती (biased) पावर स्पेक्ट्रा उत्पन्न होते हैं। BSS विधियों के बीच, SDecGMCA एकमात्र ऐसी तकनीक है जो मध्यवर्ती कोणीय पैमानों ($10 < \ell < 200$) पर $\lesssim 5\%$ सटीकता के साथ HI सिग्नल को पुनः प्राप्त करने में सक्षम है। महत्वपूर्ण रूप से, SDecGMCA एक स्पूरियस (spurious) स्पेक्ट्रल पीक को दबा देता है जो $k_\nu \sim 0.3$ पर स्थित है (जो बीम-फोरग्राउंड कपलिंग के कारण है) और PCA, FastICA, और GMCA में बना रहता है।
• सीमाएँ: सभी विधियाँ, SDecGMCA सहित, उच्च मल्टीपोल ($\ell > 200$) पर बीम इनवर्जन की अंतर्निहित अस्थिरता के कारण अस्थिरता और स्पूरियस पीक्स प्रदर्शित करती हैं। इसके अतिरिक्त, ऑसिलेटिंग बीम मामले में एक बड़े पैमाने का अतिरिक्त (excess) देखा गया है ($\ell < 10$), जो संभवतः चमकीले HI स्रोतों की मास्किंग से संबंधित प्री-प्रोसेसिंग आर्टिफैक्ट्स से उत्पन्न होता है।
• मास्किंग रणनीतियाँ: अध्ययन प्रदर्शित करता है कि चमकीले गैलेक्टिक क्षेत्रों को मास्क करना (या तो पोस्ट-प्रोसेसिंग के माध्यम से या गैलेक्टिक प्लेन के मंद होने का अनुकरण करके) पुनर्निर्माण की शुद्धता में सुधार करता है। SDecGMCA इस रणनीति से सबसे अधिक लाभान्वित होता है, जो निम्न मल्टीपोल पर बेहतर रिकवरी दिखाता है और स्पूरियस पीक को और कम करता है।
• हाइपरपैरामीटर्स: स्रोतों की संख्या ($n_s$) को एक महत्वपूर्ण हाइपरपैरामीटर के रूप में पहचाना गया है। ऑसिलेटिंग बीम मामले के लिए अंडरफिटिंग और ओवरफिटिंग के बीच संतुलन बनाने के लिए $n_s \approx 5-7$ की एक इष्टतम सीमा पाई गई है।

महत्ता और दावे
यह शोध पत्र स्थापित करता है कि जब यथार्थवादी, आवृत्ति-निर्भर बीम विरूपणों पर विचार किया जाता है, तो सरल फिटिंग विधियाँ और मानक BSS तकनीकें अपर्याप्त हैं। यह SDecGMCA को भविष्य के सिंगल-डिश इंटेंसिटी मैपिंग सर्वेक्षणों के लिए एक विशेष रूप से आशाजनक दृष्टिकोण के रूप में स्थापित करता है क्योंकि यह पृथक्करण प्रक्रिया के दौरान स्पष्ट रूप से उपकरण की प्रतिक्रिया (response) को ध्यान में रखता है।

लेखक दावा करते हैं कि SDecGMCA जटिल बीम स्थितियों के तहत भी बिना प्री-मास्किंग के मजबूत गोलाकार हार्मोनिक पुनर्निर्माण प्रदान करता है। हालाँकि, वे अपनी वर्तमान सीमाओं के संबंध में विनम्र बने हुए हैं: विधि को अभी भी हाइपरपैरामीटर (विशेष रूप से $n_s$ और रेगुलाइजेशन) के सावधानीपूर्वक ट्यूनिंग की आवश्यकता है, और बीम इनवर्जन की अंतर्निहित अस्थिरता विश्वसनीय पुनर्निर्माण को $\ell \lesssim 200$ तक सीमित करती है। शोध पत्र निष्कर्ष निकालता है कि जबकि SDecGMCA एक महत्वपूर्ण कदम है, भविष्य के कार्य को मास्किंग रणनीतियों को सीधे ढांचे (framework) में एकीकृत करने, हाइपरपैरामीटर चयन के लिए डेटा-संचालित डायग्नोस्टिक्स विकसित करने और प्रदर्शन को और बढ़ाने के लिए थ्रेसहोल्डिंग स्कीम्स को परिष्कृत करने पर ध्यान केंद्रित करना चाहिए।