🔭 astrophysics

Investigating the Dark Energy Constraint from Strongly Lensed AGN at LSST-Scale

यह शोध पत्र 800 स्ट्रॉन्गली लेंस वाले AGNs के एक सिम्युलेटेड LSST नमूने की कॉस्मोलॉजिकल कंस्ट्रैनिंग पावर का पूर्वानुमान लगाने के लिए एक स्केलेबल पदानुक्रमित अनुमान उपकरण प्रस्तुत करता है, जो यह प्रदर्शित करता है कि इस बड़े डेटासेट को शामिल करने से H0 पर ~2.5% का प्रतिबंध प्राप्त किया जा सकता है और छोटे, उच्च-विश्वसनीयता वाले नमूनों की तुलना में डार्क एनर्जी फिगर ऑफ मेरिट में महत्वपूर्ण सुधार किया जा सकता है।

मूल लेखक: Sydney Erickson, Martin Millon, Padmavathi Venkatraman, Tian Li, Philip Holloway, Phil Marshall, Anowar Shajib, Simon Birrer, Xiang-Yu Huang, Timo Anguita, Steven Dillmann, Narayan Khadka, Kate Napier

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sydney Erickson, Martin Millon, Padmavathi Venkatraman, Tian Li, Philip Holloway, Phil Marshall, Anowar Shajib, Simon Birrer, Xiang-Yu Huang, Timo Anguita, Steven Dillmann, Narayan Khadka, Kate Napier, Aaron Roodman, The 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, फैलता हुआ गुब्बारा है, और वैज्ञानिक यह पता लगाने की कोशिश कर रहे हैं कि यह कितनी तेज़ी से फूल रहा है और इसे तेज़ी से फैलने के लिए क्या धक्का दे रहा है। लंबे समय से, वे इन "कॉस्मिक लाइटहाउस" (आकाशीय प्रकाशस्तंभों) का उपयोग कर रहे हैं—दूर स्थित चमकीली आकाशगंगाएँ जिन्हें 'एक्टिव गैलेक्टिक न्यूक्लिआई' (AGN) कहा जाता है, जो गुरुत्वाकर्षण के कारण कई छवियों में मुड़ जाती हैं। यह मुड़ाव एक 'टाइम डिले' (समय अंतराल) पैदा करता है; एक छवि से आने वाला प्रकाश दूसरी छवि की तुलना में कुछ दिन या सप्ताह बाद पहुँचता है। इस अंतराल को मापकर, खगोलविद ब्रह्मांड के विस्तार के इतिहास की गणना कर सकते हैं।

लेकिन यहाँ एक पेंच है: अब तक, अध्ययन करने के लिए उनके पास केवल कुछ ही ऐसे लाइटहाउस थे—लगभग आठ। यह एक पूरे महाद्वीप के मौसम के पैटर्न का अनुमान लगाने के लिए केवल एक बादल को देखने जैसा है। आप जो शोध पत्र पढ़ रहे हैं, वह एक बड़े अपग्रेड का अनुकरण (सिमुलेशन) करता है: क्या होगा यदि हमारे पास 800 ऐसे लेंस हों, जैसा कि आगामी वेरा सी. रुबिन वेधशाला (LSST) द्वारा अनुमानित है?

बड़ी खोज: अधिक डेटा, भले ही वह "अव्यवस्थित" हो

टीम ने एक विशाल सिमुलेशन (एक कंप्यूटर प्रयोग, वास्तविक अवलोकन नहीं) चलाया यह देखने के लिए कि क्या होता है जब हम उच्च-सटीक लेंसों के एक छोटे समूह को "काफी अच्छे" लेंसों की एक विशाल भीड़ के साथ मिलाते हैं।

उनका मुख्य निष्कर्ष आश्चर्यजनक रूप से सरल है: मात्रा का बहुत बड़ा प्रभाव पड़ता है।

उन्होंने पाया कि 200 बेहतर लेंसों के आधार में 600 अतिरिक्त लेंस जोड़ने से (जो मानक LSST डेटा पर निर्भर करते हैं और कम सटीक होते हैं), डार्क एनर्जी (डार्क ऊर्जा) को मापने की क्षमता तिगुनी हो गई।

पहले: केवल उच्च-गुणवत्ता वाले लेंसों के साथ, "डार्क एनर्जी फिगर ऑफ मेरिट" (ब्रह्मांड के नियमों को हम कितनी अच्छी तरह जानते हैं, इसका एक स्कोर) 2.4 था।
बाद में: 600 अतिरिक्त लेंस जोड़ने से वह स्कोर बढ़कर 6.7 हो गया।

इसे एक शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश करने जैसा समझें। यदि आपके पास संदेश स्पष्ट रूप से चिल्लाने वाला एक व्यक्ति है, तो आप उसे सुन सकते हैं। लेकिन यदि आपके पास एक ही संदेश को फुसफुसाने वाले 600 लोग हैं, तो संयुक्त ध्वनि तेज़ और स्पष्ट हो जाती है, भले ही प्रत्येक व्यक्तिगत फुसफुसाहट धुंधली क्यों न हो। सिमुलेशन सुझाव देता है कि इन 800 लेंसों की यह "भीड़" ब्रह्मांड के विस्तार दर ( $H_0$ ) को 2.5% के भीतर निर्धारित कर सकती है और डार्क एनर्जी की अधिक स्पष्ट तस्वीर दे सकती है।

"कैसे करें" मार्गदर्शिका: सबसे महत्वपूर्ण क्या है?

लेखकों ने केवल लेंसों की गिनती नहीं की; उन्होंने यह परीक्षण करने के लिए विभिन्न रणनीतियों का परीक्षण किया कि कहाँ टेलीस्कोप का समय और पैसा खर्च किया जाए। उन्होंने ब्रह्मांड को एक पहेली की तरह माना और यह देखने के लिए अलग-अलग टुकड़े आजमाए कि कौन सा सबसे अच्छा फिट बैठता है।

1. काइनेमैटिक्स (Kinematics) का प्रश्न: कम गहन अध्ययन या कई उथले अध्ययन?
पहेली को सुलझाने के लिए, वैज्ञानिकों को यह जानने की आवश्यकता है कि लेंसिंग आकाशगंगाओं के भीतर तारे कैसे चलते हैं (काइनेमैटिक्स)। उन्होंने दो दृष्टिकोणों का परीक्षण किया:

विकल्प A: लेंसों के कुछ बहुत विस्तृत, 3D मानचित्र प्राप्त करने के लिए शक्तिशाली टेलीस्कोप का उपयोग करना (IFU तकनीक का उपयोग करके)।
विकल्प B: अधिक संख्या में लेंसों के लिए एक एकल, औसत गति माप प्राप्त करने के लिए छोटे टेलीस्कोप का उपयोग करना।

सिमुलेशन ने दिखाया कि दोनों रणनीतियाँ डार्क एनर्जी स्कोर में सुधार के लिए समान रूप से प्रभावी हैं (दोनों मामलों में स्कोर को लगभग 30% बढ़ाकर)। हालाँकि, यदि लक्ष्य विशेष रूप से विस्तार दर ( $H_0$ ) को अधिक सटीकता से मापना है, तो विस्तृत 3D मानचित्र (विकल्प A) विजेता हैं, जो अनिश्चितता को ~2.5% से घटाकर ~2% कर देते हैं।

2. इमेज क्वालिटी (छवि गुणवत्ता) का प्रश्न: क्या हमें पूर्ण तस्वीरों की आवश्यकता है?
वैज्ञानिकों ने सोचा कि क्या उन्हें हर आकाशगंगा के लिए पूर्ण, उच्च-रिज़ॉल्यूशन वाले कंप्यूटर मॉडल (फॉरवर्ड मॉडलिंग) बनाने में महीनों बिताने की आवश्यकता है या त्वरित, स्वचालित मॉडल पर्याप्त होंगे।

परिणाम: उनके सिमुलेशन में, इमेज मॉडल को "स्वचालित" से "पूर्ण" में अपग्रेड करने से अंतिम डार्क एनर्जी स्कोर में कोई बड़ा अंतर नहीं आया।
सावधानी: लेखक सावधानी बरतते हुए कहते हैं कि ऐसा इसलिए हो सकता है क्योंकि उनके "पूर्ण" मॉडल का सिमुलेशन अभी पूरी तरह से यथार्थवादी नहीं था। उन्हें संदेह है कि वास्तविक दुनिया में, बेहतर मॉडल अधिक मदद कर सकते हैं, लेकिन इस विशिष्ट सिमुलेशन के आधार पर, टाइम-डिले (समय अंतराल) माप ही असली बाधा है, न कि इमेज की गुणवत्ता।

3. टाइम-डिले (समय अंतराल) का प्रश्न: 2-दिन का जादुई नंबर
यह सबसे रोमांचक खोज थी। टीम ने यह परीक्षण किया कि यदि वे समय अंतराल को अधिक सटीकता से माप सकें तो परिणाम कितने बेहतर होंगे।

वर्तमान योजना: LSST संभवतः अंतराल को 5 दिनों की सटीकता के साथ माप सकता है।
सिमुलेशन: उन्होंने इसे 4 दिन, 3 दिन और अंत में 2 दिन तक सुधारने का परीक्षण किया।
फैसला: जब तक वे 2 दिन के स्तर तक नहीं पहुँचे, तब तक कुछ खास बदलाव नहीं हुआ। जैसे ही सटीकता 2 दिन तक पहुँची, डार्क एनर्जी को मापने की क्षमता काफी बढ़ गई।
सीख: यह केवल अधिक लेंसों के बारे में नहीं है; यह सुनिश्चित करने के बारे में है कि समय अंतराल के माप सटीक हों। यदि समुदाय LSST डेटा विश्लेषण को उस 2-दिन की सटीकता के स्तर तक पहुँचा सकता है, तो परिणाम क्रांतिकारी होंगे।

रेडशिफ्ट ट्विस्ट: आप कहाँ देखते हैं, यह मायने रखता है

पेपर ने लेंसों के "स्थान" (रेडशिफ्ट) के साथ भी प्रयोग किया। उन्होंने विभिन्न दूरियों (रेडशिफ्ट) पर लेंसों का अनुकरण किया।

निष्कर्ष: यह पाया गया कि लेंस (प्रकाश को मोड़ने वाली आकाशगंगा) की दूरी बहुत मायने रखती है, लेकिन सोर्स (चमकीला पृष्ठभूमि ऑब्जेक्ट) की दूरी का बहुत अधिक महत्व नहीं है।
स्वीट स्पॉट (सही स्थान): आश्चर्यजनक रूप से, जो लेंस हमारे करीब हैं (कम रेडशिफ्ट), उन्होंने बहुत दूर के लेंसों की तुलना में विस्तार दर और डार्क एनर्जी पर बेहतर नियंत्रण प्रदान किया। यह थोड़ा विरोधाभासी है, जैसे यह पता चलना कि एक पास का स्ट्रीट लैंप दूर के पर्वत शिखर की तुलना में एक पहाड़ी के आकार को बेहतर देखने में मदद करता है।

इसका क्या अर्थ है (और क्या नहीं)

लेखक बहुत स्पष्ट हैं: यह एक सिमुलेशन है। उन्होंने अभी तक ये 800 लेंस नहीं खोजे हैं; उन्होंने वेरा सी. रुबिन वेधशाला द्वारा सर्वेक्षण शुरू करने पर क्या होगा, इसका अनुमान लगाने के लिए एक कंप्यूटर मॉडल बनाया है।

वे स्पष्ट रूप से इस विचार को खारिज करते हैं कि हमें अच्छे परिणाम प्राप्त करने के लिए कुछ पूर्ण लेंसों की प्रतीक्षा करने की आवश्यकता है। इसके बजाय, वे तर्क देते हैं कि सैकड़ों लेंसों से मिलने वाला "अव्यवस्थित" डेटा अविश्वसनीय रूप से मूल्यवान है। वे यह भी सुझाव देते हैं कि हालांकि बेहतर चित्र अच्छे हैं, लेकिन डार्क एनर्जी के रहस्यों को खोलने की असली कुंजी टाइम-डिले माप को 2-दिन की सटीकता तक लाना और यथासंभव अधिक लेंस एकत्र करना है।

संक्षेप में, ब्रह्मांड डार्क एनर्जी के बारे में एक विशाल रहस्य छिपाए हुए है। यह पेपर सुझाव देता है कि हमें इसे खोलने के लिए एक एकल, पूर्ण चाबी की आवश्यकता नहीं है; हमें बस 800 चाबियों वाला एक विशाल की-रिंग की आवश्यकता है, और हमें यह सुनिश्चित करना होगा कि उन चाबियों के दांत 2-दिन की सटीकता के साथ कटे हों। यदि हम ऐसा करते हैं, तो हम अंततः उस अदृश्य बल को समझ सकते हैं जो हमारे ब्रह्मांड को फैला रहा है।

तकनीकी सारांश: LSST-स्तर पर दृढ़ता से लेंस वाले AGN से डार्क एनर्जी बाधा की जांच

समस्या विवरण
टाइम-डिले कॉस्मोग्राफी (TDC), जो दृढ़ता से लेंस वाले सक्रिय गैलेक्टिक नाभिक (AGN) का उपयोग करती है, देर से आए ब्रह्मांड में कोणीय व्यास दूरियों (angular diameter distances) का एक सीधा, एकल-चरणीय माप प्रदान करती है, जो विस्तार के इतिहास के लिए एक स्वतंत्र प्रोब (probe) है। जबकि वर्तमान TDC नमूने (जैसे, TDCOSMO) ने $H_0$ को $\sim4\%$ तक सफलतापूर्वक सीमित किया है, उनके डार्क एनर्जी (DE) समीकरण अवस्था मापदंडों ( $w_0, w_a$ ) पर सीमित करने की शक्ति कमजोर बनी हुई है। वेरा सी. रुबिन ऑब्जर्वेटरी लीगेसी सर्वे ऑफ स्पेस एंड टाइम (LSST) के पूर्वानुमान के अनुसार $\sim1,000$ से $3,500$ नए लेंस वाले AGN की खोज होगी, जिनमें से $\sim800$ के पास मापने योग्य टाइम-डिली (time delays) होने की उम्मीद है। चुनौती उन सैकड़ों लेंसों को संयोजित करने के लिए आवश्यक पदानुक्रमित बेयसियन अनुमान (hierarchical Bayesian inference) को स्केल करने में है, जो जटिल अनिश्चितताओं (मास-शीट और मास-एनिसोट्रॉपी) और परिवर्तनशील अवलोकन निष्ठा (उच्च-रिज़ॉल्यूशन स्पेस-आधारित फॉलो-अप से लेकर LSST-केवल डेटा तक) को ध्यान में रखता है।

लेखक एक स्केलेबल पदानुक्रमित अनुमान ढांचा पेश करते हैं, जिसे fasttdc नामक एक नए कोड में लागू किया गया है, जिसे सैकड़ों लेंसों के लिए एक साथ कॉस्मोलॉजिकल लाइकलीहुड (likelihood) की गणना करने के लिए डिज़ाइन किया गया है। विश्लेषण को दो चरणों में विभाजित किया गया है:

डेटा वेक्टर जनरेशन: व्यक्तिगत लेंस मॉडल और मापों को स्थिर डेटा वेक्टर्स में संक्षेपित किया जाता है। इसमें इमेज-आधारित मास मॉडलिंग पोस्टीरियर्स ( $\xi_{lens}$ ), पूर्व-निर्धारित फर्मा पोटेंशियल अंतर ( $\Delta\phi$ ) और जींस मॉडल मात्राएं ( $J$ ), बाहरी अभिसरण भविष्यवाणियां ( $\kappa_{ext}$ ), और प्रेक्षित टाइम-डिली एवं वेलोसिटी डिसपर्सियन शामिल हैं। लेखक OM10 कैटलॉग से लिए गए 800 लेंसों के एक सिम्युलेटेड नमूने के लिए इन डेटा वेक्टर्स का अनुकरण (emulate) करते हैं, जिसमें $\Lambda$ CDM कॉस्मोलॉजी ( $H_0=70, \Omega_m=0.3, w_0=-1, w_a=0$ ) को ग्राउंड-ट्रुथ माना गया है।
पदानुक्रमित अनुमान (Hierarchical Inference): डेटा वेक्टर्स को एक संयुक्त बेयसियन अनुमान ढांचे (उपयोगकर्ता emcee MCMC सैंपलर) में फीड किया जाता है ताकि जनसंख्या-स्तर के कॉस्मोलोलॉजिकल मापदंडों ( $\Omega = \{H_0, \Omega_m, w_0, w_a\}$ ) और लेंस जनसंख्या वितरणों के हाइपरपैरामीटर्स (आंतरिक मास-शीट $\lambda_{int}$ और एनिसोट्रॉपी $\beta_{ani}$ के लिए) का अनुमान लगाया जा सके। लाइकलीहुड मूल्यांकन इम्पोर्टेंस सैंपलिंग का उपयोग करता है ताकि व्यक्तिगत लेंस गुणों पर मार्जिनलाइज किया जा सके, जो मास-शीट और मास-एनिसोट्रॉपी अनिश्चितताओं को पूरी तरह से संभालता है, बिना फर्मा पोटेंशियल और टाइम-डिली को समय से पहले एक एकल दूरी पोस्टीरियर में संक्षिप्त किए।

अध्ययन 800 लेंसों के एक आधारभूत नमूने का अनुकरण करता है जिन्हें फॉलो-अप फिडेलिटी (fidelity) के आधार पर वर्गीकृत किया गया है:

प्लैटिनम (50 लेंस): स्थानिक रूप से रिज़ॉल्व्ड काइनेटिक्स (IFU), समर्पित टाइम-डिली मॉनिटरिंग, और उच्च-रिज़ॉल्यूशन इमेजिंग (JWST या HST)।
गोल्ड (150 लेंस): सिंगल-अपर्चर काइनेटिक्स, LSST टाइम-डिली मॉनिटरिंग, और HST इमेजिंग।
सिल्वर (600 लेंस): LSST टाइम-डिली मॉनिटरिंग, और LSST इमेजिंग, सिंगल-अपर्चर काइनेटिक्स के साथ या उसके बिना।

प्रमुख योगदान

स्केलेबल इंफरेंस टूल: fasttdc का विकास, एक वेक्टरकृत लाइकलीहुड इवैल्यूएशन कोड जो $\mathcal{O}(1000)$ लेंसों को एक साथ संभालने में सक्षम है, जो पिछले पदानुक्रमित तरीकों की कम्प्यूटेशनल बाधाओं को दूर करता है।
यथार्थवादी इम्यूलेशन (Realistic Emulation): एक व्यापक इम्यूलेशन पाइपलाइन जो इमेज मॉडलिंग (न्यूरल पोस्टीरियर एस्टीमेशन और फॉरवर्ड मॉडलिंग का उपयोग करके), टाइम-डिली माप, स्टेलर काइनेटिक्स (IFU और अपर्चर), और लाइन-ऑफ-साइट कन्वर्जेंस का उपयोग करके डेटा वेक्टर्स उत्पन्न करती है, जो विभिन्न स्तरों की अवलोकन निष्ठा को दर्शाती है।
सिस्टमैटिक स्ट्रैटेजी टेस्टिंग: विभिन्न फॉलो-अप रणनीतियों (काइनेटिक प्रकार, इमेजिंग गुणवत्ता, टाइम-डिली परिशुद्धता) और रेडशिफ्ट कॉन्फ़िगरेशन के कॉस्मोलॉजिकल बाधाओं पर प्रभाव को मापने वाले प्रयोगों की एक श्रृंखला।

परिणाम

नमूना आकार का प्रभाव: छोटे, उच्च-परिशुद्धता वाले नमूनों की तुलना में पूर्ण LSST-स्केल नमूने (800 लेंस) को शामिल करने से बाधाओं में महत्वपूर्ण सुधार होता है। 200-लेंस के नमूने में 600 "सिल्वर" लेंस (LSST-केवल टाइम-डिली) जोड़ने से डार्क एनर्जी फिगर ऑफ मेरिट (DE FOM) 2.9 से बढ़कर 6.7 हो जाता है और $H_0$ की परिशुद्धता $\sim3.5\%$ से $\sim2.5\%$ हो जाती है।
काइनेटिक फॉलो-अप: स्टेलर काइनेटिक्स वाले लेंसों की संख्या बढ़ाना महत्वपूर्ण है। स्थानिक रूप से रिज़ॉल्व्ड IFU काइनेटिक्स वाले लेंसों की संख्या बढ़ाकर (50 से 122) DE FOM को 9.1 और $H_0$ परिशुद्धता को $\sim2\%$ तक सुधारा जा सकता है। वैकल्पिक रूप से, सिंगल-अपर्चर काइनेटिक्स (150 से 450 लेंस) को बढ़ाकर DE FOM को 8.9 तक सुधारा जा सकता है, हालांकि यह IFU रणनीति की तुलना में $H_0$ परिशुद्धता में उतना प्रभावी सुधार नहीं करता है।
टाइम-डिली परिशुद्धता: टाइम-डिली माप की परिशुद्धता में सुधार डार्क एनर्जी बाधाओं के लिए प्राथमिक चालक है। टाइम-डिली पर 2-दिन की परिशुद्धता प्राप्त करना (या तो समर्पित मॉनिटरिंग के माध्यम से या पूरे नमूने के लिए बेहतर LSST लाइट-कर्व मॉडल के माध्यम से) सबसे महत्वपूर्ण लाभ प्रदान करता है। प्रयोग 3.1 (2-दिन की परिशुद्धता के साथ 60 लेंस) DE FOM 12.0 तक पहुँचता है, जबकि प्रयोग 3.4 (सभी LSST लेंस 2-दिन की परिशुद्धता के साथ) उत्कृष्ट $H_0$ और $\Omega_m$ परिशुद्धता के साथ DE FOM 10.1 तक पहुँचता है।
मास मॉडल परिशुद्धता: मास मॉडल को स्वचालित LSST-आधारित मॉडलिंग से उच्च-परिशुद्धता वाले HST-आधारित फॉरवर्ड मॉडलिंग में अपग्रेड करने के मिश्रित परिणाम मिले। जबकि इसने कुछ परिदृश्यों में $\Omega_m$ परिशुद्धता में सुधार किया, इसने लगातार DE FOM में सुधार नहीं किया, जो यह सुझाव देता है कि वर्तमान टाइम-डिली और काइनेटिक परिशुद्धता पर, मास मॉडल परिशुद्धता सीमित कारक नहीं है।
रेडशिफ्ट कॉन्फ़िगरेशन: लेंस रेडशिफ्ट ( $z_{lens}$ ) बाधा लगाने की शक्ति का प्रमुख कारक है। उच्च रेडशिफ्ट ( $z_{lens} \approx 1.0$ ) की तुलना में निम्न लेंस रेडशिफ्ट ( $z_{lens} \approx 0.2$ ) $H_0$ और $w_0$ के लिए उच्च DE FOM और बेहतर $H_0$ बाधाएं प्रदान करते हैं, जबकि सोर्स रेडशिफ्ट का प्रभाव नगण्य है।

महत्व और दावे
यह शोध दावा करता है कि लेंट वाले AGN का LSST नमूना, एक स्केलेबल पदानुक्रमित ढांचे के विश्लेषण के माध्यम से, डार्क एनर्जी के लिए एक शक्तिशाली, स्वतंत्र प्रोब प्रदान करता है। लेखक प्रदर्शित करते हैं कि बड़ी संख्या में कम-परिशुद्धता वाले लेंसों (LSST-केवल डेटा) को शामिल करने से प्राप्त सांख्यिकीय शक्ति पर्याप्त है, जो केवल उच्च-परिशुद्धता वाले फॉलो-अप नमूनों पर निर्भर रहने की तुलना में DE FOM में लगभग 3 गुना सुधार करती है।

अध्ययन निष्कर्ष निकालता है कि TDC के DE बाधा लगाने की शक्ति को अधिकतम करने के लिए, समुदाय को प्राथमिकता देनी चाहिए:

टाइम-डिली परिशुद्धता: टाइम-डिली पर $\sim2$ -दिन की परिशुद्धता प्राप्त करने के लिए LSST लाइट-कर्व मॉडलिंग में सुधार के प्रयास महत्वपूर्ण हैं।
काइनेटिक फॉलो-अप: जबकि IFU और अपर्चर दोनों रणनीतियां बाधाओं में सुधार करती हैं, IFU माप $H_0$ बाधाओं को कड़ा करने के लिए अद्वितीय रूप से मूल्यवान हैं।
रेडशिफ्ट चयन: $H_0$ और $w_0$ को बाधित करने के लिए निम्न लेंस रेडशिफ्ट फायदेमंद हैं।

लेखक इस बात पर जोर देते हैं कि उनके परिणाम इम्युलेटेड डेटा पर आधारित हैं और भविष्य के कार्यों में अधिक यथार्थवादी मास मॉडल पोस्टीरियर्स और व्यवस्थित प्रभावों को शामिल किया जाना चाहिए। हालांकि, स्थापित ढांचा LSST डार्क एनर्जी साइंस कोलैबोरेशन को LSST लेंटेड AGN से पहले कॉस्मोलॉजिकल बाधाएं प्रदान करने के लिए एक आवश्यक आधार प्रदान करता है।

बड़ी खोज: अधिक डेटा, भले ही वह "अव्यवस्थित" हो

"कैसे करें" मार्गदर्शिका: सबसे महत्वपूर्ण क्या है?

रेडशिफ्ट ट्विस्ट: आप कहाँ देखते हैं, यह मायने रखता है

इसका क्या अर्थ है (और क्या नहीं)

इसी तरह के और पेपर