🔭 astrophysics

Revisiting wideband pulsar timing measurements

यह शोध पत्र एक नई वाइडबैंड पल्सर टाइमिंग विधि प्रस्तुत करता है जो मापन शोर (measurement noise) को कड़ाई से ध्यान में रखती है, और PSR J2124−3358 के अवलोकनों के माध्यम से यह प्रदर्शित करती है कि यह मौजूदा तकनीकों की तुलना में अधिक यथार्थवादी अनिश्चितता अनुमान प्रदान करती है।

मूल लेखक: Abhimanyu Susobhanan, Avinash Kumar Paladi, Réka Desmecht, Amarnath, Manjari Bagchi, Manoneeta Chakraborty, Shaswata Chowdhury, Suruj Jyoti Das, Debabrata Deb, Shantanu Desai, Churchil Dwivedi, Himans

प्रकाशित 2026-03-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abhimanyu Susobhanan, Avinash Kumar Paladi, Réka Desmecht, Amarnath, Manjari Bagchi, Manoneeta Chakraborty, Shaswata Chowdhury, Suruj Jyoti Das, Debabrata Deb, Shantanu Desai, Churchil Dwivedi, Himanshu Grover, Jibin Jose, Bhal Chandra Joshi, Shubham Kala, Fazal Kareem, Kuldeep Meena, Sushovan Mondal, K Nobleson, Arul Pandian B, Kaustubh Rai, Adya Shukla, Manpreet Singh, Aman Srivastava, Mayuresh Surnis, Hemanga Tahbildar, Keitaro Takahashi, Pratik Tarafdar, Kunjal Vara, Vaishnavi Vyasraj, Zenia Zuraiq

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 अंतरिक्ष की गहराइयों से आ रही एक बहुत ही विशिष्ट, लयबद्ध ड्रम की आवाज़ सुनने की कोशिश कर रहे हैं। यह ड्रम एक पल्सर (pulsar) है—एक घूमता हुआ न्यूट्रॉन तारा जो एक ब्रह्मांडीय लाइटहाउस की तरह रेडियो तरंगों को चमक के रूप में भेजता है। खगोलशास्त्री आइंस्टीन के सिद्धांतों का परीक्षण करने और गुरुत्वाकर्षण तरंगों (gravitational waves) जैसे स्पेसटाइम की लहरों की खोज करने के लिए इन चमकों का उपयोग सबसे सटीक घड़ियों के रूप में करते हैं।

हालाँकि, इस ब्रह्मांडीय ड्रम को सुनना इतना आसान नहीं है। जैसे-जैसे रेडियो तरंगें अंतरिक्ष के माध्यम से यात्रा करती हैं, वे एक धुंधले, आयनित गैस के बादल (interstellar medium) से गुजरती हैं। यह कोहरा कम पिच (कम-आवृत्ति) वाली आवाजों को उच्च-पिच वाली आवाजों की तुलना में अधिक धीमा कर देता है, जिससे सिग्नल एक गलत गति पर बज रहे टेप की तरह खिंच जाता है। इस प्रभाव को डिस्पर्शन (dispersion) कहा जाता है।

पुराना तरीका: एक समय में एक नोट सुनना

परंपरागत रूप से, खगोलशास्त्रियों ने इसे एक टूटे हुए रेडियो पर गाना सुनने की तरह माना। वे एक विशिष्ट आवृत्ति (एक "नोट") पर ट्यून करते थे, उस समय को मापते थे जब ड्रम की थाप पहुँची, और फिर अगले आवृत्ति पर ट्यून करते थे और ऐसा ही दोबारा करते थे। उन्हें हर नोट के लिए अलग से यह अनुमान लगाना पड़ता था कि कोहरे ने सिग्नल को कितना धीमा किया (जिसे डिस्पर्शन मेजर (DM) कहा जाता है)।

इस पद्धति की दो बड़ी समस्याएँ थीं:

यह धीमा था: आपको हर सिंगल फ्रीक्वेंसी चैनल के लिए डेटा को अलग से प्रोसेस करना पड़ता था।
यह शोर भरा था: यदि सिग्नल बहुत मजबूत था, तो पुराने गणित को यह समझने में भ्रम हो जाता था कि बैकग्राउंड में कितना "स्टैटिक" (शोर) है, और अक्सर वह सिग्नल को वास्तव में जितना है उससे अधिक साफ मान लेता था। इससे अत्यधिक आत्मविश्वासी, लेकिन गलत माप मिलते थे।

नया तरीका: "पोर्ट्रेट" दृष्टिकोण

इस शोध पत्र के लेखक एक स्मार्ट तरीका प्रस्तावित करते हैं जिसे वाइडबैंड टाइमिंग (Wideband Timing) कहा जाता है। एक समय में एक नोट सुनने के बजाय, वे एक साथ पूरा गाना सुनते हैं।

कल्पना कीजिए कि आप सभी आवृत्तियों में एक साथ ड्रम की थाप की फोटो ले रहे हैं। यह एक 2D छवि बनाता है जिसे "पोर्ट्रेट" कहा जाता है। इस चित्र में, क्षैतिक अक्ष (horizontal axis) समय (लय) है, और लंबवत अक्ष (vertical axis) आवृत्ति (पिच) है। क्योंकि कोहरा कम नोट्स को अधिक खींच देता है, पोर्ट्रेट में ड्रम की थाप थोड़ी झुकी हुई या फैली हुई दिखाई देती है।

इस पूरे पोर्ट्रेट का एक साथ विश्लेषण करके, खगोलशास्त्री यह पता लगा सकते हैं कि थाप वास्तव में कब हुई थी और कोहरे ने उसे कितना खींचा था, और यह सब एक ही चरण में हो जाता है। यह बहुत तेज़ है और डेटा का अधिक कुशलता से प्रबंधन करता है।

पुराने "पोर्ट्रेट" तरीके के साथ समस्या

पोर्ट्रेट का विश्लेषण करने के पहले से ही एक तरीका मौजूद था (पेनुची एट अल. 2014 द्वारा विकसित), लेकिन इसमें "स्टैटिक" या शोर को संभालने के तरीके में एक खामी थी।

इसे ऐसे समझें: यदि आप एक शोर वाले कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं, तो आपको यह जानने की आवश्यकता है कि कमरा वास्तव में कितना शोर वाला है ताकि आप फुसफुसाहट का सही अंदाजा लगा सकें। पुराना तरीका कमरे के शोर के स्तर का अनुमान लगाने के लिए सिग्नल के बहुत शांत हिस्सों को देखता था। लेकिन यदि फुसफुसाहट बहुत तेज है (एक चमकीला पल्सर), तो सिग्नल के "शांत" हिस्से भी वास्तव में फुसफुसाहट की गूँज से भरे होते हैं। पुराना तरीका धोखा खा गया, यह मानकर कि कमरा वास्तव में जितना शोर वाला है, उससे कहीं अधिक शांत है। इसने खगोलशास्त्रियों को यह सोचने पर मजबूर कर दिया कि उनके माप अत्यंत सटीक हैं, जबकि वे वास्तव में थोड़े अस्थिर थे।

नया समाधान: एक बेयसियन "मैजिक फ़िल्टर"

इस शोध पत्र के लेखकों ने इस समस्या को ठीक करने के लिए एक नया गणितीय तरीका (बेयसियन दृष्टिकोण) पेश किया है।

शोर के स्तर का पहले अनुमान लगाने के बजाय, उनका नया तरीका शोर के स्तर को एक रहस्यमय चर (variable) के रूप में मानता है जिसे वे समय और कोहरे के समाधान के दौरान ही हल करते हैं। यह एक स्मार्ट फ़िल्टर की तरह है जो कहता है, "मुझे नहीं पता कि कमरा कितना शोर वाला है, इसलिए मैं प्रत्येक संभावित शोर स्तर के लिए उत्तर की गणना करूँगा और उनका औसत निकालूँगा।"

इसे शोर पर मार्जिनलाइज़ करना (marginalizing over the noise) कहा जाता है।

परिणाम: नया तरीका अधिक ईमानदार है। जब सिग्नल मजबूत होता है, तो यह अति-आत्मविश्वासी नहीं होता। यह स्वीकार करता है, "हे, यहाँ अभी भी कुछ अनिश्चितता है," और त्रुटि की एक व्यापक, अधिक वास्तविक सीमा प्रदान करता है।

उन्होंने क्या परीक्षण किया?

यह सिद्ध करने के लिए कि उनका तरीका काम करता है, उन्होंने दो चीजें कीं:

एक सिमुलेशन: उन्होंने कंप्यूटर पर एक नकली पल्सर सिग्नल बनाया, उसमें कुछ वास्तविक "स्टैटिक" और यहाँ तक कि कुछ नकली रेडियो हस्तक्षेप (जैसे बैकग्राउंड में माइक्रोवेव की भिनभिनाहट) जोड़ा। उनके नए तरीके ने सफलतापूर्वक सही समय और कोहरे का स्तर ढूंढ लिया, जबकि पुराना तरीका शोर के साथ संघर्ष करता रहा।
वास्तविक डेटा: उन्होंने इंडियन पल्सर टाइमिंग एरे (InPTA) के वास्तविक डेटा का उपयोग किया, जिसमें भारत के जाइंट मीटर-वेव रेडियो टेलीस्कोप (GMRT) से PSR J2124–3358 नामक एक प्रसिद्ध पल्सर का अवलोकन किया गया।

उन्होंने नए तरीके की तुलना पुराने तरीके से की। उन्होंने पाया कि:

नए तरीके ने थोड़े बड़े एरर बार (अनिश्चितता अनुमान) दिए।
यह बुरा लग सकता है, लेकिन वास्तव में यह अच्छा है! इसका मतलब है कि नया तरीका अधिक यथार्थवादी है। पुराना तरीका त्रुटियों को कम आंक रहा था, जिससे बाद में गलत निष्कर्ष निकल सकते थे।
जब उन्होंने इन नए, ईमानदार मापों का उपयोग करके गुरुत्वाकर्षण तरंगों को खोजने की कोशिश की, तो परिणाम अधिक सुदृढ़ (robust) थे।

यह क्यों मायने रखता है?

हम वर्तमान में पल्सर टाइमिंग के "स्वर्ण युग" में हैं। वैज्ञानिक दुनिया भर के दूरबीनों के डेटा को मिलाकर एक विशाल "पल्सर टाइमिंग एरे" बना रहे हैं—एक गैलेक्सी-व्यापी डिटेक्टर। उनका लक्ष्य नैनोहर्ट्ज़ गुरुत्वाकर्षण तरंगों का पता लगाना है—जो आपस में टकरा रहे सुपरमैसिव ब्लैक होल्स की हल्की गूँज है।

इन सूक्ष्म तरंगों को सुनने के लिए, आपको अपनी घड़ियों को एकदम सटीक बनाना होगा। यदि आपकी घड़ी का त्रुटि अनुमान गलत है (बहुत छोटा है), तो आप सोच सकते हैं कि आपने एक गूँज सुनी है जबकि वह केवल स्टेटिक (शोर) था। यह नया तरीका सुनिश्चित करता है कि जब हम कहते हैं, "हमें एक गुरुत्वाकर्षण तरंग मिली है," तो हम पूरी तरह आश्वस्त हैं कि हम केवल शोर के कारण खुद को मूर्ख नहीं बना रहे हैं।

संक्षेप में: लेखकों ने ब्रह्मांड की सबसे सटीक घड़ियों को सुनने के लिए एक बेहतर, अधिक ईमानदार कैलकुलेटर बनाया है, यह सुनिश्चित करते हुए कि जब हम अंततः टकराते हुए ब्लैक होल्स के गीत को सुनेंगे, तो हमें पता होगा कि वह वास्तविक है।

यहाँ सुसोभानन एवं अन्य (2026) के शोध पत्र "Revisiting wideband pulsar timing measurements" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पल्सर टाइमिंग एक महत्वपूर्ण तकनीक है, विशेष रूप से पल्सर टाइमिंग एरेज़ (PTAs) के माध्यम से नैनोहर्ट्ज़ गुरुत्वाकर्षण तरंगों का पता लगाने के लिए। पारंपरिक रूप से, टाइमिंग "नैरोबैंड" (narrowband) मोड में की जाती है, जहाँ कई फ्रीक्वेंसी सब-बैंड्स के लिए 'टाइम ऑफ अराइवल' (TOA) और 'डिस्पर्शन मेजर' (DM) को स्वतंत्र रूप से मापा जाता है। वाइडबैंड टाइमिंग प्रतिमान (paradigm) एक फ्रीक्वेंसी-रिजॉल्व्ड 2D पल्स प्रोफाइल (एक "पोर्ट्रेट") से एक एकल TOA और DM को एक साथ मापकर इसमें सुधार करता है, जिससे डेटा वॉल्यूम कम होता है और फ्रीक्वेंसी-डिपेंडेंट प्रोफाइल परिवर्तनशीलता को बेहतर ढंग से संभाला जा सकता है।

हालाँकि, मौजूदा मानक वाइडबैंड विधि (जो PulsePortraiture, आधारित है Pennucci et al. 2014 पर) शोर अनुमान (noise estimation) में एक गंभीर सीमा से ग्रस्त है:

यह प्रत्येक फ्रीक्वेंसी चैनल में शोर वेरिएंस ( $\sigma_\alpha$ ) का अनुमान लगाने के लिए फूरियर-ट्रांसफॉर्म किए गए प्रोफाइल के उच्चतम हार्मोनिक्स या ऑफ-पल्स क्षेत्र का विश्लेषण करती है।
विफलता के मोड (Failure Modes): यह दृष्टिकोण उज्ज्वल पल्सर, बड़े टेलीस्कोप कलेक्टर एरिया, या लंबे एकीकरण समय (integration times) के लिए विफल हो जाता है जहाँ सिग्नल-टू-नॉइज़ अनुपात (S/N) बहुत अधिक होता है। इन मामलों में, यहाँ तक कि "उच्च-आवृत्ति" वाले हार्मोनिक्स भी शोर के बजाय पल्सर सिग्नल द्वारा हावी होते हैं, जिससे मापन अनिश्चितताओं का कम अनुमान (underestimation) लगाया जाता है।
परिणाम: कम अनुमानित अनिश्चितताएँ PTA निष्कर्षों (inference) में पूर्वाग्रह (bias) ला सकती हैं, जिससे गुरुत्वाकर्षण तरंगों का पता लगाने की प्रक्रिया से समझौता हो सकता है।

2. कार्यप्रणाली (Methodology)

लेखक वाइडबैंड मापों के लिए एक नया बेयसियन ढांचा (Bayesian framework) प्रस्तावित करते हैं जो शोर मापदंडों को फिक्स्ड अनुमानों के बजाय 'न्यूसेंस वेरिएबल्स' (nuisance variables) के रूप में मानकर शोर को कठोरता से नियंत्रित करता है।

A. मॉडल (The Model)

प्रेक्षित पल्स पोर्ट्रेट $P(\phi, \nu)$ को एक टेम्पलेट $T$ के रूप में मॉडल किया गया है जो एक फ्रीक्वेंसी-डिपेंडेंट फेज $\varphi(\nu)$ द्वारा शिफ्ट होता है (जो DM को दर्शाता है), आयाम $a(\nu)$ द्वारा स्केल होता है, और शोर $n(\phi, \nu)$ के साथ होता है।
$P(\phi, \nu) = b(\nu) + a(\nu)T(\nu, \phi - \varphi(\nu)) + n(\phi, \nu)$
फेज शिफ्ट $\varphi(\nu)$ का संबंध TOA ( $t_{arr}$ ) और DM ( $D$ ) से इस प्रकार है:
$\varphi(\nu) = \varphi_0 - \kappa D \bar{F} (\nu^{-2} - \nu_{ref}^{-2})$

B. बेयसियन मार्जिनलाइजेशन (Bayesian Marginalization)

मानक विधि की तरह न्यूसेंस मापदंडों (एम्प्लीट्यूड $a_\alpha$ और शोर $\sigma_\alpha$ ) पर लाइक्लिहुड को मैक्सिमाइज करने के बजाय, लेखक उन्हें विश्लेषणात्मक रूप से मार्जिनलाइज (marginalize) करते हैं।

प्रायर्स (Priors): वे न्यूसेंस मापदंडों के लिए जेफ्रीज़ प्रायर्स (Jeffreys' priors) का उपयोग करते हैं:
- आयाम $a_\alpha$ के लिए यूनिफॉर्म प्रायर।
- शोर $\sigma_\alpha$ के लिए लॉग-यूनिफॉर्म प्रायर (जो $\Pi[\sigma_\alpha] \propto \sigma_\alpha^{-1}$ का संकेत देता है)।
मार्जिनलाइज्ड लाइक्लिहुड (Marginalized Likelihood): इन प्रायर्स पर लाइक्लिहुड फंक्शन को इंटीग्रेट करके, वे एक नया मार्जिनलाइज्ड लॉग-लाइक्लिहुड फंक्शन ( $\ln \Lambda$ ) प्राप्त करते हैं:
$\ln \Lambda = -\frac{(N_{bin} - 1)}{2} \sum_{\alpha} \ln \left( \frac{U_\alpha - W_\alpha^2 / V_\alpha}{1} \right)$
जहाँ $U_\alpha, V_\alpha, W_\alpha$ डेटा और टेम्पलेट के फूरियर ट्रांसफॉर्म से प्राप्त सांख्यिकी (statistics) हैं।

C. प्रोफाइल लाइक्लिहुड के साथ तुलना (Comparison with Profile Likelihood)

लेखक एक "प्रोफाइल लाइक्लिहुड" संस्करण भी निकालते हैं (जो न्यूसेंस मापदंडों पर मैक्सिमाइजेशन करता है) जो गणितीय रूप से समान अभिव्यक्ति देता है लेकिन एक थोड़े अलग प्रीफैक्टर के साथ। वे प्रदर्शित करते हैं कि जबकि दोनों विधियाँ TOA और DM के लिए समान मैक्सिमम-लाइक्लिहुड अनुमान प्रदान करती हैं, मार्जिनलाइज्ड लाइक्लिहुड (MLAN) थोड़ा व्यापक और अधिक रूढ़िवादी (conservative) अनिश्चितता अनुमान प्रदान करता है, जो मजबूत सांख्यिकीय निष्कर्ष के लिए वांछनीय है।

D. फिडुशियल फ्रीक्वेंसी चयन (Fiducial Frequency Selection)

विश्लेषण को सरल बनाने के लिए, फिडुशियल फ्रीक्वेंसी ( $\nu_{ref}$ ) को इस प्रकार चुना जाता है कि TOA और DM के बीच कोवेरिएंस (covariance) शून्य हो जाए। लेखक मार्जिनलाइज्ड लाइक्लिहुड के हेसियन (Hessian) के आधार पर इस इष्टतम $\nu_{ref}$ के लिए एक विश्लेषणात्मक अभिव्यक्ति प्राप्त करते हैं, यह नोट करते हुए कि यह प्रति अवलोकन काल (epoch) बदलता रहता है।

3. मुख्य योगदान (Key Contributions)

नया एल्गोरिदम (MLAN): शोर और आयाम अनिश्चितताओं को विश्लेषणात्मक रूप से इंटीग्रेट करने वाला "मार्जिनलाइज्ड लाइक्लिहुड ओवर एम्प्लीट्यूड एंड नॉइज़" (MLAN) विधि का विकास।
कठोर शोर हैंडलिंग: यह विधि शोर अनुमान (जैसे ऑफ-पल्स रीजन या उच्च हार्मोनिक्स का उपयोग) की आवश्यकता को समाप्त करती है, जिससे यह उच्च-S/N डेटा के लिए भी मजबूत हो जाती है जहाँ सिग्नल शोर के स्तर पर हावी होता है।
कार्यान्वयन (Implementation): इस विधि को PulsePortraiture पैकेज में लागू किया गया है और मानक विधि के विरुद्ध परीक्षण किया गया है।
वैधीकरण (Validation): सिम्युलेटेड डेटा और इंडियन पल्सर टाइमिंग एरे (InPTA) के वास्तविक अवलोकनों का व्यापक परीक्षण।

4. परिणाम (Results)

A. सिम्युलेटेड डेटा (Simulated Data)

रिकवरी: विधि ने व्हाइट नॉइज़ और रेडियो फ्रीक्वेंसी इंटरफेरेंस (RFI) वाले सिम्युलेटेड पोर्ट्रेट से इंजेक्ट किए गए TOA और DM मापदंडों को सफलतापूर्वक रिकवर किया।
रेसिडुअल्स (Residuals): पोस्ट-फिट रेसिडुअल्स व्हाइट थे, जो सफल फिट का संकेत देते हैं।
कोवेरिएंस: $\nu_{ref}$ चुनने की प्रक्रिया ने TOA और DM के बीच सहसंबंध (correlation) को प्रभावी रूप से शून्य के करीब कम कर दिया।
अनिश्चितता: मार्जिनलाइज्ड लाइक्लिहुड ने प्रोफाइल लाइक्लिहुड दृष्टिकोण की तुलना में थोड़े बड़े (अधिक रूढ़िवादी) अनिश्चितता अनुमान दिए।

B. वास्तविक डेटा (PSR J2124–3358)

लेखकों ने uGMRT (अपग्रेडेड जायंट मीटर-वेव रेडियो टेलीस्कोप) के उपयोग से PSR J2124–3358 के InPTA अवलोकनों पर इस विधि को लागू किया।

मापन निरंतरता (Measurement Consistency): MLAN और मानक विधि द्वारा प्राप्त TOA और DM मान आम तौर पर सुसंगत थे, हालांकि विशिष्ट काल (epochs) में विसंगतियां देखी गईं।
अनिश्चितता अनुमान:
- MLAN अनिश्चितताएं मानक विधि की तुलना में लगातार अधिक थीं, विशेष रूप से उच्च-S/N वाले काल के लिए।
- यह इस परिकल्पना की पुष्टि करता है कि मानक विधि उच्च-गुणवत्ता वाले डेटा में त्रुटियों का कम अनुमान लगाती है।
टाइमिंग विश्लेषण (SPNA):
- PINT का उपयोग करके सिंगल-पल्सर नॉइज़ विश्लेषण (SPNA) किया गया।
- MLAN मापों के लिए DMEFAC (DM के लिए एरर स्केलिंग फैक्टर) और EFAC (TOA के लिए) कम थे। यह इंगित करता है कि MLAN मापन अनिश्चितताएं पहले से ही अधिक यथार्थवादी थीं, जिन्हें शोर मॉडल में फिट करने के लिए कम "इन्फ्लेशन" (inflation) की आवश्यकता थी।
- मानक विधि को उच्च एरर इन्फ्लेशन की आवश्यकता थी, जो बताता है कि इसके प्रारंभिक अनिश्चितता अनुमान बहुत अधिक आशावादी थे।
टाइमिंग पैरामीटर्स: अंतिम फिट किए गए टाइमिंग पैरामीटर (स्पिन, एस्ट्रोमेट्री, DM डेरिवेटिव) $1\sigma$ अनिश्चितताओं के भीतर दोनों विधियों के बीच सुसंगत थे।

5. महत्व (Significance)

PTA के लिए मजबूती: जैसे-जैसे PTA डेटासेट बढ़ रहे हैं, वाइडबैंड तकनीक कम्प्यूटेशनल दक्षता के लिए आवश्यक है। हालाँकि, सटीक शोर लक्षण वर्णन (characterization) गुरुत्वाकर्षण तरंगों के स्टोकैस्टिक बैकग्राउंड का पता लगाने के लिए महत्वपूर्ण है। यह शोध पत्र सुनिश्चित करता है कि वाइडबैंड टाइमिंग कम अनुमानित अनिश्चितताओं के कारण पूर्वाग्रह पेश न करे।
विश्वसनीयता: MLAN विधि वाइडबैंड टाइमिंग के लिए अधिक कठोर सांख्यिकीय आधार प्रदान करती है, जिससे यह उच्च-परिशुद्धता प्रयोगों के लिए उपयुक्त बनती है जहाँ सिग्नल-टू-नॉइज़ अनुपात अधिक होता है।
भविष्य का कार्य: लेखक नोट करते हैं कि हालांकि यह विधि मजबूत है, इंटरस्टेलर स्कैटरिंग (पल्स ब्रॉडनिंग) और मोड परिवर्तनों को संभालने में चुनौतियां बनी हुई हैं। वे इस विधि को दूसरे डेटा रिलीज के लिए पूरे InPTA डेटासेट पर लागू करने की योजना बना रहे हैं।

निष्कर्षतः, सुसोभानदान एवं अन्य, एक बेहतर सांख्यिकीय विधि प्रस्तुत करते हैं जो वर्तमान मानक प्रथाओं में पाई जाने वाली अनिश्चितताओं के व्यवस्थित कम अनुमान (systematic underestimation) को ठीक करती है, जिससे भविष्य के गुरुत्वाकर्षण तरंग डिटेक्शन की विश्वसनीयता मजबूत होती है।