🔭 astrophysics

Growth rate measurements from a joint analysis of the large-scale galaxy clustering in Fourier and configuration space

यह शोध पत्र प्रभावी क्षेत्र सिद्धांत (इफेक्टिव फील्ड थ्योरी) का उपयोग करके फूरियर और कॉन्फ़िगरेशन दोनों स्थानों में रेडशिफ्ट-स्पेस विरूपणों का एक साथ विश्लेषण करने के लिए एक सुदृढ़ ढांचे को प्रस्तुत करता है, जो सिम्युलेटेड डेटा पर निष्पक्ष बाधाओं को प्रदर्शित करता है और BOSS+eBOSS लुमिनस रेड गैलेक्सीज़ से $f\sigma_8 = 0.463 \pm 0.052$ का एक विकास दर मापन प्रदान करता है जो आधिकारिक 2020 परिणामों के अनुरूप है।

मूल लेखक: Vincenzo Aronica, Julian E. Bautista, Arnaud de Mattia, Hector Gil-Marín

प्रकाशित 2026-02-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vincenzo Aronica, Julian E. Bautista, Arnaud de Mattia, Hector Gil-Marín

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 किशमिश वाली ब्रेड का एक विशाल, फैलता हुआ लोफ (loaf) है। जैसे-जैसे आटा फूलता है, किशमिश (आकाशगंगाएँ) एक-दूसरे से दूर होती जाती हैं। लेकिन वे केवल बेतरतीब ढंग से दूर नहीं भटकतीं; उनके पास अपने स्वयं के छोटे "झटके" (jiggles) भी होते हैं जो पास की किशमिशों के गुरुत्वाकर्षण के कारण होते हैं।

द दशकों से, खगोलशास्त्री इन झटकों को मापने की कोशिश कर रहे हैं ताकि यह समझ सकें कि ब्रह्मांड कितनी तेजी से बढ़ रहा है और गुरुत्वाकर्षण कैसे काम करता है। ऐसा करने के लिए, वे अरबों आकाशगंगाओं द्वारा छोड़े गए "फिंगरप्रिंट" (fingerprint) को देखते हैं।

यह शोध पत्र उस फिंगरप्रिंट को पढ़ने का एक नया, स्मार्ट तरीका है।

मानचित्र को देखने के दो तरीके

कल्पना कीजिए कि आप अपने मित्र को संगीत का एक जटिल टुकड़ा समझाने की कोशिश कर रहे हैं।

विधि A (कॉन्फ़िगरेशन स्पेस): आप संगीत का वर्णन इस तरह करते हैं, "हर 2 सेकंड में एक ड्रम बीट है, और 5 सेकंड बाद एक वायलिन नोट है।" आप घटनाओं के बीच की दूरी को देख रहे हैं।
विधि B (फूरियर स्पेस): आप संगीत का वर्णन इस तरह करते हैं, "एक मजबूत बास फ्रीक्वेंसी 60Hz है और 400Hz पर एक ऊँची सीटी की आवाज है।" आप ध्वनि के पैटर्न और लय (frequencies) को देख रहे हैं।

खगोल विज्ञान में, वैज्ञानिक आकाशगंगा समूहों का अध्ययन करने के लिए पारंपरिक रूप से इनमें से एक विधि या दूसरी विधि का उपयोग करते हैं।

कॉन्फ़िगरेशन स्पेस यह देखता है कि आकाशगंगाएँ एक-दूसरे से कितनी दूर हैं।
फूरियर स्पेस उनके वितरण की तरंगों और पैटर्न को देखता है।

दोनों विधियाँ बिल्कुल एक ही डेटा (वही आकाशगंगाएँ) का उपयोग करती हैं, इसलिए एक आदर्श दुनिया में, उन्हें बिल्कुल एक ही उत्तर देना चाहिए। लेकिन वास्तविक दुनिया में, वे दो अलग-अलग अनुवादकों की तरह हैं: वे एक ही गाना सुनते हैं, लेकिन वे उसके मेलडी (melody) के अलग-अलग हिस्सों पर अधिक जोर दे सकते हैं या बैकग्राउंड शोर के कारण अलग-अलग तरह से भ्रमित हो सकते हैं।

समस्या: दो उत्तर, एक सत्य

आमतौर पर, जब वैज्ञानिकों को इन दो विधियों से दो थोड़े अलग उत्तर मिलते हैं, तो उन्हें एक को चुनना पड़ता है या उनका एक साधारण औसत लेना पड़ता है। यह दो शेफ से सूप चखने के लिए कहने और फिर उनके नमक के सुझावों का औसत लेने जैसा है। यह काम करता है, लेकिन आप उस बारीकी को मिस कर सकते हैं कि उन्होंने इसे अलग-अलग क्यों चखा।

कभी-कभी, डेटा में "शोर" (noise) के कारण एक विधि का उत्तर अजीब (non-Gaussian) हो जाता है, और साधारण औसत पूरी तस्वीर को पकड़ने में विफल रहता है।

समाधान: "जॉइंट स्पेस" शेफ

लेखकों ने जॉइंट स्पेस एनालिसिस (Joint Space Analysis) नामक एक नया ढांचा विकसित किया है। इसके बजाय कि वे दोनों शेफ को अलग-अलग सूप चखने के लिए कहें और फिर उनके नोट्स का औसत लें, उन्होंने दोनों शेफ को एक ही रसोई में रखा और उनसे एक ही समय में एक साथ सूप चखने के लिए कहा।

उन्होंने एक एकल गणितीय मॉडल बनाया जो "दूरी" (कॉन्फ़िगरेशन स्पेस) और "लय" (फूरियर स्पेस) दोनों को एक साथ सुनता है।

उपमा: कल्पना कीजिए कि आप एक पहेली सुलझाने की कोशिश कर रहे हैं। विधि A किनारे के टुकड़ों को स्पष्ट रूप से देखती है लेकिन बीच के हिस्से में संघर्ष करती है। विधि B बीच के हिस्से को स्पष्ट रूप से देखती है लेकिन किनारों पर भ्रमित हो जाती है। "जॉइंट स्पेस" विधि दोनों पहेली बॉक्सों को मेज पर रखती है और एक साथ पूरी तस्वीर को हल करती है, दूसरे के अंतराल को भरने के लिए दोनों दृष्टिकोणों की ताकत का उपयोग करती है।

टेस्ट ड्राइव

वास्तविक डेटा पर लागू करने से पहले, लेखकों ने अपने नए "जॉइंट किचन" का परीक्षण एक विशाल कंप्यूटर सिमुलेशन (AbacusSummit सूट) पर किया।

उन्होंने ज्ञात नियमों के साथ एक नकली ब्रह्मांड बनाया।
उन्होंने अपनी नई विधि को इस पर चलाया।
परिणाम: विधि ने पूरी तरह से काम किया। इसने सही उत्तर दिया, ठीक पुराने तरीकों की तरह, लेकिन यह अधिक मजबूत था और उस "शोर" से भ्रमित नहीं हुआ जो कभी-कभी एकल-विधि दृष्टिकोणों को उलझा देता है।

असली मामला: BOSS/eBOSS सर्वे

अंत में, उन्होंने वास्तविक डेटा से प्राप्त BOSS और eBOSS सर्वेक्षणों पर इस नई विधि को लागू किया, जिन्होंने लाखों लाल आकाशगंगाओं का मानचित्र बनाया था।

परिणाम: उन्होंने ब्रह्मांड की विकास दर (संरचनाएं कितनी तेजी से बन रही हैं) को 0.463 मापा।
निर्णय: यह संख्या पिछले वर्षों के आधिकारिक परिणामों से बहुत करीब से मेल खाती है। यह एक बड़ी जीत है। यह साबित करता है कि उनकी नई "जॉइंट स्पेस" विधि विश्वसनीय है।

यह क्यों मायने रखता है?

ब्रह्मांड को एक रहस्यमयी उपन्यास के रूप में सोचें।

डार्क एनर्जी (Dark Energy) वह विलेन है जो चीजों को धीमा कर रही है।
डार्क मैटर (Dark Matter) वह अदृश्य गोंद है जो चीजों को एक साथ थामे हुए है।
गुरुत्वाकर्षण (Gravity) कहानी का प्लॉट है।

जिस तरह से "किशमिश" (आकाशगंगाएँ) एक साथ क्लस्टर होती हैं, उसे मापकर हम यह पता लगा सकते हैं कि क्या हमारी गुरुत्वाकर्षण (जनरल रिलेटिविटी) की समझ सही है, या कोई नया बल काम कर रहा है।

लेखकों की नई विधि एक आवर्धक लेंस (magnifying glass) से हाई-डेफिनिशन माइक्रोस्कोप में अपग्रेड करने जैसा है। यह हमें ब्रह्मांड की विकास दर को अधिक विश्वास के साथ देखने की अनुमति देता है, यह जानते हुए कि हम केवल एक दृष्टिकोण पर निर्भर नहीं हैं। यह पुष्टि करता है कि हमारे ब्रह्मांड की वर्तमान समझ ठोस है, जबकि हमें अगली पीढ़ी के टेलीस्कोपों (जैसे DESI) के लिए एक बेहतर उपकरण प्रदान करता है ताकि वे और भी गहरे रहस्यों को खोज सकें।

संक्षेप में: उन्होंने ब्रह्मांड को देखने के दो अलग-अलग तरीकों को संयोजित करने का एक बेहतर तरीका बनाया, सिद्ध किया कि यह काम करता है, और पुष्टि की कि यह वास्तविक डेटा पर सही उत्तर देता है। यह हमारे ब्रह्मांड के विकास को समझने के लिए एक अधिक मजबूत, "ऑल-इन-वन" दृष्टिकोण है।

यहाँ Aronica et al. के शोध पत्र "Growth rate measurements from a joint analysis of the large-scale galaxy clustering in Fourier and configuration space" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गैलेक्सी सर्वेक्षणों में रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD), ब्रह्मांडीय संरचना की विकास दर ( $f\sigma_8$ ) को मापने के लिए एक शक्तिशाली उपकरण प्रदान करते हैं, जो गुरुत्वाकर्षण के सिद्धांतों का परीक्षण करता है। पारंपरिक रूप से, RSD विश्लेषण या तो कॉन्फ़िगरेशन स्पेस (CS) में टू-पॉइंट कोरिलेशन फंक्शन $\xi(r)$ का उपयोग करके, या फूरियर स्पेस (FS) में पावर स्पेक्ट्रम $P(k)$ का उपयोग करके अलग-अलग किए जाते हैं।

समस्या: हालांकि दोनों विधियाँ एक ही अंतर्निहित डेटा का उपयोग करती हैं, लेकिन वे शोर (noise) के गुणों, व्यवस्थित प्रभावों (systematic effects) के प्रति संवेदनशीलता और उपयोग किए जाने वाले विशिष्ट पैमानों (scales) में भिन्न होती हैं।
वर्तमान सर्वसम्मत विधियों की सीमाएँ: CS और FS परिणामों को संयोजित करने के पिछले प्रयास (जैसे, Sánchez et al. 2017) एक गॉसियन सन्निकटन (Gaussian Approximation - GA) पर निर्भर थे, जो यह मानता है कि व्यक्तिगत विश्लेषणों से प्राप्त पैरामीटर पोस्टीरियर्स गॉसियन होते हैं। यह धारणा शोर वाले डेटा या जटिल मॉडलों के साथ अक्सर विफल हो जाती है, जिससे संभावित रूप से पक्षपाती (biased) सर्वसम्मत परिणाम प्राप्त होते हैं।
लक्ष्य: लेखक एक संयुक्त विश्लेषण (joint analysis) के लिए एक ढांचे को विकसित करने और मान्य करने का लक्ष्य रखते हैं जो पूर्ण सहप्रसरण (full covariance) को ध्यान में रखते हुए CS और FS मल्टीपोल्स को एक साथ फिट करता है, ताकि गॉसियनिटी (Gaussianity) का अनुमान लगाए बिना अधिक सुदृढ़ और सटीक ब्रह्मांडीय बाधाओं (cosmological constraints) को प्राप्त किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक संयुक्त फिटिंग ढांचे का विस्तार करते हैं जिसे पहले बेरियन एकोस्टिक ऑसिलेशन्स (BAO) के लिए परीक्षण किया गया था, अब इसे पूर्ण RSD विश्लेषण के लिए लागू किया गया है।

A. डेटा और सिमुलेशन (Data and Simulations)

वास्तविक डेटा: संयुक्त BOSS और eBOSS ल्यूमिनस रेड गैलेक्सी (LRG) नमूना ( $0.6 < z < 1.0$ ), जिसमें ~377,000 गैलेक्सियाँ शामिल हैं।
वैलिडेशन सिमुलेशन:
- AbacusSummit: सैद्धांतिक मॉडल पूर्वाग्रहों और स्केल रेंज का परीक्षण करने के लिए 25 उच्च-विश्वसनीय N-body सिमुलेशन (क्यूबिक बॉक्स)।
- EZmocks: BOSS/eBOSS नमूने की ज्यामिति और क्लस्टरिंग सांख्यिकी को पुनरुत्पादित करने के लिए 1,000 अनुमानित मॉक्स (mocks), जिनका उपयोग कोवेरियेंस मैट्रिसेस का अनुमान लगाने और सांख्यिकीय गुणों का परीक्षण करने के लिए किया जाता है।

B. सैद्धांतिक मॉडल (Theoretical Model)

ढांचा: लैग्रेंजियन फ्रेम (LPT) में इफेक्टिव फील्ड थ्योरी ऑफ लार्ज-स्केल स्ट्रक्चर (EFTofLSS)।
मॉडल घटक:
- इसमें नॉन-लिनियैरिटी और गैलेक्सी बायस को मॉडल करने के लिए वन-लूप सुधार (one-loop corrections), काउंटरटर्म्स ( $\alpha_i$ ), और स्टोकेस्टिक टर्म्स ( $s_{n_i}$ ) शामिल हैं।
- ShapeFit: एक पैरामीटर $m$ को शामिल करता है जो लीनियर पावर स्पेक्ट्रम के ढलान (slope) को मॉडल करता है, जो पूर्ण कॉस्मोलॉजी को बदले बिना प्रारंभिक-समय के भौतिकी (जैसे $\omega_b, \omega_m, n_s$ के परिवर्तन) को कैप्चर करता है।
- अल्कोक-पज़िन्स्की (AP) डिस्टॉर्शन: डाइलेशन पैरामीटर्स $q_\parallel$ और $q_\perp$ के माध्यम से मॉडल किया गया है।
कार्यान्वयन: यह लूप इंटीग्रल्स की गति बढ़ाने के लिए एक टेलर एक्सपेंशन एमुलेटर के साथ desilike फ्रेमवर्क के भीतर velocileptors कोड का उपयोग करता है।

C. निष्कर्ष रणनीतियाँ (Inference Strategies)

पेपर चार दृष्टिकोणों की तुलना करता है:

CS Only: कोरिलेशन फंक्शन मल्टीपोल्स को फिट करना।
FS Only: पावर स्पेक्ट्रम मल्टीपोल्स को फिट करना।
Gaussian Approximation (GA): CS और FS पोस्टीरियर्स को गॉसियन मानते हुए और मॉक्स से क्रॉस-कोवेरियन्स का अनुमान लगाते हुए उन्हें संयोजित करना।
Joint Space (JS): एक एकल लाइकलहुड फिट जो CS और FS डेटा वेक्टर्स को जोड़ता है।
- JSsep (बेसलाइन): एक भिन्नता जहाँ न्युसिएंस पैरामीटर्स (बायस टर्म्स $b_2, b_s$ और काउंटरटर्म्स $\alpha_i$ ) को मानक संयुक्त फिट में देखे गए तनावों (tensions) को हल करने के लिए CS और FS मॉडलों के बीच स्वतंत्र रूप से बदलने की अनुमति दी जाती है।

D. सांख्यिकीय सुधार (Statistical Corrections)

कोवेरियेंस (Covariance): 1,000 मॉक्स से अनुमानित।
हार्टलैप सुधार (Hartlap Correction): परिमित मॉक संख्या के कारण होने वाले पूर्वाग्रह को ठीक करने के लिए प्रिसिजन मैट्रिक्स पर लागू किया गया।
स्केलिंग फैक्टर्स ( $m_1, m_2$ ): कोवेरियेंस मैट्रिक्स अनुमान की अनिश्चितता को संभालने के लिए पैरामीटर अनिश्चितताओं पर लागू किया गया (Percival et al. 2014)।

3. प्रमुख योगदान (Key Contributions)

संयुक्त RSD ढांचा: BAO से पूर्ण RSD विश्लेषण तक संयुक्त CS+FS फिटिंग पद्धति को सफलतापूर्वक विस्तारित करता है, जिसमें जटिल EFTofLSS मॉडल शामिल है।
न्युसिएंस तनावों का समाधान: यह पहचानना कि संयुक्त फिट में न्युसिएंस पैरामीटर्स को CS और FS के बीच समान रखने से पूर्वाग्रह (biases) उत्पन्न होते हैं (छोटे पैमाने की भौतिकी के प्रति अलग-अलग संवेदनशीलता के कारण)। JSsep (अलग न्युसिएंस पैरामीटर्स) का परिचय इन तनावों को हल करता है, जिससे निष्पक्ष परिणाम प्राप्त होते हैं।
नॉन-गॉसियनिटी का सत्यापन: यह प्रदर्शित किया गया कि GA विधि तब विफल हो सकती है जब पोस्टीरियर्स नॉन-गॉसियन हों (जैसे, शेप पैरामीटर $m$ के लिए), जबकि संयुक्त फिट स्वाभाविक रूप से नॉन-गॉसियन लाइकलहुड आकृतियों को संभालता है।
सुदृढ़ कोवेरियेंस परीक्षण: संयुक्त विश्लेषणों की क्रॉस-कोवेरियेंस टर्म्स की सटीकता के प्रति संवेदनशीलता को रेखांकित किया गया, जो सुझाव देता है कि उच्च-परिशुद्धता संयुक्त विश्लेषणों के लिए बड़े संख्या में मॉक्स की आवश्यकता हो सकती है।

4. मुख्य परिणाम (Key Results)

A. सिमुलेशन पर सत्यापन (AbacusSummit और EZmocks)

निष्पक्षता (Unbiasedness): JSsep विधि सिमुलेटेड डेटा पर $f\sigma_8$ , $q_\parallel$ , और $q_\perp$ के लिए निष्पक्ष बाधाएं प्रदान करती है, जो व्यक्तिगत CS/FS विश्लेषणों के अनुरूप है।
फिट की गुणवत्ता: मानक संयुक्त फिट (JS) ने न्युसिएंस पैरामीटर्स में तनाव के कारण खराब $\chi^2$ दिखाया। JSsep ने रिड्यूस्ड $\chi^2$ को घटाकर $\sim 1.5$ कर दिया, जो सिंगल-स्पेस फिट के बराबर है।
अनिश्चितता लाभ: संयुक्त विश्लेषणों (JSsep) ने $f\sigma_8$ के लिए थोड़े कड़े (कम अनिश्चितता वाले) प्रतिबंध प्रदान किए, हालांकि यह लाभ मामूली था।
कोवेरियेंस संवेदनशीलता: परीक्षणों ने दिखाया कि संयुक्त फिट के लिए क्रॉस-कोवेरियेंस का अनुमान लगाने के लिए सीमित मॉक्स (1,000) का उपयोग करने से शोर उत्पन्न हो सकता है, जो संभावित रूप से कंटूर (contours) को स्थानांतरित कर सकता है। मॉक की संख्या बढ़ाने से स्थिरता में सुधार हुआ।

B. वास्तविक डेटा पर अनुप्रयोग (BOSS+eBOSS LRG)

लेखकों ने DR16 LRG नमूने पर इस ढांचे को लागू किया:

संगति: सभी विधियाँ (CS, FS, GA, JSsep) $1\sigma$ के भीतर सुसंगत परिणाम देती हैं।
अंतिम माप (JSsep):
- $q_\parallel = 1.031 \pm 0.044$
- $q_\perp = 0.995 \pm 0.021$
- $f\sigma_8 = 0.463 \pm 0.052$
आधिकारिक परिणामों के साथ तुलना: परिणाम 2020 eBOSS के आधिकारिक परिणामों (FS: $0.454 \pm 0.046$ , CS: $0.460 \pm 0.050$ , GA: $0.449 \pm 0.044$ ) के साथ अच्छे तालमेल में है।
मॉडल अंतर: $f\sigma_8$ में मामूली बदलाव और $q_\parallel$ में बड़ी अनिश्चितता को EFTofLSS मॉडल (अतिरिक्त काउंटरटर्म्स और शॉट-नॉइज़ टर्म्स के साथ) के उपयोग और क्रॉस-कोवेरियेंस टर्म्स के समावेश के लिए जिम्मेदार ठहराया गया है।
फिट की गुणवत्ता: संयुक्त फिट (JSsep) ने 1.34 का रिड्यूस्ड $\chi^2$ प्राप्त किया, जो डेटा के लिए एक अच्छा फिट दर्शाता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

सुदृढ़ता: एक संयुक्त कॉन्फ़िगरेशन/फूरियर स्पेस विश्लेषण (विशेष रूप से JSsep संस्करण) को एक सुदृढ़ विधि के रूप में प्रदर्शित किया गया है जो GA विधि की गॉसियन धारणाओं और अलग-अलग स्पेस का विश्लेषण करने से होने वाले संभावित सूचना नुकसान से बचता है।
भविष्य के सर्वेक्षण: लेखक तर्क देते हैं कि टू-पॉइंट सांख्यिकी से ब्रह्मांडीय जानकारी के निष्कर्षण को अधिकतम करने के लिए भविष्य के उच्च-परिशुद्धता सर्वेक्षणों (जैसे, DESI और Euclid) में इस ढांचे को अपनाया जाना चाहिए।
चेतावनी: यह विधि कोवेरियेंस मैट्रिक्स की सटीकता, विशेष रूप से CS और FS के बीच क्रॉस-कोवेरियेंस टर्म्स के प्रति अत्यधिक संवेदनशील है। भविष्य के कार्यों को यह सुनिश्चित करना चाहिए कि इन अनुमानों में शोर को कम करने के लिए पर्याप्त बड़े मॉक कैटलॉग का उपयोग किया जाए।

संक्षेप में, यह पेपर RSD के लिए एक संयुक्त कॉन्फ़िगरेशन/फूरियर स्पेस विश्लेषण का एक कठोर सत्यापन प्रदान करता है, यह प्रदर्शित करते हुए कि यदि न्युसिएंस पैरामीटर्स को लचीले ढंग से प्रबंधित किया जाए और कोवेरियेंस मैट्रिसेस का सटीक अनुमान लगाया जाए, तो यह पारंपरिक तरीकों की तुलना में संरचना की विकास दर के लिए निष्पक्ष, सुसंगत और थोड़े अधिक सटीक प्रतिबंध प्रदान करता है।