🔭 astrophysics

Improving constraints on primordial non-Gaussianity from Quaia with a new cosmological observable: angular redshift fluctuations

क्वाया (Quaia) क्वासर नमूने में कोणीय रेडशिफ्ट उतार-चढ़ाव का विश्लेषण करके और उन्हें गैलेक्सी घनत्व एवं CMB लेंसिंग डेटा के साथ जोड़कर, लेखक अब तक का दूसरा सबसे कड़ा प्रिमॉर्डियल नॉन-गॉसियनिटी (primordial non-Gaussianity) पर प्रतिबंध प्राप्त करते हैं ( $f_{\rm NL} = -3 \pm 14$ ), जो यह प्रदर्शित करता है कि यह नया अवलोकन दो-बिंदु प्रक्षेपित सांख्यिकी (two-point projected statistics) का उपयोग करके $f_{\rm NL}$ की सीमाओं में महत्वपूर्ण सुधार करता है।

मूल लेखक: José Ramón Bermejo-Climent, Carlos Hernández-Monteagudo, Alba Crespo-Pérez, Jorge Martin Camalich, David Alonso, Giulio Fabbian, Kate Storey-Fisher

प्रकाशित 2026-06-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: José Ramón Bermejo-Climent, Carlos Hernández-Monteagudo, Alba Crespo-Pérez, Jorge Martin Camalich, David Alonso, Giulio Fabbian, Kate Storey-Fisher

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, फैलते हुए गुब्बारे की तरह है। इसके अस्तित्व के बिल्कुल पहले सेकंड में, "इन्फ्लेशन" (inflation) नामक एक सिद्धांत बताता है कि यह गुब्बारा अविश्वसनीय रूप से तेजी से फूला था। अधिकांश सिद्धांत कहते हैं कि इस गुब्बारे की सतह पूरी तरह से चिकनी थी, जैसे एक शांत झील। लेकिन कुछ सिद्धांत सुझाव देते हैं कि शुरुआत से ही उस चिकनाई में छोटे, यादृच्छिक उभार या "उबड़-खाबड़पन" (bumps) थे।

वैज्ञानिक इन उभारों को प्राइमॉर्डियल नॉन-गॉसियनिटी (primordial non-Gaussianity) कहते हैं। इसे ऐसे समझें: यदि आप केक पर चीनी छिड़कते हैं, तो एक "गॉसियन" (सामान्य) वितरण का अर्थ है कि चीनी समान रूप से और अनुमानित रूप से फैली हुई है। एक "नॉन-गॉसियन" वितरण का अर्थ है कि चीनी अजीब, अप्रत्याशित ढेरों में जमा हो गई है। इन ढेरों का पता लगाना हमें ठीक से बताता है कि ब्रह्मांड का जन्म कैसे हुआ था।

इस कहानी का मुख्य पात्र $f_{NL}$ नामक एक संख्या है।

यदि $f_{NL}$ शून्य है, तो ब्रह्मांड पूरी तरह से चिकना होकर शुरू हुआ (जैसे एक शांत झील)।
यदि $f_{NL}$ शून्य नहीं है, तो ब्रह्मांड की शुरुआत उन अजीब चीनी के ढेरों के साथ हुई थी।

नया उपकरण: "एंगुलर रेडशिफ्ट फ्लक्चुएशन" (ARFs)

लंबे समय से, खगोलशास्त्री आकाश के विभिन्न हिस्सों में कितनी आकाशगंगाएँ (या क्वासर, जो अत्यधिक चमकीले ब्लैक होल होते हैं) हैं, इसकी गिनती करके इन उभारों को मापने की कोशिश कर रहे थे। यह कारों को अलग-अलग पार्किंग स्थानों में गिनने जैसा है।

लेकिन यह शोध पत्र एंगुलर रेडशिफ्ट फ्लक्चुएशन (ARFs) नामक एक नया, चतुर उपकरण पेश करता है।

उपमा:
कल्पना कीजिए कि आप एक कॉन्सर्ट में लोगों की भीड़ को देख रहे हैं।

पुराना तरीका (गिनती): आप देखते हैं कि पहली पंक्ति में, बीच की पंक्ति में और पिछली पंक्ति में कितने लोग हैं। यह आपको भीड़ के घनत्व (density) के बारे में बताता है।
नया तरीका (ARFs): गिनती करने के बजाय, आप हर किसी से पूछते हैं, "आप कितनी दूर हैं?" और फिर आप उस भीड़ के विशिष्ट खंड के लिए औसत दूरी की गणना करते हैं। यदि एक खंड का औसत अंतर समग्र औसत से थोड़ा अलग है, तो वह एक ARF है।

खगोल विज्ञान में, "दूरी" को "रेडशिफ्ट" (यह माप कि ब्रह्मांड के विस्तार के साथ किसी वस्तु के प्रकाश ने कितना खिंचाव लिया है) द्वारा मापा जाता है। इसलिए, ARFs वस्तुओं के एक विशिष्ट आकाश खंड में औसत दूरी के सूक्ष्म उतार-चढ़ाव को मापते हैं।

यह शोध पत्र तर्क देता है कि ये "दूरी के उतार-चढ़ाव" (distance wiggles) उन शुरुआती चीनी के ढेरों ( $f_{NL}$ ) के प्रति बहुत संवेदनशील हैं क्योंकि आकाशगंगाओं के बनने का तरीका उन शुरुआती स्थितियों पर निर्भर करता है।

प्रयोग: क्वाइया कैटलॉग (Quaia Catalog)

शोधकर्ताओं ने क्वासरों के एक विशाल कैटलॉग का उपयोग किया जिसे क्वाइया (Quaia) कहा जाता है।

डेटा: उन्होंने पूरे आकाश में लगभग 1.3 मिलियन क्वासरों को खोजने के लिए Gaia सैटेलाइट (जो सितारों का मानचित्र बनाती है) और unWISE (एक इन्फ्रारेड टेलीस्कोप) के डेटा को मिलाया।
साथी: उन्होंने कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) लेंसिंग के मानचित्रों का भी उपयोग किया, जो Planck सैटेलाइट से प्राप्त हुए हैं। इसे ब्रह्मांड का "गुरुत्वाकर्षण मानचित्र" समझें। यह दिखाता है कि समय की शुरुआत से मौजूद समस्त पदार्थ का गुरुत्वाकर्षण कैसे प्रकाश को मोड़ता है।

उन्होंने क्या किया

उन्होंने ब्रह्मांड को एक विशाल पहेली की तरह माना। उन्होंने तुलना की:

क्वासर कहाँ हैं (घनत्व/Density)।
क्वासरों की औसत दूरी कैसे ऊपर-नीचे होती है (ARFs)।
गुरुत्वाकर्षण मानचित्र (CMB लेंसिंग) ऊपर दी गई दोनों चीजों के साथ कैसे मेल खाता है।

इन सभी टुकड़ों को जोड़कर, उन्होंने $f_{NL}$ के मान को हल करने की कोशिश की।

परिणाम

यहाँ उन्हें क्या मिला, जिसे रोजमर्रा की भाषा में समझाया गया है:

मापन: उन्होंने गणना की कि $f_{NL} = -3 \pm 14$ ।
- "-3" उनका सबसे सटीक अनुमान है।
- "± 14" त्रुटि का मार्जिन (यानी "धुंधलापन") है।
- क्योंकि यह संख्या शून्य के बहुत करीब है और त्रुटि का दायरा काफी बड़ा है, वे निश्चित रूप से यह नहीं कह सकते कि चीनी के ढेर मौजूद हैं या नहीं। हालांकि, उन्होंने संभावनाओं को काफी हद तक सीमित कर दिया है।
सुधार: यह परिणाम केवल "गिनती" वाले पुराने तरीके का उपयोग करने वाले उनके पिछले प्रयास की तुलना में लगभग 25% बेहतर (सटीक) है।
- उपमा: कल्पना कीजिए कि आप एक तरबूज का वजन बताने की कोशिश कर रहे हैं। आपका पहला अनुमान था "5 और 20 पाउंड के बीच।" नए ARF टूल का उपयोग करके, आपने अपने अनुमान को परिष्कृत करके "8 और 15 पाउंड के बीच" कर दिया। आप अभी भी सटीक वजन नहीं जानते, लेकिन आप उसकी सीमा को लेकर बहुत अधिक आश्वस्त हैं।
"गुडनेस ऑफ फिट" (Goodness of Fit): दिलचस्प बात यह है कि जब उन्होंने "दूरी के उतार-चढ़ाव" (ARFs) और गुरुत्वाकर्षण मानचित्र के बीच क्रॉस-कोरिलेशन को शामिल करने की कोशिश की, तो गणित थोड़ा जटिल हो गया (मॉडल डेटा के साथ पूरी तरह फिट नहीं बैठा)। जब उन्होंने उस विशिष्ट हिस्से को हटा दिया, तो गणित बेहतर काम करने लगा, और उन्हें अभी भी बहुत समान परिणाम ( $f_{NL} = -5$ ) मिला। यह सुझाव देता है कि नया उपकरण शक्तिशाली है, लेकिन हमें अभी भी डेटा के कुछ "शोर" (noise) को बेहतर ढंग से समझने की आवश्यकता है।

निष्कर्ष

यह शोध पत्र दावा करता है कि ARFs ब्रह्मांड विज्ञान (cosmology) के लिए एक उपयोगी नया उपकरण हैं।

उन्होंने वास्तविक डेटा का उपयोग करके पहली बार इस पद्धति से "चीनी के ढेरों" के पैरामीटर ( $f_{NL}$ ) को सफलतापूर्वक मापा।
उन्होंने साबित किया कि ARFs को जोड़ने से मापन अधिक सटीक हो जाता है।
वे सुझाव देते हैं कि भविष्य के विशाल सर्वेक्षणों (जैसे LSST और Euclid) को प्रारंभिक ब्रह्मांड की सबसे अच्छी तस्वीर पाने के लिए पारंपरिक "गिनती" वाले तरीके के साथ इस "दूरी के उतार-चढ़ाव" वाले तरीके का निश्चित रूप से उपयोग करना चाहिए।

संक्षेप में: टीम ने ब्रह्मांड के बिल्कुल शुरुआती क्षणों को देखने के लिए दूर स्थित ब्लैक होल की "औसत दूरी" को मापने के एक नए तरीके का उपयोग किया, जिससे उन्हें 25% बेहतर और स्पष्ट दृश्य मिला। इसने पुष्टि की कि एक चिकनी शुरुआत के हमारे वर्तमान सिद्धांत अभी भी कायम हैं, लेकिन अब हम इस पर अधिक कड़े प्रतिबंध लगा सकते हैं कि ब्रह्मांड कितना "उबड़-खाबड़" हो सकता था।

तकनीकी सारांश: कोणीय रेडशिफ्ट उतार-चढ़ाव (Angular Redshift Fluctuations) के साथ Quaia से प्रिमॉर्डियल नॉन-गॉसियनिटी (Primordial Non-Gaussianity) पर बाधाओं में सुधार

समस्या और प्रेरणा
प्रिमॉर्डियल नॉन-गॉसियनिटी (PNG) का पता लगाना, जिसे $f_{\text{NL}}$ द्वारा पैरामीटराइज़ किया गया है, इन्फ्लेशनरी मॉडल्स (inflationary models) के लिए एक महत्वपूर्ण परीक्षण है, जहाँ एक गैर-शून्य मान गाऊसी प्रारंभिक स्थितियों (Gaussian initial conditions) से विचलन को इंगित करेगा। वर्तमान में सबसे कड़े प्रतिबंध कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) बाइसपेक्ट्रम (जैसे कि प्लैंक 2018) से आते हैं, जबकि लार्ज स्केल स्ट्रक्चर (LSS) स्केल-डिपेंडेंट बायस प्रभाव के माध्यम से एक पूरक प्रोब (complementary probe) प्रदान करता है। डैलाल एट अल. (2008) द्वारा अनुमानित यह प्रभाव, लोकल PNG के लिए गैलेक्सी बायस में एक विशिष्ट $1/k^2$ सिग्नेचर पेश करता है। हालाँकि, बड़े पैमाने पर अवलोकन संबंधी व्यवस्थित त्रुटियों (observational systematics) पर सटीक नियंत्रण की आवश्यकता के कारण LSS से इसे मापना चुनौतीपूर्ण है।

हाल के अध्ययनों ने $f_{\text{NL}}$ को बाधित करने के लिए 2D कोणीय पावर स्पेक्ट्रा और CMB लेंसिंग के साथ क्रॉस-कोरिलेशन का उपयोग किया है। यह कार्य एक नए कॉस्मोलॉजिकल ऑब्जर्वेबल को शामिल करके इन बाधाओं को बेहतर बनाने की क्षमता को संबोधित करता है: कोणीय रेडशिफ्ट उतार-चढ़ाव (Angular Redshift Fluctuations - ARFs)। ARFs एक दिए गए शेल (shell) के भीतर औसत रेडशिफ्ट के 2D कोणीय विचलन को मापते हैं। सैद्धांतिक रूप से, ARFs गैलेक्सी बायस के प्रति संवेदनशील होते हैं और इस प्रकार PNG के प्रति भी, फिर भी वास्तविक डेटा के लिए $f_{\text{NL}}$ बाधाओं हेतु इनका अनुप्रयोग पहले कभी प्रदर्शित नहीं किया गया था।

कार्यप्रणाली (Methodology)
लेखकों ने Quaia कैटलॉग का विश्लेषण किया, जो Gaia DR3 और unWISE डेटा से प्राप्त लगभग 1.3 मिलियन क्वासरों (QSOs) का एक फुल-स्काई सैंपल है, जो एक विशाल कॉस्मोलॉजिकल वॉल्यूम को कवर करता है। विश्लेषण पाइपलाइन में निम्नलिखित चरण शामिल थे:

डेटा तैयारी: Quaia सैंपल को दो रेडशिफ्ट बिन ( $\bar{z} \approx 0.97$ और $\bar{z} \approx 2.10$ ) में विभाजित किया गया। दोनों के लिए गैलेक्सी संख्या गणना (घनत्व) और ARFs के लिए HEALPix मैप्स ( $N_{\text{side}}=128$ ) तैयार किए गए। ARF फील्ड को प्रति पिक्सेल भारित औसत रेडशिफ्ट उतार-चढ़ाव के रूप में परिभाषित किया गया, जिसमें सर्वेक्षण के अंतर्निहित रेडशिफ्ट वितरण के समकक्ष एक विस्तृत गाऊसी विंडो का उपयोग किया गया।
क्रॉस-कोरिलेशन: अध्ययन ने Quaia घनत्व और ARF मैप्स को Planck PR4 CMB लेंसिंग कन्वर्जेंस मैप्स के साथ संयोजित किया। इससे चार ऑब्जर्वेबल्स प्राप्त हुए: घनत्व ( $C_{gg}^\ell$ ) और ARFs ( $C_{zz}^\ell$ ) के ऑटो-पावर स्पेक्ट्रा, और उनके CMB लेंसिंग के साथ क्रॉस-कोरिलेशन ( $C_{\kappa g}^\ell$ और $C_{\kappa z}^\ell$ )।
सैद्धांतिक मॉडलिंग: पावर स्पेक्ट्रा की गणना करने के लिए CAMB बोल्ट्ज़मैन कोड के एक संशोधित संस्करण (ARFCAMB) का उपयोग किया गया। यह कोड ARF कर्नेल को शामिल करता है और फोटोमेट्रिक रेडशिफ्ट अनिश्चितताओं ( $\sigma_z \approx 0.06(1+z)$ ) को ध्यान में रखता है। मॉडल में यूनिवर्सैलिटी रिलेशन (मानते हुए $p=1$ ) के तहत $f_{\text{NL}}$ द्वारा प्रेरित स्केल-डिपेंडेंट बायस के साथ-साथ गैलेक्सी बायस के रेडशिफ्ट विकास ( $b(z)$ ) के लिए एक लचीला पैरामीट्राइजेशन शामिल था।
सिस्टमैटिक्स और कोवेरियेंस: अवलोकन संबंधी सिस्टमैटिक्स को संबोधित करने के लिए, लेखकों ने Quaia टेम्प्लेट्स के विरुद्ध लीनियर रिग्रेशन का उपयोग करके सिस्टमैटिक्स डीप्रोजेक्शन का उपयोग किया। स्केल कट्स का निर्धारण डेटा शिफ्ट की तुलना मॉक रियलाइजेशन से करके किया गया था; विशेष रूप से, सांख्यिकीय उतार-चढ़ाव के साथ असंगत लो- $\ell$ ऑफसेट्स को हटाने के लिए $\ell_{\text{min}}=14$ (घनत्व के लिए) और $\ell_{\text{min}}=10$ (ARF ऑटो-स्पेक्ट्रा के लिए) लागू किए गए। कोवेरियेंस मैट्रिक्स 1,000 सह-संबंधित सिमुलेशन से प्राप्त किया गया था, जिसमें वास्तविक डेटा में लो मल्टीपोल पर देखे गए अतिरिक्त पावर से मेल खाने के लिए मॉक ऑटो-स्पेक्ट्रा पर सुधार लागू किए गए थे।
पैरामीटर इन्फरेंस: एक गाऊसी लाइकलीहुड का निर्माण किया गया और कोवेरियेंस मैट्रिक्स का उपयोग किया गया। $f_{\text{NL}}$ और बायस पैरामीटर्स ( $b_0, \alpha$ ) को बाधित करने के लिए मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग (emcee) का उपयोग किया गया।

मुख्य परिणाम
विश्लेषण ने स्थानीय नॉन-गॉसियनिटी पैरामीटर $f_{\text{NL}}$ (यूनिवर्सैलिटी रिलेशन $p=1$ मानते हुए) के लिए निम्नलिखित बाधाएं प्रदान कीं:

केवल ARFs: ARF ऑटो-कोरिलेशन और ARF-CMB लेंसिंग को संयोजित करने पर $f_{\text{NL}} = -43^{+50}_{-44}$ प्राप्त हुआ।
केवल घनत्व: घनत्व ऑटो-कोरिलेशन और घनत्व-CMB लेंसिंग को संयोजित करने पर $f_{\text{NL}} = -25^{+19}_{-17}$ प्राप्त हुआ, जो पिछले Quaia विश्लेषणों (Fabbian et al. 2026) के अनुरूप है।
संयुक्त विश्लेषण: सभी चार ऑब्जर्वेबल्स ( $C_{gg}^\ell, C_{\kappa g}^\ell, C_{zz}^\ell, C_{\kappa z}^\ell$ ) को संयोजित करने पर 68% कॉन्फिडेंस पर $f_{\text{NL}} = -3 \pm 14$ प्राप्त हुआ।
गुडनेस-ऑफ-फिट ऑप्टिमाइजेशन: लेखकों ने नोट किया कि ARF-CMB क्रॉस-कोरिलेशन ( $C_{\kappa z}^\ell$ ) को शामिल करने पर $\chi^2$ में मामूली तनाव (tension) देखा गया। मॉडल के गुडनेस-ऑफ-फिट को सुधारने के लिए इस विशिष्ट क्रॉस-कोरिलेशन को बाहर करने पर $f_{\text{NL}} = -5^{+16}_{-15}$ प्राप्त हुआ।

संयुक्त बाधा, केवल घनत्व और CMB लेंसिंग का उपयोग करने वाले पिछले Quaia माप की तुलना में लगभग 25% का सुधार दर्शाती है। यह परिणाम LSS टू-पॉइंट स्टैटिस्टिक्स का उपयोग करके अब तक का दूसरा सबसे कड़ा $f_{\text{NL}}$ प्रतिबंध है (DESI DR1 स्पेक्ट्रोस्कोपिक डेटा के बाद) और 2D समरी स्टैटिस्टिक्स का उपयोग करके प्राप्त सबसे सटीक परिणाम है।

महत्व और मजबूती
पेपर का दावा है कि ARFs को एक कॉस्मोलॉजिकल ऑब्जर्वेबल के रूप में शामिल करने से वास्तविक डेटा का उपयोग करके $f_{\text{NL}}$ बाधाओं में मापने योग्य सुधार होता है। लेखकों ने अपने परिणामों की मजबूती को निम्नलिखित परीक्षणों के माध्यम से सत्यापित किया:

बायस मॉडलिंग: परिणाम (Piccirilli et al. 2024 और Laurent et al. 2017 दोनों मॉडल्स का परीक्षण करते हुए) फिडुशियल गैलेक्सी बायस इवोल्यूशन मॉडल में बदलाव के बावजूद स्थिर रहे।
स्केल कट्स: बाधाएं न्यूनतम मल्टीपोल ( $\ell_{\text{min}}$ ) कट्स के बदलावों के प्रति स्थिर पाई गईं, हालांकि बायस पैरामीटर्स में कुछ तनाव देखा गया, जिसका कारण घनत्व कर्नेल की तुलना में ARF कर्नेल की नॉनलीनर स्केल्स ( $k$ -modes) के प्रति उच्च संवेदनशीलता है।
यूनिवर्सैलिटी रिलेशन: जब $p=1$ के अनुमान को $p=1.6$ (एक मान जो कुछ साहित्य में QSOs के लिए सुझाया गया है) में शिथिल किया गया, तो बाधा बदलकर $f_{\text{NL}} = 2^{+20}_{-21}$ , या मॉडल-स्वतंत्र दृष्टिकोण में $b_\phi f_{\text{NL}} = -63^{+79}_{-89}$ हो गई।

लेखक निष्कर्ष निकालते हैं कि हालांकि ऑब्जर्वेबल्स के बीच आंतरिक तनाव मौजूद हैं—जो संभवतः ARFs में नॉनलीनर स्केल्स के बेहतर मॉडलिंग की आवश्यकता के कारण हैं—ARFs को 2D विश्लेषणों में शामिल करना एक आशाजनक मार्ग है। वे DESI, Euclid और LSST जैसे बड़े सर्वेक्षणों के भविष्य के विश्लेषणों में ARFs को शामिल करने की वकालत करते हैं, यह देखते हुए कि ARFs फोटोमेट्रिक सर्वेक्षणों के लिए, जहाँ रेडशिफ्ट अनिश्चितताएं महत्वपूर्ण हैं, मानक 3D क्लस्टरिंग के लिए एक मजबूत 2D विकल्प प्रदान कर सकते हैं।

नया उपकरण: "एंगुलर रेडशिफ्ट फ्लक्चुएशन" (ARFs)

प्रयोग: क्वाइया कैटलॉग (Quaia Catalog)

उन्होंने क्या किया

परिणाम

निष्कर्ष

इसी तरह के और पेपर