🔭 astrophysics

Calibrating redshift distributions at $z>2$ with Lyman- $\alpha$ forest cross-correlations

यह शोध पत्र यह प्रदर्शित करता है कि एक नवीन सैद्धांतिक ढांचे का उपयोग करके लाइमैन- $\alpha$ (Lyman- $\alpha$ ) फॉरेस्ट डेटा के साथ फोटोमेट्रिक आकाशगंगाओं का क्रॉस-कोरिलेशन (cross-correlation) उच्च-रेडशिफ्ट ( $z>2$ ) गैलेक्सी नमूनों के रेडशिफ्ट वितरण को विश्वसनीय रूप से कैलिब्रेट कर सकता है, जिससे भविष्य के DESI और LSST सर्वेक्षणों के सिमुलेशन में $\bar{z}=2$ पर $\sigma_z/(1+\bar{z}) = 0.006$ की माध्य रेडशिफ्ट सटीकता प्राप्त होती है।

मूल लेखक: Qianjun Hang, Laura Casas, William d'Assignies, Wynne Turner, Andreu Font-Ribera, Benjamin Joachimi

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qianjun Hang, Laura Casas, William d'Assignies, Wynne Turner, Andreu Font-Ribera, Benjamin Joachimi

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 रात में एक विशाल, धुंधले शहर का मानचित्र बनाने की कोशिश कर रहे हैं। आपके पास करोड़ों लोगों (फोटोट्रॉमिक गैलेक्सीज़) के पतों की एक सूची है, लेकिन यह सूची केवल आपको एक मोटा अंदाज़ा देती है कि वे कहाँ हैं, यह नहीं कि वे कितनी दूर हैं। खगोल विज्ञान में, इन वस्तुओं की सटीक दूरी (रेडशिफ्ट) जानना अत्यंत महत्वपूर्ण है; इसके बिना, ब्रह्मांड का आपका मानचित्र धुंधला होगा, और आप यह नहीं माप पाएंगे कि ब्रह्मांड कैसे फैल रहा है या डार्क एनर्जी क्या कर रही है।

यह शोध पत्र उस धुंध को हटाने का एक चतुर नया तरीका है जो सबसे दूर के, सबसे कठिन-से-दिखने वाले हिस्सों (z > 2 की दूरी वाली गैलेक्सीज़) के लिए है।

समस्या: "धुंधला" उच्च-ऊंचाई वाला दृश्य

खगोलशास्त्री आमतौर पर गैलेक्सीज़ के रंग को देखकर उनकी दूरी का अनुमान लगाने की कोशिश करते हैं। यह कुछ ऐसा है जैसे किसी स्ट्रीटलाइट के नारंगी या नीले दिखने के आधार पर यह अंदाजा लगाना कि वह कितनी दूर है। लेकिन बहुत दूर की, धुंधली गैलेक्सीज़ के लिए, यह तरीका अव्यवस्थित हो जाता है। "धुंध" (अनिश्चितता) इतनी घनी हो जाती है कि मानचित्र अविश्वसनीय हो जाता है।

इसे ठीक करने के लिए, वैज्ञानिक आमतौर पर एक "संदर्भ मानचित्र" (reference map) का उपयोग करते हैं जो उन वस्तुओं से बना होता है जिनकी दूरियाँ पूरी तरह से ज्ञात हैं (स्पेक्ट्रोस्कोपिक गैलेक्सीज़)। वे यह देखने के लिए देखते हैं कि धुंधली गैलेक्सीज़, स्पष्ट वस्तुओं के आसपास कैसे क्लस्टर करती हैं, ताकि धुंधली गैलेक्सीज़ की दूरियों का पता लगाया जा सके। हालाँकि, सबसे दूर की गैलेक्सीज़ के लिए, बहुत कम "स्पष्ट" संदर्भ वस्तुएं उपलब्ध होती हैं। यह एक दूरस्थ पहाड़ी श्रृंखला का मानचित्र बनाने जैसा है, जहाँ आपके पास मार्गदर्शन के लिए केवल कुछ ही लाइटहाउस हैं और वे शिखर तक पहुँचने से पहले ही दम तोड़ देते हैं।

समाधान: अवशोषण का "वन" (The "Forest" of Absorption)

लेखक एक अलग प्रकार के संदर्भ मानचित्र का उपयोग करने का प्रस्ताव देते हैं: लाइमैन-अल्फा फॉरेस्ट (Lyman-alpha Forest)।

कल्पित कीजिए कि आप एक घने जंगल के माध्यम से एक दूर स्थित लाइटहाउस (क्वेसर) को देख रहे हैं। पेड़ (हाइड्रोजन गैस के बादल) प्रकाश को रोकते हैं, जिससे प्रकाश की किरण में छाया का एक पैटर्न बनता है।

क्वेसर (Quasar): दूर स्थित एक चमकदार लाइटहाउस।
फॉरेस्ट (Forest): हमारे और लाइटहाउस के बीच मौजूद गैस के बादल।
छाया (Shadows): प्रकाश के वे विशिष्ट तरंगदैर्घ्य (wavelengths) जो गैस द्वारा अवशोषित कर लिए जाते हैं।

चूंकि ब्रह्मांड का विस्तार हो रहा है, इसलिए अलग-अलग दूरियों पर स्थित गैस बादलों से बनने वाली "छायाएं" लाइटहाउस की किरण में अलग-अलग रंगों (तरंगदैर्घ्य) के रूप में दिखाई देती हैं। इस "फॉरेस्ट" की छायाओं का विश्लेषण करके, खगोलशास्त्री ब्रह्मांड में गैस के वितरण का 3D मानचित्र बना सकते हैं। यह गैस एक विशाल, अदृश्य जाल की तरह काम करती है जो दूर की गैलेक्सीज़ से आने वाले प्रकाश को पकड़ लेती है।

नवाचार: लेंस की सफाई (Cleaning the Lens)

जटिल हिस्सा यह है कि "लाइटहाउस" (क्वेसर) का अपना एक प्राकृतिक चमक वक्र (brightness curve) होता है जो समय के साथ बदलता रहता है। फॉरेस्ट की "छायाओं" को स्पष्ट रूप से देखने के लिए, आपको लाइटहाउस की प्राकृतिक चमक को घटाना (subtract) होगा।

पुराना तरीका (Picca): कल्पना कीजिए कि आप पूरे बीम को देखते हुए, जिसमें छायाएं भी शामिल हैं, लाइटहाउस की प्राकृतिक चमक का अनुमान लगाने की कोशिश कर रहे हैं। आप अनजाने में कुछ महत्वपूर्ण छाया पैटर्न को मिटा सकते हैं, जिससे मानचित्र धुंधला हो जाता है।
नया तरीका (LyCAN): लेखक LyCAN नामक एक नए AI टूल का उपयोग करते हैं। यह एक स्मार्ट फिल्टर की तरह है जो फॉरेस्ट शुरू होने से पहले के बीम के हिस्से को देखता है ताकि यह अनुमान लगाया जा सके कि लाइटहाउस की प्राकृतिक चमक कैसी होनी चाहिए। यह उन्हें महत्वपूर्ण छाया पैटर्न को मिटाए बिना चमक को पूरी तरह से घटाने की अनुमति देता है।

प्रयोग: एक आभासी ब्रह्मांड का निर्माण

यह परीक्षण करने के लिए कि क्या यह काम करता है, टीम ने केवल वास्तविक डेटा नहीं देखा; उन्होंने सुपर कंप्यूटरों का उपयोग करके एक आभासी ब्रह्मांड (सिमुलेशन) बनाया।

उन्होंने लाखों नकली गैलेक्सीज़ और क्वेसर्स के साथ एक नकली ब्रह्मांड बनाया।
उन्होंने शोर और त्रुटियों (जैसे खराब मौसम या गंदा लेंस) सहित प्रकाश में "छायाओं" का अनुकरण किया।
उन्होंने इस नकली डेटा पर अपने नए AI तरीके (LyCAN) को लागू किया ताकि यह देख सकें कि क्या वे नकली गैलेक्सीज़ की वास्तविक दूरियों को पुनः प्राप्त कर सकते हैं।

परिणाम: एक स्पष्ट तस्वीर

परिणाम प्रभावशाली थे:

सिग्नल स्ट्रेंथ: उन्होंने गैलेक्सीज़ और गैस फॉरेस्ट के बीच के संबंध को अत्यधिक उच्च विश्वास के साथ पहचाना (रैंडम शोर से 24 गुना अधिक मजबूत)।
सटीकता: वे गैलेक्सी समूह की औसत दूरी को लगभग 0.6% की सटीकता के साथ निर्धारित कर सके। यह रुबिन ऑब्जर्वेटरी (LSST) जैसे भविष्य के प्रमुख सर्वेक्षणों की सख्त आवश्यकताओं को पूरा करने के लिए पर्याप्त है।
"सर्वश्रेष्ठ" कोण: उन्होंने पाया कि आकाश में विशिष्ट पैमानों (लगभग 10 आर्कमिनट के पार) पर क्लस्टरिंग को देखने से सबसे अच्छे परिणाम मिलते हैं। यह एक कैमरे के परफेक्ट ज़ूम लेवल को खोजने जैसा है ताकि पैटर्न को स्पष्ट रूप से देखा जा सके।

यह क्यों मायने रखता है

यह शोध पत्र यह सिद्ध करता है कि हम दूर की गैलेक्सीज़ की दूरियों को मापने के लिए एक पैमाने के रूप में गैस बादलों के "फॉरेस्ट" का उपयोग कर सकते हैं।

पहले: हम उच्च-रेडशिफ्ट ज़ोन में अंधे होकर उड़ रहे थे, इस बात को लेकर अनिश्चित थे कि हमारे मानचित्र कितने सटीक हैं।
अब: हमारे पास लाइमैन-अल्फा फॉरेस्ट का उपयोग करके एक विश्वसनीय "जीपीएस" (GPS) है।

यह स्टेज IV कॉस्मोलॉजी (आकाश के अगले बड़े सर्वेक्षणों की पीढ़ी) के लिए एक गेम-चेंजर है। इसका मतलब है कि जब हम डार्क एनर्जी या गैलेक्सीज़ के प्रारंभिक निर्माण का अध्ययन करने के लिए दृश्य ब्रह्मांड के किनारे को देखते हैं, तो हम उनकी दूरियों का अनुमान नहीं लगा रहे होंगे। हम बिल्कुल जान पाएंगे कि वे कहाँ हैं, जिससे हम अपने ब्रह्मांडीय इतिहास का एक बहुत अधिक सटीक मानचित्र बना सकेंगे।

संक्षेप में: लेखकों ने पाया है कि कैसे प्राचीन गैस बादलों की "छायाओं" का उपयोग किया जा सकता है, जिसे एक स्मार्ट AI द्वारा साफ किया गया है, ताकि ब्रह्मांड की सबसे दूर की गैलेक्सीज़ को मापने के लिए एक रूलर (पैमाने) के रूप में उपयोग किया जा सके।

यहाँ हेंग एट अल. (2026) के शोध पत्र "Lyman- $\alpha$ forest cross-correlations के साथ $z> 2$ पर रेडशिफ्ट वितरण का अंशांकन (Calibration)" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फोटोमेट्रिक गैलेक्सी सर्वे (जैसे LSST, Euclid) कमजोर गुरुत्वाकर्षण लेंसिंग (weak gravitational lensing) जैसे ब्रह्मांडीय संकेतकों के लिए सटीक रेडशिफ्ट वितरण ( $n(z)$ ) पर निर्भर करते हैं। जबकि फोटो- $z$ अनुमान और सेल्फ-ऑर्गनाइजिंग मैप्स कम रेडशिफ्ट के लिए अच्छी तरह काम करते हैं, वे उच्च रेडशिफ्ट टेल ( $2 < z < 3$ ) के लिए संघर्ष करते हैं क्योंकि वहां स्पेक्ट्रोस्कोपिक ट्रेनिंग डेटा की कमी होती है और स्पेक्ट्रल एनर्जी टेम्पलेट्स अपूर्ण होते हैं।

अंतराल (The Gap): पारंपरिक "क्लस्टरिंग रेडशिफ्ट" विधियाँ, जो फोटोटमेट्रिक गैलेक्सी को स्पेक्ट्रोस्कोपिक रेफरेंस सैंपल्स के साथ क्रॉस-कोरिलेट करती हैं, $z > 2$ पर विफल हो जाती हैं क्योंकि मानक स्पेक्ट्रोस्कोपिक ट्रेसर्स (जैसे एमिशन लाइन गैलेक्सी और क्वासर) की संख्या घनत्व तेजी से गिरता है, और मैग्निफिकेशन बायस (magnification bias) सिग्नल को जटिल बना देता है।
अवसर (The Opportunity): लाइमैन- $\alpha$ (Ly $\alpha$ ) फॉरेस्ट—क्वासर स्पेक्ट्रा में इंटरगैलेक्टिक न्यूट्रल हाइड्रोजन के कारण होने वाले अवशोषण लक्षण— $z > 2$ पर बड़े पैमाने की संरचना (large-scale structure) के एक सघन, निरंतर ट्रेसर के रूप में कार्य करता है।
चुनौती (The Challenge): क्लस्टरिंग रेडशिफ्ट के लिए Ly $\alpha$ का उपयोग करना कठिन है क्योंकि मानक कॉन्टिनम फिटिंग विधियाँ (जैसे Picca) बड़े पैमाने के रेडियल मोड को दबा देती हैं, जिससे कोरिलेशन सिग्नल विकृत हो जाता है और मानक क्लस्टरिंग रेडशिफ्ट अनुमानक अमान्य हो जाते हैं।

2. कार्यप्रणाली (Methodology)

सिमुलेशन और डेटा

लेखकों ने निम्नलिखित के लिए मॉक कैटलॉग बनाने हेतु CoLoRe सिमुलेशन का उपयोग किया:

रेफरेंस सैंपल: DESI 5-वर्षीय Ly $\alpha$ फॉरेस्ट डेटा (क्वेसर साइटलाइन्स)।
अननोन सैंपल: रुबिन ऑब्जर्वेटरी LSST 10-वर्षीय फोटोटमेट्रिक गैलेक्सी (विशेष रूप से उच्चतम रेडशिफ्ट टोमोटोग्राफिक बिन)।
सेटअप: 5,492 deg $^2$ के संयुक्त क्षेत्र को कवर करने वाले 10 सिमुलेशन बॉक्स, जिसमें गैलेक्सीज़ $z \in [0, 3]$ रेंज में हैं और Ly $\alpha$ फॉरेस्ट्स $z \in [1.8, 3]$ में हैं।

कॉन्टिनम फिटिंग रणनीतियाँ (Continuum Fitting Strategies)

लेखक ट्रांसमिटेड फ्लक्स फ्लक्चुएशन $\delta_F$ का अनुमान लगाने के लिए तीन दृष्टिकोणों की तुलना करते हैं:

रॉ/ट्रू कॉन्टिनम (Raw/True Continuum): सिमुलेशन से ग्राउंड ट्रुथ (कोई शोर या फिटिंग त्रुटि नहीं)।
Picca: DESI/eBOSS BAO विश्लेषण में उपयोग किया जाने वाला मानक कोड। यह एक यूनिवर्सल टेम्पलेट को फिट करता है लेकिन बड़े पैमाने के मोड को दबाकर विरूपण (distortions) पैदा करता है।
LyCAN: एक मशीन-लर्निंग आधारित विधि (टर्नर एट अल. 2024) जो केवल Ly $\alpha$ एमिशन लाइन के रेड-वर्ड (red-ward) फ्लक्स का उपयोग करके कॉन्टिनम की भविष्यवाणी करती है। महत्वपूर्ण रूप से, यह बड़े पैमाने के मोड को सुरक्षित रखता है, जो इसे क्लस्टरिंग रेडशिफ्ट के लिए उपयुक्त बनाता है।

सैद्धांतिक ढांचा (Theoretical Framework)

लेखकों ने पारंपरिक $n(z) \propto w_{ru}/\sqrt{w_{rr}}$ अनुमानक पर निर्भर रहने के बजाय, सीधे कोणीय क्रॉस-कोरिलेशन $w_{gF}(\theta)$ को मॉडल करने के लिए एक नया सैद्धांतिक ढांचा विकसित किया।

मॉडलिंग: उन्होंने Ly $\alpha$ फॉरेस्ट के लिए रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD) सहित अपेक्षित क्रॉस-कोरिलेशन को निकाला है, जो इन पैमानों पर महत्वपूर्ण हैं।
बायस मिटिगेशन (Bias Mitigation): चूंकि क्रॉस-कोरिलेशन बायस और रेडशिफ्ट वितरण के गुणनफल ( $b(z)n(z)$ $b (z) n (z)$ ) को सीमित करता है, इसलिए उन्होंने दो मॉडल परीक्षण किए:
- शिफ्ट मीन (Shift Mean): यह मानता है कि आकार ज्ञात है, केवल माध्य रेडशिफ्ट ( $\delta_z$ ) अज्ञात है।
- गौसियन प्रोसेस (GP): एक नॉन-पैरामीट्रिक दृष्टिकोण जो टेम्पलेट के चारों ओर $b(z)n(z)$ के आकार को बदलने की अनुमति देता है।

मापन (Measurement)

अनुमानक (Estimator): सर्वे फुटप्रिंट के कारण होने वाले एडिटिव बायस को हटाने के लिए रैंडम कैटलॉग के साथ एक मीन-सबट्रैक्टेड अनुमानक का उपयोग किया गया।
स्केल्स (Scales): $\theta = 1$ से $50$ आर्कमिन के लॉगरिदमिक बिन्स में कोणीय क्रॉस-कोरिलेशन को मापा गया।
अनुमान (Inference): रेडशिफ्ट वितरण मापदंडों को सीमित करने के लिए जैकनीफ कोवेरिएंस मैट्रिक्स के साथ लाइक्लिहुड विश्लेषण का उपयोग किया गया।

3. मुख्य योगदान (Key Contributions)

Ly $\alpha$ क्लस्टरिंग रेडशिफ्ट की व्यवहार्यता: यह प्रदर्शित किया कि Ly $\alpha$ फॉरेस्ट्स $z > 2$ पर फोटोटमेट्रिक गैलेक्सी को कैलिब्रेट करने के लिए एक उच्च-विश्वसनीयता वाला रेफरेंस सैंपल के रूप में कार्य कर सकते हैं, जो पहले क्लस्टरिंग विधियों के लिए अप्राप्य था।
कॉन्टिनम फिटिंग की महत्वपूर्ण भूमिका: दिखाया कि मानक कॉन्टिनम फिटिंग (Picca) क्लस्टरिंग रेडशिफ्ट के लिए आवश्यक बड़े पैमाने के सिग्नल को नष्ट कर देती है, जिससे सिग्नल-टू-नॉइज़ रेशियो (SNR) ~40% कम हो जाता है। इसके विपरीत, ML-आधारित LyCAN विधि सिग्नल को सुरक्षित रखती है, जिससे सटीक माप संभव होता है।
सैद्धांतिक औपचारिकता (Theoretical Formalism): Ly $\alpha$ फॉरेस्ट और गैलेक्सी के बीच कोणीय क्रॉस-कोरिलेशन को मॉडल करने के लिए एक कठोर व्युत्पत्ति प्रदान की, जिसमें RSD और Ly $\alpha$ पिक्सेल की विशिष्ट वेटिंग को स्पष्ट रूप से शामिल किया गया है, जो मानक गैलेक्सी-गैलेक्सी क्लस्टरिंग से भिन्न है।
विश्लेषण मापदंडों का अनुकूलन: पहचाना कि:
- छोटे कोणीय स्केल ( $\theta \sim 10-15$ आर्कमिन) SNR को अधिकतम करते हैं।
- रेडशिफ्ट बिन साइज ( $\Delta z$ ) के 0.1 पर्याप्त हैं; सूक्ष्म बिनिंग से बाधाओं (constraints) में महत्वपूर्ण सुधार नहीं होता है क्योंकि उच्च- $z$ टेल की प्रकृति फीचरलेस होती है।
- संदूषण (DLAs, BALs) का प्रभाव मामूली (~5% त्रुटि वृद्धि) होता है यदि प्रभावी बायस ज्ञात हो।

4. मुख्य परिणाम (Key Results)

डिटेक्शन सिग्निफिकेंस: बेसलाइन परिदृश्य (LyCAN मॉक्स, $\Delta z = 0.1$ , $\theta \approx 10.5-13.6$ आर्कमिन) में, विधि क्रॉस-कोरिलेशन सिग्नल का 24 $\sigma$ डिटेक्शन प्राप्त करती है।
रेडशिफ्ट कैलिब्रेशन परिशुद्धता:
- शिफ्ट मीन मॉडल: माध्य रेडशिफ्ट को $\sigma_z / (1+\bar{z}) = 0.014$ तक सीमित करता है (यह मानते हुए कि $z<2$ का ज्ञान नहीं है)।
- गौसियन प्रोसेस मॉडल: यह मानते हुए कि $z<2$ के लिए वितरण का आकार ज्ञात है, बाधा $\bar{z}=2$ पर $\sigma_z / (1+\bar{z}) = 0.006$ तक कड़ा हो जाता है। यह LSST डार्क एनर्जी साइंस कोलैबोरेशन (DESC) की आवश्यकता 0.001 के करीब पहुँचता है।
कॉन्टिनम फिटिंग का प्रभाव:
- Picca: SNR को घटाकर 14 $\sigma$ कर दिया और आकार में विरूपण पेश किया।
- LyCAN: उच्च SNR (24 $\sigma$ ) और सटीक सिग्नल आकार बनाए रखा।
- True Continuum: सैद्धांतिक अधिकतम 30 $\sigma$ प्राप्त किया।
संदूषण (Contamination): खगोलीय संदूषकों (DLAs, BALs, metals) को शामिल करने से SNR केवल ~10% कम हुआ (22 $\sigma$ ), बशर्ते कि बायस परिवर्तन को ध्यान में रखा जाए।
स्केलिंग: SNR सर्वेक्षण क्षेत्र के वर्गमूल ( $\sqrt{A}$ ) के साथ स्केल करता है और Ly $\alpha$ फॉरेस्ट के शोर द्वारा संचालित होता है, न कि गैलेक्सी शॉट नॉइज़ द्वारा, बशर्ते गैलेक्सी घनत्व एक निश्चित सीमा से ऊपर हो।

5. महत्व और भविष्य का दृष्टिकोण (Significance and Future Outlook)

स्टेज IV सर्वे: यह विधि LSST और Euclid के उच्च-रेडशिफ्ट टेल्स को कैलिब्रेट करने के लिए एक मजबूत समाधान प्रदान करती है, जो डार्क एनर्जी और न्यूट्रिनो मास को सीमित करने के लिए महत्वपूर्ण हैं। इसके बिना, उच्चतम बिन्स के माध्य रेडशिफ्ट की अनिश्चितता ब्रह्मांडीय मापदंडों के अनुमान को खराब कर देगी।
Ly $\alpha$ से परे: शोध पत्र सुझाव देता है कि भविष्य के सुधार अन्य उच्च- $z$ ट्रेसर्स (जैसे मेटल फॉरेस्ट्स, लाइमैन-ब्रेक गैलेक्सी) के साथ Ly $\alpha$ को जोड़ने या क्वासर घनत्व बढ़ाने के लिए DESI-II का उपयोग करने से आ सकते हैं।
सीमाएँ: वर्तमान अध्ययन एक प्रूफ-ऑफ-कांसेप्ट है। भविष्य के कार्यों को संबोधित करना होगा:
- छोटे स्केल्स पर सिमुलेशन सीमाएँ (वर्तमान में $\theta > 10$ आर्कमिन पर कट-ऑफ)।
- मॉक्स में अप्रत्याशित उतार-चढ़ाव के कारण सिंथेटिक डेटा वेक्टर्स का उपयोग।
- बायस और रेडशिफ्ट वितरण के बीच डिजेनेरेसी (degeneracy) को तोड़ने के लिए निम्न-रेडशिफ्ट ट्रेसर्स के साथ संयुक्त विश्लेषण।

निष्कर्ष: यह पेपर स्थापित करता है कि उन्नत कॉन्टिनम फिटिंग (LyCAN) के साथ मिलकर, Ly $\alpha$ फॉरेस्ट क्रॉस-कोरिलेशन, $z > 2$ पर फोटोटमेट्रिक रेडशिफ्ट को कैलिब्रेट करने के लिए एक विश्वसनीय और आशाजनक उपकरण है, जो माध्य रेडशिफ्ट अनिश्चितताओं को अगली पीढ़ी के ब्रह्मांड विज्ञान के लिए आवश्यक स्तरों तक कम करने की क्षमता रखता है।