Constraining cosmological simulations with peculiar velocities: a forward-modeling approach

शीर्षक: विचित्र वेगों (peculiar velocities) के साथ कॉस्मोलॉजिकल सिमुलेशन को नियंत्रित करना: एक फॉरवर्ड-मॉडलिंग दृष्टिकोण (Hamlet-PM)

समस्या विवरण
संख्यात्मक सिमुलेशन गुरुत्वाकर्षण गतिशीलता को समझने के लिए आवश्यक हैं, फिर भी मानक कॉस्मोलॉजिकल सिमुलेशन केवल सांख्यिकीय रूप से ब्रह्मांड को पुनरुत्पादित करते हैं, वे खगोलविदों द्वारा देखे गए विशिष्ट "स्थानीय ब्रह्मांड" (Local Universe) से स्थानिक रूप से मेल करने में विफल रहते हैं। यह सीमा उन दुर्लभ, धुंधले या अच्छी तरह से अध्ययन किए गए निकटवर्ती पिंडों के अध्ययन में बाधा डालती है जो एक अद्वितीय वातावरण में मौजूद होते हैं। जबकि "नियंत्रित सिमुलेशन" (constrained simulations) स्थानीय वातावरण को पुनरुत्पादित करने का लक्ष्य रखते हैं, मौजूदा पाइपलाइन (जैसे CLUES कंसोर्टियम का वर्कफ़्लो) एक विषम, बहु-चरणीय दृष्टिकोण पर निर्भर करती है: विनर फ़िल्टर (Wiener Filter - WF) के माध्यम से घनत्व/वेग क्षेत्रों का पुनर्निर्माण करना, रिवर्स ज़ेल्डोविच सन्निकटन (Reverse Zeldovich Approximation - RZA) का उपयोग करके बाधाओं को समय में पीछे ले जाना, और प्रारंभिक स्थितियाँ (initial conditions - ICs) उत्पन्न करना। ये चरण काफी हद तक रैखिक सिद्धांत (linear theory) और धारणाओं (जैसे गाऊसी वेग अनिश्चितता) पर निर्भर हैं जो गैर-रैखिक शासन (non-linear regime) में टूट जाती हैं और व्यवस्थित पूर्वाग्रह (system-atic biases) उत्पन्न करती हैं। इसके अलावा, वर्तमान विधियाँ अक्सर उन विलंब-समय (late-time) के ब्रह्मांड के गतिकी को मॉडल करने में संघर्ष करती हैं जहाँ विचित्र वेग मापे जाते हैं।

कार्यप्रणाली: Hamlet-PM
लेखक Hamlet-PM प्रस्तुत करते हैं, जो एक पूर्णतः बेयसियन (Bayesian), फॉरवर्ड-मॉडलिंग ढांचा है जो सीधे विलंब-समय ($z=0$) के विचित्र वेग डेटा से प्रारंभिक स्थितियों को नियंत्रित करता है। पिछले संस्करणों (जैसे Hamlet-L) के विपरीत, जो रैखिक सिद्धांत का उपयोग करते थे, Hamlet-PM निम्नलिखित घटकों को एकीकृत करता है:

1. डिफरेंशिएबल ग्रेविटी सॉल्वर (Differentiable Gravity Solver): यह विधि रैखिक मॉडल के स्थान पर एक मोटे कण-मेष (particle-mesh - PM) गुरुत्वाकर्षण सॉल्वर (pmwd) को एकीकृत करती है जिसे JAX में कार्यान्वित किया गया है। यह मध्यम गैर-रैखिक शासन (mildly non-linear regime) में गतिकी के एकीकरण की अनुमति देता है।
2. हाइब्रिड वेलोसिटी फील्ड निर्माण: खाली क्षेत्रों (void regions) में खाली कोशिकाओं (empty cells) की समस्या को हल करने के लिए, जहाँ मानक क्लाउड-इन-सेल (Cloud-in-Cell - CiC) इंटरपोलेशन विफल हो जाता है, लेखक एक हाइब्रिड दृष्टिकोण अपनाते हैं। घने क्षेत्रों में, वेग क्षेत्र को N-body सिमुलेशन के CiC प्रतिनिधित्व से प्राप्त किया जाता है। लगभग खाली क्षेत्रों में, एक रैखिक सिद्धांत सन्निकटन का उपयोग किया जाता है। इन्हें एक घनत्व-निर्भर भार फलन (density-dependent weight function) का उपयोग करके मिश्रित किया जाता है।
3. बेयसियन अनुमान (Bayesian Inference): ढांचा उच्च-रेडशिफ्ट ओवरडेंसिटी फील्ड फूरियर मोड और बाधाओं की दूरियों के पश्चातवर्ती संभाव्यता वितरण (posterior probability distribution) का अनुमान लगाता है। यह पैरामीटर स्पेस को एक्सप्लोर करने के लिए blackjax लाइब्रेरी के माध्यम से हैमिल्टोनियन मोंटे कार्लो (Hamiltonian Monte Carlo - HMC) का उपयोग करता है, जिससे विनर फ़िल्टर की धारणाओं से बचा जा सके।
4. डेटा: इस विधि को कॉस्मिकफ्लोज़-4 (Cosmicflows-4 - CF4) कैटलॉग पर लागू किया गया है, जो $\sim56,000$ आकाशगंगाओं के $\sim38,000$ समूहों का एक मिश्रित डेटासेट है, जो $cz \leq 16,500$ किमी/सेकंड ($z \sim 0.05$) तक सीमित है ताकि डेटा की समदैशिकता (isotropy) सुनिश्चित की जा सके और गणना संबंधी बाधाओं को प्रबंधित किया जा सके।
5. सिमुलेशन निष्पादन: अनुमानित प्रारंभिक स्थितियों (कम रिज़ॉल्यूशन, $128^3$ पर) को $512^3$ कणों तक पहुँचने के लिए यादृच्छिक लघु-पैमाने की शक्ति (random small-scale power) के साथ बढ़ाया जाता है। इन्हें AREPO कोड का उपयोग करके $z=0$ तक विकसित किया जाता है, जिससे $500^3$ $h^{-1}\text{Mpc}$ बॉक्स में 100 नियंत्रित सिमुलेशन उत्पन्न होते हैं।

प्रमुख योगदान

• Hamlet-PM ढांचा: Hamlet पद्धति का एक नवीन विस्तार जो एक डिफरेंशिएबल, गैर-रैखिक गुरुत्वाकर्षण सॉल्वर का उपयोग करके प्रत्यक्ष रूप से $z=0$ वेग डेटा से ICs को नियंत्रित करने में सक्षम बनाता है, जो CLUES पाइपलाइन की रैखिक सिद्धांत सीमाओं से आगे बढ़ता है।
• Opt-LUM मीट्रिक: एक "अनुकूलित स्थानीय ब्रह्मांड मॉडल" (optimized Local Universe Model - opt-LUM) का परिचय। यह एल्गोरिदम प्रेक्षित क्लस्टरों के लक्ष्य स्थान को मेल खाने वाले हेलो के द्रव्यमान केंद्र (center of mass) की ओर पुनरावर्ती रूप से स्थानांतरित करता है। यह उन व्यवस्थित स्थानिक बदलावों (स्थानिक पूर्वाग्रहों) को पकड़ता है जिन्हें मानक LUM दंडित करता है, जिससे अधिक सुदृढ़ पहचान दर और द्रव्यमान अनुमान प्राप्त होता है।
• मानकीकृत बेंचमार्किंग: मौजूदा वेग-आधारित (CLONES, P23) और रेडशिफ्ट-आधारित (CSiBORG, Manticore-Local) नियंत्रित सिमुलेशन के विरुद्ध नई विधि की तुलना करने के लिए वेलोसिटी फील्ड ओलंपिक्स (VFO) और LUM मीट्रिक का अनुप्रयोग।

परिणाम

• लार्ज-स्केल स्ट्रक्चर (Large-Scale Structure): 100 सिमुलेशन नियंत्रित आयतन के भीतर देखे गए बड़े पैमाने की संरचना को सफलतापूर्वक पुनरुत्पादित करते हैं, जिसमें निरंतर फिलामेंट्स और रिक्त स्थान (voids) दिखाई देते हैं। गैर-रैखिक संरचनाएं रैखिक पुनर्निर्माणों की तुलना में अधिक स्पष्ट दिखाई देती हैं।
• क्लस्टर डिटेक्शन: opt-LUM मीट्रिक का उपयोग करते हुए, 12 प्रमुख निकटवर्ती क्लस्टरों (जैसे Virgo, Coma, Shapley) के लिए पहचान दर मानक LUM की तुलना में काफी बेहतर हो जाती है। अधिकांश क्लस्टर $2\sigma$ पर $>80\%$ की पहचान दर प्राप्त करते हैं, जिनमें से कई $3\sigma$ और $4\sigma$ थ्रेसहोल्ड तक पहुँचते हैं।
• द्रव्यमान अनुमान: मेल खाने वाले क्लस्टरों के लिए पश्चातवर्ती द्रव्यमान वितरण (posterior mass distributions) सामान्यतः साहित्य के मानों (X-ray, SZ, और डायनेमिकल प्रोब्स) के अनुरूप होते हैं, विशेष रूप से जब opt-LUM समकक्षों का उपयोग किया जाता है।
• वेग क्षेत्र प्रदर्शन: VFO बेंचमार्क में, Hamlet-PM पिछले वेग-आधारित पाइपलाइनों (CLONES) से बेहतर प्रदर्शन करता है, लेकिन रेडशिफ्ट-आधारित नियंत्रित सिमुलेशन (Manticore-Local, CSiBORG1) द्वारा पीछे छोड़ दिया जाता है।
• व्यवस्थित पूर्वाग्रह (Systematic Biases): अध्ययन $\Lambda$CDM भविष्यवाणियों और अवलोकनात्मक अनुमानों की तुलना में नियंत्रित आयतन में विशाल हेलो ($>10^{14} h^{-1}M_\odot$) की अत्यधिक प्रचुरता की पहचान करता है। अनुमान के लिए उपयोग किया जाने वाला पार्टिकल-मेष सॉल्वर घने क्षेत्रों में वेग आयामों (velocity amplitudes) को कम आंकता प्रतीत होता है, जिससे प्रारंभिक स्थितियाँ डेटा के अनुकूल होने के लिए कॉस्मोलॉजिकल मॉडल से विचलित हो जाती हैं, जिसके परिणामस्वरूप बहुत अधिक विशाल क्लस्टरों वाले पक्षपाती पुनर्सिम्युलेशन (biased resimulations) प्राप्त होते हैं।

महत्व और दावे
यह शोध दावा करता है कि प्रारंभिक स्थितियों के फील्ड-लेवल फॉरवर्ड मॉडलिंग को वास्तविक विचित्र वेग अवलोकनों को नियंत्रित करने के लिए सफलतापूर्वक लागू किया जा सकता है ताकि अत्यधिक नियंत्रित कॉस्मोलॉजिकल सिमुलेशन बनाए जा सकें। वर्तमान स्वरूप में, Hamlet-PM को मानक CLUES पाइपलाइन (WF/RZA/CRs) की गुणवत्ता से आगे निकलने वाला माना गया है, जिसका मुख्य कारण गैर-रैखिकता और जटिल अवलोकनात्मक प्रभावों को एक स्व-सुसंगत बेयसियन ढांचे के भीतर मॉडल करने की इसकी क्षमता है।

हालाँकि, लेखक अपनी विधि की वर्तमान सीमाओं के संबंध में विनम्र हैं। वे व्यवस्थित पूर्वाग्रहों को स्वीकार करते हैं, विशेष रूप से विशाल क्लस्टरों के अत्यधिक उत्पादन और घने क्षेत्रों में वेग कंट्रास्ट के कम आकलन को, जो मोटे पार्टिकल-मेष सॉल्वर के कारण है, जिसे संबोधित किया जाना चाहिए। पेपर निष्कर्ष निकालता है कि हालांकि यह विधि विचित्र वेग डेटा के फील्ड-लेवल विश्लेषण के लिए एक बड़ी छलांग है, फिर भी यह रेडशिफ्ट-आधारित नियंत्रित सिमुलेशन (जैसे Manticore-Local) द्वारा पीछे छोड़ दी जाती है, क्योंकि रेडशिफ्ट डेटा में दूरी-आधारित विचित्र वेगों की तुलना में घनत्व और सटीकता अधिक होती है। भविष्य के सुधारों की अपेक्षा अवलोकन मॉडल (चयन कार्य, क्रॉस-कैलिब्रेशन) को परिष्कृत करने और गैर-रैखिक शासन में गहराई तक जाने के लिए घनत्व/वेग क्षेत्र मॉडलिंग में सुधार करने से की जाती है।