The Galaxy Bias Profile of Cosmic Voids:A Comparison of Void Finders

तकनीकी सारांश: कॉस्मिक वॉइड्स का गैलेक्सी बायस प्रोफाइल: वॉइड फाइंडर्स का एक तुलनात्मक अध्ययन

समस्या विवरण
कॉस्मिक वॉइड्स (Cosmic voids) अत्यधिक कम घनत्व वाले वातावरण में गैलेक्सी निर्माण के अध्ययन के लिए अद्वितीय प्रयोगशालाओं के रूप में और ब्रह्मांड विज्ञान (cosmology) के प्रोब के रूप में कार्य करते हैं। हालिया कार्य (Monero-Dorta et al. 2025) ने यह स्थापित किया है कि व्यक्तिगत गैलेक्सी बायस ($b_i$), जो यह मापता है कि गैलेक्सियाँ अंतर्निहित डार्क मैटर क्षेत्र का कितनी सटीकता से अनुसरण करती हैं, गोलाकार वॉइड्स के भीतर एक विशिष्ट रेडियल निर्भरता प्रदर्शित करती है: वॉइड केंद्रों के पास स्थित गैलेक्सियाँ सीमाओं के पास की गैलेक्सियों की तुलना में व्यवस्थित रूप से कम (अक्सर नकारात्मक) बायस मान प्रदर्शित करती हैं। हालाँकि, यह "वॉइड बायस प्रोफाइल" इस बात पर कितना निर्भर करता है कि वॉइड की पहचान करने के लिए विशिष्ट पद्धति का उपयोग किया गया है, यह अभी तक अनछुआ रहा है। चूंकि विभिन्न एल्गोरिदम (गोलाकार, वॉटरशेड, फ्री-फॉर्म) अलग-अलग ज्यामितीय और गतिशील विशेषताओं वाले कैटलॉग प्रदान करते हैं, इसलिए यह निर्धारित करना महत्वपूर्ण है कि देखा गया बायस ट्रेंड वॉइड के भौतिक वातावरण का एक आंतरिक गुण है या पहचान पद्धति पर निर्भर है।

कार्यप्रणाली
लेखक IllustrisTNG300-1 कॉस्मोलॉजिकल मैग्नेटो-हाइड्रोडायनामिकल सिमुलेशन के $z=0$ स्नैपशॉट का उपयोग करते हैं। वे केंद्रीय गैलेक्सियों का एक नमूना तैयार करते हैं जिनका स्टेलर मास $\log_{10}(M_*/h^{-1}M_\odot) > 8.33$ है। प्रत्येक गैलेक्सी के लिए व्यक्तिगत गैलेक्सी बायस ($b_i$) की गणना फूरियर-स्पेस विधि का उपयोग करके की जाती है, जो रैखिक पैमानों ($k \leq 0.2 \, h \, \text{Mpc}^{-1}$) पर गैलेक्सी की स्थिति को डार्क मैटर घनत्व कंट्रास्ट के साथ सह-संबंधित करती है।

इस अध्ययन का मुख्य भाग एक ही गैलेक्सी सैंपल पर पांच अलग-अलग वॉइड-फाइंडिंग एल्गोरिदम लागू करना है ताकि तुलनात्मक कैटलॉग बनाए जा सकें:

1. Sparkling: एक एकीकृत घनत्व कंट्रास्ट थ्रेशोल्ड ($\Delta_{\text{lim}} = -0.9$) पर आधारित गोलाकार वॉइड फाइंडर।
2. ZOBOV: बिना किसी स्पष्ट घनत्व बाधा के, वोरोनोई टेसेलेशन फील्ड एस्टिमेटर्स (VTFE) का उपयोग करने वाला एक पैरामीटर-मुक्त, वॉटरशेड-आधारित तरीका।
3. Revolver-ZOBOV: घनत्व अनुमान के लिए VTFE का उपयोग करने वाला एक वॉटरशेड तरीका, जिसे प्रभावी गोलाकार निरूपणों में परिवर्तित किया गया है।
4. Revolver-Voxel: ग्रिड-आधारित (पार्टिकल-मेश) घनत्व अनुमान का उपयोग करने वाला एक वॉटरशेड तरीका, जिसे भी प्रभावी गोलों में परिवर्तित किया गया है।
5. Popcorn: एक फ्री-फॉर्म तरीका जो वैश्विक एकीकृत अंडरडेंसिटी थ्रेशोल्ड ($\Delta_{\text{lim}} = -0.9$) को संतुष्ट करने के लिए ओवरलैपिंग गोलों को जोड़ता है, जिससे गैर-गोलाकार टोपोलॉजी सुरक्षित रहती है।

विश्लेषण में प्रत्येक गैलेक्सी के औसत व्यक्तिगत बायस $\langle b_i \rangle$ की गणना भौतिक दूरी ($R$) और वॉइड केंद्रों से सामान्यीकृत दूरी ($R/R_{\text{max}}$) के फलन के रूप में की जाती है। इसके अतिरिक्त, लेखक विभिन्न एकीकृत अंडरडेंसिटी थ्रेशोल्ड्स ($\Delta_{\text{lim}} = -0.9, -0.8, -0.7$) में गैलेक्सी सदस्यता के साथ $b_i$ मानों के बीच सहसंबंध की जांच करते हैं।

मुख्य योगदान और परिणाम

• बायस प्रोफाइल की मजबूती: अध्ययन इस बात की पुष्टि करता है कि वॉइड्स के भीतर व्यक्तिगत बायस का रेडियल ग्रेडिएंट—जो केंद्रों पर नकारात्मक मानों से बढ़कर सीमाओं पर उच्च मानों तक जाता है—अधिकांश वॉइड परिभाषाओं में एक मजबूत विशेषता है। यह प्रवृत्ति तब भी बनी रहती है जब दूरियों को वॉइड के विशिष्ट आकार ($R/R_{\text{max}}$) द्वारा सामान्यीकृत किया जाता है।
• बायस शुद्धता पर पद्धतिगत निर्भरता:
  • घनत्व-थ्रेशोल्ड विधियाँ (Sparkling, Popcorn): ये विधियाँ विशेष रूप से उन गैलेक्सियों को चुनती हैं जिनका बायस नकारात्मक ($b_i < 0$) होता है। ये पूर्ण सैंपल की तुलना में कम बायस मानों की ओर झुके हुए वितरण उत्पन्न करती हैं, जो प्रभावी रूप से "एंटी-बायस्ड" ट्रेसर्स को अलग करती हैं।
  • वॉटरशेड विधियाँ (ZOBOV, Revolver): ये विधियाँ, विशेष रूप से बिना घनत्व बाधाओं के ZOBOV, वॉइड सीमाओं या फिलामेंटरी संरचनाओं में स्थित उच्च-बायस गैलेक्सियों से काफी संदूषण (contamination) शामिल करती हैं। परिणामस्वरूप, ZOBOV वॉइड्स का बायस वितरण वैश्विक औसत के बहुत करीब होता है, जिसमें कुछ प्रोफाइल किनारों के पास सकारात्मक बायस भी दिखाते हैं।
• अंडरडेंसिटी थ्रेशोल्ड का प्रभाव: जब एकीकृत अंडरडेंसिटी थ्रेशोल्ड को शिथिल किया जाता है (जैसे, $\Delta_{\text{lim}} = -0.9$ से $-0.7$ तक), तो वॉइड कैटलॉग में शामिल अत्यधिक एंटी-बायस्ड गैलेक्सियों का अंश बढ़ जाता है। Popcorn एल्गोरिदम इन एंटी-बायस्ड आबादी को अलग करने में उच्चतम शुद्धता प्रदर्शित करता है, यहाँ तक कि शिथिल थ्रेशोल्ड के तहत भी, क्योंकि इसमें गोलाकार सन्निकटन की तुलना में वॉइड सीमाओं को अधिक सटीक रूप से पुनर्निर्मित करने की क्षमता है।
• ज्यामितीय प्रभाव: Revolver-Voxel कैटलॉग एक विशिष्ट नकारात्मक ढलान प्रदर्शित करता है। लेखक इसे एक ज्यामितीय प्रोजेक्शन प्रभाव का परिणाम बताते हैं: क्योंकि Revolver-Voxel वॉइड्स व्यवस्थित रूप से छोटे होते हैं, उनकी "दीवारों" के पास स्थित गैलेक्सियाँ अक्सर उन बड़े ढांचों के भीतर गहराई में होती हैं जिन्हें अन्य विधियों द्वारा पहचाना गया है, जहाँ बायस मान अभी भी बढ़ रहे होते हैं।

महत्व
यह शोध दावा करता है कि गैलेक्सी बायस का पर्यावरणीय मॉड्यूलेशन एक भौतिक वास्तविकता है जो अधिकांश वॉइड परिभाषाओं में मजबूत है, बशर्ते कि पद्धति को समझा जाए। निष्कर्षों ने साहित्य में पिछले अस्पष्टों को स्पष्ट किया है: वे अध्ययन जो उन वॉइड परिभाषाओं का उपयोग करते हैं जो गहरे अंडरडेंसिटी को सख्ती से अलग नहीं करते हैं (जैसे मानक वॉटरशेड विधियाँ), वे सीमावर्ती गैलेक्सियों को शामिल करने के कारण कमजोर या अस्पष्ट रुझान का पता लगाने की संभावना रखते हैं।

परिणाम सुझाव देते हैं कि:

1. व्यक्तिगत गैलेक्सी बायस कम घनत्व वाले क्षेत्रों में गैलेक्सी-मैटर कपलिंग के लिए एक संवेदनशील डायग्नोस्टिक है।
2. दूरियों को वॉइड आकार ($R/R_{\text{max}}$) द्वारा सामान्यीकृत करना व्यक्तिगत बायस प्रोफाइल के लिए एक सार्वभौमिक आकार प्रकट करता है, जो पर्यावरणीय निर्भरताओं को चरित्रित करने के लिए वॉइड आकार के उपयोग का समर्थन करता है।
3. घनत्व-थ्रेशोल्ड विधियाँ (विशेष रूप से Popcorn) सबसे गहरे अंडरडेंसिटी और उनसे जुड़ी एंटी-बायस्ड आबादी को अलग करने के लिए बेहतर हैं, जो वॉइड सांख्यिकी और वॉइड-गैलेक्सी सहसंबंधों पर निर्भर कॉस्मोलॉजिकल परीक्षणों के लिए महत्वपूर्ण है।

लेखक निष्कर्ष निकालते हैं कि जबकि रेडियल ट्रेंड सार्वभौमिक है, बायस के आयाम और शुद्धता इस बात पर निर्भर करती है कि वॉइड-फाइंडर में उच्च-घनत्व वाली सीमा सामग्री को बाहर करने की कितनी क्षमता है। यह अंतर बड़े पैमाने की संरचना सर्वेक्षणों से प्राप्त कॉस्मोलॉजिकल पैरामीटर बाधाओं की व्याख्या करने और उन्हें सुधारने के लिए आवश्यक है।