⚛️ general relativity

Cosmological gravity on all scales V: MCMC forecasts combining large scale structure and CMB lensing for binned phenomenological modified gravity

यह शोध पत्र एक बिन्डेड फेनोमेनोलॉजिकल मॉडिफाइड ग्रेविटी मॉडल में मैटर पावर स्पेक्ट्रम के लिए एक तेज़ एमुलेशन फ्रेमवर्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि लार्ज-स्केल स्ट्रक्चर को CMB लेंसिंग डेटा के साथ संयोजित करने से रेडशिफ्ट बिन्स में प्रभावी गुरुत्वाकर्षण स्थिरांक और गुरुत्वाकर्षण स्लिप पर सटीक बायेसियन बाधाएं प्राप्त करना सक्षम होता है।

मूल लेखक: Sankarshana Srinivasan, Shreya Prabhu, Kai Lehman, Ajiv Krishnan V., Jochen Weller

प्रकाशित 2026-03-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sankarshana Srinivasan, Shreya Prabhu, Kai Lehman, Ajiv Krishnan V., Jochen Weller

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, अदृश्य कपड़े की तरह है जिसे स्पेसटाइम (spacetime) कहा जाता है। दशकों से, भौतिकविदों का मानना रहा है कि यह कपड़ा अल्बर्ट आइंस्टीन द्वारा लिखे गए नियमों के एक विशिष्ट सेट का पालन करता है, जिसे जनरल रिलेटिविटी (General Relativity) के रूप में जाना जाता है। ये नियम बताते हैं कि गुरुत्वाकर्षण कैसे काम करता है: तारे और आकाशगंगाओं जैसी विशाल वस्तुएं इस कपड़े को मोड़ देती हैं, जिससे अन्य चीजें उनकी ओर खिंची चली आती हैं।

हालाँकि, एक रहस्य है। जब हम देखते हैं कि ब्रह्मांड कैसे फैल रहा है और आकाशगंगाएँ एक साथ कैसे समूह बना रही हैं, तो गणित पूरी तरह से मेल नहीं खाता, जब तक कि हम "डार्क एनर्जी" या "डार्क मैटर" नामक एक रहस्यमय, अदृश्य पदार्थ की कल्पना न करें। कुछ वैज्ञानिक सोचते हैं: क्या होगा यदि गुरुत्वाकर्षण के नियम स्वयं उन नियमों से थोड़े अलग हों जो आइंस्टीन ने सोचे थे?

यह शोध पत्र उन "क्या होगा यदि" वाले परिदृश्यों का परीक्षण करने के बारे में है, जिन्हें हमारे पास मौजूद (या जल्द ही होने वाले) सबसे बड़े, सबसे शक्तिशाली दूरबीनों का उपयोग करके किया जा सकता है। यहाँ बताया गया है कि उन्होंने क्या किया, इसे सरल भाषा में समझाया गया है।

1. समस्या: "नॉनलीनर" (Nonlinear) जंगल

कल्पना कीजिए कि आप एक शांत कमरे में लोगों की भीड़ के चलने के तरीके की भविष्यवाणी करने की कोशिश कर रहे हैं। यह आसान है; वे बस सीधी रेखाओं में चलते हैं। यह उस समय के ब्रह्मांड की तरह है जब वह युवा और सुव्यवस्थित था।

लेकिन अब, उसी भीड़ की कल्पना एक रॉक कॉन्सर्ट के 'मोश पिट' (moth pit) में करें। लोग टकरा रहे हैं, धक्का दे रहे हैं और अराजक तरीके से घूम रहे हैं। यह आज का नॉनलीनर ब्रह्मांड (nonlinear universe) है। आकाशगंगाएँ एक-दूसरे से टकरा रही हैं, और गुरुत्वाकर्षण उलझ रहा है।

समस्या यह है कि हमारे वर्तमान कंप्यूटर इस "मोश पिट" को गुरुत्वाकर्षण के हर संभावित संस्करण के लिए सिम्युलेट (simulate) करने के लिए बहुत धीमे हैं। यदि हम गुरुत्वाकर्षण के एक नए सिद्धांत का परीक्षण करना चाहते हैं, तो हमें आमतौर पर डेटा के अव्यवस्थित, जटिल हिस्सों को छोड़ना पड़ता है और केवल "शांत कमरे" वाले हिस्सों को देखना पड़ता है। इसका मतलब है कि हम एक बड़ी मात्रा में मूल्यवान जानकारी को त्याग देते हैं।

2. समाधान: "मैजिक ट्रांसलेटर" (The Magic Translator - द एम्यूलेटर)

लेखकों ने एक अनुवादक (translator) बनाया है।

हर बार जब वे गुरुत्वाकर्षण के एक नए सिद्धांत का परीक्षण करना चाहते हैं, तो एक धीमे, सुपर-कंप्यूटर सिमुलेशन को चलाने के बजाय, उन्होंने पहले सिमुलेशन का एक सेट चलाया और फिर एक स्मार्ट कंप्यूटर प्रोग्राम (जिसे एम्यूलेटर/emulator कहा जाता है) को पैटर्न सीखने के लिए प्रशिक्षित किया।

उपमा: इसे एक मौसम पूर्वानुमानकर्ता की तरह समझें। मौसम की भविष्यवाणी करने के लिए हर दिन एक नया विशाल विंड टनल बनाने के बजाय, वे हजारों पिछले तूफानों पर प्रशिक्षित एक कंप्यूटर मॉडल का उपयोग करते हैं।
परिणाम: यह "अनुवादक" तुरंत भविष्यवाणी कर सकता है कि यदि गुरुत्वाकर्षण थोड़ा अलग होता तो कॉस्मिक मोश पिट कैसा दिखता, और इसकी सटीकता 99% है। यह उन्हें डेटा के सभी हिस्सों, यहाँ तक कि अव्यवस्थित, जटिल हिस्सों का भी उपयोग करने की अनुमति देता है।

3. प्रयोग: दो अलग "लेंस" (Two Different Lenses)

इन नए गुरुत्वाकर्षण नियमों का परीक्षण करने के लिए, टीम ने ब्रह्मांड को दो अलग-अलग "लेंस" के माध्यम से देखा:

गैलेक्सी लेंस (Large Scale Structure): उन्होंने देखा कि आकाशगंगाएँ एक साथ कैसे क्लस्टर (समूह) बनाती हैं। यह यह देखने जैसा है कि यातायात कैसे बहता है, यह देखने के लिए कि शहरों का मानचित्र कैसा है। यह हमें बताता है कि समय के साथ पदार्थ कैसे बढ़ रहा है और जमा हो रहा है।
CMB लेंस (Cosmic Microwave Background): उन्होंने ब्रह्मांड की "बेबी पिक्चर" (बिग बैंग की चमक) को देखा। जैसे-जैसे यह प्रकाश हम तक पहुँचता है, गुरुत्वाकर्षण इसे मोड़ देता है, ठीक वैसे ही जैसे एक लेंस कैमरे में प्रकाश को मोड़ता है। यह हमें बहुत दूर और बहुत पहले के ब्रह्मांड के गुरुत्वाकर्षण के "उभारों" के बारे में बताता है।

उन्होंने इन दोनों दृश्यों को (अन्य मापों के साथ) मिलाकर एक विशाल डेटासेट बनाया जिसे वे "6x2pt" डेटा वेक्टर कहते हैं। यह आज के ट्रैफ़िक के हाई-डेफिनिशन मानचित्र को अंतरिक्ष से पूरे हाईवे सिस्टम के सैटेलाइट दृश्य के साथ मिलाने जैसा है।

4. निष्कर्ष: "ग्रेविटी स्लिप" और "स्लिपरी स्लोप"

टीम ने एक सिद्धांत का परीक्षण किया जहाँ गुरुत्वाकर्षण समय और दूरी के साथ अपनी शक्ति बदलता है। उन्होंने दो मुख्य चर (variables) का उपयोग किया:

$\mu$ (Mu): पदार्थ (जैसे आकाशगंगाओं) के लिए गुरुत्वाकर्षण कितना मजबूत है।
$\eta$ (Eta): गुरुत्वाकर्षण कितनी मात्रा में "स्लिप" होता है या प्रकाश को पदार्थ की तुलना में अलग तरह से मोड़ता है।

बड़ी खोज:
उन्होंने पाया कि हालांकि वे $\mu$ और $\eta$ के बीच आसानी से अंतर नहीं कर सकते थे (वे "डिजेनरेट" हैं, जैसे यह बताने की कोशिश करना कि कार धीमी है क्योंकि टायर पंचर है या इंजन खराब है), लेकिन वे दोनों के एक विशिष्ट संयोजन (combination) को बहुत सटीकता से माप सकते थे।

उपमा: कल्पना कीजिए कि आप सेबों के एक बैग के वजन का अनुमान लगाने की कोशिश कर रहे हैं। आप यह नहीं बता सकते कि बैग भारी है क्योंकि सेब बड़े हैं या इसलिए कि उनमें बहुत सारे सेब हैं। लेकिन आप कुल वजन को पूरी तरह से माप सकते हैं।
उनके अध्ययन में, "कुल वजन" एक मान है जिसे $\Sigma$ (Sigma) कहा जाता है। यह मान नियंत्रित करता है कि गुरुत्वाकर्षण प्रकाश को कितना मोड़ता है (lensing)।

रेडशिफ्ट का आश्चर्य (Redshift Surprise):

निकटवर्ती ब्रह्मांड (Low Redshift): गैलेक्सी डेटा हमारे करीब की चीजों को मापने में बहुत अच्छा था।
दूरस्थ ब्रह्मांड (High Redshift): गैलेक्सी डेटा कमजोर और धुंधला हो गया। लेकिन जब उन्होंने CMB लेंसिंग (बिग बैंग की "बेबी पिक्चर" लेंस) को जोड़ा, तो यह एक अंधेरे कमरे में टॉर्च जलाने जैसा था। CMB डेटा बहुत दूर की दूरियों (रेडशिफ्ट $z \approx 2$ के आसपास) पर गुरुत्वाकर्षण के प्रति संवेदनशील है, जो उन अंतरालों को भर देता है जहाँ गैलेक्सी डेटा विफल हो गया था।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र भविष्य के लिए एक "ड्रेस रिहर्सल" है। अगले दशक में, LSST (चिली में) और सिमन्स ऑब्जर्वेटरी (Simons Observatory) जैसे टेलीस्कोप लाखों आकाशगंगाओं का मानचित्र बनाएंगे।

लेखकों ने दिखाया है कि:

हम अब इस विशाल मात्रा में डेटा का विश्लेषण करने के लिए इतने तेज़ तरीके से जटिल ब्रह्मांड को मॉडल कर सकते हैं।
हम यह परीक्षण कर सकते हैं कि क्या आइंस्टीन गलत थे, बिना किसी विशिष्ट सिद्धांत की बारीकियों में फंसे।
गैलेक्सी मानचित्रों को बिग बैंग की प्राचीन रोशनी के साथ जोड़कर, हम अपने घर के आँगन से लेकर समय के छोर तक, उच्च परिभाषा (high definition) में ब्रह्मांड के गुरुत्वाकर्षण को देख सकते हैं।

संक्षेप में: उन्होंने यह दिखाने के लिए एक तेज़, स्मार्ट उपकरण बनाया कि ब्रह्मांड कैसा दिखेगा यदि गुरुत्वाकर्षण अजीब हो। उन्होंने इसका उपयोग यह दिखाने के लिए किया कि दो अलग-अलग प्रकार के कॉस्मिक मानचित्रों को जोड़कर, हम अंततः एक स्पष्ट तस्वीर प्राप्त कर सकते हैं कि क्या ब्रह्मांड के बढ़ने के साथ गुरुत्वाकर्षण के नियम बदल रहे हैं। यदि उन्हें कोई विचलन मिलता है, तो यह हमारे भौतिकी की समझ को फिर से लिख सकता है!

कॉस्मोलॉजिकल ग्रेविटी ऑन ऑल स्केल्स V: बिन्डेड फेनोमेनोलॉजिकल मॉडिफाइड ग्रेविटी के लिए लार्ज स्केल स्ट्रक्चर और CMB लेंसिंग को संयोजित करने वाले MCMC फोरकास्ट

1. समस्या विवरण (Problem Statement)

जैसे-जैसे कॉस्मोलॉजी "स्टेज IV" युग (जैसे, LSST, सिमोंस ऑब्जर्वेटरी) में प्रवेश कर रही है, क्षेत्र एक महत्वपूर्ण बाधा का सामना कर रहा है: नॉनलीनर स्केल्स (nonlinear scales) की सटीक मॉडलिंग।

अंतराल (The Gap): जबकि मानक $\Lambda$ CDM मॉडलों के पास मजबूत नॉनलीनर टूल्स (जैसे, एम्युलेटर्स, N-बॉडी सिमुलेशन) हैं, अधिकांश मॉडल-एग्नोस्टिक (model-agnostic) मॉडिफाइड ग्रेविटी (MG) सिद्धांतों के लिए प्रमाणित टूल्स की भारी कमी है।
चुनौती (The Challenge): वर्तमान पाइपलाइन अक्सर विश्वसनीय रहने के लिए लीनियर थ्योरी या सख्त स्केल कट्स पर निर्भर करती है, जिससे डेटा वॉल्यूम का अधिकांश हिस्सा (नॉनलीनर स्केल्स) त्याग दिया जाता है। मौजूदा MG-विशिष्ट टूल्स (जैसे, $f(R)$ या nDGP एम्युलेटर्स) अत्यधिक सामान्यीकृत (generalizable) नहीं हैं।
आवश्यकता (The Need): एक तेज़, लचीला ढांचा आवश्यक है जो वास्तविक सर्वे डेटा वेक्टर्स (जिसमें नॉनलीनर स्ट्रक्चर फॉर्मेशन और एस्ट्रोफिजिकल सिस्टमैटिक्स शामिल हैं) का उपयोग करके मॉडल-एग्नोस्टिक MG मापदंडों पर पूर्ण बेयसियन मार्कोव चेन मोंटे कार्लो (MCMC) विश्लेषण करने में सक्षम हो।

2. कार्यप्रणाली (Methodology)

लेखकों ने CosmoSIS फ्रेमवर्क का उपयोग करके एक व्यापक फोरकास्टिंग पाइपलाइन विकसित की है, जिसमें कई नवीन घटकों को एकीकृत किया गया है:

A. फेनोमेनोलॉजिकल पैरामीट्राइजेशन (Phenomenological Parameterization)

विशिष्ट सिद्धांतों का परीक्षण करने के बजाय, यह पेपर पोस्ट-फ्रीडमैन फॉर्मलिज्म में $\mu(z)$ और $\eta(z)$ नामक दो फलनों (functions) का उपयोग करके GR से विचलन को पैरामीटराइज करने के लिए एक मॉडल-एग्नोस्टिक दृष्टिकोण अपनाता है:

$\mu(a)$ : पॉइसन समीकरण (Poisson equation) को संशोधित करता है, जो मैटर क्लस्टरिंग के विकास को नियंत्रित करता है (डार्क मैटर N-बॉडी सिमुलेशन द्वारा जांचा जाता है)।
$\eta(a)$ : ग्रेविटेशनल स्लिप (दो मेट्रिक पोटेंशियल के बीच का अंतर) का वर्णन करता है, जो फोटोन जियोडेसिक्स और लेंसिंग को प्रभावित करता है।
बिनिंग (Binning): इन मापदंडों को रेडशिफ्ट ( $0 \le z \le 3$ ) में पांच असतत अंतरालों (Table 1) में बिन किया गया है ताकि किसी विशिष्ट कार्यात्मक रूप को माने बिना समय-परिवर्तित विचलन की अनुमति मिल सके।

B. नॉनलीनर एम्यूलेशन (The Core Innovation)

प्रत्येक MCMC स्टेप के लिए पूर्ण N-बॉडी सिमुलेशन चलाने की कम्प्यूटेशनल लागत से बचने के लिए, लेखकों ने मॉडिफाइड ग्रेविटी बूस्ट फैक्टर ( $B$ ) के लिए एक गौसियन प्रोसेस (GP) एम्युलेटर बनाया है:
$B(z, k) = \frac{P_{MG}(z, k)}{P_{\Lambda CDM}(z, k)}$

प्रशिक्षण डेटा (Training Data): एम्युलेटर को COLA (COmoving Lagrangian Acceleration) सिमुलेशन के 500 लैटिन हाइपरक्यूब सैंपल्स पर प्रशिक्षित किया गया है।
सटीकता (Accuracy): एम्युलेटर $k = 1 \, h \, \text{Mpc}^{-1}$ तक पूर्ण N-बॉडी सिमुलेशन के सापेक्ष < 1% सटीकता के साथ नॉनलीनर बूस्ट फैक्टर को पुनरुत्पादित करता है।
डायमेंशनलिटी रिडक्शन (Dimensionality Reduction): पावर स्पेक्ट्रा को कंप्रेस करने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) का उपयोग किया गया, जिससे कॉस्मोलॉजिकल मापदंडों को पहले पांच प्रिंसिपल कंपोनेंट्स में मैप किया गया।

C. डेटा वेक्टर्स और सिस्टमैटिक्स (Data Vectors and Systematics)

पाइपलाइन दो डेटा कॉन्फ़िगरेशन का उपयोग करके बाधाओं (constraints) का पूर्वानुमान लगाती है:

3 $\times$ 2pt: कॉस्मिक शीयर, गैलेक्सी क्लस्टरिंग, और गैलेक्सी-गैलेक्सी लेंसिंग (LSST वर्ष 10 का प्रतिनिधित्व करता है)।
6 $\times$ 2pt: उपरोक्त के साथ CMB लेंसिंग ऑटो- और क्रॉस-कोरिलेशन (सिमोंस ऑब्जर्वेटरी का प्रतिनिधित्व करता है)।

मॉडल किए गए सिस्टमैटिक्स (Systematics Modeled):

बेरियोनिक फीडबैक (Baryonic Feedback): इसे बेरियोनिफिकेशन मॉडल पर आधारित BCemu (बैरियोनिक करेक्शन एम्युलेटर) का उपयोग करके मॉडल किया गया है, जिसमें कट-ऑफ मास, गैस प्रोफाइल स्लोप और इजेक्शन फैक्टर को मार्जिनलाइज किया गया है।
इंट्रिन्सिक एलाइनमेंट्स (IA): इसे नॉन-लीनियर एलाइनमेंट (NLA) मॉडल के माध्यम से मॉडल किया गया है।
स्केल कट्स और नलिंग (Scale Cuts & Nulling): अत्यधिक नॉनलीनर शासन में मॉडलिंग अनिश्चितताओं को कम करने के लिए, लेखक कॉस्मिक शीयर डेटा को री-वेट करने के लिए बर्नाड्यू-निशिमिची-तारुया (BNT) ट्रांसफॉर्म (k-कट विधि) का उपयोग करते हैं, जो प्रभावी रूप से खराब तरीके से मॉडल किए गए छोटे स्केल्स के प्रति संवेदनशीलता को हटा देता है। विश्लेषण को $k_{cut} = 0.5 \, h \, \text{Mpc}^{-1}$ तक सीमित रखा गया है।

D. इन्फरेंस (Inference)

सैंपलर (Sampler): पोस्टीरियर डिस्ट्रीब्यूशन का पता लगाने और साक्ष्य (evidence) का अनुमान लगाने के लिए नेस्टेड सैंपलिंग एल्गोरिदम Nautilus का उपयोग किया जाता है।
स्क्रीनिंग (Screening): परिशिष्ट C में एक "सुपरस्क्रीनड" दृष्टिकोण का परीक्षण किया गया है, जहाँ MG प्रभाव क्वासी-लीनियर शासन में $\Lambda$ CDM की ओर सुचारू रूप से संक्रमण करते हैं।

3. प्रमुख योगदान (Key Contributions)

नॉनलीनर एम्यूलेशन के साथ पहला पूर्ण MCMC MG फोरकास्ट: यह अध्ययन COLA सिमुलेशन पर प्रशिक्षित फास्ट एम्युलेटर का उपयोग करके, केवल फिशर मैट्रिसेस पर निर्भर रहने के बजाय, एक मॉडल-एग्नोस्टिक MG पैरामीट्राइजेशन पर पूर्ण बेयसियन MCMC विश्लेषण करने वाला पहला अध्ययन है।
CMB लेंसिंग का एकीकरण: यह प्रदर्शित करता है कि उच्च रेडशिफ्ट बिन में, जहाँ लार्ज स्केल स्ट्रक्चर (LSS) अकेले अपनी बाधा लगाने की शक्ति खो देता है, वहां डिजनरेसी (degeneracy) को तोड़ने के लिए CMB लेंसिंग जोड़ने की विशिष्ट उपयोगिता क्या है।
ReACT बनाम COLA का सत्यापन: लेखकों ने ReACT (हेलो-मॉडल रिएक्शन) दृष्टिकोण का परीक्षण किया लेकिन पाया कि यह इस विशिष्ट फेनोमेनोलॉजिकल पैरामीट्राइजेशन के लिए केंद्रीय प्रायर वॉल्यूम के बाहर अस्थिर है, और निष्कर्ष निकाला कि इस उपयोग के मामले के लिए COLA-आधारित एम्यूलेशन अधिक मजबूत है।
BNT ट्रांसफॉर्म कार्यान्वयन: स्केल कट्स को लगातार संभालने के लिए BNT ट्रांसफॉर्म को सफलतापूर्वक एकीकृत किया गया।

4. मुख्य परिणाम (Key Results)

डिजनरेसी संरचना (Degeneracy Structure): विश्लेषण $\mu$ $μ$ और $\eta$ $η$ के बीच प्रसिद्ध डिजनरेसी की पुष्टि करता है। हालांकि, प्रिंसिपल कंपोनेंट एनालिसिस (PCA) से पता चलता है कि डेटा सबसे अधिक संयोजन $\Sigma = \mu(1 + \eta)/2$ के प्रति संवेदनशील है, जो वेल पोटेंशियल (Weyl potential) को नियंत्रित करता है।
- "टाइट" आइगेनमोड $\Sigma$ के साथ संरेखित है।
- "वाइड" आइगेनमोड (कम प्रतिबंधित) उस दिशा के अनुरूप है जहाँ $\Sigma$ स्थिर रहता है।
रेडशिफ्ट निर्भरता (Redshift Dependence):
- निम्न रेडशिफ्ट ( $z < 1$ ): उच्च सिग्नल-टू-नॉइज़ और महत्वपूर्ण नॉनलीनर ग्रोथ के कारण LSS (3 $\times$ 2pt) मजबूत बाधाएं प्रदान करता है।
- उच्च रेडशिफ्ट ( $z > 2$ ): LSS बाधाएं काफी कम हो जाती हैं। यहाँ CMB लेंसिंग जोड़ना महत्वपूर्ण है, क्योंकि CMB लेंसिंग कर्नेल $z \sim 2$ पर पीक करता है, जो इन रेडशिफ्ट्स पर एकीकृत पोटेंशियल के प्रति सीधा संवेदनशीलता प्रदान करता है।
CMB लेंसिंग का प्रभाव: CMB लेंसिंग (6 $\times$ 2pt) को शामिल करने से $\Sigma$ दिशा पर बाधाएं काफी मजबूत हो जाती हैं, विशेष रूप से उच्चतम रेडशिफ्ट बिन (Bin 5: $2.15 < z < 3$ ) के लिए, जहाँ 3 $\times$ 2pt अकेले मापदंडों को प्रभावी ढंग से बाधित करने में विफल रहता है।
स्क्रीनिंग प्रभाव (Screening Effects): स्क्रीनिंग मैकेनिज्म लागू करने के बावजूद (जो छोटे स्केल्स पर MG प्रभावों को कम करते हैं), पाइपलाइन बिन 1-3 के लिए पर्याप्त बाधा शक्ति ( $<5\%$ on $\mu$ , $<1\%$ on $\Sigma$ ) बनाए रखती है।

5. महत्व (Significance)

यह कार्य स्टेज IV कॉस्मोलॉजिकल सर्वे के लिए तैयारी में एक बड़ा कदम है। यह प्रदर्शित करके कि नॉनलीनर MG प्रभावों का फास्ट एम्यूलेशन एक पूर्ण बेयसियन पाइपलाइन के भीतर संभव है, लेखक निम्नलिखित को सक्षम करते हैं:

मॉडल-एग्नोस्टिक खोज: विशिष्ट सैद्धांतिक मॉडलों के प्रति पक्षपाती हुए बिना जेनेरिक GR विचलन की खोज करने की क्षमता।
मजबूत सिस्टमैटिक्स हैंडलिंग: एक ढांचा जो बेरियोनिक फीडबैक, इंट्रिन्सिक एलाइनमेंट्स और BNT ट्रांसफॉर्म के माध्यम से स्केल कट्स को एक साथ संभालता है।
भविष्य की तैयारी: यह पाइपलाइन LSST और सिमोंस ऑब्जर्वेटरी से वास्तविक डेटा को लागू करने के लिए तैयार है, जिससे ब्रह्मांड के पूरे रेडशिफ्ट रेंज में ग्रेविटी के कठोर परीक्षणों की अनुमति मिलती है।

पेपर निष्कर्ष निकालता है कि हालांकि नॉनलीनर मॉडलिंग चुनौतीपूर्ण बनी हुई है, COLA-आधारित एम्यूलेशन, CMB लेंसिंग और उन्नत सांख्यिकीय तकनीकों (BNT, PCA) का संयोजन नॉनलीनर शासन से प्रिसिजन ग्रेविटी बाधाओं को निकालने का एक व्यवहार्य मार्ग प्रदान करता है।