🔭 astrophysics

Exploring Beyond {\Lambda}CDM with the Weak Lensing Power Spectrum and Bispectrum

यह शोध पत्र कमजोर लेंसिंग (weak lensing) के 2- और 3-बिंदु सांख्यिकी के फिशर मैट्रिक्स विश्लेषण का उपयोग यह प्रदर्शित करने के लिए करता है कि फोटोमेट्रिक रेडशिफ्ट अनिश्चितताएं और आंतरिक संरेखण (intrinsic alignments) गैर-मानक ब्रह्मांड संबंधी मॉडलों, विशेष रूप से हू-साविकी f(R) गुरुत्वाकर्षण पर प्रतिबंधों को महत्वपूर्ण रूप से कम कर देते हैं, जिससे भविष्य के सर्वेक्षणों के लिए सुदृढ़ व्यवस्थित नियंत्रण और उच्च-क्रम सांख्यिकी की आवश्यकता रेखांकित होती है।

मूल लेखक: Liantsoa F. Randrianjanahary, Chandrachud B. V. Dash

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Liantsoa F. Randrianjanahary, Chandrachud B. V. Dash

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

ब्रह्मांड की कल्पना एक विशाल, अदृश्य महासागर के रूप में करें। दशकों से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि यह महासागर तेजी से और भी तेजी से क्यों फैल रहा है। मानक स्पष्टीकरण, जिसे $\Lambda$ CDM कहा जाता है, ऐसा कहने जैसा है कि वहां एक रहस्यमय, अदृश्य "डार्क एनर्जी" (dark energy) पानी को दूर धकेल रही है, जो एक निरंतर, अपरिवर्तित बल (जैसे एक स्थिर हवा) के रूप में कार्य करती है।

लेकिन क्या होगा अगर हवा स्थिर नहीं है? क्या होगा अगर यह एक जीवित चीज़ है जो समय के साथ बदलती है, या क्या होगा अगर पानी के अपने बहने के नियम अलग हैं? इस शोध पत्र के लेखक इसी की जांच कर रहे हैं। वे तीन "वाइल्डकार्ड" सिद्धांतों का परीक्षण कर रहे हैं:

डायनामिक डार्क एनर्जी (Dynamic Dark Energy): हवा की ताकत समय के साथ बदलती है।
इंटरैक्टिंग डार्क एनर्जी (Interacting Dark Energy): डार्क एनर्जी और डार्क मैटर के बीच बातचीत हो रही है, जहाँ वे आपस में ऊर्जा का आदान-प्रदान कर रहे हैं।
मॉडिफाइड ग्रेविटी ( $f(R)$ ): गुरुत्वाकर्षण के नियम स्वयं थोड़े अलग हैं, जैसे कि ब्रह्मांड का पानी स्थान के आधार पर गाढ़ा या पतला होता जा रहा है।

समस्या: "धुंधले चश्मे" और "स्वयं-संरेखित मछलियाँ"

इन सिद्धांतों का परीक्षण करने के लिए, वैज्ञानिक वीक ग्रेविटेशनल लेंसिंग (Weak Gravitational Lensing) का उपयोग करते हैं। कल्पना कीजिए कि आप एक लहरदार, विकृत खिड़की के माध्यम से एक दूर स्थित लाइटहाउस को देख रहे हैं। वह विकृति आपको उस पानी (पदार्थ/मैटर) के बारे में बताती है जो आपके और लाइटहाउस के बीच में है।

हालाँकि, ब्रह्मांड को देखना बहुत अस्त-व्यस्त है। यह शोध पत्र दो प्रमुख "ग्लिच" (खामियों) पर ध्यान केंद्रित करता है जो दृश्य को धुंधला बना देते हैं:

फोटोमेट्रिक रेडशिफ्ट अनिश्चितता (The "Foggy Glasses"):
किसी गैलेक्सी कितनी दूर है, यह जानने के लिए खगोलविदों को आमतौर पर एक सटीक स्पेक्ट्रम (जैसे बारकोड पढ़ना) की आवश्यकता होती है। लेकिन लाखों गैलेक्सीज़ के लिए, उनके पास केवल रंग (जैसे एक धुंधली फोटो देखना) उपलब्ध हैं। इसका मतलब है कि वे दूरी के बारे में 100% निश्चित नहीं हैं। यह "धुंध" डेटा को फैला देती है, जिससे सिद्धांतों के बीच सूक्ष्म अंतर देखना कठिन हो जाता है। यह रात के समय हाईवे पर कारों की दूरी केवल उनकी हेडलाइट्स से आंकने जैसा है; आप सोच सकते हैं कि एक कार पास है जबकि वह वास्तव में दूर है। यह "धुंध" डेटा को धुंधला कर देती है, जिससे सिद्धांतों के बीच सूक्ष्म अंतर देखना कठिन हो जाता है।
इंट्रिन्सिक अलाइनमेंट्स (The "Self-Aligning Fish"):
वीक लेंसिंग इस विचार पर निर्भर करती है कि गैलेक्सियाँ यादृच्छिक (रैंडम) दिशाओं में उन्मुख होती हैं, जैसे रैंडम दिशाओं में तैरती मछलियाँ। लेकिन वास्तव में, गैलेक्सियाँ एक स्कूल (झुंड) की मछलियों की तरह होती हैं; वे अपने आस-पास के करंट (ब्रह्मांड की बड़ी संरचनाओं) के साथ संरेखित होने की प्रवृत्ति रखती हैं। यह एक नकली संकेत पैदा करता है जो बिल्कुल उसी गुरुत्वाकर्षण विरूपण (distortion) जैसा दिखता है जिसे वैज्ञानिक मापने की कोशिश कर रहे हैं। यह एक ऐसे कमरे में फुसफुसाहट सुनने जैसा है जहाँ हर कोई एक ही धुन गुनगुना रहा है।

समाधान: "कोरस" को सुनना (बाइस्पेक्ट्रम - Bispectrum)

अधिकांश अध्ययन केवल पावर स्पेक्ट्रम (Power Spectrum) को देखते हैं। इसे समुद्र की लहरों के वॉल्यूम (आवाज़) को सुनने के रूप में समझें। यह आपको बताता है कि लहरें कितनी बड़ी हैं, लेकिन यह मान लेता है कि लहरें पूरी तरह से चिकनी और यादृच्छिक (Gaussian) हैं।

लेखक बाइस्पेक्ट्रम (Bispectrum) को जोड़ने का प्रस्ताव देते हैं। यदि पावर स्पेक्ट्रम वॉल्यूम है, तो बाइसपेक्ट्रम लहरों का आकार और लय (shape and rhythm) है। यह देखता है कि तीन लहरें आपस में कैसे क्रिया करती हैं। क्योंकि ब्रह्मांड की संरचना समय के साथ "ढेरदार" (clumpy) और गैर-यादृच्छिक (non-random) हो जाती है, इसलिए बाइसपेक्ट्रम उस जानकारी को पकड़ लेता है जिसे पावर स्पेक्ट्रम छोड़ देता है।

उपमा (Analogy):

पावर स्पेक्ट्रम: एक ऑर्केस्ट्रा के एकल वाद्य यंत्र को सुनना। आप बता सकते हैं कि यह तेज़ है या धीमा, लेकिन आप यह नहीं बता सकते कि संगीतकार तालमेल में बजा रहे हैं या वे सुधार (improvisation) कर रहे हैं।
बाइस्पेक्ट्रम: पूरे ऑर्केस्ट्रा को सुनना। आप सुन सकते हैं कि वाद्य यंत्र आपस में कैसे क्रिया करते हैं, जिससे जटिल पैटर्न का पता चलता है जो एक एकल यंत्र नहीं दिखा सकता।

उन्हें क्या मिला

लेखकों ने एक विशाल सिमुलेशन चलाया (एक "फिशर मैट्रिक्स" का उपयोग करके, जो मूल रूप से चीजों को मापने की क्षमता का अनुमान लगाने के लिए एक अत्यंत उन्नत कैलकुलेटर है) यह देखने के लिए कि हम मानक मॉडल और वाइल्डकार्ड्स के बीच अंतर कितनी अच्छी तरह कर सकते हैं, "ग्लिच" के साथ और बिना।

ग्लिच ने बहुत नुकसान पहुँचाया: जब उन्होंने "धुंधले चश्मे" (रेडशिफ्ट त्रुटियां) और "स्वयं-संरेखित मछलियों" (इंट्रिन्सिक अलाइनमेंट्स) को जोड़ा, तो सिद्धांतों के बीच अंतर करने की क्षमता बहुत खराब हो गई। यह धूप का चश्मा पहनकर पहेली सुलझाने और आधे टुकड़े गायब होने जैसा था।
- मॉडिफाइड ग्रेविटी ( $f(R)$ ) मॉडल सबसे अधिक प्रभावित हुआ। क्योंकि इसका सिग्नल सूक्ष्म, स्केल-डिपेंडेंट परिवर्तनों पर निर्भर करता है (जैसे कि ऐसी लहरें जो केवल कुछ विशेष आकार में होती हैं), "धुंध" ने उन्हें पूरी तरह से मिटा दिया।
कोरस ने काम बना दिया: जब उन्होंने मिश्रण में बाइस्पेक्ट्रम (लय/आकार का डेटा) जोड़ा, तो परिणाम नाटकीय रूप से सुधर गए।
- "धुंधले चश्मे" और "स्वयं-संरेखित मछलियों" के बावजूद, बाइसपेक्ट्रम ने उलझन को सुलझाने में मदद की। इसने उन "डिजेनेरेसीज़" (ऐसी स्थितियाँ जहाँ दो अलग-अलग सिद्धांत बिल्कुल एक जैसे दिखते हैं) को तोड़ दिया।
- उदाहरण के लिए, पावर स्पेक्ट्रम अकेले यह नहीं बता सका कि ब्रह्मांड का विस्तार एक बदलते हुए हवा (डायनामिक डार्क एनर्जी) के कारण हो रहा है या डार्क मैटर और ऊर्जा के बीच एक विशिष्ट अंतःक्रिया के कारण। बाइसपेक्ट्रम, संरचनाओं के जटिल आकार को देखकर, उन्हें अलग कर सका।

मुख्य निष्कर्ष

यदि हम ब्रह्मांड के विस्तार की वास्तविक प्रकृति को समझना चाहते हैं, तो हम केवल लहरों के वॉल्यूम (पावर स्पेक्ट्रम) को नहीं सुन सकते। हमें लहरों की जटिल लय और आकार (बाइस्पेक्ट्रम) को सुनना होगा।

इसके अलावा, हमें अपने "चश्मे" को साफ करना (रेडशिफ्ट त्रुटियों को ठीक करना) होगा और "मछलियों" (इंट्रिन्सिक अलाइनमेंट्स) को बेहतर समझना होगा। इनके बिना, यहाँ तक कि भविष्य के शक्तिशाली टेलीस्कोप (जैसे आगामी LSST) भी उन सूक्ष्म संकेतों को मिस कर सकते हैं जो यह साबित करते हैं कि गुरुत्वाकर्षण और डार्क एनर्जी के बारे में हमारी वर्तमान समझ अधूरी है।

संक्षेप में: ब्रह्मांड एक जटिल सिम्फनी है। इसकी वास्तविक धुन सुनने के लिए, हमें केवल सबसे तेज़ वाद्य यंत्र को नहीं, बल्कि पूरे ऑर्केस्ट्रा को सुनना होगा, और हमें यह सुनिश्चित करना होगा कि कॉन्सर्ट हॉल बहुत शोर वाला न हो।

यहाँ रैंड्रियनजनाहारी और डैश के शोध पत्र "Exploring Beyond $\Lambda$ CDM with the Weak Lensing Power Spectrum and Bispectrum" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मानक $\Lambda$ CDM कॉस्मोलॉजिकल मॉडल, सफल होने के बावजूद, फाइन-ट्यूनिंग (fine-tuning) और कोइन्सिडेंस (coincidence) जैसी सैद्धांतिक समस्याओं से ग्रस्त है। यह वैकल्पिक मॉडलों की खोज को प्रेरित करता है, जिनमें डायनेमिकल डार्क एनर्जी (CPL पैरामीट्रिज़ेशन), इंटरैक्टिंग डार्क एनर्जी (IDE), और मॉडिफाइड ग्रेविटी (Hu-Sawicki $f(R)$ ) शामिल हैं।

वीक ग्रेविटेशनल लेंसिंग (Weak gravitational lensing) इन मॉडलों के बीच अंतर करने के लिए एक प्राथमिक प्रोब है क्योंकि यह सीधे कुल द्रव्यमान वितरण और संरचना के विकास (structure growth) को मापता है, जिससे गैलेक्सी बायस (galaxy bias) से बचा जा सकता है। हालाँकि, वर्तमान और भविष्य के सर्वेक्षणों (जैसे LSST) के सामने महत्वपूर्ण चुनौतियाँ हैं:

सिस्टमैटिक्स (Systematics): फोटोमेट्रिक रेडशिफ्ट ( $z$ ) अनिश्चितताएँ और आकाशगंगाओं का इंट्रिन्सिक एलाइनमेंट (Intrinsic Alignments - IA) ब्रह्मांडीय बाधाओं (cosmological constraints) को गंभीर रूप से कम कर सकते हैं।
सूचना की हानि (Information Loss): अधिकांश विश्लेषण केवल टू-पॉइंट सांख्यिकी (पावर स्पेक्ट्रम) पर निर्भर करते हैं, जो केवल मैटर डेंसिटी फील्ड की गौसियन विशेषताओं को ही पकड़ पाते हैं। नॉन-लीनियर स्ट्रक्चर फॉर्मेशन गैर-गौसियन (non-Gaussian) विशेषताओं को उत्पन्न करता है, जो टू-पॉइंट विश्लेषण में खो जाती हैं।

मुख्य समस्या यह है कि सिस्टमैटिक्स के कारण कितनी कॉस्मोलॉजिकल सूचना खो जाती है और क्या उच्च-क्रम सांख्यिकी (higher-order statistics/bispectrum) को शामिल करने से बाधाओं को दूर करने और $\Lambda$ CDM से परे के मॉडलों में पैरामीटर डिजेनेरेसी (degeneracy) को तोड़ने में मदद मिल सकती है।

2. कार्यप्रणाली (Methodology)

कॉस्मोलॉजिकल मॉडल (Cosmological Models)

लेखक बैकग्राउंड एक्सपेंशन और लीनियर ग्रोथ के लिए एक एकीकृत ढांचे के भीतर $\Lambda$ CDM के तीन विस्तारों का विश्लेषण करते हैं:

CPL (Chevallier-Polarski-Linder): एक समय-परिवर्तनीय समीकरण अवस्था $w(a) = w_0 + w_a(1-a)$ के साथ डायनेमिकल डार्क एनर्जी।
IDE (Interacting Dark Energy): एक ऐसा मॉडल जहाँ डार्क मैटर और डार्क एनर्जी के बीच ऊर्जा-संवेग (energy-momentum) का हस्तांतरण होता है ( $Q \propto \rho_m$ ), जो विकास के इतिहास को संशोधित करता है।
Hu-Sawicki $f(R)$ : एक मॉडिफाइड ग्रेविटी मॉडल जहाँ आइंस्टीन-हिल्बर्ट एक्शन को रिसी रेडिएंट (Ricci scalar) के फलन द्वारा संशोधित किया जाता है। यह पॉइसन समीकरण (Poisson equation) में स्केल-डिपेंडेंट संशोधन पेश करता है, जो छोटे पैमानों पर गुरुत्वाकर्षण को बढ़ाता है।

अवलोकनीय और औपचारिकता (Observables and Formalism)

टू-पॉइंट सांख्यिकी: लेखक लिम्बर (Limber) और फ्लैट-स्काई सन्निकटन का उपयोग करके टोमोग्राफिक वीक लेंसिंग शीयर पावर स्पेक्ट्रम ( $C_{\ell}$ ) की गणना करते हैं। वे कॉस्मिक शीयर, इंट्रिन्सिक एलाइनमेंट (IA), और उनके क्रॉस-कोरिलेशन के योगदान को शामिल करते हैं।
थ्री-पॉइंट सांख्यिकी: वे वीक लेंसिंग बास्पेक्ट्रम ( $B_{\ell}$ ) को व्युत्पन्न करते हैं, जो मैटर वितरण की गैर-गौसियनता (non-Gaussianity) को दर्शाता है। वे मैटर बास्पेक्ट्रम के लिए एक फिटिंग फॉर्मूला का उपयोग करते हैं और IA योगदान सहित देखे गए बास्पेक्ट्रम को मॉडल करते हैं।
सिस्टमैटिक्स मॉडलिंग:
- फोटोमेट्रिक रेडशिफ्ट ( $\sigma_z$ ): इसे टोमोग्राफिक बिन्स के माध्य रेडशिफ्ट में एक गौसियन त्रुटि के रूप में मॉडल किया गया है। दो मामले विचाराधीन हैं: एक फिडुशियल केस ( $\sigma_z = 0.05$ ) और एक निराशाजनक केस ( $\sigma_z = 0.10$ )।
- इंट्रिन्सिक एलाइनमेंट (IA): इसे नॉन-लीनियर एलाइनमेंट (NLA) मॉडल का उपयोग करके मॉडल किया गया है, जहाँ IA आयाम को $A_{IA}$ द्वारा पैरामीटराइज किया गया है।

सांख्यिकीय विश्लेषण (Statistical Analysis)

फिशर मैट्रिक्स औपचारिकता (Fisher Matrix Formalism): कॉस्मोलॉजिकल पैरामीटर्स पर बाधाएं फिशर इंफॉर्मेशन मैट्रिक्स का उपयोग करके प्राप्त की जाती हैं।
कोवेरियंस (Covariance): विश्लेषण पावर स्पेक्ट्रम और बास्पेक्ट्रम दोनों के लिए गौसियन कोवेरियंस को मानता है।
सर्वे कॉन्फ़िगरेशन: अध्ययन वेरा सी. रुबिन ऑब्जर्वेटरी लीगेसी सर्वे ऑफ स्पेस एंड टाइम (LSST) के विनिर्देशों को अपनाता है, जिसमें $f_{sky}=0.4$ का स्काई कवरेज, $\bar{n}_g \approx 26$ arcmin $^{-2}$ गैलेक्सी डेंसिटी, और दो टोमोग्राफिक रेडशिफ्ट बिन्स शामिल हैं।

3. मुख्य योगदान (Key Contributions)

एकीकृत ग्रोथ फ्रेमवर्क: यह पेपर $\Lambda$ CDM, IDE, और $f(R)$ मॉडलों के लिए लीनियर ग्रोथ फैक्टर $D(a)$ और ग्रोथ रेट $f(a)$ का एक संक्षिप्त, एकीकृत विवरण प्रदान करता है, जो भौतिक अंतरों को उजागर करने के लिए "ड्रैग" (drag) और "सोर्स" (source) टर्म्स को स्पष्ट रूप से अलग करता है।
सिस्टमैटिक डिग्रेडेशन का परिमाणीकरण: यह कठोरता से मात्रात्मक रूप से निर्धारित करता है कि फोटोमेट्रिक रेडशिफ्ट त्रुटियां और IA, वीक लेंसिंग की बाधा लगाने की शक्ति को कैसे कम करते हैं, यह दिखाते हुए कि ये प्रभाव $f(R)$ जैसे स्केल-डिपेंडेंट ग्रोथ वाले मॉडलों के लिए सबसे गंभीर हैं।
बास्पेक्ट्रम की उपयोगिता: अध्ययन यह प्रदर्शित करता है कि वीक लेंसिंग बास्पेक्ट्रम, पावर स्पेक्ट्रम के पूरक के रूप में जानकारी प्रदान करता है, विशेष रूप से नॉन-लीनियर स्ट्रक्चर फॉर्मेशन द्वारा उत्पन्न गैर-गौसियन विशेषताओं की जांच करके।
संयुक्त विश्लेषण: यह पावर स्पेक्ट्रम और बास्पेक्ट्रम डेटा का एक संयुक्त विश्लेषण प्रस्तुत करता है ताकि कॉस्मोलॉजिकल पैरामीटर्स और ननस (nuisance) पैरामीटर्स के बीच डिजेनेरेसी को तोड़ा जा सके।

4. मुख्य परिणाम (Key Results)

सिस्टमैटिक्स का प्रभाव

क्षरण (Degradation): ननस पैरामीटर्स ( $\sigma_z$ $σ_{z}$ और $A_{IA}$ $A_{I A}$ ) पर मार्जिनलाइज़ करने से फिक्स्ड वैल्यूज की तुलना में पैरामीटर अनिश्चितताएं काफी बढ़ जाती हैं।
- $f(R)$ ग्रेविटी के लिए, $\ln|f_{R0}|$ पर अनिश्चितता पावर स्पेक्ट्रम विश्लेषण में $\sigma \approx 1.36$ (फिक्स्ड सिस्टमैटिक्स) से बढ़कर $\sigma \approx 2.24$ (मार्जिनलाइज्ड) हो जाती है।
- CPL के लिए, $w_0$ पर अनिश्चितता $0.016 $से बढ़कर$ 0.25$ हो जाती है।
- IDE के लिए, इंटरैक्शन पैरामीटर $\alpha$ पर अनिश्चितता $0.076 $से बढ़कर$ 2.69$ हो जाती है।
तंत्र (Mechanism):
- IA एक कंटैमिनेशन टर्म जोड़ता है जो मैटर पावर स्पेक्ट्रम के समान स्केल करता है, जो $f(R)$ मॉडलों में एन्हांस्ड ग्रोथ सिग्नल को आंशिक रूप से छिपा देता है।
- फोटो- $z$ त्रुटियां लेंसिंग कर्नेल को धुंधला (smear) कर देती हैं, जिससे स्केल-डिपेंडेंट सिग्नेचर (जो $f(R)$ के लिए महत्वपूर्ण है) कम हो जाता है और टोमोग्राफिक रेजोल्यूशन घट जाता है।

पावर स्पेक्ट्रम बनाम बास्पेक्ट्रम

डिजेनेरेसी ब्रेकिंग: पावर स्पेक्ट्रम अकेले मजबूत डिजेनेरेसी (जैसे, CPL में $w_0$ और $w_a$ के बीच, या IDE में $\alpha$ और $\Omega_m$ के बीच) से ग्रस्त है। बास्पेक्ट्रम इन बाधाओं को काफी मजबूत कर देता है।
बेहतर बाधाएं (Improved Constraints):
- CPL: मार्जिनलाइज्ड $\sigma(w_0)$ पावर स्पेक्ट्रम (0.2511) से बढ़कर बास्पेक्ट्रम (0.1557) में सुधर जाता है।
- IDE: मार्जिनलाइज्ड $\sigma(\alpha)$ पावर स्पेक्ट्रम (2.6895) से सुधरकर बास्पेक्ट्रम (0.2944) हो जाता है।
- $f(R)$ : हालांकि सिस्टमैटिक्स के प्रति संवेदनशीलता के कारण पूर्ण सुधार छोटा है, फिर भी बास्पेक्ट्रम अधिक कड़े प्रतिबंध प्रदान करता है और बेहतर पैरामीटर सेपरेशन प्रदान करता है।
स्केल डिपेंडेंसी: बास्पेक्ट्रम $f(R)$ ग्रेविटी के लिए विशेष रूप से प्रभावी है क्योंकि यह मॉडिफाइड पॉइसन समीकरण द्वारा प्रेरित स्केल-डिपेंडेंट ग्रोथ को कैप्चर करता है, जिसे पावर स्पेक्ट्रम सिस्टमैटिक्स की उपस्थिति में अलग करने में संघर्ष करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह पेपर स्थापित करता है कि जबकि वीक लेंसिंग $\Lambda$ CDM से परे की भौतिकी के लिए एक शक्तिशाली प्रोब है, यदि केवल टू-पॉइंट सांख्यिकी का उपयोग किया जाता है, तो इसकी उपयोगिता अवलोकनीय सिस्टमैटिक्स द्वारा काफी हद तक बाधित होती है।

मजबूती (Robustness): भविष्य के सर्वेक्षणों (जैसे LSST) के लिए मजबूत बाधाएं प्राप्त करने के लिए बास्पेक्ट्रम का समावेश महत्वपूर्ण है। यह प्रभावी रूप से पैरामीटर डिजेनेरेसी को तोड़ता है और फोटोमेट्रिक रेडशिफ्ट त्रुटियों और इंट्रिन्सिक एलाइनमेंट के कारण सूचना की हानि को कम करता है।
मॉडल भेदभाव (Model Discrimination): अध्ययन यह रेखांकित करता है कि मॉडिफाइड ग्रेविटी मॉडल (विशेष रूप से $f(R)$ ) अपने स्केल-डिपेंडेंट स्वभाव के कारण सिस्टमैटिक्स के प्रति सबसे अधिक संवेदनशील हैं, जिससे उच्च-क्रम सांख्यिकी का उपयोग करना आवश्यक हो जाता है।
भविष्य का दृष्टिकोण: लेखक निष्कर्ष निकालते हैं कि भविष्य के कॉस्मोलॉजिकल सर्वेक्षणों में डायनेमिकल डार्क एनर्जी, इंटरैक्टिंग डार्क सेक्टर्स, और मॉडिफाइड ग्रेविटी के बीच अंतर करने के लिए मजबूत सिस्टमैटिक कंट्रोल और टू-पॉइंट एवं थ्री-पॉइंट सांख्यिकी का संयोजन एक पूर्व शर्त है।

यह कार्य आगामी स्टेज IV वीक लेंसिंग सर्वेक्षणों के लिए डेटा विश्लेषण रणनीतियों के लिए एक महत्वपूर्ण मार्गदर्शक के रूप में कार्य करता है, जो इस बात पर जोर देता है कि उच्च-क्रम सांख्यिकी या सिस्टमैटिक्स को अनदेखा करना डार्क एनर्जी या ग्रेविटी की प्रकृति के बारे में गलत निष्कर्षों की ओर ले जा सकता है।