🔭 astrophysics

Bayes-SCF: A Bayesian filter to mitigate foreground leakage in the 21-cm power spectrum

यह शोध पत्र Bayes-SCF को प्रस्तुत करता है, जो एक बेयसियन फ़िल्टर है और स्पेक्ट्रली असमतल (spectrally unsmooth) फोरग्राउंड्स के मामले में पारंपरिक हन-विंडो (Hann-window) आधारित स्मूथ कंपोनेंट फ़िल्टरिंग की सीमाओं को दूर करने के लिए 21-सेमी पावर स्पेक्ट्रम में फोरग्राउंड लीकेज को मजबूती से कम करने हेतु गॉसियन प्रोसेस रिग्रेशन का उपयोग करता है।

मूल लेखक: Khandakar Md Asif Elahi

प्रकाशित 2026-03-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Khandakar Md Asif Elahi

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

मुख्य चित्र: ब्रह्मांड की फुसफुसाहट को सुनना

कल्पना कीजिए कि प्रारंभिक ब्रह्मांड (लगभग 13 अरब साल पहले) एक विशाल, शांत कमरे की तरह है। इस कमरे के बीच में, एक बहुत ही धीमी, हल्की सी फुसफुसाहट (पहले सितारों और आकाशगंगाओं से आने वाला 21-सेमी सिग्नल) है। हालाँकि, यह कमरा हमारे अपने आकाशगंगा और अन्य चमकीले रेडियो स्रोतों के कारण एक शोर-शराबे वाले, कान फोड़ देने वाले रॉक कॉन्सर्ट (फोरग्राउंड्स) से भी भरा हुआ है।

खगोलविदों का लक्ष्य उस हल्की फुसफुसाहट को रिकॉर्ड करना है ताकि वे समझ सकें कि ब्रह्मांड की शुरुआत कैसे हुई। समस्या क्या है? रॉक कॉन्सर्ट उस फुसफुसाहट से लाखों गुना अधिक तेज़ है। यदि आप फुसफुसाहट सुनने के लिए केवल वॉल्यूम बढ़ाते हैं, तो आपको केवल रॉक कॉन्सर्ट ही सुनाई देता है।

समस्या: छूटे हुए नोट्स और टूटे हुए रिकॉर्ड्स

इस ब्रह्मांडीय फुसफुसाहट को सुनने के लिए, वैज्ञानिक विशाल रेडियो टेलीस्कोप (जैसे ऑस्ट्रेलिया में MWA) का उपयोग करते हैं। वे आकाश को स्कैन करते हैं और रेडियो आवृत्तियों (फ्रीक्वेंसी) की एक रेंज में डेटा रिकॉर्ड करते हैं (जैसे रेडियो डायल ट्यून करना)।

हालाँकि, वास्तविक जीवन अव्यवful है। कभी-कभी, रेडियो डायल बाधित हो जाता है:

रेडियो फ्रीक्वेंसी इंटरफेरेंस (RFI): एक गुजरता हुआ हवाई जहाज या सैटेलाइट एक ज़ोरदार बीप भेजता है जो डेटा को दबा देता है।
इंस्ट्रूमेंट ग्लिच (उपकरण की खराबी): टेलीस्कोप में खुद के कुछ "डेड ज़ोन" होते हैं जहाँ वह डेटा रिकॉर्ड नहीं कर पाता।

जब ये "छूटे हुए नोट्स" होते हैं, तो यह रिकॉर्डिंग में एक दरार पैदा कर देता है। यदि आप एक टूटे हुए रिकॉर्ड का विश्लेषण करने की कोशिश करते हैं, तो संगीत विकृत (distorted) सुनाई देता है। रेडियो खगोल विज्ञान की दुनिया में, यह विरूपण (distortion) तेज़ रॉक कॉन्सर्ट (फोरग्राउंड्स) को शांत फुसफुसाहट (सिग्नल) में "लीक" होने देता है, जिससे यह पहचानना असंभव हो जाता है कि संगीत कहाँ समाप्त होता है और फुसफुसाहट कहाँ शुरू होती है।

पुराना समाधान: "स्मूदर" (Hann-SCF)

पहले, वैज्ञानिक इसे ठीक करने के लिए स्मूथ कंपोनेंट फिल्टरिंग (SCF) नामक तकनीक का उपयोग करके प्रयास करते थे।

उपमा: कल्पना कीजिए कि तेज़ रॉक कॉन्सर्ट एक बहुत ही चिकनी, लुढ़कती हुई पहाड़ी है। हल्की फुसफुसाहट उस पहाड़ी के ऊपर एक ऊबड़-खाबड़, पथरीले रास्ते की तरह है।

पुराना तरीका (Hann Window): वैज्ञानिकों ने डेटा पर एक विशाल, कठोर "स्मूथिंग ब्रश" (एक Hann विंडो) चलाया। विचार यह था: "यदि मैं डेटा को स्मूथ कर दूँ, तो ऊबड़-खाबड़ चट्टानें (सिग्नल) गायब हो जाएंगी, जिससे केवल चिकनी पहाड़ी (फोरग्राउंड) बचेगी। फिर, मैं पहाड़ी को हटा सकता हूँ और मुझे केवल चट्टानें मिलेंगी।"
खामी: यह तब बहुत अच्छा काम करता था जब पहाड़ी पूरी तरह से चिकनी होती। लेकिन वास्तव में, "पहाड़ी" (फोरग्राउंड) में अपने स्वयं के उभार, कटक और ऊबड़-खाबड़ किनारे होते हैं (जो टेलीस्कोप की अपनी खामियों के कारण होते हैं)। कठोर ब्रश इन उभारों को नहीं संभाल पाता था। या तो इसने फुसफुसाहट को बहुत अधिक स्मूथ कर दिया या पीछे बहुत अधिक रॉक कॉन्सर्ट छोड़ दिया। यह एक ऊबड़-खाबड़ सड़क को बहुत मोटे रेगमाल (sandpaper) से चिकना करने जैसा था।

नया समाधान: "स्मार्ट डिटेक्टिव" (Bayes-SCF)

यह पेपर एक नया, अधिक स्मार्ट तरीका पेश करता है जिसे Bayes-SCF कहा जाता है। एक कठोर ब्रश के बजाय, वे एक गौसियन प्रोसेस (GP) का उपयोग करते हैं, जो अनिवार्य रूप से एक सुपर-स्मार्ट, लचीला जासूस है।

उपमा:
कल्प la है कि आप एक गाने में एक सुरीली धुन (फोरग्राउंड) को एक अराजक ड्रम सोलो (सिग्नल) से अलग करने की कोशिश कर रहे हैं, लेकिन गाने के कुछ हिस्से गायब हैं।

पुराना तरीका: आप गायब हिस्सों के माध्यम से एक सीधी रेखा खींचकर धुन का अनुमान लगाते हैं। यदि धुन वास्तव में घुमावदार थी, तो आपकी सीधी रेखा विफल हो जाती है।
नया तरीका (Bayes-SCF): जासूस गाने के उन हिस्सों को देखता है जो वहाँ मौजूद हैं। वह चिकनी धुन के "व्यक्तित्व" को सीखता है। वह जानता है, "ठीक है, यह धुन आमतौर पर धीरे-धीरे बदलती है, लेकिन कभी-कभी इसमें थोड़ा सा उतार-चढ़ाव होता है।"
- यह चिकने हिस्से का एक लचीला मॉडल बनाता है।
- यह केवल अनुमान नहीं लगाता; यह उपलब्ध डेटा के आधार पर चिकने हिस्से के सबसे संभावित आकार की गणना करता है, भले ही कुछ डेटा गायब हो।
- इसके बाद यह इस पूरी तरह से फिट किए गए चिकने हिस्से को हटा देता है, जिससे अराजक ड्रम सोलो (21-सेमी सिग्नल) पूरी तरह से सुरक्षित रहता है।

यह बेहतर क्यों है?

यह "ऊबड़-खाबड़" फोरग्राउंड्स को संभालता है: कठोर ब्रश के विपरीत, बेयसियन जासूस फोरग्राउंड्स के "उभारों" के अनुकूल हो सकता है। यह सिग्नल को अलग कर सकता है भले ही फोरग्राउंड्स पूरी तरह से चिकने न हों।
यह डेटा को फेंकता नहीं है: पुराने तरीके को रेडियो बैंड के किनारों को काट देना पड़ता था क्योंकि स्मूथिंग ब्रश वहां काम नहीं करता था। नया तरीका रेडियो बैंड की शुरुआत से लेकर अंत तक पूरी तरह से काम करता है, जिससे सारा मूल्यवान डेटा सुरक्षित रहता है।
यह "छूटे हुए नोट्स" को अनदेखा करता है: नया तरीका इतना स्मार्ट है कि वह उपलब्ध डेटा को देखता है और खाली जगहों को अनदेखा कर देता है। इसे खाली जगहों को शून्य (zeros) से भरने की आवश्यकता नहीं है (जिससे विरूपण होता है); यह बस गायब हिस्सों को छोड़ देता है और बाकी हिस्से पर गणित लगाता है।

ट्रेड-ऑफ (समझौता)

इसमें एक पेच है। "स्मार्ट डिटेक्टिव" बहुत बुद्धिमान है, लेकिन इसे चलाने के लिए बहुत अधिक "दिमाग की शक्ति" (कंप्यूटिंग पावर) की आवश्यकता होती है। यह पुराने "कठोर ब्रश" तरीके की तुलना में बहुत धीमा और महंगा है।

निष्कर्ष

लेखकों ने एक ऐसा उपकरण बनाया है जो ब्रह्मांड के लिए हाई-टेक नॉइज़-कैंसलिंग हेडफ़ोन की तरह काम करता है। यह खगोलविदों को पहली सितारों की हल्की फुसफुसाहट को सुनने में सक्षम बनाता है, भले ही रिकॉर्डिंग टूटी हुई हो और बैकग्राउंड शोर अस्त-व्यस्त हो। हालांकि इसे उपयोग करने के लिए थोड़े अधिक कंप्यूटिंग पावर की आवश्यकता है, लेकिन यह हमारे ब्रह्मांडीय मूल की स्पष्ट तस्वीरें देखने का रास्ता खोलता है।

संक्षेप में: उन्होंने एक ब्लंट, एक-साइज-फिट-ऑल फ़िल्टर को एक लचीले, बुद्धिमान AI से बदल दिया है जो डेटा अधूरा होने पर भी सिग्नल को शोर से अलग कर सकता है।

यहाँ खंडकर मोद आसिफ इलाही के शोध पत्र "Bayes-SCF: 21-cm पावर स्पेक्ट्रम में फोरग्राउंड लीकेज को कम करने के लिए एक बेयसियन फिल्टर" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रीडशिफ्टेड 21-cm सिग्नल (Epoch of Reionization - EoR से) का पता लगाना दो प्राथमिक चुनौतियों के कारण बाधित है:

फोरग्राउंड संदूषण (Foreground Contamination): खगोलीय फोरग्राउंड (सिंक्रोट्रॉन रेडिएशन) कॉस्मोलॉजिकल सिग्नल की तुलना में कई गुना अधिक चमकीले होते हैं। हालांकि वे सैद्धांतिक रूप से स्पेक्ट्रली स्मूथ (spectrally smooth) होते हैं, लेकिन इंस्ट्रुमेंटल क्रोमैटिसिटी (जैसे, "बेसलाइन माइग्रेशन") कोणीय संरचना को फ्रीक्वेंसी डोमेन में जोड़ देती है, जिससे "अनस्मूथ" (unsmooth) फोरग्राउंड बनते हैं जिनकी स्पेक्ट्रल कोरिलेशन लंबाई छोटी होती है।
लापता चैनल (Missing Channels): रेडियो इंटरफेरोमेट्रिक डेटा में रेडियो फ्रीक्वेंसी इंटरफेरेंस (RFI) या आवधिक फ्लैगिंग (जैसे, MWA कोर्स सब-बैंड्स) के कारण अक्सर गायब फ्रीक्वेंसी चैनल होते हैं।
- परिणाम: लापता चैनल स्पेक्ट्रल विच्छिन्नता (discontinuities) पैदा करते हैं। जब डेटा को सीधे फूरियर ट्रांसफॉर्म (Delay Spectrum दृष्टिकोण) किया जाता है, तो ये विच्छिन्नता रिंगिंग आर्टिफैक्ट्स (ringing artifacts) पैदा करती हैं, जिससे चमकीले फोरग्राउंड पावर को सभी लाइन-ऑफ-साइट मोड ( $k_\parallel$ ) में बिखेर देती है, जो प्रभावी रूप से EoR सिग्नल को दबा देती है।
- कोरिलेशन दृष्टिकोण (The Correlation Approach): एक सामान्य समाधान यह है कि पहले दो-फ्रीक्वेंसी कोरिलेशन फंक्शन $C(\Delta\nu)$ का अनुमान लगाया जाता है, जो गायब चैनलों के बावजूद निरंतर रहता है, और फिर पावर स्पेक्ट्रम $P(k_\parallel)$ प्राप्त करने के लिए इसे फूरियर ट्रांसफॉर्म किया जाता है। हालाँकि, यह विधि मानती है कि सिग्नल सांख्यिकीय रूप से होमोजेनियस (ergodic) है। नॉन-एर्गोडिक (non-ergodic) फोरग्राउंड इस धारणा का उल्लंघन करते हैं, जिससे अवशिष्ट संदूषण (residual contamination) रह जाता है।

विशिष्ट अंतराल (The Specific Gap): पिछले कार्य (इलाही एट अल., 2025, "E25") ने फोरग्राउंड को हटाने के लिए स्मूथ कंपोनेंट फिल्टरिंग (SCF) पेश की थी। हालाँकि, E25 ने एक निश्चित हैन विंडो (Hann window) कन्वोल्शन का उपयोग किया था। लेखक प्रदर्शित करते हैं कि जब फोरग्राउंड जटिल, लघु-पैमाने की स्पेक्ट्रल संरचनाओं (अनस्मूथ फोरग्राउंड) को प्रदर्शित करते हैं, तो Hann-SCF विफल हो जाता है, क्योंकि निश्चित विंडो अलग-अलग कोरिलेशन लंबाई के अनुकूल नहीं हो सकती।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र Bayes-SCF का प्रस्ताव करता है, जो निश्चित-विंडो फिल्टरिंग की सीमाओं को दूर करने के लिए गौसियन प्रोसेस (GP) रिग्रेशन का उपयोग करके SCF ढांचे का एक बेयसियन विस्तार है।

A. डेटा सिमुलेशन

सिग्नल: $z \approx 8$ पावर स्पेक्ट्रम पर आधारित 1D लाइन-ऑफ-साइट (LoS) EoR ब्राइटनेस टेम्परेचर उतार-चढ़ाव का सिम्युलेटेड डेटा।
फोरग्राउंड्स: दो परिदृश्यों को रेडियल बेसिस फंक्शन (RBF) कोवेरियेंस मैट्रिसेस का उपयोग करके मॉडल किया गया:
1. स्मूथ FG: अत्यंत लंबी कोरिलेशन लंबाई ( $N_{corr} = 10^4$ चैनल्स), जो मानक पावर-लॉ सिंक्रोट्रॉन उत्सर्जन की नकल करती है।
2. अनस्मूथ FG: छोटी कोरिलेशन लंबाई ( $N_{corr} = 10^2$ चैनल्स, $\approx 4$ MHz), जो इंस्ट्रुमेंटल मोड-मिक्सिंग (द वेज/wedge) से प्रभावित फोरग्राउंड की नकल करती है।
फ्लैगिंग कॉन्फ़िगरेशन: चार परिदृश्यों का परीक्षण किया गया: नो फ्लैगिंग, पीरियोडिक (MWA-शैली), पीरियोडिक+रैंडम, और प्योरली रैंडम।

B. Bayes-SCF एल्गोरिदम

कुल डेटा वेक्टर $\mathbf{T}$ को एक स्मूथ कंपोनेंट ( $\mathbf{T}_S$ ), एक रफ कंपोनेंट ( $\mathbf{T}_R$ ), और शोर (noise) के सुपरपोजिशन के रूप में मॉडल किया जाता है: $\mathbf{T} = \mathbf{T}_S + \mathbf{T}_R + \mathbf{n}$ ।

कर्नेल निर्माण (Kernel Construction):
- स्मूथ कर्नेल ( $K_S$ ): इसे RBF कर्नेल के साथ मॉडल किया गया है। महत्वपूर्ण बात यह है कि इसका कोरिलेशन लेंथ हाइपरपैरामीटर ( $N_S$ ) एक विशिष्ट $N_{GP}$ मान पर फिक्स्ड है ताकि यह केवल बड़े पैमाने के रुझानों को पकड़े और कॉस्मोलॉजिकल सिग्नल को न सोख ले।
- रफ कर्नेल ( $K_R$ ): तीव्र उतार-चढ़ाव को पकड़ने के लिए इसे Matérn-3/2 कर्नेल के साथ मॉडल किया गया है। इसका कोरिलेशन लेंथ ( $N_R$ ) फिट के दौरान ऑप्टिमाइज़ किया जाता है लेकिन इसे सख्ती से $N_{GP}$ से छोटा ( $N_R < N_{GP}$ ) रखा जाता है।
- टोटल कर्नेल: $K = K_S + K_R + \sigma_n^2 I$ ।
ऑप्टिमाइज़ेशन: हाइपरपैरामीटर्स (एम्प्लीट्यूड और $N_R$ ) का अनुमान देखे गए (गैर-फ्लैग किए गए) डेटा के मार्जिनल लॉग-लाइक्लिहुड को मैक्सिमाइज करके लगाया जाता है।
फिल्टरिंग: स्मूथ कंपोनेंट की भविष्यवाणी GP के पोस्टीरियर मीन का उपयोग करके की जाती है: $\hat{\mathbf{T}}_S = K_S K^{-1} \mathbf{T}$ ।
अंतिम अनुमान: फिल्टर्ड डेटा $\mathbf{T}_F = \mathbf{T} - \hat{\mathbf{T}}_S$ को कोरिलेशन-आधारित पावर स्पेक्ट्रम एस्टीमेटर में फीड किया जाता है।

3. मुख्य योगदान (Key Contributions)

Hann-SCF की सीमाओं की पहचान: लेखक कठोरता से प्रदर्शित करते हैं कि निश्चित-विंडो कन्वोल्शन (Hann-SCF) उन फोरग्राउंड्स के लिए मौलिक रूप से अपर्याप्त है जिनमें लघु स्पेक्ट्रल कोरिलेशन लंबाई होती है। यह जटिल स्पेक्ट्रल संरचनाओं को पकड़ने में विफल रहता है, जिससे EoR विंडो में महत्वपूर्ण फोरग्राउंड लीकेज होता है।
Bayes-SCF का विकास: GPs का उपयोग करके एक गैर-पैरामीट्रिक, डेटा-संचालित बेयसियन फिल्टर का परिचय। इसके कर्नेल की कोरिलेशन लंबाई को फिक्स करके, यह विधि बिना फोरग्राउंड भौतिकी को पूरी तरह से मॉडल किए, "स्मूथ" फोरग्राउंड और "रफ" कॉस्मोलॉजिकल सिग्नल्स के बीच एक नियंत्रित पृथक्करण सुनिश्चित करती है।
लापता डेटा का प्रबंधन: Hann-SCF के विपरीत, जिसे शून्य-फिलिंग (zero-filling) और सैंपलिंग फंक्शन सुधार की आवश्यकता होती है, Bayes-SCF सीधे उपलब्ध (गैर-फ्लैग किए गए) चैनल्स पर काम करता है। यह अनियमित सैंपलिंग के प्रति स्वाभाविक रूप से मजबूत है और कृत्रिम विच्छिन्नता (discontinuities) उत्पन्न नहीं करता है।
बैंडविड्थ का संरक्षण: Hann-SCF को कन्वोल्शन सीमाओं के कारण बैंड किनारों पर डेटा छोड़ने की आवश्यकता होती है। Bayes-SCF पूरी फ्रीक्वेंसी बैंड में अच्छी तरह से परिभाषित है, जिससे पूर्ण संवेदनशीलता (sensitivity) बनी रहती है।

4. परिणाम (Results)

सिम्युलेटेड डेटा के 100 स्वतंत्र वास्तविकताओं (realizations) का उपयोग करते हुए:

स्मूथ फोरग्राउंड्स: दोनों Hann-SCF और Bayes-SCF सफलतापूर्वक EoR पावर स्पेक्ट्रम को रिकवर करते हैं, जो पुष्टि करता है कि सरल, स्मूथ फोरग्राउंड्स के लिए Hann-SCF पर्याप्त है।
अनस्मूथ फोरग्राउंड्स (महत्वपूर्ण परीक्षण):
- Hann-SCF: EoR सिग्नल को रिकवर करने में विफल रहा। रिकवर्ड पावर स्पेक्ट्रम ने भारी बायस (bias) और सभी $k_\parallel$ मोड में अवशिष्ट (residual) फोरग्राउंड पावर दिखाई, भले ही आक्रामक फिल्टरिंग की गई हो।
- Bayes-SCF: सभी फ्लैगिंग परिदृश्यों (पीरियोडिक, रैंडम, आदि) के लिए पूरे $k_\parallel$ रेंज में इनपुट EoR पावर स्पेक्ट्रम को सफलतापूर्वक रिकवर किया। अवशेष (residuals) सांख्यिकीय शोर ( $1\sigma$ अनिश्चितता) के अनुरूप थे।
फ्लैगिंग का प्रभाव: लापता चैनलों ने उच्च $k_\parallel$ पर सांख्यिकीय अनिश्चितताओं को बढ़ाया, जो फ्लैगिंग अंश के साथ लगभग रैखिक रूप से बढ़ता है। Bayes-SCF ने अनफिल्टर्ड डेटा की तुलना में इन अनिश्चितताओं को कम किया और अनस्मूथ फोरग्राउंड्स की उपस्थिति में Hann-SCF से बेहतर प्रदर्शन किया।
फ्रीक्वेंसी डोमेन विश्लेषण: व्यक्तिगत वास्तविकताओं के दृश्य निरीक्षण से पता चला कि Hann-SCF ने तीखे स्पेक्ट्रल फीचर्स पर महत्वपूर्ण व्यवस्थित अवशेष (systematic residuals) छोड़े, जबकि Bayes-SCF ने छोटे पैमाने के 21-cm उतार-चढ़ाव को संरक्षित करते हुए बड़े पैमाने के रुझान को सटीक रूप से ट्रैक किया।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

वैज्ञानिक प्रभाव: Bayes-SCF "फोरग्राउंड लीकेज" की समस्या का एक मजबूत समाधान प्रदान करता है, जो दोनों इंस्ट्रुमेंटल क्रोमैटिसिटी और लापता डेटा के कारण होती है। यह वर्तमान और भविष्य के प्रयोगों (MWA, HERA, SKA) के लिए महत्वपूर्ण है जो विशेष रूप से उच्च ट्रांसवर्स मोड ( $k_\perp$ ) पर EoR सिग्नल का पता लगाने का लक्ष्य रखते हैं जहाँ फोरग्राउंड कम स्मूथ होते हैं।
मेथोडोलॉजिकल प्रगति: यह कोरिलेशन-आधारित एस्टीमेटर्स (जो गैप्स के प्रति मजबूत हैं) और बेयसियन मॉडलिंग (जो सिग्नल स्ट्रक्चर के प्रति लचीला है) के बीच के अंतर को पाटता है, जो एक निश्चित-विंडो फिल्टरिंग की तुलना में एक बेहतर विकल्प प्रदान करता है।
समझौते (Trade-offs): प्राथमिक कमी कंप्यूटेशनल लागत है। GP रिग्रेशन में बड़े कोवेरियेंस मैट्रिसेस को इनवर्ट करना शामिल है, जो उच्च-रिज़ॉल्यूशन वाले डेटा के लिए महंगा है।
भविष्य की दिशाएं: लेखक एल्गोरिदम की कम्प्यूटेशनल दक्षता को अनुकूलित करने और वास्तविक MWA ऑब्जर्वेशनल डेटा पर Bayes-SCF को लागू करने की योजना बना रहे हैं। वे बिस्पेक्ट्रम विश्लेषण (bispectrum analysis) और पोस्ट-रीआयनाइजेशन इंटेंसिटी मैपिंग में भी इसके अनुप्रयोग की आशा करते हैं।

निष्कर्षतः, Bayes-SCF 21-cm कॉस्मोलॉजी में एक महत्वपूर्ण प्रगति है, जो वास्तविक परिदृश्यों में—जहाँ फोरग्राउंड स्पेक्ट्रली जटिल होते हैं और डेटा अधूरा होता है—EoR पावर स्पेक्ट्रम की रिकवरी को सक्षम बनाता है।