🔭 astrophysics

Local primordial non-Gaussianity using cross-correlations of DESI tracers

यह शोध पत्र DESI DR1 डेटा का उपयोग करके स्थानीय प्रारंभिक गैर-गॉसियनिटी (local primordial non-Gaussianity) को सीमित करता है, जिसमें यह पाया गया है कि LRGs और क्वासरों के सह-संबंध (cross-correlating) से $f^\mathrm{loc}_\mathrm{NL}=2.1_{-8.3}^{+8.8}$ के प्रतिबंधों में सुधार होता है, जबकि यह भी पुष्टि होती है कि ELGs से सुधार की कमी सांख्यिकीय अपेक्षाओं के अनुरूप है।

मूल लेखक: A. J. Rosado-Marín, A. J. Ross, H. Seo, E. Chaussidon, J. Aguilar, S. Ahlen, D. Bianchi, D. Brooks, T. Claybaugh, A. Cuceu, A. de la Macorra, A. de Mattia, R. Demina, B. Dey, P. Doel, S. Ferraro, A. F

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: A. J. Rosado-Marín, A. J. Ross, H. Seo, E. Chaussidon, J. Aguilar, S. Ahlen, D. Bianchi, D. Brooks, T. Claybaugh, A. Cuceu, A. de la Macorra, A. de Mattia, R. Demina, B. Dey, P. Doel, S. Ferraro, A. Font-Ribera, J. E. Forero-Romero, E. Gaztañaga, S. Gontcho A Gontcho, G. Gutierrez, C. Hahn, H. K. Herrera-Alcantar, D. Huterer, M. Ishak, R. Joyce, D. Kirkby, A. Kremin, O. Lahav, C. Lamman, M. Landriau, M. E. Levi, M. Manera, A. Meisner, R. Miquel, S. Nadathur, J. A. Newman, N. Palanque-Delabrouille, W. J. Percival, F. Prada, I. Pérez-Ràfols, G. Rossi, E. Sanchez, D. Schlegel, J. Silber, G. Tarlé, B. A. Weaver, C. Zhao, H. Zou

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

ब्रह्मांडीय जासूसी कहानी: ब्रह्मांड के "भूत" की खोज

कल्पना कीजिए कि ब्रह्मांड एक विशाल, फैलते हुए गुब्बारे की तरह है। लगभग 13.8 अरब साल पहले, यह गुब्बारा केवल फैला ही नहीं था; बल्कि एक पल के भीतर यह प्रकाश की गति से भी तेज़ फुला था। इस घटना को इन्फ्लेशन (Inflation) कहा जाता है।

वैज्ञानिकों के पास एक सिद्धांत है कि यह कैसे हुआ, लेकिन वे उस सटीक "इंजन" को नहीं जानते जिसने इसे संचालित किया। इसे समझने के लिए, वे ब्रह्मांडीय धूल में छोड़े गए एक विशिष्ट निशान की तलाश कर रहे हैं: प्राइमोर्डियल नॉन-गॉसियनिटी (Primordial Non-Gaussianity - PNG)।

शुरुआती ब्रह्मांड को सूप के एक कटोरे की तरह समझें।

गॉसियन (सामान्य): यदि आप सूप को पूरी तरह से हिलाते हैं, तो सामग्री समान रूप से फैली होती है। यह मानक इन्फ्लेशन द्वारा अनुमानित है।
नॉन-गॉसियन (विसंगति): यदि आपको सूप के एक कोने में गाजर का एक बड़ा ढेर मिलता है और दूसरी जगह सूप में एक खाली स्थान मिलता है, तो वह "नॉन-गॉसियन" है। इस ढेर को खोजना यह साबित कर देगा कि हमारे वर्तमान ब्रह्मांड के इंजन के बारे में सिद्धांत गलत हैं और यह हमें एक नए, अधिक जटिल भौतिकी की ओर ले जाएगा।

आपने जो पेपर साझा किया है, वह DESI (डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट) टीम की एक रिपोर्ट है, जो एरिज़ोना में एक विशाल टेलीस्कोप प्रोजेक्ट है, कि वे इस "ब्रह्मांडीय सूप" में इन "ढेरों" को खोजने की कोशिश कैसे कर रहे हैं।

समस्या: एक शोर भरा किचन

टीम ब्रह्मांड में आकाशगंगाओं (तारों और गैस) के वितरण को मापना चाहती है। उनके पास देखने के लिए तीन मुख्य प्रकार के "ट्रेसर" (आकाशगंगाएँ) हैं:

LRGs: चमकीली, पुरानी, लाल आकाशगंगाएँ (ब्रह्मांड के "अनुभवी दिग्गजों" की तरह)।
QSOs: ब्लैक होल द्वारा संचालित अति-चमकीले क्वासर (वे "शोर मचाने वाले" जो बहुत तेज़ हैं)।
ELGs: युवा, तारा-निर्माण करने वाली आकाशगंगाएँ (वे "शोर करने वाले" जो बहुत अव्यवस्थित हैं)।

पेंच: ELGs डेटा के लिए बेहतरीन हैं, लेकिन वे बहुत अव्यवस्थित भी हैं। जब हम उन्हें देखते हैं, तो हमारे टेलीस्कोप पृथ्वी के वायुमंडल और टेलीस्कोप के अपने कैमरा दोषों के कारण भ्रमित हो जाते हैं। यह ऐसा है जैसे किसी ऐसे कमरे में फुसफुसाहट सुनने की कोशिश करना जहाँ कोई लगातार बर्तन पटक रहा हो। "शोर" (सिस्टमैटिक त्रुटियाँ) इतना तेज़ है कि वह उस सूक्ष्म "ढेर" (clump) के संकेत को दबा देता है जिसे वैज्ञानिक ढूंढ रहे हैं।

अतीत में, वैज्ञानिकों को गलत परिणामों से बचने के लिए ELGs को पूरी तरह से अनदेखा करना पड़ता था।

समाधान: "क्रॉस-चेक" रणनीति

यह पेपर शोर की समस्या को हल करने के लिए एक चतुर तकनीक पेश करता है। ELGs को अकेले सुनने के बजाय, उन्होंने उन्हें क्रॉस-कोरिलेट (cross-correlate) करने का निर्णय लिया।

उपमा: शोर भरा कमरा
कल्पना कीजिए कि आप एक कमरे में तीन लोगों के साथ हैं:

व्यक्ति A (LRG): स्पष्ट बोलता है।
व्यक्ति B (QSO): स्पष्ट बोलता है।
व्यक्ति C (ELG): चिल्ला रहा है और अजीब आवाज़ें निकाल रहा है।

यदि आप केवल व्यक्ति C को रिकॉर्ड करने की कोशिश करते हैं, तो आपको केवल शोर सुनाई देता है। लेकिन, क्या होगा यदि व्यक्ति C भी वही गुप्त संदेश चिल्ला रहा है जो व्यक्ति A और B बोल रहे हैं?

टीम ने महसूस किया कि हालांकि व्यक्ति C में बहुत अधिक व्यक्तिगत शोर है, लेकिन गुप्त संदेश (कॉस्मिक सिग्नल) सभी के लिए एक ही है। व्यक्ति C की चिल्लाहट की तुलना व्यक्ति A की स्पष्ट आवाज़ से करके, वे शोर को फ़िल्टर कर सकते हैं। यदि व्यक्ति A और C संदेश पर सहमत हैं, तो वह वास्तविक है। यदि वे असहमत हैं, तो वह केवल शोर है।

उन्होंने क्या किया

आधार रेखा (The Baseline): उन्होंने पहले व्यक्ति A (LRGs) और व्यक्ति B (QSOs) की स्पष्ट आवाज़ों को मिलाया। इससे उन्हें एक अच्छा माप मिला, लेकिन वे और भी सटीक होना चाहते थे।
प्रयोग: उन्होंने व्यक्ति C (ELGs) को मिश्रण में जोड़ा, लेकिन केवल C की तुलना A से और C की तुलना B से करके। उन्होंने C को अकेले नहीं सुना।
परिणाम:
- LRG + QSO जोड़ने पर: इससे उनकी सटीकता में लगभग 9% का सुधार हुआ। यह एक ठोस जीत थी।
- ELGs जोड़ने पर: उन्हें एक बड़ी जीत की उम्मीद थी (उनके कंप्यूटर सिमुलेशन के आधार पर लगभग 16% सुधार)। हालांकि, वास्तविक डेटा में, सुधार कम था (कुल मिलाकर केवल लगभग 8%)।

ELGs ने अधिक मदद क्यों नहीं की?
सिमुलेशन ने भारी लाभ का अनुमान लगाया था, लेकिन वास्तविक डेटा थोड़ा "भाग्यशाली" (या दुर्भाग्यपूर्ण) था (सांख्यिकीय उतार-चढ़ाव के कारण)। यह पासे फेंकने जैसा है: यदि आप 100 बार पासा फेंकते हैं, तो आप एक औसत की अपेक्षा करते हैं, लेकिन कभी-कभी आपको बदकिस्मती का सिलसिला मिल सकता है। टीम ने अपने "पासे" (सिमुलेशन) की जाँच की और पुष्टि की कि वास्तविक दुनिया में उन्हें जो परिणाम मिला वह यादृच्छिकता (randomness) का एक सामान्य, अपेक्षित परिणाम है। यह विफलता नहीं थी; इसका मतलब केवल यह था कि इस विशेष समय पर ELGs ने उतनी अतिरिक्त स्पष्टता नहीं दी जितनी उन्हें उम्मीद थी।

मुख्य निष्कर्ष

"क्रॉस-चेक" काम करता है: अलग-अलग प्रकार की आकाशगंगाओं की आपस में तुलना करके, टीम ने टेलीस्कोप की त्रुटियों के प्रभाव को सफलतापूर्वक कम किया। यह भविष्य के अध्ययनों के लिए एक बड़ी जीत है।
मापन: उन्होंने ब्रह्मांड की "ढेरनुमा" प्रकृति (clumpiness) के लिए एक मान पाया: $f_{\text{loc}}^{\text{NL}} = 2.1 \pm 8.3$ ।
- चूंकि यह संख्या शून्य के बहुत करीब है (और एरर बार बहुत बड़ा है), इसका मतलब है कि उन्हें अभी तक "ढेर" (clump) नहीं मिला है। ब्रह्मांड अभी भी "समतल" (Gaussian) दिखता है, जो इन्फ्लेशन के मानक सिद्धांत का समर्थन करता है।
भविष्य: भले ही ELGs ने इस बार बहुत बड़ी बढ़त नहीं दी, लेकिन यह तरीका काम करने के लिए सिद्ध हो गया है। टीम अब डेटा के अगले दौर (DESI DR2) की तैयारी कर रही है, जहाँ उनके पास और भी अधिक आकाशगंगाएँ और शोर को फ़िल्टर करने के बेहतर उपकरण होंगे।

संक्षेप में

DESI टीम ने ब्रह्मांड के शुरुआती क्षणों को सुनने के लिए एक सुपर-सेंसिटिव माइक्रोफ़ोन बनाया। उन्होंने पाया कि कुछ माइक्रोफ़ोन (ELGs) अकेले उपयोग करने के लिए बहुत अधिक कड़कड़ाहट वाले थे। इसलिए, उन्होंने एक ऐसी तकनीक बनाई जिससे वे इस कड़कड़ाहट वाले माइक की तुलना दो स्पष्ट माइक के साथ कर सकें। इसने उन्हें अपने सिग्नल को पहले से कहीं अधिक स्पष्ट रूप से सुनने में सक्षम बनाया, जिससे उनके मापन में लगभग 9% का सुधार हुआ। हालांकि उन्हें अभी तक "धुआँधार सबूत" (नए भौतिकी का प्रमाण) नहीं मिला है, लेकिन उन्होंने अगले प्रयास के लिए एक बहुत बेहतर सुनने वाला उपकरण बना लिया है।

यहाँ A. J. Rosado-Marín और अन्य द्वारा लिखित शोध पत्र "Local primordial non-gaussianity using cross-correlations of DESI tracers" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इस शोध पत्र का प्राथमिक लक्ष्य लोकल प्राइमोर्डियल नॉन-गॉसियनिटी ( $f_{\text{loc}}^{\text{NL}}$ ) के आयाम (amplitude) को सीमित करना है, जो प्रारंभिक ब्रह्मांड के घनत्व उतार-चढ़ाव (density fluctuations) में गॉसियन वितरण से विचलन का वर्णन करने वाला एक पैरामीटर है। $f_{\text{loc}}^{\text{NL}}$ का सटीक पता लगाना (विशेष रूप से $O(1)$ के स्तर पर) सिंगल-फील्ड इन्फ्लेशन मॉडल को खारिज कर देगा।

जबकि प्लैंक (Planck) उपग्रह ने अब तक के सबसे कड़े प्रतिबंध प्रदान किए हैं ( $f_{\text{loc}}^{\text{NL}} = -0.9 \pm 5.1$ ), ये अंतिम प्रकीर्णन सतह (surface of last scattering) के 2D सतह पर कॉस्मिक वेरिएंस (cosmic variance) के कारण सीमित हैं। लार्ज-स्केल स्ट्रक्चर (LSS) सर्वेक्षण उच्च रेडशिफ्ट पर बायस्ड ट्रेसर्स (गैलेक्सी और क्वासर) पर $f_{\text{loc}}^{\text{NL}}$ द्वारा प्रेरित स्केल-डिपेंडेंट बायस (scale-dependent bias) को मापकर उच्च परिशुद्धता का मार्ग प्रशस्त करते हैं।

विशिष्ट चुनौती:
डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (DESI) डेटा रिलीज़ 1 (DR1) में ल्यूमिनस रेड गैलेक्सीज़ (LRGs), क्वासर (QSOs), और एमिशन लाइन गैलेक्सीज़ (ELGs) शामिल हैं। हालाँकि, ELG सैंपल बड़े पैमानों (कम $k$ ) पर गंभीर इमेजिंग सिस्टमैटिक्स (imaging systematics) से ग्रस्त है, जो कि वे सटीक पैमाने हैं जो $f_{\text{loc}}^{\text{NL}}$ के लिए सबसे संवेदनशील होते हैं। पिछले विश्लेषणों ने $f_{\text{loc}}^{\text{NL}}$ के प्रतिबंधों के लिए ELGs को बाहर रखा था क्योंकि अवशिष्ट सिस्टमैटिक्स (residual systematics) सिग्नल की नकल कर सकते हैं या उसे दबा सकते हैं। लेखक विभिन्न ट्रेसर आबादी के बीच क्रॉस-कोरिलेशन (cross-correlations) का उपयोग करके इन सिस्टमैटिक्स को कम करने और LRGs तथा QSOs के लिए निष्कर्षों में सुधार करने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

डेटा सैम्पल्स (Data Samples)

यह विश्लेषण $0.4 < z < 3.1$ की रेडशिफ्ट रेंज को कवर करने वाले DESI DR1 LSS कैटलॉग (वर्जन v1.5) का उपयोग करता है। इसमें शामिल हैं:

ऑटो-ट्रेसर्स (Auto-tracers): LRGs ( $0.4 < z < 1.1$ ), ELGs ( $0.8 < z < 1.6$ ), और QSOs ( $0.8 < z < 3.1$ )।
क्रॉस-ट्रेसर्स (Cross-tracers):
- LRG $\times$ QSO ( $0.8 < z < 1.1$ )
- ELG $\times$ LRG ( $0.8 < z < 1.1$ )
- ELG $\times$ QSO ( $0.8 < z < 1.6$ )

वेटिंग और सिस्टमैटिक्स मिटिगेशन (Weighting and Systematics Mitigation)

इमेजिंग सिस्टमैटिक्स: इमेजिंग डेप्थ, सीइंग (seeing) आदि से सह-संबंधित टारगेट डेंसिटी उतार-चढ़ाव को ठीक करने के लिए वेट्स ( $w_{sys}$ ) लागू किए जाते हैं। LRGs के लिए लीनियर रिग्रेशन का उपयोग किया जाता है; ELGs के लिए SYSNet न्यूरल नेटवर्क का उपयोग किया जाता है; QSOs के लिए Regressis का उपयोग किया जाता है।
ऑप्टिमल वेटिंग (Optimal Weighting): लेखक वेरिएंस को कम करने के लिए FKP (Feldman-Kaiser-Peacock) वेट्स लागू करते हैं। QSOs के लिए, वे स्केल-डिपेंडेंट बायस में रेडशिफ्ट विकास को ध्यान में रखने के लिए ऑप्टिमल क्वाड्रेटिक एस्टिमेटर (OQE) वेट्स भी लागू करते हैं।
ELG हैंडलिंग: अवशिष्ट सिस्टमैटिक्स के कारण, ELG ऑटो-पावर स्पेक्ट्रम को रूढ़तावादी (conservatively) रूप से $k_{min} = 0.01 \, h \, \text{Mpc}^{-1}$ पर काटा गया है, जिससे बायस से बचने के लिए परिशुद्धता का त्याग किया गया है। हालाँकि, ELGs को क्रॉस-कोरिलेशन में शामिल किया गया है जहाँ गैर-साझा (non-common) सिस्टमैटिक्स के रद्द होने की उम्मीद है।

विश्लेषण ढांचा (Analysis Framework)

पावर स्पेक्ट्रम मापन: फूरियर स्पेस में pypower का उपयोग करके मापा गया।
सैद्धांतिक मॉडल: मॉडल में स्केल-डिपेंडेंट बायस $\Delta b(k, z) \propto f_{\text{loc}}^{\text{NL}} / k^2$ $Δ b (k, z) \propto f_{loc}^{NL} / k^{2}$ शामिल है। बायस पैरामीटर $b_\phi$ $b_{ϕ}$ को लीनियर बायस $b_1$ $b_{1}$ के साथ एक मर्जर हिस्ट्री पैरामीटर $p$ $p$ के माध्यम से जोड़ा गया है।
- LRGs के लिए $p=1$ (मास यूनिवर्सलिटी)।
- QSOs और ELGs के लिए $p=1.6$ (हालिया मर्जर इतिहास)।
इंटीग्रल कंस्ट्रेंट्स (Integral Constraints): रेडियल (RIC) और एंगुलर (AIC) इंटीग्रल कंस्ट्रेंट्स को रेडशिफ्ट शफलिंग और सिस्टमैटिक्स मिटिगेशन के कारण होने वाले मोड सप्रेशन को ठीक करने के लिए EZmocks का उपयोग करके मॉडल किया गया है।
पैरामीटर एस्टीमेशन: desilike पाइपलाइन का उपयोग करके लाइकलीहुड विश्लेषण किया जाता है। कोवेरियेंस मैट्रिक्स का निर्माण 1000 EZmocks (प्रभावी ज़ेल्डोविच सन्निकटन मोंक्स) से किया गया है, जिसे कोवेरियेंस एस्टीमेशन में शोर को ध्यान में रखने के लिए हार्टलैप (Hartlap) और पर्सिवल (Percival) फैक्टर्स के साथ सुधारा गया है।

3. मुख्य योगदान (Key Contributions)

PNG के लिए क्रॉस-कोरिलेशन का सत्यापन: यह शोध पत्र सिद्ध करता है कि विभिन्न ट्रेसर्स (जैसे LRG $\times$ QSO) को क्रॉस-कोरिलेट करना प्रभावी रूप से गैर-साझा सिस्टमैटिक्स को दबा देता है, जिससे $f_{\text{loc}}^{\text{NL}}$ के लिए मजबूत प्रतिबंध संभव हो पाता है, भले ही एक ट्रेसर (जैसे ELGs) में महत्वपूर्ण अवशिष्ट सिस्टमैटिक्स हों।
PNG विश्लेषण में ELGs का समावेश: यह ELGs को क्रॉस-कोरिलेशन (ELG $\times$ LRG, ELG $\times$ QSO) के माध्यम से PNG प्रतिबंधों में शामिल करने के लिए एक ढांचा प्रदान करता है, जहाँ उन्हें उनके ऑटो-पावर स्पेक्ट्रम पर निर्भर रहने के बजाय अंतर्निहित $f_{\text{loc}}^{\text{NL}}$ सिग्नेचर के प्रोब के रूप में माना जाता है।
सिस्टमैटिक एरर एस्टीमेशन: विभिन्न ऑटो- और क्रॉस-कोरिलेशन संयोजनों से प्राप्त प्रतिबंधों की तुलना करके, लेखक सिस्टमैटिक अनिश्चितताओं को मापने के लिए परीक्षण करते हैं। विभिन्न ट्रेसर संयोजनों के बीच विसंगतियों का उपयोग सिस्टमैटिक अनिश्चितताओं को मापने के लिए किया जाता है।
मॉक-आधारित अपेक्षा बनाम वास्तविकता: अध्ययन यह निर्धारित करने के लिए DESI DR1 डेटा परिणामों की तुलना EZmocks के साथ कठोरता से करता है कि क्या देखे गए लाभ (या उनकी कमी) सांख्यिकीय रूप से महत्वपूर्ण हैं या कॉस्मिक वेरिएंस और स्कैटर के अनुरूप हैं।

4. मुख्य परिणाम (Key Results)

$f_{\text{loc}}^{\text{NL}}$ पर प्रतिबंध

बेसलाइन (LRG + QSO ऑटो): $f_{\text{loc}}^{\text{NL}} = -2.5^{+9.5}_{-9.4}$ (68% CL)।
LRG $\times$ QSO क्रॉस-कोरिलेशन के साथ: प्रतिबंध कड़ा होकर $f_{\text{loc}}^{\text{NL}} = 2.1^{+8.8}_{-8.3}$ हो जाता है।
- यह परिशुद्धता में ~9% सुधार ( $\sigma_{f_{\text{loc}}^{\text{NL}}}$ 9.33 से घटकर 8.54) दर्शाता है।
- यह परिणाम EZmocks द्वारा अनुमानित ~8% लाभ के अनुरूप है।
ELGs को शामिल करना (Auto + Cross): ELG ऑटो, ELG $\times$ $\times$ LRG, और ELG $\times$ $\times$ QSO जोड़ने से $f_{\text{loc}}^{\text{NL}} = -4.9^{+8.0}_{-9.6}$ $f_{loc}^{NL} = - 4. 9_{- 9.6}^{+ 8.0}$ प्राप्त होता है।
- परिशुद्धता ( $\sigma \approx 8.64$ ) LRG $\times$ QSO मामले के लगभग समान है।
- ELGs को जोड़ने से DR1 डेटासेट में कोई महत्वपूर्ण लाभ नहीं देखा गया, जिसका कारण संभवतः रूढ़िवादी $k_{min}$ कट और अवशिष्ट सिस्टमैटिक्स है।
- हालाँकि, मॉक टेस्ट ने ELGs से ~8% अतिरिक्त लाभ की भविष्यवाणी की थी। तथ्य यह है कि डेटा ने यह लाभ नहीं दिखाया, यह सांख्यिकीय स्कैटर (28% मोंक्स ने कम लाभ दिखाया) के अनुरूप है।

सिस्टमैटिक्स और निरंतरता (Consistency)

ELG क्रॉस-कोरिलेशन जोड़ने पर केंद्रीय मान $\sim 0.5\sigma$ बदल गया, लेकिन यह बदलाव मॉक रियलाइजेशन में देखे गए सांख्यिकीय उतार-चढ़ाव के भीतर है।
परिणाम असेंबली बायस पैरामीटर $p$ के चयन के प्रति मजबूत हैं। अपडेटेड वैल्यूज ( $p=0.55$ LRGs के लिए, $p=1.4$ QSOs के लिए) का उपयोग करने पर $f_{\text{loc}}^{\text{NL}} = 1.9^{+7.6}_{-6.8}$ प्राप्त होता है, जो केवल पावर स्पेक्ट्रा से अब तक का सबसे कड़ा प्रतिबंध है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

मजबूत सुधार: LRG $\times$ QSO क्रॉस-कोरिलेशन को शामिल करना $f_{\text{loc}}^{\text{NL}}$ प्रतिबंधों में सुधार करने का एक मजबूत तरीका है, जो DESI DR1 के लिए परिशुद्धता में ~9% लाभ प्रदान करता है। यह रणनीति भविष्य के सभी DESI PNG विश्लेषणों के लिए अनुशंसित है।
ELG क्षमता: हालाँकि ELGs ने वर्तमान सिस्टमैटिक्स और रूढ़िवादी कट्स के कारण DR1 प्रतिबंधों में सुधार नहीं किया, लेकिन उनकी कार्यप्रणाली उनकी क्षमता को प्रमाणित करती है। बड़े सैंपल और बेहतर सिस्टमैटिक्स मिटिगेशन के साथ भविष्य के डेटा रिलीज़ (DR2) से अपेक्षित ~16% कुल लाभ मिलने की उम्मीद है।
भविष्य की रूपरेखा: लेखक इस पूर्ण क्रॉस-कोरिलेशन ढांचे को DESI DR2 और Year 5 (Y5) फुटप्रिंट पर लागू करने की योजना बना रहे हैं, जिसमें QSOs और अन्य ट्रेसर्स के बीच पूर्ण क्रॉस-कोवेरियेंस शामिल होगा, जिसे इस कार्य में अनुमानित किया गया था।

संक्षेप में, यह शोध पत्र $f_{\text{loc}}^{\text{NL}}$ मापों में सिस्टमैटिक्स को कम करने के लिए क्रॉस-कोरिलेशन का उपयोग करने के लिए एक कठोर ढांचा स्थापित करता है, जो DESI DR1 डेटा के लिए प्रतिबंधों में सफलतापूर्वक सुधार करता है और भविष्य के उच्च-परिशुद्धता इन्फ्लेशन परीक्षणों के लिए मार्ग प्रशस्त करता है।