🔭 astrophysics

Informative Priors on Primordial Non-Gaussianity Bias $b_{\phi}$ From Galaxy Formation

यह शोध पत्र गैलेक्सी बायस पैरामीटर $b_{\phi}$ पर प्रेक्षण-आधारित पूर्ववृत्त (observationally conditioned priors) निर्मित करने के लिए CAMELS-SAM सिमुलेशन सुइट का उपयोग करने वाले एक ढांचे को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि स्टेलर मास फंक्शन या स्टेलर-टू-हेलो मास रिलेशनशिप पर आधारित होने से गैलेक्सी फॉर्मेशन की अनिश्चितताओं को 97% तक कम किया जा सकता है, जिससे DESI जैसे अगली पीढ़ी के स्पेक्ट्रोस्कोपिक सर्वेक्षणों के लिए प्राइमोर्डियल नॉन-गॉसियनिटी ( $f^{\rm{loc}}_{\rm{NL}}$ ) पर बाधाओं (constraints) में महत्वपूर्ण सुधार होता है।

मूल लेखक: Anne Moore, Lucia A. Perez, Elisabeth Krause

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anne Moore, Lucia A. Perez, Elisabeth Krause

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: एक तूफान में फुसफुसाहट सुनने की कोशिश

कल्पना कीजिए कि ब्रह्मांड एक विशाल, शांत कमरा है। वैज्ञानिक समय की शुरुआत (बिग बैंग) से आ रही एक बहुत ही धीमी फुसफुसाहट को सुनने की कोशिश कर रहे हैं। इस फुसफुसाहट को प्राइमॉर्डियल नॉन-गॉसियनिटी (या $f_{NL}$ ) कहा जाता है। यह हमें ठीक-ठीक बताती है कि ब्रह्मांड की शुरुआत कैसे हुई और किस भौतिकी के "नुस्खे" (recipe) ने इसे बनाया।

हालाँकि, एक समस्या है। कमरा एक शोर भरे, अराजक तूफान से भरा हुआ है: आकाशगंगाओं (galaxies) का निर्माण। जैसे-जैसे आकाशगंगाएँ बनती हैं, वे अपना खुद का शोर पैदा करती हैं जो बिल्कुल उसी फुसफुसाहट जैसा सुनाई देता है जिसे हम सुनने की कोशिश कर रहे हैं। वैज्ञानिक शब्दों में, यहाँ एक "डिजेनेरेसी" (degeneracy) है—एक पूर्ण भ्रम—जो उस सिग्नल के बीच है जिसे हम चाहते हैं ( $f_{NL}$ ) और एक पैरामीटर के बीच जिसे $b_\phi$ कहा जाता है (जो यह बताता है कि आकाशगंगाएँ शुरुआती ब्रह्मांड के प्रति कैसी प्रतिक्रिया देती हैं)।

यदि आप नहीं जानते कि तूफान कैसा सुनाई देता है, तो आप उस फुसफुसाहट को अलग नहीं कर सकते।

पुराना तरीका: तूफान का अनुमान लगाना

लंबे समय तक, वैज्ञानिकों ने एक "यूनिवर्सल रूल" (सार्वभौमिक नियम) मानकर इसे हल करने की कोशिश की। उन्होंने सोचा, "यदि हमें पता है कि कितनी आकाशगंगाएँ हैं ( $b_1$ ), तो हम बस एक सरल सूत्र का उपयोग करके तूफान के शोर ( $b_\phi$ ) का अनुमान लगा सकते हैं।"

उपमा (Analogy): कल्पना कीजिए कि आप केवल कार के रंग को देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशिष्ट कार का इंजन कितना शोर करता है।

पुराना नियम: "सभी लाल कारों के इंजन 50 डेसिबल तेज होते हैं।"
समस्या: वास्तव में, एक लाल स्पोर्ट्स कार का इंजन बहुत तेज होता है, लेकिन एक लाल मिनीवैन का इंजन शांत होता है। यदि आप यह मान लेते हैं कि वे सभी एक जैसे हैं, तो आपका अनुमान गलत होगा। ब्रह्मांड विज्ञान (cosmology) में, यह "यूनिवर्सल रूल" विफल हो जाता है क्योंकि विभिन्न प्रकार की आकाशगंगाएँ (लाल बनाम नीली, बड़ी बनाम छोटी) शुरुआती ब्रह्मांड के प्रति अलग-अलग तरह से प्रतिक्रिया करती हैं। इससे व्यवस्थित त्रुटियाँ (systematic errors) होती हैं—जैसे रेडियो ट्यून करने की कोशिश करना लेकिन संगीत के बजाय केवल शोर मिलना।

नया समाधान: "गैलेक्टिक डिटेक्टिव" किट

यह शोध पत्र बिना गलत अनुमान लगाए शोर ( $b_\phi$ ) का पता लगाने का एक नया, स्मार्ट तरीका पेश करता है। एक सार्वभौमिक नियम मानने के बजाय, वे एक फिजिकली मोटिवेटेड प्रायर (physically motivated prior) बनाते हैं।

उपमा: इंजन के शोर का अनुमान कार के रंग के आधार पर लगाने के बजाय, आप कार मालिक से पूछते हैं: "आपके पास किस तरह का इंजन है? यह कितना ईंधन जलाता है? यह कितनी तेजी से एक्सीलरेट करता है?" फिर आप उन विशिष्ट विवरणों का उपयोग करके शोर के स्तर की भविष्यवाणी करते हैं।

यहाँ बताया गया है कि उन्होंने यह कैसे किया, चरण-दर-चरण:

1. सिमुलेशन लैब (द "कार फैक्ट्री")

लेखकों ने CAMELS-SAM नामक एक विशाल कंप्यूटर सिमुलेशन सूट का उपयोग किया। इसे एक विशाल आभासी कार फैक्ट्री के रूप में समझें।

उन्होंने केवल एक कार नहीं बनाई; उन्होंने ब्रह्मांड के 1,000 अलग-अलग संस्करण बनाए।
प्रत्येक संस्करण में, उन्होंने "फैक्ट्री सेटिंग्स" (जैसे कि तारे कितनी गैस बाहर फेंकते हैं, या ब्लैक होल कितनी गैस खाते हैं) में बदलाव किया।
इससे विभिन्न संभावित ब्रह्मांडों का एक विशाल पुस्तकालय बन गया, जिनमें से प्रत्येक में आकाशगंगाओं के अलग गुण थे।

2. "सेपरेट यूनिवर्स" ट्रिक (द साउंड टेस्ट)

विशिष्ट शोर पैरामीटर ( $b_\phi$ ) को मापने के लिए, उन्होंने सेपरेट यूनिवर्स सिमुलेशन नामक तकनीक का उपयोग किया।

उपमा: कल्पना कीजिए कि आपके पास एक आदर्श कार का मॉडल है। यह परीक्षण करने के लिए कि इंजन कितना शोर करता है, आप कार को एक थोड़े अलग कमरे में रखते हैं जहाँ हवा का दबाव थोड़ा अधिक होता है। आप देखते हैं कि इंजन उस बदलाव के प्रति कैसी प्रतिक्रिया देता है।
सिमुलेशन में, उन्होंने "बैकग्राउंड कॉस्मोलॉजी" (ब्रह्मांड के वायु दाब) में थोड़ा बदलाव किया और देखा कि आकाशगंगाओं की संख्या में कैसे बदलाव आया। यह उन्हें बताता है कि आकाशगंगाएँ शुरुआती ब्रह्मांड की फुसफुसाहट के प्रति कितनी संवेदनशील हैं।

3. "ट्रांसलेटर" (द एम्यूलेटर)

उनके पास 1,000 सिमुलेशन हैं, लेकिन वे सेटिंग्स के हर एक संभावित संयोजन के लिए परीक्षण नहीं चला सकते (इसमें बहुत समय लगेगा)।

उपमा: उन्होंने एक सुपर-स्मार्ट AI ट्रांसलेटर (एक गॉसियन प्रोसेस एम्यूलेटर) बनाया।
उन्होंने AI को 1,000 सिमुलेशन से डेटा खिलाया। अब, यदि आप AI से पूछते हैं, "क्या होगा यदि मैं गैस सेटिंग को 0.1% बदल दूँ?", तो AI बिना नया सिमुलेशन चलाए तुरंत परिणाम की भविष्यवाणी कर सकता है।

4. वास्तविकता से मिलान (द "फिंगरप्रिंट")

अब, उन्होंने आकाश से वास्तविक डेटा (DESI जैसे सर्वेक्षणों से) लिया जो वास्तव में दिखाई देते हैं:

SMF: विभिन्न आकारों की कितनी आकाशगंगाएँ मौजूद हैं?
SHMR: उनकी अदृश्य डार्क मैटर हेलो की तुलना में आकाशगंगाएँ कितनी भारी हैं?
मेटालिसिटी (Metallicity): तारे कितने "गंदे" (भारी तत्वों से समृद्ध) हैं?

उन्होंने अपने AI ट्रांसलेटर का उपयोग यह पता लगाने के लिए किया कि उनके 1,000 सिम्युलेटेड ब्रह्मांडों में से कौन सा हमारे वास्तविक ब्रह्मांड जैसा दिखता है।

परिणाम: एक धुंध से लेजर बीम तक

जब उन्होंने इन उपकरणों को मिलाया, तो परिणाम नाटकीय थे:

पहले: शोर पैरामीटर ( $b_\phi$ ) पर उनकी अनिश्चितता बहुत बड़ी थी (जैसे 0 और 10 के बीच की संख्या का अनुमान लगाना)।
बाद में: वास्तविक अवलोकनों (जैसे स्टेलर मास फंक्शन) पर अपने अनुमान को आधारित करके, उन्होंने अनिश्चितता को 88% से 97% तक कम कर दिया।
परिणाम: वे एक धुंधले अनुमान से एक लेजर-शार्प माप तक पहुँच गए।

यह क्यों मायने रखता है:
भले ही उनके कंप्यूटर मॉडल (SC-SAM) में सबसे बड़ी आकाशगंगाओं (उच्च द्रव्यमान वाली) से मेल खाने में कुछ खामियां थीं, फिर भी शोर पैरामीटर ( $b_\phi$ ) के लिए अंतिम परिणाम सुसंगत रहा। यह साबित करता है कि उनकी विधि विश्वसनीय (robust) है।

निष्कर्ष

यह शोध पत्र एक क्रिस्टल बॉल (एक सरल नियम के आधार पर अनुमान लगाना) से फोरेंसिक लैब (अतीत को पुनर्गठित करने के लिए विस्तृत साक्ष्य का उपयोग करना) में अपग्रेड करने जैसा है।

यह स्वीकार करते हुए कि आकाशगंगा निर्माण जटिल और अनिश्चित है, और बड़े पैमाने के सिमुलेशन का उपयोग करके उन अनिश्चितताओं को "मार्जिनलाइज" (औसत निकालना) करके, उन्होंने ब्रह्मांड के जन्म की फुसफुसाहट को सुनने का एक बहुत अधिक विश्वसनीय तरीका बनाया है। यह भविष्य के दूरबीनों (जैसे DESI और SPHEREx) के लिए मार्ग प्रशस्त करता है ताकि वे अंततः हमें बता सकें कि ब्रह्मांड के जन्म का कौन सा सिद्धांत सही है।

यहाँ शोध पत्र "Informative Priors on Primordial Non-Gaussianity Bias $b_\phi$ From Galaxy Formation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक ब्रह्मांड विज्ञान (cosmology) का प्राथमिक लक्ष्य प्रिमॉर्डियल नॉन-गॉसियनिटी (primordial non-Gaussianity - PNG), विशेष रूप से स्थानीय प्रकार के पैरामीटर $f_{\text{loc}}^{\text{NL}}$ को सीमित करना है, ताकि विभिन्न इन्फ्लेशनरी मॉडलों (inflationary models) के बीच अंतर किया जा सके।

डिक्रेंसी (The Degeneracy): लार्ज स्केल स्ट्रक्चर (LSS) विश्लेषणों में, स्थानीय PNG का प्रभाव गैलेक्सी पावर स्पेक्ट्रम में एक स्केल-डिपेंडेंट बायस टर्म के रूप में दिखाई देता है जो $b_\phi f_{\text{loc}}^{\text{NL}}$ के समानुपाती होता है। प्रथम क्रम (leading order) पर, $f_{\text{loc}}^{\text{NL}}$ और बायस पैरामीटर $b_\phi$ पूरी तरह से डिजेनरेट (degenerate) होते हैं।
वर्तमान सीमा (Current Limitation): मानक विश्लेषण इस डिजेनरेसी को "यूनिवर्सैलिटी रिलेशन" ( $b_\phi = 2\delta_c(b_1 - 1)$ ) का उपयोग करके तोड़ते हैं, जो एक यूनिवर्सल हेलो मास फंक्शन का अनुमान लगाता है। हालाँकि, यह संबंध भौतिक रूप से प्रेरित गैलेक्सी चयन (जैसे कि स्टेलर मास या स्टार फॉर्मेशन रेट के आधार पर) के लिए विफल होता है, जिससे $f_{\text{loc}}^{\text{NL}}$ के अनुमान में व्यवस्थित त्रुटियाँ (systematic errors) आती हैं।
अंतराल (The Gap): $b_\phi$ पर स्वतंत्र, भौतिक रूप से प्रेरित बाधाओं के बिना, अगली पीढ़ी के सर्वेक्षण (जैसे DESI, Euclid, SPHEREx) सिंगल-फील्ड इन्फ्लेशन मॉडल को खारिज करने के लिए आवश्यक सटीकता प्राप्त नहीं कर सकते हैं। वर्तमान दृष्टिकोण अक्सर अनइन्फॉर्मेटिव प्रायर्स (uninformative priors) का उपयोग करते हैं, जिससे प्रोजेक्शन इफेक्ट्स और पक्षपाती परिणाम (biased results) मिलते हैं।

2. कार्यप्रणाली (Methodology)

लेखक गैलेक्सी फॉर्मेशन अनिश्चितताओं पर मार्जिनलाइज़ (marginalize) करके $b_\phi$ पर ऑब्जर्वेशन-कंडीशन्ड प्रायर्स (observation-conditioned priors) बनाने के लिए एक ढांचा प्रस्तावित करते हैं। कोर समीकरण है:
$p(b_\phi|\{Obs\}) = \int d\theta_{gf} \, p(b_\phi|\theta_{gf}) \, p(\theta_{gf}|\{Obs\})$
जहाँ $\theta_{gf}$ गैलेक्सी फॉर्मेशन पैरामीटर्स को दर्शाता है और $\{Obs\}$ गैलेक्सी गुणों को दर्शाता है।

यह कार्यप्रणाली तीन मुख्य घटकों से मिलकर बनी है:

A. सिमुलेशन सूट्स (Simulation Suites)

CAMELS-SAM (Latin Hypercube): 1,005 N-body सिमुलेशन ( $100 h^{-1}\text{cMpc}$ $100 h^{- 1} cMpc$ वॉल्यूम) का एक सूट, जिसमें सांता क्रूज़ सेमी-एनालिटिक मॉडल (SC-SAM) का उपयोग किया गया है।
- परिवर्तित पैरामीटर्स: कॉस्मोलॉजिकल ( $\Omega_M, \sigma_8$ ) और तीन गैलेक्सी फॉर्मेशन फीडबैक पैरामीटर्स: $A_{\text{AGN}}$ (AGN फीडबैक), $A_{\text{SN1}}$ (स्टेलर फीडबैक नॉर्मलाइजेशन), और $A_{\text{SN2}}$ (स्टेलर फीडबैक स्लोप)।
- उद्देश्य: पैरामीटर स्पेस $\theta_{gf}$ में गैलेक्सी फॉर्मेशन ऑब्जर्वेबल्स (जैसे स्टेलर मास फंक्शन, स्टेलर-टू-हेलो मास रिलेशन, आदि) की भविष्यवाणी करने के लिए एक सघन प्रशिक्षण सेट तैयार करना।
सेपरेट यूनिवर्स (SU) सिमुलेशन: 50 सिमुलेशन ( $205 h^{-1}\text{Mpc}$ $205 h^{- 1} Mpc$ वॉल्यूम) का एक सूट, जिसमें समान कॉस्मोलॉजी और परिवर्तित $\sigma_8$ $σ_{8}$ का उपयोग किया गया है ताकि लॉन्ग-वेवलेंथ परमटर्बेशन्स को सिम्युलेट किया जा सके।
- उद्देश्य: सेपरेट यूनिवर्स फॉर्मलिज्म का उपयोग करके $b_\phi$ को सीधे मापना, जो प्रिमॉर्डियल पावर स्पेक्ट्रम एम्प्लीट्यूड में बदलाव के प्रति गैलेक्सी संख्या गणना की प्रतिक्रिया को मापता है।

B. इम्यूलेशन और इंटरपोलेशन (Emulation and Interpolation)

घने CAMELS-SAM सैंपलिंग और विरल (sparse) SU सैंपलिंग के बीच के अंतर को पाटने के लिए:

गॉसियन प्रोसेस इम्युलेटर्स (GPE): इन्हें CAMELS-SAM सूट पर प्रशिक्षित किया गया है ताकि पैरामीटर स्पेस $\theta_{gf}$ में किसी भी बिंदु पर गैलेक्सी फॉर्मेशन ऑब्जर्वेबल्स (जैसे स्टेलर मास फंक्शन - SMF) की भविष्यवाणी की जा सके। यह $p(\theta_{gf}|\{Obs\})$ के पोस्टीरियर के MCMC सैंपलिंग की अनुमति देता है।
रेडियल बेसिस फंक्शन (RBF) इंटरपोलेटर: इसे 50 SU सिमुलेशन पर प्रशिक्षित किया गया है ताकि विशिष्ट गैलेक्सी फॉर्मेशन पैरामीटर्स $\theta_{gf}$ को संबंधित $b_\phi$ मान से मैप किया जा सके।

C. विश्लेषण वर्कफ़्लो (Analysis Workflow)

MCMC सैंपलिंग: GPEs का उपयोग विशिष्ट ऑब्जर्वेबल्स (SMF, SHMR, या स्टेलर मेटालिसिटी-स्टेलर मास रिलेशन) पर आधारित गैलेक्सी फॉर्मेशन पैरामीटर्स के पोस्टीरियर वितरण को सैंपल करने के लिए किया जाता है।
$b_\phi$ में मैपिंग: प्रत्येक सैंपल किए गए पैरामीटर सेट को RBF इंटरपोलेटर के माध्यम से पारित किया जाता है ताकि संगत $b_\phi$ मान उत्पन्न किया जा सके।
परिणामी प्रायर (Resulting Prior): इन मैप किए गए मानों का वितरण $p(b_\phi|\{Obs\})$ नामक ऑब्जर्वेशन-कंडीशन्ड प्रायर बनाता है।

3. मुख्य योगदान (Key Contributions)

इन्फॉर्मेटिव प्रायर्स के लिए ढांचा: यह पहला ढांचा है जो गैर-क्लस्टरिंग ऑब्जर्वेबल्स (SMF, SHMR) पर कंडिशन किए गए गैलेक्सी फॉर्मेशन अनिश्चितताओं को मार्जिनलाइज़ करके $b_\phi$ पर स्पष्ट रूप से प्रायर्स का निर्माण करता है।
डिजेनेरेसी को तोड़ना: यूनिवर्सैलिटी रिलेशन के लिए एक भौतिक रूप से प्रेरित विकल्प प्रदान करता है, जो कई गैलेक्सी सैंपल्स के लिए अमान्य है।
मॉडल विसंगतियों को संभालना: यह प्रदर्शित करता है कि भले ही अंतर्निहित गैलेक्सी फॉर्मेशन मॉडल (SC-SAM) में ज्ञात विसंगतियां हों (विशेष रूप से उच्च हेलो द्रव्यमान पर), फिर भी प्राप्त $b_\phi$ वितरण विभिन्न ऑब्जर्वेशनल्स के बीच सुसंगत और मजबूत रहते हैं।

4. परिणाम (Results)

अध्ययन को सिम्युलेटेड डेटा का उपयोग करके मान्य किया गया और फिर वास्तविक अवलोकनात्मक डेटा (DESI-जैसे एमिशन लाइन गैलेक्सी सैंपल) पर लागू किया गया।

अनिश्चितता में कमी:
- अनइन्फॉर्मेटिव प्रायर (अनवेटेड SU वितरण) का मानक विचलन $\sigma_{b_\phi} \approx 0.69$ है।
- स्टेलर मास फंक्शन (SMF) पर कंडिशन करने से $\sigma_{b_\phi}$ घटकर 0.08 हो जाता है (88% की कमी)।
- स्टेलर-टू-हेलो मास रिलेशन (SHMR) पर कंडिशन करने से $\sigma_{b_\phi}$ घटकर 0.02 हो जाता है (97% की कमी)।
- स्टेलर मेटालिसिटी-स्टेलर मास रिलेशन पर कंडिशन करने से 33% की कमी मिलती है।
सुसंगतता (Consistency): हालांकि गैलेक्सी फॉर्मेशन पैरामीटर्स (जैसे $A_{\text{AGN}}$ SHMR पर कंडिशन करने के कारण उच्च द्रव्यमान पर SC-SAM मॉडल की कमियों के कारण प्रायर बाउंड्री की ओर शिफ्ट हो जाता है) में महत्वपूर्ण बदलाव आते हैं, फिर भी तीनों ऑब्जर्वेबल्स से प्राप्त $b_\phi$ वितरण आपस में सुसंगत हैं।
सूचना प्राप्ति (Information Gain): कुलबैक-लीब्लर (KL) डाइवर्जेंस इंगित करता है कि MCMC-आधारित कंडिशनिंग, सरल सिमुलेशन रीवेटिंग (KL $\approx$ 0.05) की तुलना में काफी अधिक जानकारी (KL $\approx$ 1.6–3.2) निकालता है।
बायस (Bias): सभी विश्लेषण अनवेटेड प्रायर की तुलना में $b_\phi$ के निचले मानों को प्राथमिकता देते हैं, जो सुझाव देता है कि यूनिवर्सैलिटी रिलेशन इन सैंपल्स के लिए $b_\phi$ को ओवरएस्टिमेट कर सकता है।

5. महत्व (Significance)

अगली पीढ़ी के बाधाओं को सक्षम बनाना: $b_\phi$ की अनिश्चितता को लगभग एक क्रम (order of magnitude) तक कम करके, यह विधि एक प्रमुख व्यवस्थित बाधा (systematic bottleneck) को हटा देती है। यह भविष्य के स्पेक्ट्रोस्कोपिक सर्वेक्षणों (DESI, Euclid, SPHEREx) के लिए सिंगल-फील्ड इन्फ्लेशन मॉडलों को खारिज करने के लिए आवश्यक संवेदनशीलता ( $\sigma(f_{\text{loc}}^{\text{NL}}) \sim 1$ ) तक पहुँचने के लिए महत्वपूर्ण है।
सिस्टमैटिक्स के प्रति मजबूती: दृष्टिकोण यह प्रदर्शित करता है कि आप कॉस्मोलॉजिकल पैरामीटर्स के सटीक प्रतिबंध प्राप्त कर सकते हैं, भले ही उपयोग किया गया विशिष्ट एस्ट्रोफिजिकल मॉडल ज्ञात तनावों (tensions) के साथ हो, बशर्ते कि अनिश्चितताओं को ठीक से मार्जिनलाइज़ किया जाए।
भविष्य की दिशाएं: लेखक सुझाव देते हैं कि भविष्य के कार्यों में अधिक लचीले इन्फरेंस मेथड्स (जैसे न्यूरल डेंसिटी एस्टीमेशन) और विस्तारित सिमुलेशन सूट्स का अन्वेषण किया जाना चाहिए ताकि इन प्रायर्स को और अधिक परिष्कृत किया जा सके और मॉडल के बीच के अंतरों को शामिल किया जा सके।

संक्षेप में, यह शोध पत्र गैलेक्सी फॉर्मेशन फिजिक्स के अपूर्ण ज्ञान से कॉस्मोलॉजिकल बाधाओं को अलग करने के लिए एक महत्वपूर्ण सांख्यिकीय उपकरण प्रदान करता है, यह सुनिश्चित करता है कि प्रिमॉर्डियल नॉन-गॉसियनिटी की खोज एस्ट्रोफिजिकल अनिश्चितताओं से बाधित न हो।