🔭 astrophysics

Predicted number counts and clustering of Hi galaxies from future radio surveys

यह शोध पत्र भविष्य के SKA-MID रेडियो सर्वेक्षणों द्वारा अवलोकन योग्य HI आकाशगंगाओं की संख्या और क्लस्टरिंग गुणों की भविष्यवाणी करने के लिए तीन विशिष्ट गैलेक्सी सिमुलेशन मॉडल (S $^3$ -SAX, GAEA, और IllustrisTNG) का उपयोग करता है, जिससे सर्वेक्षण के ब्रह्मांडीय प्रदर्शन का पूर्वानुमान लगाया जा सके और मॉडलिंग एवं सैंपल वेरिएंस से उत्पन्न अनिश्चितताओं को मापा जा सके।

मूल लेखक: Ainulnabilah Nasirudin, Philip Bull, Isabelle Ye

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ainulnabilah Nasirudin, Philip Bull, Isabelle Ye

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 जाल के रूप में करें जो डार्क मैटर से बना है। आकाशगंगाएँ उन चमकते शहरों की तरह हैं जो इस जाल के धागों के साथ बनते हैं। लंबे समय से, खगोलशास्त्री इन शहरों का मानचित्र बनाने की कोशिश कर रहे हैं ताकि यह समझ सकें कि यह जाल स्वयं कैसे आकार लेता है और यह कैसे फैल रहा है।

यह शोध पत्र एक विशाल नए प्रोजेक्ट की तैयारी के बारे में है: विशाल रेडियो दूरबीनों (विशेष रूप से भविष्य के SKA-MID) का उपयोग करके उन आकाशगंगाओं की जनगणना करना जो न्यूट्रल हाइड्रोजन (एक गैस जिसे HI कहा जाता है) से भरी हुई हैं। सोचिए कि न्यूट्रल हाइड्रोजन इन आकाशगंगाओं के भीतर "ईंधन" की तरह है। जब यह ईंधन एक विशिष्ट रेडियो संकेत (21cm लाइन) उत्सर्जित करता है, तो यह एक लाइटहाउस (प्रकाश स्तंभ) की तरह काम करता है, जिससे खगोलशास्त्री सटीक रूप से पता लगा सकते हैं कि आकाशगंगा कहाँ स्थित है और वह हमसे कितनी तेजी से दूर जा रही है।

यहाँ लेखक द्वारा किए गए कार्यों की कहानी सरल भाषा में दी गई है:

1. समस्या: हमें "मेन्यू" का पता नहीं है

इससे पहले कि आप भोजन ऑर्डर कर सकें, आपको यह जानना होगा कि मेन्यू में क्या है। SKA-MID टेलीस्कोप के साथ एक विशाल सर्वेक्षण (सर्वे) बनाने से पहले, वैज्ञानिकों को यह जानने की आवश्यकता है:

हम वास्तव में कितने HI आकाशगंगाएँ देखेंगे?
वे आपस में कैसे जुड़ी हुई हैं? (क्या वे बड़े समूहों में रहती हैं या अकेले रहती हैं?)

समस्या यह है कि हमने अभी तक इन आकाशगंगाओं को पर्याप्त रूप से नहीं देखा है जिससे हमें उत्तर पता चल सकें। इसलिए, लेखकों ने कंप्यूटर सिमुलेशन का सहारा लिया। उन्होंने यह अनुमान लगाने के लिए तीन अलग-अलग "आभासी ब्रह्मांडों" का उपयोग किया कि टेलीस्कोप क्या देखेगा।

2. तीन आभासी शेफ (रसोइये)

लेखकों ने तीन अलग-अलग कंप्यूटर मॉडलों की तुलना की, जो तीन अलग-अलग शेफ की तरह हैं जो एक ही रेसिपी की भविष्यवाणी करने की कोशिश कर रहे हैं:

S3-SAX: एक मॉडल जो पुराने गणितीय नियमों (सेमी-एनालिटिक) पर आधारित है और एक डार्क मैटर सिमुलेशन पर निर्मित है।
GAEA: उन्हीं गणितीय नियमों का एक नया, अपडेटेड संस्करण, जिसे फ्लूइड सिमुलेशन के डेटा का उपयोग करके सुधारा गया है।
IllustrisTNG: एक अत्यंत जटिल सिमुलेशन जो वास्तव में गैस, सितारों और ब्लैक होल की भौतिकी (फिजिक्स) को ट्रैक करता है (हाइड्रोडायनामिकल)।

चौंकाने वाली बात: तीनों शेफ मेन्यू पर सहमत नहीं थे।

कम दूरी पर (निकटवर्ती आकाशगंगाओं में), उनकी भविष्यवाणियाँ 2 या 3 के कारक (factor) से भिन्न थीं।
अधिक दूरी पर (दूर स्थित आकाशगंगाओं में), असहमति बहुत बड़ी थी—कभी-कभी 10 या उससे भी अधिक के कारक से!
यह ऐसा ही है जैसे एक शेफ भविष्यवाणी करे कि आपको जंगल में 100 सेब मिलेंगे, जबकि दूसरा भविष्यवाणी करे कि आपको 1,000 सेब मिलेंगे।

3. कॉस्मोलॉजिकल फोरकास्ट: हमारा मानचित्र कितना अच्छा होगा?

लेखकों ने पूछा: "यदि हम अपने टेलीस्कोप सर्वेक्षण की योजना बनाने के लिए इन विभिन्न भविष्यवाणियों का उपयोग करते हैं, तो हमारे ब्रह्मांड के मानचित्र की सटीकता कितनी होगी?"

उन्होंने फिशर मैट्रिक्स (एक सांख्यिकीय उपकरण जो संभावित त्रुटि का अनुमान लगाता है) का उपयोग करके एक "टेस्ट ड्राइव" चलाया।

परिणाम: निकटवर्ती आकाशगंगाओं (कम रेडशिफ्ट) के लिए, इससे कोई फर्क नहीं पड़ता था कि उन्होंने किस सिमुलेशन का उपयोग किया; टेलीस्स्कोपप एक अच्छा मानचित्र प्राप्त कर लेगा (10% त्रुटि के भीतर)।
सावधानी: दूर स्थित आकाशगंगाओं (उच्च रेडशिफ्ट) के लिए, सिमुलेशन का चुनाव बहुत महत्वपूर्ण था। यदि आपने "गलत" सिमुलेशन चुना, तो आपकी त्रुटि सीमा (error bars) 11 गुना तक बढ़ सकती थी।
निर्णय: SKA-MID टेलीस्कोप एक बेहतरीन उपकरण होगा, लेकिन दूर के ब्रह्मांड के मामले में, हमारे सैद्धांतिक मॉडलों (यानी "मेन्यू") की अनिश्चितता सबसे बड़ी सीमित कारक है, न कि टेलीस्कोप की संवेदनशीलता। दूर के ब्रह्मांड के सटीक मानचित्र प्राप्त करने के लिए, हमें शायद एक और भी बड़े टेलीस्कोप (जैसे एक काल्पनिक "SKA2") की आवश्यकता होगी।

4. "सैंपल वेरिएंस" प्रयोग

यह समझने के लिए कि इन सर्वेक्षणों में "किस्मत" की कितनी भूमिका है, लेखकों ने IllustrisTNG सिमुलेशन के एक उच्च-रिज़ॉल्यूशन स्लाइस (एक विशिष्ट समय पर ब्रह्मांड का एक हिस्सा) को लिया और उसे नौ अलग-अलग 20° x 20° के पैच में विभाजित किया।

कल्पना कीजिए कि आप नौ अलग-अलग खिड़कियों के माध्यम से एक जंगल को देख रहे हैं। भले ही वह एक ही जंगल है, प्रत्येक खिड़की से दिखने वाला दृश्य थोड़ा अलग है।

उन्होंने प्रत्येक खिड़की में आकाशगंगाओं को गिना और उनकी "गुच्छेदार स्थिति" (clumpiness) को मापा।
निष्कर्ष: "गुच्छेदार स्थिति" (जिसे कोणीय सहसंबंध फलन या angular correlation function कहा जाता है) नौ खिड़कियों में काफी भिन्न थी। इसे सैंपल वेरिएंस कहा जाता है।
महत्व: यदि आप आकाश के केवल एक छोटे से हिस्से का सर्वेक्षण करते हैं, तो आपके परिणाम केवल इसलिए पक्षपाती हो सकते हैं क्योंकि आप जहाँ देख रहे थे, वहाँ आपकी किस्मत अच्छी थी (या बुरी)। लेखकों ने पाया कि हालांकि समग्र "गुच्छेदार स्थिति" औसत रूप से सुसंगत थी, लेकिन आकाशगंगाएँ कैसे समूह बनाती हैं (जिसे "1-हेलो" टर्म या एक ही क्लस्टर में मौजूद आकाशगंगाएँ कहा जाता है) इसके विशिष्ट विवरण इस बात पर निर्भर करते थे कि आकाशगंगाएँ कितनी धुंधली (faint) थीं।

5. "हेलो ऑक्यूपेशन" पहेली

अंत में, उन्होंने हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन (HOD) नामक एक मॉडल को फिट करने का प्रयास किया। सोचिए कि HOD एक नियम पुस्तिका है जो कहती है: "डार्क मैटर के इस विशिष्ट आकार के बादल के लिए, इसके भीतर कितनी आकाशगंगाएँ होनी चाहिए?"

उन्होंने अपने नौ अलग-अलग विंडोज़ (खिड़कियों) के विरुद्ध इस नियम पुस्तिका का परीक्षण किया।
परिणाम: नियम पुस्तिका आश्चर्यजनक रूप से अच्छी तरह से काम करती थी। भले ही टेलीस्कोप की संवेदनशीलता के साथ आकाशगंगाओं की संख्या बदलती रही, लेकिन डार्क मैटर के बादलों में आकाशगंगाएँ कैसे रहती हैं, इसके अंतर्निहित नियम काफी स्थिर रहे।
उन्होंने इन नियमों के लिए "सर्वश्रेष्ठ अनुमान" वाले नंबर प्रदान किए, जिनका उपयोग अन्य वैज्ञानिक भविष्य के सर्वेक्षणों की योजना बनाने के लिए कर सकते हैं।

सारांश

यह शोध पत्र रेडियो खगोल विज्ञान के भविष्य के लिए एक "ड्रेस रिहर्सल" है। लेखक हमें चेतावनी देते हैं कि हालांकि हमारे कंप्यूटर मॉडल बेहतर हो रहे हैं, फिर भी वे इस बात पर काफी असहमत हैं कि कितनी आकाशगंगाएँ मौजूद हैं और वे कैसे व्यवस्थित हैं, विशेष रूप से दूर के ब्रह्मांड में।

अच्छी खबर: निकटवर्ती सर्वेक्षणों के लिए, SKA-MID टेलीस्कोप शानदार काम करेगा, चाहे हम किसी भी मॉडल पर भरोसा करें।
सावधानी: दूर के सर्वेक्षणों के लिए, हमारे मॉडलों के बीच सहमति की कमी एक बड़ी समस्या है, न कि टेलीस्कोप की संवेदनशीलता।
मुख्य बात: हमें अपने कंप्यूटर सिमुलेशन को लगातार परिष्कृत करने की आवश्यकता है और जब हम आकाश के छोटे हिस्सों को देख रहे हों, तो "सैंपल वेरिएंस" (किस्मत का खेल) के लिए तैयार रहना चाहिए।

संक्षेप में: हमारे पास एक शक्तिशाली नया कैमरा आ रहा है, लेकिन शटर दबाने से पहले हमें यह भी समझना होगा कि दृश्य वास्तव में कैसा दिखता है।

यहाँ भविष्य के रेडियो सर्वेक्षणों से Hi गैलेक्सीज़ की अनुमानित संख्या और क्लस्टरिंग (clustering) पर आधारित शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गैलेक्सियों में तटस्थ हाइड्रोजन (Hi) से निकलने वाली 21cm उत्सर्जन रेखा (emission line) का पता लगाना, स्पेक्ट्रोस्कोपिक रेडशिफ्ट निर्धारण और ब्रह्मांड की बड़े पैमाने की संरचना (large-scale structure) के मानचित्रण के लिए एक शक्तिशाली विधि प्रदान करता है। आगामी रेडियो एरे, विशेष रूप से स्क्वेयर किलोमीटरल एरे मिड-फ्रीक्वेंसी एरे (SKA-MID), लाखों Hi गैलेक्सियों को सूचीबद्ध करने की उम्मीद रखते हैं। हालाँकि, इन सर्वेक्षणों के लिए सटीक कॉस्मोलॉजिकल पूर्वानुमान (cosmological forecasts) महत्वपूर्ण सैद्धांतिक अनिश्चितताओं के कारण बाधित हैं, जैसे कि:

संख्या गणना (Number Counts): रेडशिफ्ट और फ्लक्स संवेदनशीलता के फलन (function) के रूप में Hi गैलेक्सियों की अपेक्षित संख्या घनत्व (number density) का सटीक अनुमान नहीं है, विशेष रूप से कम फ्लक्स स्तरों ( $\mu$ Jy) और उच्च रेडशिफ्ट ( $z > 0.5$ ) पर।
क्लस्टरिंग गुण (Clustering Properties): अंतर्निहित डार्क मैटर वितरण के सापेक्ष Hi गैलेक्सियों का बायस (bias) अनिश्चित है।
मॉडल निर्भरता (Model Dependence): विभिन्न सिमुलेशन दृष्टिकोण (सेमी-एनालिटिक मॉडल बनाम हाइड्रोडायनामिकल सिमुलेशन) अलग-अलग भविष्यवाणियाँ देते हैं, जिससे भविष्य के कॉस्मोलॉजिकल बाधाओं (constraints) के लिए सैद्धांतिक त्रुटि बजट को निर्धारित करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने तीन अलग-अलग गैलेक्सी सिमुलेशन के साथ अवलोकन संबंधी पूर्वानुमान तकनीकों को जोड़कर एक बहुआयामी दृष्टिकोण अपनाया:

A. सिमुलेशन तुलना
अध्ययन ने Hi गैलेक्सी गुणों की भविष्यवाणी करने के लिए तीन अलग-अलग सिम्युलेटेड गैलेक्सी कैटलॉग का उपयोग किया:

S3-SAX: मिलेनियम डार्क मैटर-ओनली सिमुलेशन पर आधारित एक सेमी-एनालिटिक मॉडल (SAM)।
GAEA: हाइड्रोडायनामिकल सिमुलेशन का उपयोग करके आंशिक रूप से कैलिब्रेट किया गया एक अपडेटेड SAM।
IllustrisTNG: एक पूर्ण मैग्नेटोहाइड्रोडायनामिकल सिमुलेशन (विशेष रूप से TNG100 और T300 बॉक्स)।

B. सर्वेक्षण विनिर्देश (Survey Specifications)

उपकरण: SKA-MID (बैंड 1: 350–1050 MHz; बैंड 2: 950–1760 MHz)।
कॉन्फ़िगरेशन: दो एरे कॉन्फ़िगरेशन का मॉडल बनाया गया: AA* (144 डिश) और AA4 (197 डिश)।
सर्वेक्षण पैरामीटर: 5,000 deg $^2$ क्षेत्र पर कुल 10,000 घंटे।
चयन कट (Selection Cuts): गैलेक्सियों का चयन $5\sigma$ फ्लक्स डेंसिटी थ्रेशोल्ड ( $S_{rms}$ ) और न्यूनतम लाइन विड्थ ( $W_\theta$ ) के आधार पर किया गया ताकि उन फेस-ऑन गैलेक्सियों को बाहर निकाला जा सके जिनमें विशिष्ट 'डबल-हॉर्न' प्रोफाइल की कमी होती है।

C. कॉस्मोलॉजिकल पूर्वानुमान (फिशर मैट्रिक्स)
S3-SAX और GAEA से प्राप्त संख्या घनत्व ($dN/dz $) और बायस ($ b(z)$) का उपयोग करके, लेखकों ने कॉस्मोलॉजिकल मापदंडों पर प्रतिबंध लगाने के लिए फिशर मैट्रिक्स पूर्वानुमान किए:

विस्तार दर $H(z)$ और कोणीय व्यास दूरी $D_A(z)$ ।
रैखिक विकास दर $f\sigma_8(z)$ और बायस $b\sigma_8(z)$ ।
विश्लेषण के लिए प्लैंक 2018 फ्लैट $\Lambda$ CDM फिडुशियल मॉडल माना गया।

D. क्लस्टरिंग और सैंपल वेरिएंस विश्लेषण

डेटा स्रोत: IllustrisTNG300 सिमुलेशन से एक उच्च-रिज़ॉल्यूशन स्नैपशॉट ( $z \approx 0$ )।
मॉक कैटलॉग: सिमुलेशन बॉक्स को नौ उप-आयतनों (sub-volumes) ( $20^\circ \times 20^\circ$ प्रत्येक) में विभाजित किया गया ताकि स्वतंत्र आकाश वास्तविकताओं (sky realizations) का अनुकरण किया जा सके।
सांख्यिकीय विश्लेषण:
- 100, 250, और 500 $\mu$ Jy के फ्लक्स थ्रेशोल्ड के लिए कोणीय सहसंबंध फलन (Angular Correlation Function - ACF), $w(\theta)$ की गणना की गई।
- $w(\theta)$ को मापने के लिए लैंडी-सलज़े (Landy-Szalay) एस्टीमेटर लागू किया गया।
- कोवेरिएंस मैट्रिक्स (covariance matrix) का अनुमान लगाने के लिए जैकनीफ रीसैंपलिंग (Jackknife resampling) का उपयोग किया गया।
- ACF पर हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन (HOD) मॉडल को फिट करने के लिए बायेसियन MCMC इन्फरेंस का उपयोग किया गया, जिसमें मापदंडों को नियंत्रित किया गया: $\log M_{min}$ , $\log M_1$ , $f_c$ (सेंट्रल फ्रैक्शन), और $\beta_g$ ।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक अनिश्चितता का परिमाणीकरण: यह शोध पत्र तीन प्रमुख सिमुलेशन फ्रेमवर्क में Hi भविष्यवाणियों की तुलना करता है, जो यह दर्शाता है कि वे कहाँ सहमत होते हैं और कहाँ महत्वपूर्ण रूप से भिन्न होते हैं।
SKA-MID प्रदर्शन पूर्वानुमान: यह SKA-MID कॉन्फ़िगरेशन (AA* और AA4) के लिए कॉस्मोलॉजिकल क्षमताओं के अपडेटेड पूर्वानुमान प्रदान करता है, जो स्पष्ट रूप से सिमुलेशन मॉडल के चुनाव को सर्वेक्षण प्रदर्शन से जोड़ता है।
सैंपल वेरिएंस लक्षण वर्णन: एक बड़े हाइड्रोडायनामिकल सिमुलेशन के नौ उप-आयतनों का विश्लेषण करके, यह अध्ययन कम-रेडशिफ्ट क्लस्टरिंग मापनों पर सैंपल वेरिएंस के प्रभाव को मापता है, जो व्यापक-क्षेत्र लेकिन उथले (shallow) सर्वेक्षणों के लिए एक महत्वपूर्ण कारक है।
HOD पैरामीटर प्रतिबंध: यह कम-रेडशिफ्ट Hi गैलेक्सियों के लिए मजबूत HOD पैरामीटर प्राप्त करता है और विभिन्न फ्लक्स डेंसिटी थ्रेशोल्ड के बीच उनकी स्थिरता (या अस्थिरता) को प्रदर्शित करता है।

4. मुख्य परिणाम (Key Results)

A. संख्या गणना और बायस विसंगतियां

कम रेडशिफ्ट ( $z < 0.5$ ): सिमुलेशन कुछ गुना के भीतर सहमत हैं। हालांकि, उच्च फ्लक्स थ्रेशोल्ड ( $S_{rms} > 50 \mu$ Jy) पर, TNG100 उच्चतम संख्या घनत्व की भविष्यवाणी करता है, जबकि S3-SAX सबसे कम की।
उच्च रेडशिफ्ट ( $z > 0.5$ ): विसंगतियां गंभीर हो जाती हैं। $z \sim 1$ पर, सिमुलेशन के बीच संख्या घनत्व में क्रमों (orders of magnitude) का अंतर हो सकता है।
बायस (Bias): बायस मानों में व्यापक रेंज देखी गई, विशेष रूप से उच्च रेडशिफ्ट और उच्च फ्लक्स थ्रेशोल्ड पर, जहाँ अंतर 6 गुना तक पहुँच जाता है। TNG100 $z < 0.4$ पर S3-SAX और GAEA की तुलना में लगातार कम बायस ( $\sim 0.8$ ) दिखाता है, जिसका कारण संभवतः इसका छोटा सिमुलेशन वॉल्यूम है।

B. कॉस्मोलिक पूर्वानुमान

परिशुद्धता (Precision): GAEA भविष्यवाणियों का उपयोग करने वाला AA4 कॉन्फ़िगरेशन $z < 0.5$ के लिए $H(z)$ और $D_A(z)$ पर 10% से बेहतर प्रतिबंध प्रदान करता है, जो $z \approx 0.4$ पर 2–3% तक सुधर जाता है।
क्षरण (Degradation): $z > 0.5$ (बैंड 1) पर, उपयोग किए गए सिमुलेशन के आधार पर प्रतिबंध काफी कम हो जाते हैं। उदाहरण के लिए, AA* S3-SAX भविष्यवाणी $z \sim 0.9$ पर सर्वोत्तम मामले की तुलना में 11 गुना अधिक अनिश्चितता दिखाती है।
ऑप्टिकल से तुलना: आशावादी धारणाओं के साथ भी, SKA-MID के प्रतिबंध कम संख्या घनत्व और कम रेडशिफ्ट पर सैंपल वेरिएंस के कारण DESI जैसे ऑप्टिकल सर्वेक्षणों की तुलना में वर्तमान में निम्न स्तर के हैं।

C. क्लस्टरिंग और HOD विश्लेषण

सैंपल वेरिएंस: कोणीय सहसंबंध फलन $w(\theta)$ नौ उप-आयतनों के बीच महत्वपूर्ण बिखराव दिखाता है, विशेष रूप से बड़े कोणीय पृथक्करण ( $\theta \ge 0.5^\circ$ ) पर, जहाँ परिवर्तन दो क्रमों (two orders of magnitude) तक पहुँच सकते हैं।
फ्लक्स थ्रेशोल्ड निर्भरता:
- 2-हेलो टर्म (2-halo term): बड़े पैमाने की क्लस्टरिंग, बहुत बड़े कोणों को छोड़कर, फ्लक्स डेंसिटी थ्रेशोल्ड के प्रति काफी हद तक असंवेदनशील है।
- 1-हेलो टर्म (1-halo term): $\theta \sim 0.2^\circ$ पर फ्लक्स थ्रेशोल्ड के बीच 5 गुना का अंतर दिखता है।
HOD पैरामीटर: अनुमानित बायस ( $b_{gal}$ ) फ्लक्स थ्रेशोल्ड में एक क्रम की वृद्धि के साथ थोड़ा कम ( $\Delta b \approx -0.05$ ) हो जाता है। $\log M_1$ (एक सैटेलाइट को होस्ट करने वाला द्रव्यमान) फ्लक्स थ्रेशोल्ड के साथ बढ़ता है, जबकि $\log M_{min}$ और $f_c$ घटते हैं।
निरंतरता (Consistency): HOD-व्युत्पन्न बायस सिमुलेशन भविष्यवाणियों के साथ $\sim 20\%$ के भीतर सहमत है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र स्थापित करता है कि जबकि कम-रेडशिफ्ट कॉस्मोलॉजिकल पूर्वानुमान सिमुलेशन के चुनाव के प्रति अपेक्षाकृत सुदृढ़ हैं (मुख्य रूप से सैंपल वेरिएंस द्वारा सीमित), उच्च-रेडशिफ्ट पूर्वानुमान सैद्धांतिक मॉडलिंग अनिश्चितताओं के प्रति अत्यधिक संवेदनशील हैं।

सैद्धांतिक अनिश्चितता: उच्च रेडशिफ्ट पर अनुमानित संख्या गणना और बायस का बड़ा प्रसार यह दर्शाता है कि वर्तमान सिमुलेशन अवलोकन संबंधी अंशांकन (observational calibration) के बिना उच्च-रेडशिफ्ट Hi सर्वेक्षणों के लिए सटीक त्रुटि बजट प्रदान नहीं कर सकते।
सर्वेक्षण रणनीति: उप-प्रतिशत कॉस्मोलॉजिकल प्रतिबंध प्राप्त करने के लिए, भविष्य के उपकरणों (जैसे "SKA2") को उच्च रेडशिफ्ट तक पहुँचने के लिए काफी अधिक संवेदनशीलता ( $\lesssim 10 \mu$ Jy) की आवश्यकता होगी, जहाँ सैंपल वेरिएंस कम प्रभावी हो।
व्यावहारिक उपयोगिता: व्युत्पन्न HOD पैरामीटर और 2-हेलो टर्म में फ्लक्स-थ्रेशोल्ड असंवेदनशीलता की पहचान, बड़े पैमाने पर अवलोकन संबंधी डेटा उपलब्ध होने से पहले, निम्न-रेडशिफ्ट Hi क्लस्टरिंग के मॉडलिंग के लिए एक ठोस आधार प्रदान करती है।

लेखक निष्कर्ष निकालते हैं कि यद्यपि सिमुलेशन योजना बनाने के लिए आवश्यक हैं, लेकिन जब तक नया Hi सर्वेक्षण डेटा मॉडल परिशोधन (model refinement) की अनुमति नहीं देता, तब तक उन्हें महत्वपूर्ण सैद्धांतिक अनिश्चितता मार्जिन के साथ जोड़ा जाना चाहिए।