Revisiting the 'Lensing is Low' Problem with UNIONS

तकनीकी सारांश: UNIONS के साथ 'लेंसिंग लो है' (Lensing is Low) समस्या का पुनरावलोकन

समस्या विवरण
यह अध्ययन "लेंसिंग लो है" (lensing is low) समस्या को संबोधित करता है, जो कि बेयरोस ऑसिलेशन स्पेक्ट्रोस्कोपिक सर्वे (BOSS) CMASS नमूने में Leauthaud et al. (2017; L17) द्वारा पहचानी गई एक विसंगति है। इस विसंगति में, गैलेक्सी क्लस्टरिंग (GC) डेटा पर कैलिब्रेट किए गए गैलेक्सी-हेलो कनेक्शन मॉडल, प्लैंक-आधारित कॉस्मोलॉजिकल मापदंडों को मानते हुए, गैलेक्सी-गैलेक्सी लेंसिंग (GGL) सिग्नल को 20–40% अधिक अनुमानित करते हैं। पिछले शोधों ने इस तनाव को मानक हेलो ऑक्यूपेशन डिस्ट्रीब्यूशन (HOD) मॉडल की सीमाओं के कारण बताया है, विशेष रूप से असेंबली बायस (AB), बेरियन फीडबैक और सैटेलाइट गैलेक्सी सेग्रिगेशन जैसे खगोलीय प्रभावों की उपेक्षा के कारण। वैकल्पिक रूप से, इस तनाव की व्याख्या कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) बाधाओं की तुलना में पदार्थ के उतार-चढ़ाव के निम्न आयाम ($S_8$) के संभावित संकेत के रूप में की गई है। हालांकि, खगोलीय व्यवस्थित त्रुटियों (astrophysical systematics) और कॉस्मोलॉजिकल विचलन के बीच अंतर करने के लिए गैर-रैखिक से रैखिक शासन तक विस्तृत श्रृंखला में सटीक माप की आवश्यकता होती है।

कार्यप्रणाली
लेखक UNIONS (अल्ट्रावॉयलेट नियर-इन्फ्रारेड ऑप्टिकल नॉर्दर्न सर्वे) से बैकग्राउंड स्रोतों का उपयोग करके BOSS CMASS गैलेक्सीज़ के आसपास नए, उच्च-परिशुद्धता वाले GGL माप प्रस्तुत करते हैं। यह विश्लेषण लगभग 2,650 वर्ग डिग्री के सर्वेक्षण ओवरलैप का लाभ उठाता है, जिसमें स्रोत आकृतियों के लिए UNIONS ShapePipe v1.4.5 कैटलॉग और लेंसों के लिए BOSS DR12 CMASS कैटलॉग का उपयोग किया गया है।

• डेटा प्रोसेसिंग: स्रोत गैलेक्सी आकृतियों को NGMIX का उपयोग करके मापा गया था और Metacalibration फ्रेमवर्क के माध्यम से कैलिब्रेट किया गया था। UNIONS नमूने में फोटोमेट्रिक रेडशिफ्ट की कमी के कारण, CFHTLenS स्पेक्ट्रोस्कोपिक डेटा पर प्रशिक्षित एक सेल्फ-ऑर्गनाइजिंग मैप (SOM) का उपयोग करके एक प्रभावी रेडशिफ्ट वितरण, $n(z_s)$ का निर्माण किया गया। GGL सिग्नल ($\Delta\Sigma$) को $0.15\text{--}62 \, h^{-1}\text{Mpc}$ के पैमाने पर मापा गया, जबकि GC सिग्नल ($w_p$) को $0.15\text{--}80 \, h^{-1}\text{Mpc}$ पर मापा गया। व्यवस्थित अनिश्चितताओं, जिनमें इंट्रिन्सिक एलाइनमेंट्स (IA) और मैग्निफिकेशन बायस शामिल हैं, को मॉडल किया गया, जिसमें $n(z_s)$ अनिश्चितता के कोवेरिएंस मैट्रिक्स पर प्रभाव पर विशेष ध्यान दिया गया।
• सैद्धांतिक ढांचा: विश्लेषण में डार्क क्वेस्ट (Dark Quest) N-बॉडी सिमुलेशन पर आधारित एक तेज़ इम्यूलेशन टूल, 'डार्क एम्यूलेटर' (Dark Emulator) का उपयोग किया गया है, जो गैलेक्सी-हेलो कनेक्शन को मॉडल करता है। यह अध्ययन एक मानक 5-पैरामीटर HOD (Zheng et al. 2005) का उपयोग करता है और इसे कई भौतिक संशोधनों के साथ विस्तारित करता है:
  • ऑफ-सेंटरिंग (Off-centring): केंद्रीय गैलेक्सीज़ को हेलो केंद्रों से ऑफसेट करने की अनुमति देना।
  • सैटेलाइट कंसन्ट्रेशन (Satellite Concentration): अपने होस्ट हेलो के सापेक्ष सैटेलाइट गैलेक्सीज़ के कंसन्ट्रेशन को संशोधित करना ($R_c$)।
  • बेरियन फीडबैक (Baryonic Feedback): फीडबैक प्रक्रियाओं (गैस इजेक्शन और कूलिंग) के कारण पदार्थ के पुनर्वितरण को सिम्युलेट करने के लिए एक अर्ध-विश्लेषणात्मक "बेरियन करेक्शन" (BC) मॉडल लागू करना।
• पैरामीटर अनुमान: Bayesian इन्फरेंस (MCMC) का उपयोग करके $\Delta\Sigma$ और $w_p$ के संयुक्त फिट (joint fits) किए गए। अध्ययन ने विभिन्न कॉन्फ़िगरेशन का परीक्षण किया: एक बेसलाइन HOD जिसमें प्लैंक कॉस्मोलॉजी स्थिर है, मुक्त कॉस्मोलॉजिकल मापदंडों ($\Omega_{m,0}$ और $\ln(10^{10}A_s)$) वाले मॉडल, और फीडबैक एवं ऑफ-सेंटरिंग मापदंडों को शामिल करने वाले मॉडल। गुडनेस-ऑफ-फिट का मूल्यांकन करेक्टेड एकाइके इंफॉर्मेशन क्राइटेरियन (AICc) और बेयसियन इंफॉर्मेशन क्राइटेरियन (BIC) का उपयोग करके किया गया।

प्रमुख योगदान और परिणाम

1. नए GGL माप: यह पेपर CMASS नमूने के लिए सटीक बड़े पैमाने के GGL माप प्रदान करता है, जो बड़े पैमाने ($r_p \sim 50 \, h^{-1}\text{Mpc}$) पर पिछले अध्ययनों (जैसे, Amon et al. 2023) की तुलना में सांख्यिकीय त्रुटियों को काफी कम करता है।
2. तनाव का पुनर्मूल्यांकन: CMASS नमूनों में पिछले निष्कर्षों के विपरीत, लेखक UNIONS डेटा और प्लैंक कॉस्मोलॉजी के साथ एक मानक HOD का उपयोग करते समय महत्वपूर्ण "लेंसिंग लो है" प्रभाव नहीं पाते हैं। जबकि मानक HOD कच्चे मापों के सापेक्ष GGL सिग्नल को लगभग 13% अधिक अनुमानित करता है, मल्टीप्लिकेटिव शीयर बायस ($m$-bias) के लिए सुधार करने से यह विसंगति घटकर लगभग 7% रह जाती है, जो अनुमानित 3–4% अनिश्चितता के भीतर है।
3. बड़े पैमाने की भूमिका: अध्ययन इस बात पर जोर देता है कि "लेंसिंग लो है" प्रभाव को बाधित करने के लिए बड़े पैमाने का डेटा महत्वपूर्ण है। सर्वोत्तम संयुक्त फिट केवल छोटे पैमाने के संशोधनों द्वारा नहीं, बल्कि उन मॉडलों द्वारा प्राप्त किए जाते है जो कॉस्मोलॉजिकल मापदंडों में लचीलापन प्रदान करते हैं।
4. पसंदीदा मॉडल: दो मॉडल अवलोकनों का समान रूप से अच्छा वर्णन करते हैं:
   • HOD + कॉस्मोलॉजी: एक मॉडल जहाँ HOD और कॉस्मोलॉजिकल पैरामीटर स्वतंत्र हैं। यह मॉडल प्लैंक ($S_8 \approx 0.824$) की तुलना में थोड़ा कम $S_8$ ($S_8 \approx 0.743$) का पक्ष लेता है, हालांकि लेखक नोट करते हैं कि यह शून्य इंट्रिन्सिक एलाइनमेंट एम्प्लीट्यूड ($A_{IA}=0$) की धारणा के कारण एक निचली सीमा है।
   • HOD + कॉस्मोलॉजी + फीडबैक: एक मॉडल जिसमें फीडबैक पैरामीटर शामिल हैं। दिलचस्प रूप से, इस कॉन्फ़िगरेशन में, फीडबैक बड़े पैमाने के फिट से समझौता किए बिना छोटे पैमाने के GGL सिग्नल को बढ़ाता है (कोलिजनलेस मैटर शेल्स के संकुचन के माध्यम से), बजाय इसके कि उसे दबा दे।
5. खगोलीय बाधाएं (Astrophysical Constraints): विश्लेषण CMASS गैलेक्सीज़ को होस्ट करने वाले न्यूनतम हेलो मास ($\log M_{min} \sim 13$) और सैटेलाइट अंश ($f_s \sim 8.5\text{--}9.8\%$) के लिए मजबूत अनुमान प्रदान करता है, जो पिछले साहित्य के अनुरूप है।

महत्व और दावे
पेपर का दावा है कि "लेंसिंग लो है" की समस्या विशेष रूप से एक छोटे पैमाने की समस्या नहीं है, बल्कि यह बड़े पैमाने के मॉडलिंग और कॉस्मोलॉजिकल मान्यताओं से अत्यधिक प्रभावित है। उच्च-परिशुद्धता वाले बड़े पैमाने के GGL मापों को GC डेटा के साथ जोड़कर, लेखक यह प्रदर्शित करते हैं कि तनाव को पदार्थ के उतार-चढ़ाव के आयाम ($S_8$) को थोड़ा कम करके या लचीले खगोलीय मॉडलों को शामिल करके कम किया जा सकता है, जिसके लिए $\Lambda$CDM ढांचे से किसी क्रांतिकारी प्रस्थान की आवश्यकता नहीं है।

लेखक स्पष्ट रूप से कहते हैं कि उनके परिणामों की व्याख्या निश्चित रूप से कम $S_8$ तनाव के प्रमाण के रूप में नहीं की जानी चाहिए। वे रेखांकित करते हैं कि यदि इंट्रिन्सिक एलाइनमेंट्स (IAs) महत्वपूर्ण हों, तो वे फिडुशियल विश्लेषण में शून्य पर रखे जाने के बावजूद शीयर सिग्नल में $\sim 20\%$ का पूर्वाग्रह (bias) उत्पन्न कर सकते हैं। फलस्वरूप, वर्तमान परिणाम UNIONS सर्वेक्षण की प्रतिस्पर्धी कॉस्मोलॉजिकल बाधाएं देने की क्षमता के लिए एक प्रूफ-ऑफ-कॉन्सेप्ट के रूप में कार्य करते हैं। यह अध्ययन उस कार्य के लिए कार्यप्रणाली स्थापित करता है जहाँ टोमोग्राफिक बिनिंग (जो UNIONS में भविष्य के फोटोमेट्रिक रेडशिफ्ट द्वारा सक्षम होगी) IA अनिश्चितताओं को मार्जिनलाइज करने की अनुमति देगी, जिससे संभावित रूप से "लेंसिंग लो है" समस्या को हल किया जा सकेगा और मजबूत $S_8$ बाधाएं प्रदान की जा सकेंगी।