🔭 astrophysics

Dark Matter in Draco and Boötes I: Hints of a Core in an Ultra-Faint Dwarf from Simulation-Based Inference

यह शोध पत्र GraphNPE प्रस्तुत करता है, जो एक सिमुलेशन-आधारित अनुमान पद्धति है जो डार्क मैटर घनत्व प्रोफाइलिंग में पूर्वाग्रहों को दूर करने के लिए उच्च-क्रम वेग मोमेंट्स (higher-order velocity moments) का लाभ उठाती है, जिससे पिछले साहित्य की तुलना में ड्रेको (Draco) में एक मामूली रूप से 'कस्पी' (cuspy) कोर और बोओटिस I (Boötes I) में काफी कम, 'कोर्ड' (cored) घनत्व प्रोफाइल का पता चलता है।

मूल लेखक: Tri Nguyen, Lina Necib, Ting S. Li, Justin Read, Andrés Bañares-Hernández, Claude-André Faucher-Giguère, Kohei Hayashi, Kevin McKinnon, Andrew B. Pace, Nathan R. Sandford, Hao Yang

प्रकाशित 2026-06-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tri Nguyen, Lina Necib, Ting S. Li, Justin Read, Andrés Bañares-Hernández, Claude-André Faucher-Giguère, Kohei Hayashi, Kevin McKinnon, Andrew B. Pace, Nathan R. Sandford, Hao Yang

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

कल्पना कीजिए कि ब्रह्मांड अदृश्य "भूतों" से भरा है जिन्हें डार्क मैटर (Dark Matter) कहा जाता है। हम उन्हें देख नहीं सकते, लेकिन हमें पता है कि वे वहाँ हैं क्योंकि उनका गुरुत्वाकर्षण तारों को अपनी ओर खींचता है। यह समझने के लिए कि ये भूत किस चीज से बने हैं, वैज्ञानिक बहुत छोटी, धुंधली आकाशगंगाओं, जिन्हें ड्वार्फ स्फेरॉइडल्स (dwarf spheroidals) कहा जाता है, का अध्ययन करते हैं। ये आकाशगंगाएँ ब्रह्मांडीय प्रयोगशालाओं की तरह हैं: ये लगभग पूरी तरह से डार्क मैटर से बनी हैं, जो इन्हें हमारे सिद्धांतों का परीक्षण करने के लिए एक आदर्श स्थान बनाती हैं।

हालाँकि, यहाँ एक समस्या है। इन आकाशगंगाओं से हमें जो डेटा मिलता है वह बहुत अव्यवस्थित होता है, जैसे किसी तूफान के बीच फुसफुसाहट सुनने की कोशिश करना। तारे जटिल तरीकों से चलते हैं, और हमारे दूरबीनों की भी अपनी सीमाएँ हैं। दशकों से, वैज्ञानिक एक मानक उपकरण (जिसे "जीन्स मॉडलिंग" कहा जाता है) का उपयोग करके यह अनुमान लगाते हैं कि इन आकाशगंगाओं के भीतर डार्क मैटर का आकार क्या है। लेकिन यह शोध पत्र तर्क देता है कि मानक उपकरण अक्सर कुछ विवरणों के प्रति "बहरा" होता है, जिससे गलत निष्कर्ष निकलते हैं।

यहाँ वह कहानी है कि कैसे लेखकों ने एक नए, अधिक स्मार्ट तरीके का उपयोग करके इसे ठीक किया।

समस्या: "अंधा" जासूस

मानक विधि (जीन्स मॉडलिंग) को एक ऐसे जासूस के रूप में सोचें जो संदिग्धों की औसत गति को सुनकर अपराध को सुलझाने की कोशिश करता है।

यदि संदिग्ध तेज़ दौड़ रहे हैं, तो जासूस सोचेगा कि अपराधी शक्तिशाली है।
यदि वे धीरे दौड़ रहे हैं, तो जासूस सोचेगा कि अपराधी कमजोर है।

लेकिन इस जासूस में एक दोष है: वह चरम सीमाओं (extreme outliers) को अनदेखा कर देता है। क्या होगा यदि कुछ संदिग्ध बहुत तेज़ या बहुत धीरे दौड़ रहे हों? वे चरम सीमा वाले लोग अपराधी की ताकत के बारे में एक अलग कहानी बताते हैं। भौतिकी के शब्दों में, मानक विधि केवल "द्वितीय क्षण" (औसत गति) को देखती है और "चौथे क्षण" (गति कितनी फैली हुई है, या कर्टोसिस/kurtosis) को अनदेखा कर देती है।

इस कारण से, मानक विधि अक्सर यह मान लेती है कि डार्क मैटर "कस्पी" (cuspy) है—यानी यह केंद्र में एक नुकीले पर्वत शिखर की तरह घनी रूप से जमा होता है। यह उस संभावना को अक्सर मिस कर देता है कि केंद्र वास्तव में "कोर्ड" (cored) हो सकता है—यानी एक सपाट, सौम्य पठार।

समाधान: GraphNPE (एक "सुपर-लिसनर")

लेखकों ने GraphNally (GraphNPE) नामक एक नया उपकरण बनाया। औसत गति को सुनने के बजाय, यह उपकरण एक सुपर-लिसनर की तरह काम करता है जो तारों की पूरी बातचीत को सुन सकता है।

यह आर्टिफिशियल इंटेलिजेंस (विशेष रूप से एक प्रकार के न्यूरल नेटवर्क) का उपयोग करता है ताकि लाखों सिम्युलेटेड आकाशगंगाओं से सीखा जा सके।
यह केवल औसत गति को नहीं देखता; यह इस बात का पूरा पैटर्न देखता है कि तारे कैसे चलते हैं, जिसमें वे चरम सीमा वाले तारे भी शामिल हैं।
यह डेटा में मौजूद "शोर" (मापन त्रुटियों) और इस तथ्य को भी ध्यान में रखता है कि दूरबीनें कभी-कभी भीड़भाड़ वाले या दूर के क्षेत्रों में सितारों को मिस कर देती हैं।

इसे एक बुनियादी माइक्रोफ़ोन से एक हाई-टेक साउंड सिस्टम में अपग्रेड करने जैसा समझें जो बैकग्राउंड शोर को फ़िल्टर कर सकता है और एक सिम्फनी की हर बारीकी को सुन सकता है।

प्रयोग: दो आकाशगंगाओं पर परीक्षण

टीम ने अपनी नई टूल का परीक्षण दो प्रसिद्ध बौनी आकाशगंगाओं पर किया: ड्रैको (Draco) और बूट्स I (Boötes I)।

1. ड्रैको: एक सुसंगत कहानी

ड्रैको एक अच्छी तरह से अध्ययन की गई आकाशगंगा है। टीम ने दो अलग-अलग दूरबीनों (MMT और DESI) के डेटा का विश्लेषण किया।

पुराना तरीका: मानक विधि ने दो अलग-अलग उत्तर दिए, जो इस पर निर्भर थे कि उसने किस टेलीस्कोप के डेटा का उपयोग किया। नए DESI डेटा पर, इसने दावा किया कि केंद्र सपाट (एक कोर) था, लेकिन पुराने MMT डेटा पर, इसने दावा किया कि केंद्र नुकीला (एक कस्प) था।
नया तरीका (GraphNPE): GraphNPE ने दोनों डेटासेट को देखा और कहा, "वास्तव में, वे एक ही कहानी बता रहे हैं।" इसने पाया कि ड्रैको में संभवतः एक नुकीला केंद्र (एक कस्प) है, जो अधिकांश अन्य वैज्ञानिकों द्वारा पाई गई बातों से मेल खाता है।
सबक: मानक विधि नए DESI डेटा के "शोर" से धोखा खा गई थी। GraphNPE ने शोर के पार देखा क्योंकि इसने केवल औसत को नहीं, बल्कि तारों की गति के पूरे पैटर्न को सुना।

2. बूट्स I: सपाट केंद्र का रहस्य

बूट्स I एक बहुत ही धुंधली, छोटी आकाशगंगा है। सितारों की संख्या कम होने के कारण इसका अध्ययन करना बहुत कठिन है।

पुराना तरीका: मानक विधि अनिश्चित थी। डेटा इतना शोर भरा था कि यह कहना मुश्किल था कि केंद्र नुकीला है या सपाट।
नया तरीका (GraphNPE): उपलब्ध सभी जानकारी का उपयोग करके, GraphNPE ने कुछ आश्चर्यजनक खोजा। यह सुझाव देता है कि बूट्स I का केंद्र सपाट और कोर्ड (cored) है। मध्य में डार्क मैटर का घनत्व पहले की तुलना में बहुत कम है।
प्रभाव: यदि यह सच है, तो बूट्स I सबसे अधिक "डिफ्यूज" (फैली हुई) डार्क मैटर हेलो में से एक है। यह एक बड़ी बात है क्योंकि यह संकेत देता है कि डार्क मैटर के नियम हमारी सोच से अलग हो सकते हैं, या इस आकाशगंगा को मिल्की वे के गुरुत्वाकर्षण ने खींचकर फैला दिया है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र यह दावा नहीं करता कि उसने डार्क मैटर के रहस्य को अभी तक सुलझा लिया है। इसके बजाय, यह दिखाता है कि हम कैसे सुनते हैं, यह मायने रखता है।

उपमा: कल्पना कीजिए कि आप एक डिब्बे में कंचों (marbles) को हिलाकर किसी छिपी हुई वस्तु के आकार का अनुमान लगाने की कोशिश कर रहे हैं।
- पुराना तरीका केवल यह गिनता है कि कंचे औसतन कितनी तेजी से किनारों से टकराते हैं। यह अनुमान लगा सकता है कि वस्तु एक नुकीली स्पाइक है।
- नया तरीका कंचों के टकराने की आवाज़ को सुनता है। यह एक सपाट सतह की "धप" और एक स्पाइक की "खट-खट" के बीच अंतर पहचान लेता है। यह महसूस करता है कि वस्तु वास्तव में सपाट है।

निष्कर्ष

लेखकों ने एक स्मार्ट AI टूल बनाया है जो केवल औसत को नहीं, बल्कि तारों की गति की पूरी कहानी को सुनता है।

ड्रैको के लिए: इसने पुष्टि की कि आकाशगंगा का केंद्र घना और नुकीला है, जिससे शोर वाले डेटा के कारण पैदा हुए झूठे अलार्म को सुधारा गया।
बूट्स I के लिए: इसने एक आश्चर्यजनक रूप से सपाट, कम घनत्व वाले केंद्र की खोज की, जो बताता है कि यह छोटी आकाशगंगा डार्क मैटर की प्रकृति के बारे में एक ऐसा सुराग दे सकती है जो हमने पहले कभी नहीं देखा है।

यह शोध पत्र निष्कर्ष निकालता है कि ब्रह्मांड के अदृश्य भूतों को वास्तव में समझने के लिए, हमें केवल औसत गिनना बंद करना होगा और पूरी सिम्फनी को सुनना शुरू करना होगा।

तकनीकी सारांश: ड्रेको और बोट्स I में डार्क मैटर: सिमुलेशन-आधारित अनुमान से एक अल्ट्रा-फेंट ड्वार्फ में कोर के संकेत

समस्या विवरण
ड्वार्फ स्फेरॉइडल गैलेक्सीज़ (dSphs) के घनत्व प्रोफाइल (density profiles) कोलाइडनलेस कोल्ड डार्क मैटर (CDM) मॉडल्स के बीच अंतर करने के लिए महत्वपूर्ण प्रोब के रूप में कार्य करते हैं, जो "कस्पी" (cuspy) आंतरिक घनत्व प्रोफाइल ( $\rho \propto r^{-1}$ ) की भविष्यवाणी करते हैं, और वैकल्पिक मॉडल्स (जैसे कि सेल्फ-इंटरेक्टिंग या डिसिपेटिव डार्क मैटर) के विरुद्ध जो "कोरेड" (cored) प्रोफाइल ( $\rho \propto r^0$ ) की भविष्यवाणी करते हैं। हालाँकि, शोर युक्त तारकीय गतिज (stellar kinematics) से इन प्रोफाइल्स को निकालना व्यवस्थित अनिश्चितताओं के कारण कठिन है, विशेष रूप से मास-एनिसोट्रॉपी डिजेनेरेसी (mass-anisotropy degeneracy)। पारंपरिक विधियाँ जो केवल लाइन-ऑफ-साइट वेलोसिटी डिसपर्सियन (LOSV), $\sigma_{\text{los}}$ पर निर्भर करती हैं, अक्सर इस डिजेनेरेसी को तोड़ने में विफल रहती हैं, और कोर्डेड (cored) शासन में $\sigma_{\text{los}}$ की आंतरिक संवेदनशीलता की कमी और सैंपलिंग शोर के प्रभाव के कारण "कस्पी" समाधानों की ओर पक्षपाती होती हैं। इसके अलावा, मौजूदा इन्फरेंस पाइपलाइन्स अक्सर माप अनिश्चितताओं और स्पेक्ट्रोस्कोपिक चयन कार्यों (जैसे कि मैग्नीट्यूड लिमिट या क्राउडिंग) की उपेक्षा करती हैं, जो महत्वपूर्ण पूर्वाग्रह (bias) उत्पन्न कर सकते हैं।

कार्यप्रणाली
लेखक GraphNPE (ग्राफ न्यूरल पोस्टीरियर एस्टीमेशन) प्रस्तुत करते हैं, जो एक सिमुलेशन-आधारित अनुमान (SBI) ढांचे का विस्तार है जिसे सीधे गतिज नमूनों (kinematic samples) से डायनेमिकल मास मॉडल्स को इन्फर करने के लिए डिज़ाइन किया गया है।

फॉरवर्ड मॉडल: यह मॉडल Agama लाइब्रेरी का उपयोग करके सिंथेटिक ड्वार्फ गैलेक्सी गतिज उत्पन्न करता है। यह डार्क मैटर (DM) घनत्व के लिए ज़ाओ (Zhao) प्रोफाइल, स्टेलर ट्रेसर घनत्व के लिए प्लमर (Plummer) प्रोफाइल, और वेलोसिटी एनिसोट्रॉपी के लिए कुडेफर्ड-ओसिपकोव-मेरिट (COM) प्रोफाइल को मानता है।
अवलोकनात्मक प्रभावों का समावेश: इस ढांचे में स्पष्ट रूप से निम्नलिखित को शामिल किया गया है, जो इसे पिछले संस्करणों से अलग बनाता है:
- मापन अनिश्चितताएँ (Measurement Uncertainties): प्रति-तारा LOSV अनिश्चितताओं को गाऊसी कर्नेल के माध्यम से कॉन्वोल्यूशन द्वारा मॉडल किया गया है। वास्तविक स्पेक्ट्रोस्कोपिक कैटलॉग में पाए जाने वाले मूल्यों की सीमा को कवर करने के लिए अनिश्चितताओं को जेफ्रीज़ प्रायर (Jeffreys prior) से लिया गया है।
- चयन कार्य (Selection Functions): बाहरी क्षेत्रों में मैग्नीट्यूड लिमिट और आंतरिक क्षेत्रों में क्राउडिंग (crowding) को सिम्युलेट करने के लिए रेडियल ड्रॉपआउट स्कीम्स (radial dropout schemes) लागू किए गए हैं, ताकि वास्तविक सर्वेक्षणों की स्थानिक अपूर्णता की नकल की जा सके।
- ग्राफ निर्माण: डेटा को एक ग्राफ के रूप में दर्शाया गया है जहाँ नोड्स तारे हैं और किनारे (edges) निकटतम पड़ोसियों को जोड़ते हैं। नोड फीचर्स में प्रोजेक्टेड रेडियस, LOSV, और LOSV अनिश्चितता शामिल हैं। कनेक्टिविटी बनाए रखने के लिए पड़ोसियों की संख्या अनुकूल रूप से (कुल ट्रेसर काउंट का 20%) निर्धारित की गई है।
इन्फरेंस (Inference): GraphNPE डेटा के ग्राफ प्रतिनिधित्व पर कंडिशनल होकर, एक न्यूरल डेंसिटी एस्टिमेटर (नॉर्मलाइजिंग फ्लो) के माध्यम से वास्तविक पोस्टीरियर और $p(\theta|d)$ के बीच कुलबैक-लीबलर डाइवर्जेंस को कम करके पोस्टीरियर सीखता है। यह अमोर्टाइज्ड इन्फरेंस (amortized inference) की अनुमति देता है, जिससे बिना रिट्रेनिंग के तीव्र पोस्टीरियर इवैल्यूएशन संभव होता है।
तुलना आधार (Comparison Baseline): लेखक इसकी तुलना सेकंड-ऑर्डर जींस मॉडलिंग से करते हैं, जो $\sigma_{\text{los}}(R)$ के LOSV डिसपर्सियन प्रोफाइल को गाऊसी लाइकलीहुड का उपयोग करके फिट करती है। यह बेसलाइन उच्च-क्रम के वेलोसिटी मोमेंट्स के प्रभाव को अलग करने के लिए एक कंट्रोल के रूप में कार्य करती है।

प्रमुख योगदान

फ्रेमवर्क विस्तार: वास्तविक अवलोकनात्मक डेटा के साथ अंतराल को पाटते हुए, GraphNхई के फॉरवर्ड मॉडल में हेट्रोजेनियस मेजरमेंट अनिश्चितताओं और स्पेक्ट्रोस्कोपिक चयन कार्यों का एकीकरण।
उच्च-क्रम मोमेंट्स की उपयोगिता का प्रदर्शन: यह पेपर प्रदर्शित करता है कि केवल $\sigma_{\text{los}}$ पर निर्भर रहने से पक्षपाती निष्कर्ष निकलते हैं। पूर्ण फेज-स्पेस डिस्ट्रीब्यूशन फंक्शन (DF) पर कार्य करके, GraphNPE स्पष्ट रूप से उच्च-क्रम मोमेंट्स, विशेष रूप से LOSV कर्टोसिस ( $\kappa_{\text{los}}$ ) तक पहुँचता है। लेखक दिखाते हैं कि $\kappa_{\text{los}}$ , $\sigma_{\text{los}}$ के पूरक सूचना प्रदान करता है, विशेष रूप से कोर्डेड प्रोफाइल्स को अलग करने में, जिससे मास-एनिसोट्रॉपी डिजेनेरेसी टूट जाती है और सैंपलिंग शोर के कारण होने वाले पूर्वाग्रह कम हो जाते हैं।
डायग्नोस्टिक टूल: लेखक LOSV कर्टोसिस को एक मानक पोस्टीरियर डायग्नोस्टिक के रूप में प्रस्तावित करते हैं। वे दिखाते हैं कि एक मॉडल $\sigma_{\text{los}}$ को अच्छी तरह से फिट कर सकता है जबकि $\kappa_{\text{los}}$ को प्रस्तुत करने में विफल रहता है, जो अंतर्निहित घनत्व प्रोफाइल के पक्षपाती रिकवरी का संकेत देता है।

परिणाम
इस ढांचे को दो मिल्की वे सैटेलाइट्स पर लागू किया गया: ड्रैको (एक क्लासिकल dSph) और बोट्स I (एक अल्ट्रा-फेंट ड्वार्फ): MMT/Hectochelle, DESI, S5, और आर्काइवल डेटा का उपयोग करके।

मॉक वैलिडेशन: मॉक डेटासेट पर, GraphNPE ने सेकंड-ऑर्डर जींस मॉडलिंग की तुलना में कम पूर्वाग्रह के साथ वास्तविक घनत्व और एनिसोट्रॉपी प्रोफाइल को रिकवर किया। महत्वपूर्ण रूप से, जबकि जींस मॉडलिंग अक्सर कोर्डेड मॉक्स के लिए पक्षपाती 'कस्पी' प्रोफाइल का अनुमान लगाती है ( $\sigma_{\text{los}}$ में शोर के कारण), GraphNPE मजबूत बना रहा।
ड्रैको (Draco):
- GraphNPE ने MMT और DESI डेटासेट के बीच सुसंगत घनत्व प्रोफाइल दिए, जो मामूली रूप से एक 'कस्पी' आंतरिक प्रोफाइल ( $\rho_{150} \sim 1.6\text{--}1.9 \times 10^8 M_\odot \text{kpc}^{-3}$ ) को प्राथमिकता देता है, जो साहित्य के अनुरूप है।
- DESI डेटासेट पर सेकंड-ऑर्डर जींस मॉडलिंग देखे गए कर्टोसिस को प्रस्तुत करने में विफल रही, जिससे काफी कम घनत्व नॉर्मलाइजेशन और एक कोर्डेड प्रोफाइल का अनुमान मिला। यह विसंगति दर्शाती है कि DESI-ओनली जींस इन्फरेंस आंतरिक क्षेत्रों में अंडरसैंपलिंग द्वारा प्रभावित था, जिसे GraphNPE द्वारा उच्च-क्रम मोमेंट्स के उपयोग से सुधारा गया।
बोट्स I (Boötes I):
- छोटे सैंपल साइज और अंतर्निहित डिसपर्सियन के सापेक्ष बड़ी मेजरमेंट अनिश्चितताओं के कारण सांख्यिकीय शक्ति सीमित थी।
- हालांकि एसिम्प्टोटिक इनर स्लोप $\gamma$ को निश्चित रूप से निर्धारित नहीं किया जा सका, GraphNPE ने पिछले नॉन-स्फेरिकल जींस विश्लेषणों की तुलना में काफी कम आंतरिक डार्क मैटर घनत्व रिकवर किया: $\rho_{150} = 0.36^{+0.15}_{-0.11} \times 10^8 M_\odot \text{kpc}^{-3}$ (संयुक्त सैंपल के लिए)।
- यह मान बोट्स I को तुलनीय स्टेलर मास वाले निम्न घनत्व वाले ड्वार्फ्स में रखता है और एक कोर्डेड आंतरिक प्रोफाइल के अनुरूप है।
- लेखक नोट करते हैं कि हालांकि इनर स्लोप अस्पष्ट है, लेकिन कम $\rho_{150}$ विभिन्न मॉडलिंग धारणाओं के तहत मजबूत (robust) है।

महत्व और दावे
पेपर का दावा है कि बोट्स I में कम इनर डेंसिटी और उथले इनर स्लोप का संयोजन एक अल्ट्रा-फेंट ड्वार्फ में 'कोर' का पहला संकेत प्रदान करता है। लेखक इसके चार संभावित भौतिक कारणों पर चर्चा करते हैं:

फीडबैक-ड्रिवन कोर फॉर्मेशन: बोट्स I के कम स्टेलर-टू-हेलो मास रेश्यो और स्टार फॉर्मेशन के एक एकल संक्षिप्त विस्फोट में इसके निर्माण के कारण इसे कम अनुकूल माना गया है।
टाइडल स्ट्रिपिंग (Tidal stripping): इसके छोटे पेरीसेंटर को देखते हुए प्रशंसनीय है, लेकिन सिमुलेशन बताते हैं कि टाइड्स अकेले स्टेलर कंपोनेंट को नष्ट किए बिना एक प्रिमॉर्डियल कस्प को कोर में नहीं बदल सकते।
लो-कंसंट्रेशन हेलो: सांख्यिकीय रूप से असंभावित लेकिन संभव।
वैकल्पिक डार्क मैटर मॉडल्स: सेल्फ-इंटरेक्टिंग डार्क मैटर (SIDM) एक व्यवहार्य उम्मीदवार है, क्योंकि यह ग्रेवोथर्मल हीटिंग के माध्यम से कोर उत्पन्न कर सकता है। फजी डार्क मैटर मौजूदा बाधाओं के कारण कम अनुकूल है।

लेखक निष्कर्ष निकालते हैं कि इन परिदृश्यों के बीच अंतर करने के लिए अल्ट्रा-फेंट ड्वार्फ्स के बड़े सांख्यिकीय नमूने की आवश्यकता है। वे इस बात पर जोर देते हैं कि पूर्ण किनेटिक डिस्ट्रीब्यूशन फंक्शन का उपयोग करके, GraphNPE स्पार्स किनेमैटिक्स से अधिकतम जानकारी निकालने के लिए एक मजबूत ढांचा प्रदान करता है, जो भविष्य के अल्ट्रा-फेंट ड्वार्फ अध्ययनों के लिए आवश्यक है जहाँ पारंपरिक डिसपर्सियन-आधारित विधियाँ पक्षपाती होने की संभावना रखती हैं। यह कार्य इस बात को रेखांकित करता है कि डिसपर्सियन-ओनली विश्लेषणों में निहित व्यवस्थित पूर्वाग्रहों से बचने के लिए उच्च-क्रम मोमेंट्स (जैसे कर्टोसिस) या डिस्ट्रीब्यूशन-फंक्शन-आधारित विधियों का उपयोग करना आवश्यक है।