⚛️ general relativity

HIcosmo: a differentiable JAX-based framework for cosmology inference

यह शोध पत्र HIcosmo को प्रस्तुत करता है, जो एक ओपन-सोर्स, JAX-आधारित फ्रेमवर्क है जो कुशल कॉस्मोलॉजिकल इन्फरेंस (cosmological inference) के लिए ऑटोमैटिक डिफरेंशिएशन और GPU एक्सेलेरेशन का लाभ उठाता है ताकि Cobaya जैसे मौजूदा टूल्स की तुलना में काफी तेज़ सैंपलिंग गति प्राप्त की जा सके, जबकि यह स्टेज IV सर्वे लाइकलीहुड्स (Stage IV survey likelihoods) और कॉस्मोलॉजिकल मॉडल्स की एक विस्तृत श्रृंखला का समर्थन करता है।

मूल लेखक: Jing-Zhao Qi, Jing-Fei Zhang, Xin Zhang

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jing-Zhao Qi, Jing-Fei Zhang, Xin Zhang

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 एक विशाल, जटिल पहेली है जिसे वैज्ञानिक सुलझाने की कोशिश कर रहे हैं। दशकों से, वे ब्रह्मांड की शुरुआत, इसके विस्तार और यह किससे बना है, यह समझने के लिए नियमों के एक मानक सेट (जिसे $\Lambda$ CDM मॉडल कहा जाता है) का उपयोग कर रहे हैं। लेकिन हाल ही में, पहेली के टुकड़े पूरी तरह से फिट नहीं बैठ रहे हैं। प्रारंभिक ब्रह्मांड (जैसे कॉस्मिक माइक्रोवेव बैकग्राउंड) के माप और नजदीकी ब्रह्मांड (जैसे सुपरनोवा नामक फटने वाले तारे) के माप आपस में मेल नहीं खा रहे हैं। इसे "हबल टेंशन" (Hubble Tension) के रूप में जाना जाता है।

इस समस्या को हल करने के लिए, नए, विशाल टेलीस्कोप बनाए जा रहे हैं जो अरबों डेटा पॉइंट्स एकत्र करेंगे। समस्या यह है कि वैज्ञानिकों द्वारा इन पहेलियों को सुलझाने के लिए उपयोग किए जाने वाले कंप्यूटर प्रोग्राम बहुत धीमे और बोझिल हैं। वे एक समुद्र तट पर रेत के कणों को गिनने के लिए एक अकेले, धीमे कैलकुलेटर का उपयोग करने की तरह हैं।

यह शोध पत्र HIcosmo को पेश करता है, जो एक बिल्कुल नया, सुपर-फास्ट कंप्यूटर टूल है जिसे इन ब्रह्मांडीय पहेलियों को कुशलतापूर्वक हल करने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. "स्मार्ट कैलकुलेटर" (JAX और डिफरेंशिएबिलिटी)

पारंपरिक उपकरण एक ऐसे शेफ की तरह हैं जिसे हर सामग्री को मैन्युअल रूप से मापना पड़ता है, परिणाम लिखना पड़ता है, और फिर अगला कदम मैन्युअल रूप से गणना करनी पड़ती है। यदि उन्हें यह जानना हो कि एक सामग्री को बदलने से अंतिम स्वाद पर क्या प्रभाव पड़ेगा, तो उन्हें अनुमान लगाना और जांचना पड़ता है, जिसमें बहुत समय लगता है।

HIcosmo अलग है। यह JAX नामक तकनीक पर आधारित है, जो एक "स्मार्ट कैलकुलेटर" की तरह काम करता है जो एक ही बार में पूरी रेसिपी को समझ लेता है।

ऑटोमैटिक डिफरेंशिएशन (Automatic Differentiation): अनुमान लगाने के बजाय, HIcosmo को ठीक से पता होता है कि यदि आप एक संख्या में बदलाव करते हैं तो परिणाम कैसे बदलेगा। यह एक ऐसे GPS की तरह है जो तुरंत आपको सबसे अच्छा रास्ता बता देता है, बिना हर संभव सड़क पर गाड़ी चलाए यह देखे कि कौन सी सबसे तेज़ है।
जस्ट-इन-टाइम कंपाइलेशन (Just-in-Time Compilation): पहली बार जब आप HIcosmo को कोई गणना करने के लिए कहते हैं, तो यह निर्देशों को सुपर-ऑप्टिमाइज़्ड मशीन कोड में अनुवाद करने के लिए एक सेकंड का समय लेता है। उसके बाद, यह बिजली की गति से चलता है, उस धीमे "अनुवादक" (पायथन इंटरप्रेटर) को बायपास करता है जो पुराने उपकरणों को धीमा कर देता है।

2. तीन-परत वाला केक (The Three-Layer Cake)

लेखकों ने HIcosmo को एक तीन-परत वाले केक की तरह बनाया है, जहाँ प्रत्येक परत का एक विशिष्ट कार्य है:

निचली परत (द मॉडल): यह "सिद्धांत" वाला हिस्सा है। यह ब्रह्मांड के नियमों (जैसे कि कितना डार्क मैटर या डार्क एनर्जी है) को लेता है और गणना करता है कि ब्रह्मांड को वास्तव में कैसा दिखना चाहिए।
मध्य परत (द लाइकलीहुड): यह "तुलना" वाला हिस्सा है। यह निचले स्तर से सिद्धांत लेता है और टेलीस्कोप (जैसे पैंथियन+ सुपरनोवा डेटा या DESI गैलेक्सी मैप्स) से प्राप्त वास्तविक डेटा के साथ तुलना करता है। यह गणना करता है कि सिद्धांत कितना "गलत" है।
ऊपरी परत (द इन्फरेंस): यह "सॉल्वर" वाला हिस्सा है। यह मध्य परत से मिली जानकारी का उपयोग करके सबसे अच्छा उत्तर ढूंढता है। यह NUTS (No-U-Turn Sampler) नामक एक स्मार्ट विधि का उपयोग करता है जो सही उत्तर की ओर सीधे बढ़ने के लिए "स्मार्ट कैलकुलेटर" के ग्रेडिएंट्स का उपयोग करता है, बजाय इसके कि पुराने टूल्स की तरह यह बिना किसी दिशा के भटकता रहे।

3. यह क्या कर सकता है (और क्या नहीं)

यह क्या करता है:
HIcosmo वर्तमान में बैकग्राउंड कॉस्मोलॉजी का विशेषज्ञ है। इसे ब्रह्मांड के "बड़े चित्र" को मापने के रूप में समझें: यह कितनी तेजी से फैल रहा है, चीजें कितनी दूर हैं, और अंतरिक्ष का समग्र आकार क्या है। यह निम्नलिखित डेटा को संभालता है:

फटने वाले तारे (सुपरनोवा)।
गैलेक्सी क्लस्टरिंग (BAO)।
बिग बैंग की चमक (CMB डिस्टेंस प्रायर्स)।
गुरुत्वाकर्षण लेंसों (Gravitational Lenses) में समय का अंतराल।

इसका परीक्षण वर्तमान गोल्ड-स्टैंडर्ड सॉफ्टवेयर (जिसे Cobaya कहा जाता है) के विरुद्ध किया गया है और पाया गया कि इसके उत्तर सांख्यिकीय रूप से समान हैं लेकिन यह बहुत अधिक तेज़ है।

एक मानक कंप्यूटर प्रोसेसर (CPU) पर, यह पुराने टूल की तुलना में लगभग 8.7 गुना तेज़ है।
एक शक्तिशाली ग्राफिक्स कार्ड (GPU) पर, जो एक साथ भारी मात्रा में डेटा को संभालने के लिए बेहतरीन है, डेटा बढ़ने पर यह 20 गुना तक तेज़ हो सकता है।

यह क्या नहीं करता है:
शोध पत्र बहुत स्पष्ट है कि HIcosmo वर्तमान में ब्रह्मांड के "सूक्ष्म विवरणों" या "परटर्बेशन्स" (Perturbations) को नहीं संभालता है, जैसे कि कॉस्मिक वेब की जटिल लहरें या प्रारंभिक ब्रह्मांड के विस्तृत पावर स्पेक्ट्रा। इनके लिए एक अलग, बहुत भारी इंजन (जिसे बोल्ट्ज़मैन सॉल्वर कहा जाता है) की आवश्यकता होती है जिसे HIcosmo अन्य टूल्स के लिए छोड़ देता है। सोचिए कि HIcosmo गुब्बारे के आकार का विशेषज्ञ है, जबकि गुब्बारे के टेक्सचर (बनावट) का विश्लेषण करने के लिए अन्य उपकरणों की आवश्यकता है।

4. वास्तविक दुनिया के परिणाम

लेखकों ने केवल इसे बनाया ही नहीं; उन्होंने वास्तविक समस्याओं को हल करने के लिए इसका उपयोग किया:

संयुक्त बाधाएं (Joint Constraints): उन्होंने ब्रह्मांड के विस्तार की दर ( $H_0$ ) और पदार्थ के घनत्व ( $\Omega_m$ ) को अविश्वसनीय सटीकता के साथ निर्धारित करने के लिए सुपरनोवा, गैलेक्सी सर्वेक्षण और CMB के डेटा को मिलाया।
भविष्य का पूर्वानुमान (Future Forecasting): उन्होंने भविष्य के रेडियो टेलीस्कोप (जैसे SKA, MeerKAT, और CHIME) द्वारा डार्क एनर्जी के "इक्वेशन ऑफ स्टेट" (Equation of State) को कितनी अच्छी तरह से मापा जा सकेगा, इसका पूर्वानुमान लगाने के लिए HIcosmo का उपयोग किया (यह पूछने का एक शानदार तरीका है कि: "क्या डार्क एनर्जी स्थिर है, या यह समय के साथ बदलती है?")। उन्होंने पाया कि ये नए टेलीस्कोप इसे अद्भुत सटीकता के साथ माप सकते हैं।

निष्कर्ष

HIcosmo कॉस्मोलॉजी के लिए एक आधुनिक, हाई-स्पीड इंजन है। यह अतीत के धीमे, मैनुअल तरीकों को एक सुव्यवस्थित, स्वचालित प्रणाली से बदल देता है जो अगली पीढ़ी के टेलीस्कोपों से आने वाले भारी डेटा प्रवाह को संभाल सकती है। यह भौतिकी के नियमों को नहीं बदलता है, लेकिन यह बदल देता है कि हम कितनी तेज़ी और कुशलता से उन्हें ब्रह्मांड के विरुद्ध परख सकते हैं।

तकनीकी सारांश: HIcosmo – कॉस्मोलॉजी इन्फरेंस के लिए एक डिफरेंशिएबल JAX-आधारित फ्रेमवर्क

1. समस्या विवरण

आगामी स्टेज IV कॉस्मोलॉजिकल सर्वे (जैसे Euclid, LSST, DESI, SKA) अभूतपूर्व मात्रा में अवलोकन संबंधी डेटा उत्पन्न करेंगे। जबकि बैकग्राउंड-स्तर का कॉस्मोलॉजिकल इन्फरेंस (जिसमें दूरियां, दूरी के अनुपात और दूरी के मॉडुलस शामिल हैं) आमतौर पर कम-आयामी पैरामीटर स्पेस ( $d \sim 5\text{--}7$ ) में संचालित होता है, इन्फरेंस की कम्प्यूटेशनल लागत बनी रहती है क्योंकि इसमें मार्कोव चेन मोंटे कार्लो (MCMC) विधियों द्वारा आवश्यक लाइकलीहुड मूल्यांकन की संख्या बहुत अधिक होती है।

पारंपरिक पाइपलाइन (जैसे CosmoMC, Cobaya, MontePython) रैंडम-वॉक मेटापोलिस-हैस्टिंग्स (MH) सैंपलर पर निर्भर करती हैं। ये विधियाँ धीमी मिक्सिंग टाइम से ग्रस्त होती हैं जो आयामीता ( $d$ ) के साथ रैखिक रूप से स्केल करती हैं और ग्रेडिएंट्स के लिए परिमित-अंतर (finite-difference) सन्निकटन पर निर्भर करती हैं, जो कम्प्यूटेशनल रूप से महंगे ( $O(d)$ अतिरिक्त मूल्यांकन) हैं और स्टेप-साइज के चयन के प्रति संवेदनशील हैं। इसके अलावा, मौजूदा परिपक्व कोड डिफरेंशिएबल प्रोग्राम के रूप में लागू नहीं किए गए हैं, जो ग्रेडिएंट-आधारित सैंपलर जैसे कि नो-टर्न सैंपलर (NUTS) और ऑटोमैटिक डिफरेंशिएशन (AD) आधारित फिशर फोरकास्टिंग के उपयोग को रोकता है। हालांकि पर्टर्बेशन-स्तर के विश्लेषणों (जैसे jax-cosmo, CosmoPower) के लिए JAX-आधारित उपकरण उभरे हैं, लेकिन एक व्यवस्थित रूप से सत्यापित, एंड-टू-एंड डिफरेंशिएबल फ्रेमवर्क की कमी थी जो बैकग्राउंड-स्तर की कॉस्मोलॉजी को एकीकृत करता हो और जिसमें लाइकलीहुड्स, NUTS सैंपलिंग और AD-आधारित फिशर फोरकास्ट शामिल हों।

2. कार्यप्रणाली और आर्किटेक्चर

यह पेपर HIcosmo (हाई-परफॉर्मेंस इन्फरेंस फॉर कॉस्मोलॉजी) प्रस्तुत करता है, जो पूरी तरह से JAX पर निर्मित एक ओपन-सोर्स फ्रेमवर्क है। यह फ्रेमवर्क एंड-टू-एंड डिफरेंशिएबिलिटी के सिद्धांत पर डिज़ाइन किया गया है, यह सुनिश्चित करते हुए कि कॉस्मोलॉजिकल पैरामीटर्स से लेकर स्केलर लॉग-लाइकलीहुड तक प्रत्येक ऑपरेशन JAX के ऑटोमैटिक डिफरेंशिएशन सिस्टम द्वारा ट्रेस करने योग्य है।

2.1 लेयर्ड आर्किटेक्चर

HIcosmo तीन प्राथमिक परतों से बना है:

मॉडल लेयर (Model Layer): सैद्धांतिक भविष्यवाणियाँ (predictions) कंप्यूट करती है। यह चार बैकग्राउंड मॉडल लागू करती है: $\Lambda$ CDM, $w$ CDM, $w_0w_a$ CDM (CPL पैरामीट्रिज़ेशन), और एक इंटरैक्टिंग डार्क-एनर्जी मॉडल ( $I\Lambda$ CDM)। महत्वपूर्ण रूप से, यह एडेप्टिव इंटीग्रेटर्स (जो नॉन-डिफरेंशिएबल हैं) को घने रेडशिफ्ट ग्रिड पर फिक्स्ड-ग्रिड ट्रेपेज़ॉइडल क्वाड्रैचर से बदल देता है। यह बिना फाईनाइट डिफरेंस के सटीक ग्रेडिएंट कंप्यूटेशन को संभव बनाता है।
लाइकलीहुड लेयर (Likelihood Layer): मॉडल भविष्यवाणियों की तुलना अवलोकन संबंधी डेटा से करती है। यह समर्थन करती है:
- टाइप Ia सुपरनोवा: Pantheon+, DES-SN5YR, और Union3।
- बेरियन एकोस्टिक ऑसिलेशन (BAO): DESI DR1/DR2, SDSS, BOSS, और 6dFGS।
- CMB: प्लैंक 2018 डिस्टेंस प्रायर (जो $R$ , $l_A$ , $\omega_b$ में संकुचित हैं)।
- लोकल $H_0$ : SH0ES डिस्टेंस लैडर।
- स्ट्रॉन्ग लेंसिंग: H0LiCOW टाइम डिलेज़।
  सभी लाइकलीहुड्स शुद्ध JAX में लागू हैं, जो JIT कंपाइलेशन और वेक्टरिज़ेशन का समर्थन करती हैं।
इन्फरेंस लेयर (Inference Layer): लॉग-लाइकलीहुड और उसके डेरिवेटिव्स का उपभोग करती है। यह प्रदान करती है:
- NUTS सैंपलिंग: NumPyro के माध्यम से कार्यान्वित, जो बेहतर मिक्सिंग टाइम (जो $d^{1/4}$ के रूप में स्केल होता है) के लिए सीधे JAX से ग्रेडिएंट्स का उपयोग करती है।
- फिशर फोरकास्टिंग (Fisher Forecasting): नेस्टेड ऑटोमैटिक डिफरेंशिएशन के माध्यम से हेसियन मैट्रिक्स (Hessian matrix) की गणना करती है, जिससे स्टेप-साइज चयन और फाईनाइट-डिफरेंस त्रुटियों की आवश्यकता समाप्त हो जाती है।

2.2 कार्यान्वयन विवरण

डिफरेंशिएबिलिटी: फिक्स्ड-स्टेप इंटीग्रेशन और पैरामीटर-स्वतंत्र मात्राओं (जैसे इन्वर्स कोवेरियेंस मैट्रिसेस) को प्रीकंप्यूट करके, फ्रेमवर्क यह सुनिश्चित करता है कि ग्रेडिएंट्स और हेसियन रिवर्स-मोड AD के माध्यम से सीधे प्राप्त किए जा सकें।
हार्डवेयर एक्सेलेरेशन: फ्रेमवर्क JAX के यूनिफाइड CPU/GPU/TPU निष्पादन का लाभ उठाता है। JIT कंपाइलेशन लाइकलीहुड को मशीन कोड में ऑप्टिमाइज़ करता है, जिससे MCMC रन के दौरान पायथन इंटरप्रेटर ओवरहेड बच जाता है।
कैलिब्रेशन: भौतिक सटीकता सुनिश्चित करने के लिए, फ्रेमवर्क CAMB जैसे बोल्ट्ज़मैन सॉल्वर के विरुद्ध व्युत्पन्न मात्राओं (जैसे साउंड होराइजन $r_d$ ) को कैलिब्रेट करता है, जिससे रेसिडुअल्स $\sim 0.01\%$ तक कम हो जाते हैं।

3. मुख्य परिणाम

3.1 सत्यापन और सटीकता

HIcosmo को $\Lambda$ CDM, $w$ CDM, और $w_0w_a$ CDM मॉडलों के लिए संदर्भ कार्यान्वयन (Cobaya) और आधिकारिक लाइकलीहुड कोड के विरुद्ध व्यवस्थित रूप से सत्यापित किया गया।

लाइकलीहुड प्रिसिजन: $\chi^2$ मान संदर्भ कोड के साथ $10^{-6}$ से $10^{-2}$ के पूर्ण अंतर के साथ सहमत होते हैं।
पैरामीटर कंस्ट्रेंट्स: HIcosmo और Cobaya से मार्जिनलाइज्ड कंस्ट्रेंट्स सभी परीक्षण किए गए विश्लेषणों में 0.2 $\sigma$ से कम भिन्न हैं। संयुक्त SN+BAO+CMB विश्लेषणों के लिए, सहमति 0.04 $\sigma$ के भीतर है।
कंसिस्टेंसी: फ्रेमवर्क स्थापित बाधाओं को पुनरुत्पादित करता है, जैसे कि $H_0 = 68.24 \pm 0.38$ km/s/Mpc और $\Omega_m = 0.307 \pm 0.005$ संयुक्त विश्लेषण के लिए, यह पुष्टि करता है कि डिफरेंशिएबल सन्निकटन महत्वपूर्ण पूर्वाग्रह (bias) पेश नहीं करते हैं।

3.2 प्रदर्शन बेंचमार्क

Scipy पर स्पीडअप: डिस्टेंस कैलकुलेशन के लिए, JIT कंपाइलेशन के बाद HIcosmo scipy एडेप्टिव क्वाड्रैचर की तुलना में 140 $\times$ की गति प्राप्त करता है। पूरे Pantheon+ लाइकलीहुड पाइपलाइन के लिए, यह CPU पर 16 $\times$ तेज़ है।
सैंपलिंग थ्रूपुट: 8-कोर CPU पर Cobaya (MH सैंपलर का उपयोग करते हुए) की तुलना में, HIcosmo (NUTS का उपयोग करते हुए) 8.7 $\times$ उच्च प्रभावी सैंपल साइज (ESS) थ्रूपुट (400 ESS/s बनाम 45.8 ESS/s) प्राप्त करता है। यह लाइकलीहुड मूल्यांकन की तेज़ गति और NUTS के बेहतर मिक्सिंग ( $\tau \approx 1.2$ बनाम $\tau \approx 11.4$ ) दोनों के कारण है।
GPU एक्सेलेरेशन: जबकि छोटे डेटासेट (Pantheon+) पर सिंगल इवैल्यूएशन में ओवरहेड के कारण मामूली GPU लाभ दिखता है, GPU एक्सेलेरेशन डेटासेट के आकार के साथ स्केल करता है। सिंथेटिक डेटासेट के लिए जहाँ $N_{SN} = 20,000$ है, GPU CPU की तुलना में 20.8 $\times$ की गति प्राप्त करता है।
फिशर मैट्रिक्स: AD-आधारित फिशर मैट्रिक्स गणना स्थिर है और इसमें कोई स्टेप-साइज ट्यूनिंग की आवश्यकता नहीं होती है, जो छोटे स्टेप-साइज पर फाईनाइट-डिफरेंस विधियों को प्रभावित करने वाली फ्लोटिंग-पॉइंट राउंड-ऑफ त्रुटियों से बचती है।

3.3 अनुप्रयोग

दस्तावेज़ इस फ्रेमवर्क की उपयोगिता को निम्नलिखित के माध्यम से प्रदर्शित करता है:

मल्टी-प्रोब जॉइंट कंस्ट्रेंट्स: $H_0$ और $\Omega_m$ पर बाधाओं को कड़ा करने के लिए Pantheon+, DESI BAO, और Planck प्रायर को संयोजित करना।
डार्क एनर्जी कंस्ट्रेंट्स: DESI 2024 परिणामों के अनुरूप $w_0$ और $w_a$ के लिए बाधाएं प्राप्त करना।
21 cm इंटेंसिटी मैपिंग फोरकास्ट: छह सर्वेक्षणों (SKA1, MeerKAT, BINGO, Tianlai, CHIME) के लिए फिशर फोरकास्ट करना। फ्रेमवर्क भविष्यवाणी करता है कि SKA1 बैंड 1 डार्क एनर्जी इक्वेशन ऑफ स्टेट को $\sigma(w) \approx 0.046$ तक सीमित कर सकता है।

4. महत्व और दावे

लेखकों का दावा है कि HIcosmo बैकग्राउंड कॉस्मोलॉजी के लिए पहले व्यवस्थित रूप से सत्यापित, एंड-टू-एंड डिफरेंशिएबल JAX-नेटिव पाइपलाइन प्रदान करके कॉस्मोलॉजिकल इन्फरेंस परिदृश्य में एक महत्वपूर्ण अंतर को भरता है।

दक्षता (Efficiency): यह प्रदर्शित करता है कि ग्रेडिएंट-आधारित सैंपलिंग (NUTS) को JIT-कंपाइल्ड लाइकलीहुड्स के साथ मिलाने से कम्प्यूटेशनल गति और सांख्यिकीय दक्षता (ESS) दोनों के मामले में पारंपरिक रैंडम-वॉक MCMC की तुलना में काफी बेहतर प्रदर्शन मिलता है।
स्केलेबिलिटी (Scalability): यह फ्रेमवर्क GPU एक्सेलेरेशन का लाभ उठाकर भविष्य के सर्वेक्षणों (स्टेज IV) के विशाल डेटासेट को संभालने के लिए विशिष्ट रूप से स्थित है, जहाँ CPU निष्पादन की तुलना में 20 $\times$ की गति प्राप्त की जा सकती है।
मॉड्यूलरिटी और विस्तारशीलता (Modularity and Extensibility): मॉडल, लाइकलीहुड और इन्फरेंस परतों को अलग करके, यह फ्रेमवर्क डेरिवेटिव कोड को फिर से लिखे बिना नए मॉडल या डेटासेट को आसानी से जोड़ने की अनुमति देता है।
पर्टर्बेशन-लेवल इन्फरेंस के लिए आधार: हालांकि वर्तमान में बैकग्राउंड कॉस्मोलॉजी (पूर्ण बोल्ट्ज़मैन सॉल्वर को छोड़कर) तक सीमित है, पेपर का तर्क है कि बैकग्राउंड स्तर पर सफल एंड-टू-एंड सत्यापन एक मजबूत आधार स्थापित करता है। आर्किटेक्चर को मॉडल लेयर को डिफरेंशिएबल बोल्ट्ज़मैन इम्युलेटर्स (जैसे CosmoPower-JAX) से बदलकर पर्टर्बेशन-लेवल विश्लेषणों के लिए विस्तारित करने हेतु डिज़ाइन किया गया है, जिससे उच्च-आयामी स्टेज IV समस्याओं के लिए ग्रेडिएंट-आधारित इन्फरेंस सक्षम हो सके।

संक्षेप में, HIcosm एक पुनरुत्पादनीय, उच्च-प्रदर्शन वाला विकल्प प्रदान करता है, जो यह सिद्ध करता है कि ऑटोमैटिक डिफरेंशिएशन और आधुनिक हार्डवेयर एक्सेलेरेशन को मानक कॉस्मोलॉजिकल इन्फरेंस कार्यों पर प्रभावी ढंग से लागू किया जा सकता है।