Neutrino mass constraints in the Schwarzschild-de Sitter black-hole dark energy model with ACT DR6 and DESI DR2 data

तकनीकी सारांश: श्वारज़चाइल्ड-डी सिटर ब्लैक-होल डार्क एनर्जी मॉडल में न्यूट्रिनो द्रव्यमान प्रतिबंध

समस्या विवरण
डार्क एनर्जी स्पेक्ट्रोस्कोपिक इंस्ट्रूमेंट (DESI) DR2 के हालिया अवलोकनों ने, जब कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) डेटा के साथ संयोजित किए गए, तो मानक $\Lambda$CDM मॉडल के भीतर एक तनाव (tension) को प्रकट किया है। विशेष रूप से, CMB के साथ संयोजित DESI डेटा न्यूट्रिनो द्रव्यमान के योग ($\sum m_\nu$) पर 95% विश्वास ऊपरी सीमा $< 0.064$ eV देता है, जो कि न्यूट्रिनो ऑसिलेशन प्रयोगों द्वारा आवश्यक निचली सीमा ($\gtrsim 0.059$ eV, जो नॉर्मल पदानुक्रम के लिए है) के अत्यंत निकट है। इसके अतिरिक्त, DESI डेटा कॉस्मोलॉजिकल कांस्टेंट की तुलना में डायनेमिकल डार्क एनर्जी (DE) के प्रति प्राथमिकता दिखाता है। यह शोध जांच करता है कि क्या डार्क एनर्जी का एक विशिष्ट भौतिक मॉडल—श्वारज़चाइल्ड-डी सिटर ब्लैक-होल डार्क एनर्जी (SdSDE) मॉडल—मानक $\Lambda$CDM ढांचे की तुलना में न्यूट्रिनो मापदंडों ($\sum m_\nu$ और $N_{\text{eff}}$) के कॉस्मोलॉजिकल निष्कर्षों को बदलता है। यह अध्ययन न्यूट्रिनो द्रव्यमान प्रतिबंधों की मॉडल निर्भरता को संबोधित करता है और यह देखता है कि क्या SdSDE परिदृश्य वर्तमान तनावों को हल या स्थानांतरित कर सकता है।

कार्यप्रणाली
लेखक Cobaya कोड और CAMB बोल्ट्ज़मैन सॉल्वर का उपयोग करके मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग के माध्यम से एक बायेसियन इन्फरेंस फ्रेमवर्क का उपयोग करते हैं। यह विश्लेषण निम्नलिखित डेटासेट्स का उपयोग करता है:

• CMB: Planck PR4 (तापमान, ध्रुवीकरण, और लेंसिंग) और अटाकामा कॉस्मोलॉजी टेलीस्कोप (ACT) DR6 डेटा।
• BAO: विभिन्न ट्रेसर्स (ब्राइट गैलेक्सीज़, LRGs, ELGs, क्वासर) का उपयोग करके DESI DR2 माप।
• सुपरनोवा: DES-Dovekie (1820 टाइप Ia SNe का एक पुन: अंशांकित नमूना) और PantheonPlus (1550 स्पेक्ट्रोस्कोपिक रूप से पुष्ट SNe)।

सैद्धांतिक ढांचा Hayashi [228] द्वारा प्रस्तावित SdSDE मॉडल है। इस मॉडल में, प्रभावी डार्क एनर्जी घनत्व $\rho_{\text{DE}}(z)$ एक निश्चित बहुपद फिट (polynomial fit) $F(z)$ द्वारा पैरामीटराइज्ड ब्रह्मांडीय ब्लैक-होल द्रव्यमान घनत्व के रेडशिफ्ट विकास द्वारा संचालित होता है। इसके परिणामस्वरूप एक विशिष्ट, गैर-गतिशील समीकरण अवस्था (equation of state) $w_{\text{DE}}(z)$ प्राप्त होती है जो फेनोमेनोलॉजिकल $w_0w_a$CDM पैरामीटराइजेशन से भिन्न है। इस मॉडल को $z \approx 10$ पर एक स्मूथ कटऑफ के साथ लागू किया गया है ताकि यह उच्च रेडशिफ्ट पर $\Lambda$CDM के करीब पहुँच सके।

अध्ययन चार मॉडल कॉन्फ़िगरेशन की तुलना करता है:

1. बेसलाइन SdSDE।
2. SdSDE + मुक्त $\sum m_\nu$।
3. SdSDE + मुक्त $N_{\text{eff}}$।
4. SdSDE + मुक्त $\sum m_\nu$ और $N_{\text{eff}}$।

इनकी तुलना $\Lambda$CDM मॉडल के संगत विस्तारों के विरुद्ध की जाती है। विश्लेषण सभी कॉस्मोलॉजिकल मापदंडों के लिए फ्लैट प्रायर्स (flat priors) का उपयोग करता है, जिसमें $\sum m_\nu \in [0, 5]$ eV और $N_{\text{eff}} \in [0, 7]$ शामिल है।

प्रमुख योगदान और परिणाम
प्राथमिक निष्कर्ष यह है कि SdSDE ढांचा एक सकारात्मक न्यूट्रिनो द्रव्यमान के लिए एक मजबूत प्राथमिकता प्रेरित करता है, जो कि समान डेटासेट्स के साथ $\Lambda$CDM विश्लेषणों में पाए जाने वाले ऊपरी सीमाओं के विपरीत है।

• न्यूट्रिनो द्रव्यमान प्राथमिकता: जब CMB + DESI + DES-Dovekie डेटा का विश्लेषण किया जाता है, तो मुक्त $\sum m_\nu$ के साथ SdSDE मॉडल $\sum m_\nu = 0.207^{+0.047}_{-0.052}$ eV प्रदान करता है, जो एक गैर-शून्य द्रव्यमान के लिए $\sim 4.0\sigma$ की प्राथमिकता को दर्शाता है। जब $N_{\text{eff}}$ को भी परिवर्तनशील होने दिया जाता है, तो प्रतिबंध $\sum m_\nu = 0.162^{+0.055}_{-0.056}$ eV हो जाता है (एक $\sim 2.9\sigma$ की प्राथमिकता)।
• पैरामीटर क्षतिपूर्ति (Parameter Compensation): सकारात्मक द्रव्यमान के लिए प्राथमिकता $N_{\text{eff}}$ में व्यवस्थित बदलाव से जुड़ी है। SdSDE मॉडल $N_{\text{eff}}$ के उन मानों को प्राथमिकता देता है जो मानक मॉडल के अनुमान ($N_{\text{eff}} \approx 2.72$ बनाम $3.044$) से कम हैं। चूंकि$\sum m_\nu$और$N_{\text{eff}}$सकारात्मक रूप से सह-संबंधित हैं, इसलिए एक कम$N_{\text{eff}}$ आमतौर पर द्रव्यमान प्राथमिकता को कमजोर करता है; हालाँकि, SdSDE बैकग्राउंड इवोल्यूशन द्रव्यमान पैरामीटर को ऊपर की ओर धकेलता है ताकि इसकी भरपाई की जा सके।
• $H_0$ और $S_8$ पर प्रभाव: SdSDE मॉडल स्वाभाविक रूप से एक उच्च $H_0$ ($\sim 71.85$ km s$^{-1}$ Mpc$^{-1}$ बेसलाइन में) और भारी न्यूट्रिनो शामिल होने पर एक निम्न $S_8$ की प्राथमिकता देता है। एक सकारात्मक $\sum m_\nu$ का समावेश संरचना विकास (structure growth) को दबा देता है, जिससे $S_8$ कम हो जाता है और $S_8$ तनाव को आंशिक रूप से कम करता है, जबकि मॉडल का बैकग्राउंड इवोल्यूशन एक उच्च $H_0$ बनाए रखने में मदद करता है, जिससे CMB+DESI मामले में SH0ES मापों के साथ तनाव $\sim 1.5\sigma$ तक कम हो जाता है।
• गुडनेस-ऑफ-फिट (Goodness-of-Fit): दिलचस्प पैरामीटर बदलावों के बावजूद, SdSDE मॉडल विस्तारित $\Lambda$CDM मॉडल की तुलना में बेहतर वैश्विक फिट (global fit) प्रदान नहीं करता है। $\chi^2$ तुलना दर्शाती है कि SdSDE, $\Lambda$CDM विस्तार की तुलना में दृढ़ता से प्रतिकूल है ($\Delta \chi^2 \approx 18.65$ CMB+DESI के लिए, जो सुपरनोवा डेटा के साथ $\sim 66$ तक बढ़ जाता है)। फिट में गिरावट मुख्य रूप से BAO और सुपरनोवा डेटा द्वारा संचालित है, जो सुझाव देती है कि निश्चित SdSDE समीकरण अवस्था वर्तमान विलंबित-समय (late-time) दूरी मापों द्वारा पसंद किए जाने वाले फैंटम-जैसे या क्विंटम-जैसे विकास ($w(z)$ का $-1$ को पार करना) की नकल नहीं कर सकती है।

महत्व और दावे
लेखक निष्कर्ष निकालते हैं कि SdSDE मॉडल में देखी गई सकारात्मक न्यूट्रिनो द्रव्यमान प्राथमिकता संभवतः पैरामीटर क्षतिपूर्ति का परिणाम है, न कि बेहतर भौतिक वास्तविकता का संकेत। लेखक तर्क देते हैं कि "प्राथमिकता" इसलिए उत्पन्न होती है क्योंकि कठोर SdSDE समीकरण अवस्था कॉस्मोलॉजिकल मापदंडों को (विशेष रूप से $N_{\text{eff}}$ को कम करने और $\sum m_\nu$ को बढ़ाने के लिए) डेटा के अनुकूल होने हेतु मजबूर करती है, बजाय इसके कि मॉडल ब्रह्मांड का बेहतर वर्णन प्रदान करे।

लेखक विनम्रतापूर्वक कहते हैं कि हालांकि SdSDE परिदृश्य डार्क एनर्जी से जुड़े ब्लैक-होल आबादी के लिए एक ठोस भौतिक टेम्पलेट प्रदान करता है, लेकिन इसका वर्तमान रूप समग्र फिट में सुधार करने के तरीके से तनावों को हल करने के लिए अपर्याप्त है। वे सुझाव देते हैं कि यह परीक्षण करने के लिए कि क्या यह द्रव्यमान प्राथमिकता एक वास्तविक भौतिक संकेत है या एक विशिष्ट मॉडल धारणाओं का आर्टिफैक्ट (artifact) है, भविष्य के उच्च-परिशुद्धता डेटा की आवश्यकता है। यह कार्य न्यूट्रिनो द्रव्यमान प्रतिबंधों की महत्वपूर्ण मॉडल निर्भरता को उजागर करता है, जो विविध डार्क एनर्जी परिदृश्यों में ऐसे निष्कर्षों का परीक्षण करने की आवश्यकता को सुदृढ़ करता है।