🔭 astrophysics

Constructing a Mock Galaxy Catalog for the All-sky SPECtroscopic Survey of Nearby Galaxies (A-SPEC) Using the Machine-assisted Semi-Simulation Model

यह शोध पत्र A-SPEC सर्वेक्षण के लिए एक मॉक गैलेक्सी कैटलॉग (mock galaxy catalog) बनाने हेतु IllustrisTNG पर प्रशिक्षित एक मशीन-असिस्टेड सेमी-सिमुलेशन मॉडल प्रस्तुत करता है, जो बेरयोनिक गुणों (baryonic properties) के लिए उच्च भविष्यवाणी सटीकता प्राप्त करने और ल्यूमिनोसिटी-डिपेंडेंट क्लस्टरिंग (luminosity-dependent clustering) को सफलतापूर्वक पुनरुत्पादित करने में सक्षम है।

मूल लेखक: Dongkok Kim, Yongseok Jo, Ho Seong Hwang, Ji-hoon Kim, Juhan Kim, Jaehyun Lee, Hyeonguk Bahk, Young-Man Choi, Moo-Young Chun, Sang-Hyun Chun, Haeun Chung, Kim Dachan, Sungwook E. Hong, Minhee Hyun, Do

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dongkok Kim, Yongseok Jo, Ho Seong Hwang, Ji-hoon Kim, Juhan Kim, Jaehyun Lee, Hyeonguk Bahk, Young-Man Choi, Moo-Young Chun, Sang-Hyun Chun, Haeun Chung, Kim Dachan, Sungwook E. Hong, Minhee Hyun, Donghui Jeong, Jae-Woo Kim, Kang-Min Kim, Yunjong Kim, Jongwan Ko, Minseong Kwon, Ho-Gyu Lee, Jong Chul Lee, Yongseok Lee, Hyunho Lim, Heeyoung Oh, Changbom Park, Hyunmi Song, Mingyeong Yang, Yongmin Yoon

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

मुख्य चित्र: एक नए टेलीस्कोप के लिए "कॉस्मिक सिम्युलेटर" बनाना

कल्पना कीजिए कि खगोलशास्त्री A-SPEC नामक एक विशाल नए टेलीस्कोप सर्वे को लॉन्च करने वाले हैं। इसका काम पूरे आकाश में लाखों नजदीकी आकाशगंगाओं (galaxies) की तस्वीरें और स्पेक्ट्रा (प्रकाश के फिंगरप्रिंट) लेना है। टेलीस्कोप चालू करने से पहले, उन्हें यह जानना होगा कि क्या उम्मीद की जाए। उन्हें यह देखने के लिए एक "टेस्ट ड्राइव" की आवश्यकता है कि क्या उनकी योजनाएं काम कर रही हैं।

इसे करने के लिए, टीम ने एक मॉक गैलेक्सी कैटलॉग (Mock Galaxy Catalog) बनाया। इसे एक वास्तविक फोटो के रूप में नहीं, बल्कि एक अत्यधिक विस्तृत, कंप्यूटर द्वारा जनरेट किए गए "नकली ब्रह्मांड" के रूप में समझें। इसमें लाखों नकली आकाशगंगाएँ हैं जो बिल्कुल वैसी ही दिखती हैं, व्यवहार करती हैं और एक साथ क्लस्टर बनाती हैं, जैसी वे वास्तविक आकाशगंगाएँ होने की उम्मीद करती हैं।

यह पेपर बताता है कि उन्होंने फिजिक्स सिमुलेशन (physics simulations) और मशीन लर्निंग (machine learning) के एक चतुर मिश्रण का उपयोग करके इस नकली ब्रह्मांड को कैसे बनाया।

1. समस्या: मशीन में "भूत" (The "Ghost" in the Machine)

एक वास्तविक नकली आकाशगंगा बनाने के लिए, आपको आमतौर पर गैस, तारों और ब्लैक होल के भौतिकी (physics) को सिम्युलेट करने की आवश्यकता होती है। यह कंप्यूटर में गरजते हुए तूफान को सिम्युलेट करने जैसा है: आपको बारिश की हर बूंद, हवा के हर झोंके और तापमान को ट्रैक करने की आवश्यकता है।

समस्या: पूरे आकाश के लिए ऐसा करना बहुत महंगा है। एक सुपरकंप्यूटर को इसे चलाने में हजारों साल लग जाएंगे।
शॉर्टकट: टीम ने "डार्क मैटर ओनली" (Dark Matter Only) सिमुलेशन का उपयोग किया। ब्रह्मांड के एक ऐसे कंकाल की कल्पना करें जो अदृश्य, भारी चीजों से बना है (डार्क मैटर)। इसे सिम्युलेट करना आसान है क्योंकि आपको केवल गुरुत्वाकर्षण को ट्रैक करना है। लेकिन मांस (तारे और गैस) के बिना एक कंकाल आकाशगंगा नहीं है।

समाधान: उन्हें "हड्डियों" पर "मांस" लगाने के तरीके की आवश्यकता थी। उन्हें यह अनुमान लगाने का तरीका चाहिए था कि अदृश्य डार्क मैटर कंकाल को देखकर तारे और गैस कैसी दिखेंगी।

2. शिक्षक: एक "परफेक्ट" ब्रह्मांड से सीखना

कंप्यूटर को अनुमान लगाना सिखाने के लिए, उन्होंने IllustrisTNG नामक एक "शिक्षक" सिमुलेशन का उपयोग किया।

शिक्षक: यह एक अत्यंत विस्तृत सिमुलेशन है जो वास्तव में सभी गैस, तारों और भौतिकी को शामिल करता है। यह एक आकाशगंगा के बनने की हाई-रिज़्यूशन मूवी की तरह है।
पाठ: टीम ने शिक्षक की मूवी को देखा और पूछा: "यदि मैं तुम्हें केवल डार्क मैटर का कंकाल दिखाऊं, तो क्या तुम अनुमान लगा सकते हो कि तारे और गैस कैसे दिखेंगे?"

उन्होंने इस डेटा पर एक मशीन लर्निंग मॉडल (AI का एक प्रकार) को प्रशिक्षित किया। AI ने अदृश्य कंकाल और दृश्यमान आकाशगंगा के बीच के गुप्त नुस्खों (recipes) को सीख लिया।

3. नए सामग्रियां: रेसिपी में "मसाला" जोड़ना

लेखकों ने केवल पुराने नुस्खे का उपयोग नहीं किया; उन्होंने AI को और स्मार्ट बनाने के लिए इसमें नई सामग्रियां जोड़ीं। उन्होंने महसूस किया कि केवल आकाशगंगा के द्रव्यमान (mass) को जानना ही काफी नहीं है। उन्होंने जोड़ा:

आकार और स्पिन (Shape and Spin): आकाशगंगा कितनी घुमावदार या खिंची हुई है (जैसे एक घूमता हुआ लट्टू)।
पड़ोस (The Neighborhood): पड़ोसी कौन है? क्या आकाशगंगा एक भीड़भाड़ वाले शहर (क्लस्टर) में रहती है या एक सुनसान खेत (void) में?
इतिहास (History): हाल ही में आकाशगंगा कितनी तेजी से नया पदार्थ खा रही थी?

परिणाम: इन नई सामग्रियों के साथ, AI स्टेलर मास (Stellar Mass) (तारों का कितना हिस्सा है) और गैस मास (Gas Mass) का अनुमान लगाने में बहुत अच्छा हो गया। यह सितारों के लिए लगभग 96% और गैस के लिए 90% सटीक था। हालांकि, यह अभी भी यह अनुमान लगाने में थोड़ा डगमगा रहा था कि तारे कितनी तेजी से बन रहे हैं (Star Formation Rate) या गैस कितनी "धातु-समृद्ध" (metal-rich) है।

4. निर्माण स्थल: "ज़ूम-इन" ब्रह्मांड

अब जब उनके पास एक स्मार्ट AI था, तो उन्हें इसे लागू करने के लिए एक जगह चाहिए थी। वे केवल छोटे "शिक्षक" ब्रह्मांड का उपयोग नहीं कर सकते थे क्योंकि यह पूरे आकाश को कवर करने के लिए पर्याप्त बड़ा नहीं था।

उन्होंने एक कस्टम N-body सिमुलेशन (एक विशाल डार्क मैटर कंकाल) बनाया जिसे NASIM कहा जाता है।

उपमा: दुनिया के नक्शे की कल्पना करें। आमतौर पर, एक नक्शे में हर जगह विवरण का स्तर समान होता है। लेकिन यह नक्शा विशेष है।
- नक्शे का "केंद्र" (जहाँ हमारा स्थानीय ब्रह्मांड है) सुपर हाई-डेफिनेशन में ज़ूम किया गया है।
- जैसे-जैसे आप दूर जाते हैं, नक्शा ज़ूम आउट होता जाता है, और कम विस्तृत होता जाता है।
क्यों? टेलीस्कोप सर्वे "फ्लक्स-लिमिटेड" (flux-limited) है, जिसका अर्थ है कि यह चमकीली, नजदीकी आकाशगंगाओं को स्पष्ट रूप से देखता है, लेकिन दूर की धुंधली आकाशगंगाओं को केवल तभी देख पाता है जब वे बहुत विशाल हों। सिमुलेशन इसे पास में बहुत शार्प और दूर में थोड़ा धुंधला दिखाकर नकल करता है। इसने उन्हें भारी मात्रा में कंप्यूटिंग पावर बचाने में मदद की।

5. अंतिम उत्पाद: "नकली" कैटलॉग

उन्होंने अपने विशाल, कस्टम-निर्मित डार्क मैटर कंकाल को लिया और उस पर अपना AI चलाया। AI ने हर डार्क मैटर के ढेर पर बेरयोनिक गुणों (तारे, गैस, मेटालिसिटी) को "पेंट" कर दिया।

क्या यह काम कर गया?

हाँ, ज्यादातर। जब उन्होंने अपने नकली आकाशगंगाओं की वास्तविक अवलोकनों से तुलना की, तो नकली आकाशगंगाएँ दो प्रमुख तरीकों में वास्तविक आकाशगंगाओं से मेल खाती थीं:
1. चमक (Brightness): नकली आकाशगंगाओं में चमकीले और धुंधले सितारों का सही मिश्रण था।
2. क्लस्टरिंग (Clustering): नकली आकाशगंगाएँ समूहों और क्लस्टरों में ठीक वैसे ही रहती थीं जैसे वास्तविक आकाशगंगाएँ करती हैं।

कमी (The Catch): AI अभी भी "चरम सीमाओं" (extremes) के साथ थोड़ा संघर्ष करता है। यह औसत आकाशगंगा के लिए अच्छा है, लेकिन यह कभी-कभी बहुत शांत, गैस-रहित आकाशगंगाओं या अत्यधिक सक्रिय स्टार-बर्स्टिंग आकाशगंगाओं को मिस कर देता है। यह एक ऐसे मौसम विज्ञानी की तरह है जो "धूप के साथ बारिश की संभावना" की भविष्यवाणी करने में तो माहिर है, लेकिन अचानक आने वाले बवंडर की भविष्यवाणी करने में कमजोर है।

सारांश

यह पेपर एक नए टेलीस्कोप सर्वे के लिए एक वर्चुअल रियलिटी ब्रह्मांड बनाने का वर्णन करता है।

उन्होंने एक हाई-डिटेल फिजिक्स सिमुलेशन पर एक AI को प्रशिक्षित किया।
उन्होंने AI को नए सुराग (जैसे आकार और पड़ोस) दिए ताकि वह अधिक स्मार्ट बन सके।
उन्होंने एक कस्टम-साइज़ का ब्रह्मांड बनाया जो विस्तृत वहां है जहां टेलीस्कोप देखता है और कम विस्तृत वहां है जहां इसकी आवश्यकता नहीं है।
उन्होंने इस ब्रह्मांड पर तारे और गैस "पेंट" करने के लिए AI का उपयोग किया, जिससे एक "मॉक कैटलॉग" तैयार हुआ।

यह कैटलॉग अब खगोलशास्त्रियों के लिए एक मुफ्त संसाधन है ताकि वे अपने सिद्धांतों का परीक्षण कर सकें और उस वास्तविक डेटा के लिए तैयार हो सकें जिसे A-SPEC एकत्र करने वाला है। यह ब्रह्मांड के लिए एक "फ्लाइट सिम्युलेटर" है।

तकनीकी सारांश: मशीन-सहायता प्राप्त सेमी-सिमुलेशन मॉडल का उपयोग करके A-SPEC के लिए एक मॉक गैलेक्सी कैटलॉग का निर्माण

समस्या विवरण
ऑल-स्काई स्पेक्ट्रोस्कोपिक सर्वे ऑफ नियरबाय गैलेक्सीज़ (A-SPEC) का लक्ष्य पूरे आकाश में $K_S = 13.75$ से अधिक चमकीली आकाशगंगाओं के भौतिक गुणों और रेडशिफ्ट को संकलित करना है। जबकि वर्तमान सर्वेक्षण तेजी से उच्च-रेडशिफ्ट वाले ब्रह्मांडों को लक्षित कर रहे हैं, स्थानीय ब्रह्मांड (सैकड़ों मेगापारसेक के भीतर) अभी भी अपूर्ण रूप से मानचित्रित है। सर्वेक्षण डिजाइनों को मान्य करने, अवलोकनीय डेटा की व्याख्या करने और कॉस्मोलॉजिकल मापदंडों के बीच सहप्रसरण (covariances) का अनुमान लगाने के लिए सटीक मॉक गैलेक्सी कैटलॉग आवश्यक हैं। शुद्ध डेटा-संचालित विधियाँ अक्सर व्यक्तिगत गैलेक्सी गुणों की कमी रखती हैं, जबकि आवश्यक सर्वेक्षण आयतन ( $\sim 2 \text{ Gpc}^3$ ) को कवर करने के लिए पूर्ण हाइड्रोडायनामिकल सिमुलेशन कम्प्यूटेशनल रूप से अत्यधिक खर्चीले हैं। इसके अतिरिक्त, मौजूदा मशीन लर्निंग (ML) दृष्टिकोण जटिल और डिजेनरेट एस्ट्रोफिजिकल प्रक्रियाओं के कारण गैस-संबंधी गुणों और स्टार फॉर्मेशन रेट (SFR) का सटीक भविष्यवाणी करने में संघर्ष करते हैं।

कार्यप्रणाली
लेखक डार्क-मैटर-ओनली (N-body) सिमुलेशन और बेरयोनिक भौतिकी के बीच के अंतर को पाटने के लिए एक मशीन-असिस्टेड सेमी-सिमुलेशन मॉडल (MSSM) का उपयोग करते हैं। कार्यप्रणाली में तीन प्राथमिक चरण शामिल हैं:

प्रशिक्षण डेटा जनरेशन: मॉडल को IllustriousTNG कॉस्मोलॉजिकल मैग्नेटोहाइड्रोडायनामिकल सिमुलेशन सुइट पर प्रशिक्षित किया गया है, विशेष रूप से उच्च-रिज़ॉल्यूशन वाले TNG100-1 रन का उपयोग करके। TNG100-1 में विशाल हेलो की कमी को दूर करने के लिए, लोअर-रिज़ॉल्यूशन TNG300-1 के सबहेलो को शामिल किया गया है और उच्च-रिज़ॉल्यूशन रन से प्राप्त स्थिर कारकों का उपयोग करके उन्हें स्केल किया गया है। प्रशिक्षण नमूने को उन सबहेलो तक सीमित रखा गया है जिनमें पर्याप्त कण संख्या ( $N_{DM} \ge 40, N_{star} \ge 40$ ) और गैर-शून्य गैस गुण हैं।
मशीन लर्निंग आर्किटेक्चर: MSSM एक एक्सट्रीमली रैंडमाइज्ड ट्रीज़ (ERT) रिग्रेसर का उपयोग करता है। मॉडल दो चरणों वाली लर्निंग प्रक्रिया में कार्य करता है:
- पहले, यह आठ फोटोमेट्रिक बैंड्स ( $U, B, V, K, u, g, r, z$ ) में स्टेलर मैग्नीट्यूड की भविष्यवाणी करता है।
- दूसरे, इन अनुमानित मैग्नीट्यूड्स को शेष बेरयोनिक गुणों जैसे कि स्टेलर मास ( $M_{star}$ ), गैस मास ( $M_{gas}$ ), स्टार फॉर्मेशन रेट (SFR), और गैस मेटैलिटी ( $Z_{gas}$ ) की भविष्यवाणी करने के लिए इनपुट फीचर्स में जोड़ा जाता है।
- इनपुट फीचर्स: मॉडल डार्क मैटर (DM) सबहेलो गुणों (मास, सर्कुलर वेलोसिटी, वेलोसिटी डिस्पर्शन, स्पिन), पर्यावरणीय मापदंडों (लोकल डेंसिटी, नेबर काउंट्स, टाइडल एनिसोट्रॉपी), और सबहेलो एनिसोट्रॉपी मापदंडों (बुलॉक स्पिन, पोजीशन/वेलोसिटी ऑफसेट्स, एक्सिस रेश्यो) को ग्रहण करता है। महत्वपूर्ण रूप से, लेखक पार्टिकल-बेस्ड एनवायरनमेंट माप (डेंसिटी कॉन्ट्रास्ट $\delta_R$ और टाइडल एनिसोट्रॉपी $\alpha_R$ ) और एक स्यूडोमास एक्रेशन रेट (pMAR) पेश करते हैं, जो सबसे बाउंड पार्टिकल को ट्रैक करके प्राप्त किया गया है, ताकि लक्षित N-body सिमुलेशन में पूर्ण मर्जर ट्री की जानकारी की कमी की भरपाई की जा सके।
N-body सिमुलेशन पर अनुप्रयोग: एक कस्टम N-body सिमुलेशन (NASIM) को चार नेस्टेड रेज़ोल्यूशन स्तरों के साथ एक ज़ूम-इन दृष्टिकोण का उपयोग करके बनाया गया है। यह डिज़ाइन यह सुनिश्चित करता है कि $z \approx 0$ से $0.2$ की रेडशिफ्ट रेंज में A-SPEC फ्लक्स लिमिट ( $K_S \le 13.75$ ) द्वारा आवश्यक मास लिमिट तक सबहेलो को हल करने के लिए पर्याप्त रिज़ॉल्यूशन बना रहे, जबकि एक बड़े सर्वेक्षण आयतन को भी बनाए रखा जा सके। MSSM को NASIM के सबहेलो कैटलॉग पर लागू किया जाता है ताकि DM सबहेलो पर बेरयोनिक गुणों को "पेंट" किया जा सके। हाइड्रोडायनामिक प्रशिक्षण डेटा और N-body अनुप्रयोग के बीच रिज़ॉल्यूशन विसंगतियों को कम करने के लिए, लेखक विशिष्ट स्ट्रक्चरल इनपुट्स ( $v_{circ}$ और $\sigma_v$ ) पर मास-डिपेंडेंट स्केलिंग लागू करते हैं।

प्रमुख योगदान और परिणाम

बेहतर भविष्य कहनेवाला सटीकता: सबहेलो एनिसोट्रॉपी मापदंडों और पार्टिकल-बेस्ड एनवायरनमेंट फीचर्स को पेश करके, लेखकों ने मॉडल के प्रदर्शन में सुधार किया। अंतिम मॉडल निम्नलिखित के लिए कोएफिशिएंट ऑफ डि टर्मिनेशन ( $R^2$ $R^{2}$ ) प्राप्त करता है:
- स्टेलर मास ( $M_{star}$ ): $0.96$
- गैस मास ( $M_{gas}$ ): $0.90$
- स्टार फॉर्मेशन रेट (SFR): $0.70$
- गैस मेटैलिटी ( $Z_{gas}$ ): $0.79$
  मॉडल संख्या घनत्व (number density) से मेल खाने के लिए ट्यून किए जाने पर लक्षित आकाशगंगाओं के ल्यूमिनोसिटी-डिपेंडेंट क्लस्टरिंग को सफलतापूर्वक पुनरुत्पादित करता है।
फीचर इम्पोर्टेंस एनालिसिस: SHAP (SHapley Additive exPlanations) का उपयोग करके, अध्ययन फीचर योगदान को मापता है। जबकि $M_{subhalo}$ , $v_{circ}$ , और $\sigma_v$ स्टेलर गुणों की भविष्यवाणी के लिए हावी हैं, एनवायरनमेंटल फीचर्स गैस-संबंधी गुणों में महत्वपूर्ण योगदान (20-40%) देते हैं। विशेष रूप से, सबहेलो के आकार के आनुपातिक विंडो के भीतर $z=0.2$ पर मापा गया डेंसिटी कॉन्ट्रास्ट ( $\delta$ ) गैस मास की भविष्यवाणी करने के लिए सबसे प्रभावशाली पर्यावरणीय मीट्रिक पाया गया।
अनसुलझी आबादी को संभालना: कम गैस/SFR वाले सबहेलो (रिज़ॉल्यूशन सीमाओं के कारण) को बाहर करने से उत्पन्न होने वाले पूर्वाग्रह को संबोधित करने के लिए, लेखकों ने स्टेलर घटकों के साथ स्केलिंग संबंधों के आधार पर अनसुलझे बेरयोनिक गुणों के लिए एक स्यूडो-रैंडम असाइनमेंट रणनीति लागू की। इस दृष्टिकोण ने SFR और गैस मास के वितरण फलनों (distribution functions) की रिकवरी को गुणात्मक रूप से बेहतर बनाया, विशेष रूप से लो-एंड टेल्स पर।
मॉक कैटलॉग निर्माण: परिणामी मॉक कैटलॉग लक्षित आकाशगंगाओं के लिए $K_S$ -बैंड ल्यूमिनोसिटी फंक्शन और टू-पॉइंट कोरिलेशन फंक्शन्स को पुनरुत्पादित करता है। लेखक नोट करते हैं कि जहाँ स्टेलर गुणों को अच्छी तरह से रिकवर किया गया है, वहीं गैस-संबंधी गुण (SFR और मेटैलिटी) वितरण के टेल्स पर व्यवस्थित विचलन प्रदर्शित करते हैं, जो यह दर्शाता है कि वर्तमान DM फीचर्स स्टार फॉर्मेशन और मेटल एनरिचमेंट के भौतिकी को पूरी तरह से एनकोड नहीं करते हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह A-SPEC सर्वेक्षण के लिए एक संदर्भ मॉक गैलेक्सी कैटलॉग प्रदान करता है जिसमें अनुमानित बेरयोनिक गुणों का एक व्यापक सेट शामिल है। इस कार्य का महत्व निम्नलिखित में निहित है:

वैलिडेशन टूल: कैटलॉग सर्वेक्षण डिजाइन के लिए एक महत्वपूर्ण परीक्षण स्थल के रूप में कार्य करता है, जिससे पूर्ण हाइड्रोडायनामिकल सिमुलेशन की अत्यधिक लागत के बिना पैरामीटर कोवेरियन्स का अनुमान लगाना और सिलेक्शन फंक्शन्स को मान्य करना संभव होता है।
मेथोडोलॉजिकल एडवांसमेंट: यह अध्ययन प्रदर्शित करता है कि उच्च-रिज़ॉल्यूशन हाइड्रोडायनामिकल सिमुलेशन पर प्रशिक्षित मशीन लर्निंग मॉडल को उचित फीचर इंजीनियरिंग (जैसे एनिसोट्रॉपी पैरामीटर्स, पार्टिकल-बेस्ड एनवायरनमेंट्स) और इनपुट स्केलिंग के साथ सफलतापूर्वक लो-रिज़ॉल्यूशन N-body सिमुलेशन में स्थानांतरित किया जा सकता है।
रिसोर्स रिलीज़: लेखक मॉक कैटलॉग जारी करते हैं, जो आगामी A-SPEC विज्ञान कार्यक्रमों के लिए एक मौलिक संसाधन के रूप में कार्य करेगा, जिसमें नजदीकी गैलेक्सी ग्रुप्स और क्लस्टर्स के पूर्ण कैटलॉग का निर्माण शामिल है।

लेखक अपने मॉडल की सीमाओं के संबंध में विनम्र बने हुए हैं, यह स्वीकार करते हुए कि SFR और मेटैलिटी के लिए भविष्य कहनेवाला प्रदर्शन अभी भी स्टारबर्स्ट और क्विसेंट आबादी की विविधता को पूरी तरह से पकड़ने के लिए पर्याप्त नहीं है, और भविष्य के सुधारों के लिए मर्जर हिस्ट्रीज़ के बेहतर प्रबंधन और विभिन्न सिमुलेशन रिज़ॉल्यूशन के बीच सबहेलो गुणों के अधिक सटीक स्केलिंग की आवश्यकता होगी।