🔭 astrophysics

Euclid preparation: The flat-sky approximation for the clustering of Euclid's photometric galaxies

이 논문은 유clid 위성의 광학 은하 클러스터링 분석에서 DR1 은 넓은 대역폭에 대해 림버 근사가 유효하지만, DR3 의 좁은 대역폭 분석에는 5% 미만의 오차로 더 정확한 평면-천구 근사가 필요함을 규명했습니다.

원저자: Euclid Collaboration, W. L. Matthewson, R. Durrer, S. Camera, I. Tutusaus, B. Altieri, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, E. BranchiniEuclid Collaboration, W. L. Matthewson, R. Durrer, S. Camera, I. Tutusaus, B. Altieri, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, E. Branchini, M. Brescia, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, C. J. Conselice, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, G. De Lucia, H. Dole, F. Dubath, C. A. J. Duncan, X. Dupac, S. Dusini, S. Escoffier, M. Farina, F. Faustini, S. Ferriol, F. Finelli, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kunz, H. Kurki-Suonio, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, S. Marcin, O. Marggraf, M. Martinelli, N. Martinet, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, M. Moresco, B. Morin, L. Moscardini, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, W. J. Percival, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, E. Sefusatti, G. Seidel, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. -L. Starck, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, L. Valenziano, J. Valiviita, T. Vassallo, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, E. Zucca, M. Ballardini, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, D. Di Ferdinando, J. A. Escartin Vigo, L. Gabarra, W. G. Hartley, J. Martín-Fleitas, S. Matthew, M. Maturi, N. Mauri, R. B. Metcalf, A. Pezzotta, M. Pöntinen, C. Porciani, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, S. Alvi, I. T. Andika, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, D. Bertacca, M. Bethermin, L. Blot, M. Bonici, S. Borgani, M. L. Brown, S. Bruton, A. Calabro, B. Camacho Quevedo, F. Caro, C. S. Carvalho, T. Castro, F. Cogato, S. Conseil, A. R. Cooray, S. Davini, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, M. Y. Elkhashab, A. Enia, Y. Fang, A. G. Ferrari, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, C. M. Gutierrez, S. Hemmati, C. Hernández-Monteagudo, H. Hildebrandt, J. Hjorth, J. J. E. Kajava, Y. Kang, V. Kansal, D. Karagiannis, K. Kiiveri, J. Kim, C. C. Kirkpatrick, S. Kruk, F. Lacasa, M. Lattanzi, J. Le Graet, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, T. I. Liaudat, J. Macias-Perez, G. Maggio, M. Magliocchetti, R. Maoli, C. J. A. P. Martins, L. Maurin, M. Miluzio, P. Monaco, C. Moretti, G. Morgante, S. Nadathur, K. Naidoo, A. Navarro-Alsina, S. Nesseris, D. Paoletti, F. Passalacqua, K. Paterson, L. Patrizii, A. Pisani, D. Potter, S. Quai, M. Radovich, G. Rodighiero, S. Sacquegna, M. Sahlén, D. B. Sanders, E. Sarpa, A. Schneider, D. Sciotti, E. Sellentin, A. Silvestri, L. C. Smith, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, C. Valieri, A. Venhola, D. Vergani, F. Vernizzi, G. Verza, N. A. Walton

게시일 2026-03-18

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Euclid Collaboration, W. L. Matthewson, R. Durrer, S. Camera, I. Tutusaus, B. Altieri, A. Amara, S. Andreon, N. Auricchio, C. Baccigalupi, M. Baldi, S. Bardelli, P. Battaglia, A. Biviano, E. Branchini, M. Brescia, G. Cañas-Herrera, V. Capobianco, C. Carbone, V. F. Cardone, J. Carretero, S. Casas, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, C. J. Conselice, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, A. Da Silva, H. Degaudenzi, G. De Lucia, H. Dole, F. Dubath, C. A. J. Duncan, X. Dupac, S. Dusini, S. Escoffier, M. Farina, F. Faustini, S. Ferriol, F. Finelli, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, C. Giocoli, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, B. Kubik, M. Kunz, H. Kurki-Suonio, A. M. C. Le Brun, S. Ligori, P. B. Lilje, V. Lindholm, I. Lloro, G. Mainetti, D. Maino, E. Maiorano, O. Mansutti, S. Marcin, O. Marggraf, M. Martinelli, N. Martinet, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, Y. Mellier, M. Meneghetti, E. Merlin, G. Meylan, A. Mora, M. Moresco, B. Morin, L. Moscardini, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, W. J. Percival, V. Pettorino, S. Pires, G. Polenta, M. Poncet, L. A. Popa, F. Raison, R. Rebolo, A. Renzi, J. Rhodes, G. Riccio, E. Romelli, M. Roncarelli, R. Saglia, Z. Sakr, A. G. Sánchez, D. Sapone, B. Sartoris, P. Schneider, T. Schrabback, A. Secroun, E. Sefusatti, G. Seidel, S. Serrano, P. Simon, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. -L. Starck, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, I. Tereno, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, L. Valenziano, J. Valiviita, T. Vassallo, A. Veropalumbo, Y. Wang, J. Weller, G. Zamorani, E. Zucca, M. Ballardini, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, D. Di Ferdinando, J. A. Escartin Vigo, L. Gabarra, W. G. Hartley, J. Martín-Fleitas, S. Matthew, M. Maturi, N. Mauri, R. B. Metcalf, A. Pezzotta, M. Pöntinen, C. Porciani, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, S. Alvi, I. T. Andika, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, D. Bertacca, M. Bethermin, L. Blot, M. Bonici, S. Borgani, M. L. Brown, S. Bruton, A. Calabro, B. Camacho Quevedo, F. Caro, C. S. Carvalho, T. Castro, F. Cogato, S. Conseil, A. R. Cooray, S. Davini, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, M. Y. Elkhashab, A. Enia, Y. Fang, A. G. Ferrari, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, C. M. Gutierrez, S. Hemmati, C. Hernández-Monteagudo, H. Hildebrandt, J. Hjorth, J. J. E. Kajava, Y. Kang, V. Kansal, D. Karagiannis, K. Kiiveri, J. Kim, C. C. Kirkpatrick, S. Kruk, F. Lacasa, M. Lattanzi, J. Le Graet, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, T. I. Liaudat, J. Macias-Perez, G. Maggio, M. Magliocchetti, R. Maoli, C. J. A. P. Martins, L. Maurin, M. Miluzio, P. Monaco, C. Moretti, G. Morgante, S. Nadathur, K. Naidoo, A. Navarro-Alsina, S. Nesseris, D. Paoletti, F. Passalacqua, K. Paterson, L. Patrizii, A. Pisani, D. Potter, S. Quai, M. Radovich, G. Rodighiero, S. Sacquegna, M. Sahlén, D. B. Sanders, E. Sarpa, A. Schneider, D. Sciotti, E. Sellentin, A. Silvestri, L. C. Smith, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, C. Valieri, A. Venhola, D. Vergani, F. Vernizzi, G. Verza, N. A. Walton

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

우주의 지도를 그리는 두 가지 방법: 유clid(유클리드) 위성의 새로운 발견

이 논문은 유럽우주국 (ESA) 의 거대 우주 망원경 프로젝트인 **'유클리드 (Euclid)'**가 보내온 데이터로 우주의 거대 구조를 분석할 때, 어떤 계산 방법이 가장 좋은지 비교한 연구입니다.

비유하자면, 우리는 우주라는 거대한 퍼즐을 맞추려고 합니다. 하지만 퍼즐 조각 (은하) 이 너무 많고, 우리가 보는 거리는 너무 멀어서 정확한 그림을 그리기 위해 두 가지 다른 '그림 그리기 도구'를 사용했습니다.

이 두 도구는 다음과 같습니다:

리버 근사법 (Limber Approximation): "빠르고 간편한 스케치 도구"
평탄한 하늘 근사법 (Flat-sky Approximation): "조금 더 정교하지만 여전히 빠른 디지털 페인팅 도구"

1. 왜 이런 비교가 필요할까요?

유클리드 위성은 약 15 억 개의 은하를 관측합니다. 이 은하들이 우주 공간에 어떻게 퍼져 있는지 분석하려면, 수학적으로 매우 복잡한 계산을 수백만 번 반복해야 합니다. 마치 수천 장의 지도를 일일이 손으로 그려서 비교하는 것과 같습니다.

문제: 가장 정확한 방법 (완전한 계산) 은 너무 느려서, 우주론적 파라미터를 추정하는 데 필요한 수백만 번의 시뮬레이션을 하려면 시간이 너무 오래 걸립니다.
해결책: 그래서 과학자들은 계산을 100 배 이상 빠르게 해주는 '근사법 (대략적인 계산법)'을 사용합니다. 하지만 **빠른 대신 정확한가?**가 핵심 질문입니다.

2. 두 가지 방법의 특징

🚀 리버 근사법 (Limber Approximation): "고속도로의 직선 구간"

이 방법은 우주를 볼 때, 시야가 매우 넓고 은하들이 멀리 퍼져 있을 때 매우 훌륭합니다. 마치 고속도로를 멀리서 바라보면 곡선도 곧게 보이는 것처럼, 복잡한 계산을 단순화해서 아주 빠르게 결과를 내줍니다.

장점: 계산 속도가 매우 빠릅니다 (완전한 계산 대비 100 배 이상).
단점: 은하들이 좁은 영역에 모여 있거나, 거리가 가까운 은하들을 분석할 때는 정확도가 떨어집니다. 마치 멀리서 보면 평평해 보이는 언덕도 가까이서 보면 굴곡이 있다는 것을 간과하는 것과 같습니다.

🎨 평탄한 하늘 근사법 (Flat-sky Approximation): "정밀한 드로잉 도구"

이 방법은 우주를 평평한 종이 위에 펼쳐진 지도처럼 가정하고 계산합니다. 리버 방법보다 조금 더 복잡하지만, 은하들이 좁은 영역에 모여 있을 때의 굴곡 (곡률) 을 더 잘 반영합니다.

장점: 리버 방법보다 훨씬 정확합니다. 특히 은하들이 좁은 영역에 모여 있을 때 오차가 5% 미만으로 매우 낮습니다.
단점: 리버 방법보다는 계산이 조금 느립니다 (완전한 계산 대비 약 2 배 빠름).

3. 실험 결과: "초기 데이터 vs 최종 데이터"

연구팀은 유클리드 위성이 보낼 두 가지 시나리오를 시뮬레이션해 보았습니다.

📦 시나리오 1: 첫 번째 데이터 (DR1) - "넓은 상자"

상황: 관측 초기 단계로, 은하들을 6 개의 넓은 구역으로 나누어 분석합니다.
결과: 이 경우, 리버 근사법 (빠른 도구) 으로도 충분했습니다.
이유: 구역이 넓어서 은하들이 멀리 퍼져 있기 때문에, 리버 방법의 단순화가 오차를 크게 만들지 않았습니다. 마치 넓은 들판을 볼 때는 곡선과 직선의 차이가 크지 않은 것과 같습니다.

📦 시나리오 2: 최종 데이터 (DR3) - "얇은 슬라이스"

상황: 임무가 끝날 때쯤, 더 많은 은하를 관측하여 13 개의 좁은 구역으로 세밀하게 나눕니다.
결과: 이 경우, 리버 근사법은 실패했습니다.
이유: 구역이 너무 좁고 은하들이 가까이 모여 있기 때문에, 리버 방법의 단순화가 **큰 오차 (5% 이상)**를 만들어냈습니다. 이는 마치 얇은 슬라이스 된 빵의 결을 보는데, 두꺼운 빵을 보던 안경으로 본 것과 같아 정확한 모양을 파악하지 못하게 됩니다.
해결: 반면, 평탄한 하늘 근사법은 이 좁은 구역에서도 정확하게 결과를 복원해냈습니다.

4. 결론: 무엇을 사용해야 할까요?

이 연구는 유클리드 프로젝트의 미래 데이터 분석에 중요한 지침을 제시합니다.

초기 데이터 (DR1): 계산 속도가 중요하므로, 리버 근사법을 계속 사용해도 됩니다. 오차가 관측 오차 범위 안에 들어가기 때문입니다.
최종 데이터 (DR3): 정밀도가 생명입니다. 좁은 구역으로 나누어 분석할 때는 리버 방법을 쓰면 안 되며, 반드시 '평탄한 하늘 근사법'을 사용해야 합니다. 이 방법을 쓰면 계산 속도는 여전히 빠르면서도, 우주의 진짜 모습을 왜곡하지 않고 정확하게 그릴 수 있습니다.

🌟 한 줄 요약

"우주라는 거대한 퍼즐을 풀 때, 초기에는 빠른 도구로 대략적인 그림을 그려도 되지만, 마지막에 정밀한 조각을 맞추려면 더 정교한 도구로 바꾸어야 우주의 진짜 모습을 놓치지 않는다는 것을 증명했습니다."

이 발견은 유클리드 위성이 보내올 방대한 데이터를 통해 암흑물질과 암흑에너지의 비밀을 더 정확하게 풀어나가는 데 결정적인 역할을 할 것입니다.

논문 요약: 유로크 (Euclid) 광학 은하 클러스터링을 위한 평면 천구 근사 (Flat-sky approximation)

1. 연구 배경 및 문제 제기 (Problem)

배경: 유로크 (Euclid) 위성은 약 15 억 개의 광학 은하 (photometric galaxies) 를 관측하여 우주 대규모 구조 (Large-Scale Structure) 를 연구할 예정입니다. 이 데이터의 핵심 요약 통계량 중 하나는 은하 수 밀도 (number counts) 의 각도 파워 스펙트럼 (angular power spectrum) 입니다.
문제: 우주론적 매개변수 추정을 위해 이론적 파워 스펙트럼을 계산할 때, 완전한 계산 (Full calculation, 예: CAMB, CLASS 사용) 은 매우 느려서 MCMC 분석 등에 사용하기 어렵습니다. 따라서 계산 속도를 높이기 위해 **림버 근사 (Limber approximation)**가 널리 사용됩니다.
한계: 림버 근사는 렌즈링 (weak lensing) 분석에는 매우 정확하지만, **광학 적색편이 (photometric redshift)**를 가진 은하의 수 밀도 분석, 특히 **좁은 적색편이 밴드 (narrow redshift bins)**에서는 큰 오차를 발생시킵니다. 유로크의 최종 데이터 릴리스 (DR3) 는 매우 좁은 밴드로 구성될 예정이므로, 림버 근사의 정확도 저하가 결과에 치명적인 편향을 줄 수 있습니다.
목표: 유로크의 광학 은하 클러스터링 분석에서 림버 근사와 **평면 천구 근사 (Flat-sky approximation)**의 성능을 비교하고, 어떤 근사가 데이터 분석에 적합한지 평가하는 것입니다.

2. 연구 방법론 (Methodology)

근사 기법 비교:
1. 완전 계산 (Full Calculation): CLASS 솔버를 사용하여 3D 파워 스펙트럼을 구하고 적분하는 정확한 방법 (기준값).
2. 림버 근사 (Limber Approximation): 적분 변수를 줄여 계산 속도를 획기적으로 높이지만, $k_{\parallel}$ 성분을 무시하는 근사.
3. 평면 천구 근사 (Flat-sky Approximation): 천구를 평면으로 근사하고 2D 푸리에 변환을 사용하며, $k_{\parallel}$ 성분을 유지하여 정확도를 높인 방법 (Gao et al. 2024 의 확장 적용).
시나리오 설정:
- DR1 (초기 데이터 릴리스): 6 개의 등 인구수 밴드, 밝은 은하 샘플 ( $I_E < 23.5$ ).
- DR3 (최종 데이터 릴리스): 13 개의 등 인구수 밴드, 더 많은 은하 포함 ( $I_E < 24.5$ ).
- 데이터는 Flagship 시뮬레이션에서 추출된 은하 분포, 선형 은하 편향 (bias), 증폭 편향 (magnification bias) 을 사용했습니다.
성능 평가 지표:
- $\chi^2$ 테스트: 1000 개의 가시적 노이즈 실현 (Gaussian realizations) 을 생성하여, 각 근사법의 결과가 완전 계산 결과와 얼마나 다른지 통계적으로 평가했습니다.
- 공분산 행렬 (Covariance Matrix): SpaceBorne 코드를 사용하여 관측 오차를 고려한 공분산을 계산했습니다.
- 적색편이 효과 포함: 밀도 (D), 적색편이 공간 왜곡 (RSD), 렌즈링 (L) 의 모든 기여도를 포함하여 계산했습니다.

3. 주요 결과 (Key Results)

DR1 (6 밴드) 결과:
- 림버 근사와 평면 천구 근사 모두 완전 계산 결과와 1 $\sigma$ 오차 범위 내에서 일치했습니다.
- DR1 은 관측 면적이 작아 가장 큰 규모 (low- $\ell$ ) 에서의 오차가 데이터 오차에 묻혀 구별되지 않았습니다.
- 결론: DR1 분석에는 림버 근사가 충분히 정확하며 사용 가능합니다.
DR3 (13 밴드) 결과:
- 림버 근사의 실패: 4 번째 밴드부터 시작하여 림버 근사는 완전 계산 결과와 1 $\sigma$ 오차 범위를 벗어났습니다. 특히 $k_{\parallel}$ 를 무시하는 것이 좁은 밴드에서 큰 오차 (최대 50% 이상) 를 유발했습니다.
- $\chi^2$ 분포: 림버 근사의 $\Delta\chi^2$ 분포는 0 에서 크게 벗어나 ( $p < 0.001$ ), null hypothesis 를 기각하여 편향이 있음을 증명했습니다.
- 평면 천구 근사의 성공: 평면 천구 근사는 모든 밴드에서 완전 계산 결과와 매우 잘 일치했습니다 ( $p = 0.131$ ). 오차가 5% 미만으로 유지되었습니다.
- RSD 의 영향: 좁은 밴드에서 적색편이 공간 왜곡 (RSD) 항의 기여도가 중요해졌으며, 림버 근사는 이를 정확히 재현하지 못해 오차의 주원인이 되었습니다.

4. 기술적 기여 및 의의 (Significance)

DR3 분석을 위한 표준 제안: 유로크의 최종 데이터 릴리스 (DR3) 에서는 림버 근사를 사용할 수 없으며, 평면 천구 근사를 사용해야 정확한 우주론적 매개변수 추정이 가능함을 입증했습니다.
계산 효율성:
- 평면 천구 근사는 완전 계산보다 약 2 배 빠르지만, 림버 근사 (약 200 배 빠름) 보다는 느립니다.
- 그러나 평면 천구 근사는 $k$ 적분의 하한을 단순화하고, 내부 적분을 사전 계산 (pre-computation) 할 수 있어 MCMC 분석 시 계산 시간을 크게 단축할 수 있는 잠재력이 있습니다.
- 실제 분석에서는 저 $\ell$ 영역 ( $\ell \lesssim 20$ ) 에서는 평면 천구 근사를, 고 $\ell$ 영역에서는 림버 근사를 혼용하거나, BLAST 코드와 같은 최적화 기법을 적용하여 속도를 개선할 수 있음을 제안했습니다.
관측 효과의 중요성: 은하 수 밀도 분석에서 렌즈링 증폭 (magnification) 과 RSD 효과를 정확히 포함하는 것이 중요하며, 평면 천구 근사가 이러한 효과를 림버 근사보다 훨씬 잘 처리함을 보였습니다.

5. 결론

이 연구는 유로크 임무의 광학 은하 클러스터링 분석에서 림버 근사가 좁은 적색편이 밴드 (DR3) 에서는 부적합하며, 평면 천구 근사가 정확성과 계산 효율성 사이의 최적의 균형을 제공함을 보여줍니다. 따라서 유로크의 최종 데이터 분석 파이프라인은 평면 천구 근사를 기반으로 구축되어야 하며, 이는 편향 없는 우주론적 결론을 도출하는 데 필수적입니다.