🔭 astrophysics

Euclid preparation. LXXXV. Toward a DR1 application of higher-order weak lensing statistics

本文作为 Euclid 任务 HOWLS 系列的第二篇论文，通过引入真实的红移分布进行全层析分析，证实了五种满足高斯似然假设的高阶弱透镜统计量（如单点概率分布函数、峰值计数等）在 $w_0$ 参数约束上比传统两点相关函数提升了 2.5 倍，且其优异性能在不同质量映射方法和星掩处理下均保持稳定，表明这些统计量已具备应用于 Euclid 数据发布 1（DR1）的潜力。

原作者： Euclid Collaboration, S. Vinciguerra, F. Bouchè, N. Martinet, L. Castiblanco, C. Uhlemann, S. Pires, J. Harnois-Déraps, C. Giocoli, M. Baldi, V. F. Cardone, A. VadalÃ, N. Dagoneau, L. Linke, E. SellenEuclid Collaboration, S. Vinciguerra, F. Bouchè, N. Martinet, L. Castiblanco, C. Uhlemann, S. Pires, J. Harnois-Déraps, C. Giocoli, M. Baldi, V. F. Cardone, A. VadalÃ, N. Dagoneau, L. Linke, E. Sellentin, P. L. Taylor, J. C. Broxterman, S. Heydenreich, V. Tinnaneri Sreekanth, N. Porqueres, L. Porth, M. Gatti, D. Grandón, A. Barthelemy, F. Bernardeau, A. Tersenov, H. Hoekstra, J. -L. Starck, S. Cheng, P. A. Burger, I. Tereno, R. Scaramella, B. Altieri, S. Andreon, N. Auricchio, C. Baccigalupi, S. Bardelli, A. Biviano, E. Branchini, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, J. Carretero, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, M. Cropper, A. Da Silva, H. Degaudenzi, S. de la Torre, G. De Lucia, H. Dole, F. Dubath, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, S. Farrens, F. Faustini, S. Ferriol, F. Finelli, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, P. Hudelot, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, M. Kilbinger, 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, O. Mansutti, O. Marggraf, M. Martinelli, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, M. Melchior, Y. Mellier, M. Meneghetti, G. Meylan, A. Mora, M. Moresco, L. Moscardini, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, V. Pettorino, G. Polenta, M. Poncet, L. A. Popa, F. Raison, 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, G. Seidel, S. Serrano, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, J. Valiviita, T. Vassallo, Y. Wang, J. Weller, A. Zacchei, G. Zamorani, F. M. Zerbi, E. Zucca, M. Ballardini, M. Bolzonella, A. Boucaud, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, J. A. Escartin Vigo, L. Gabarra, W. G. Hartley, R. Maoli, J. Martín-Fleitas, S. Matthew, N. Mauri, R. B. Metcalf, A. Pezzotta, M. Pöntinen, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, I. T. Andika, R. E. Angulo, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, E. Aubourg, D. Bertacca, M. Bethermin, A. Blanchard, 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, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, M. Y. Elkhashab, Y. Fang, P. G. Ferreira, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, R. Gavazzi, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, M. Guidi, C. M. Gutierrez, A. Hall, S. Hemmati, H. Hildebrandt, J. Hjorth, J. J. E. Kajava, Y. Kang, D. Karagiannis, K. Kiiveri, J. Kim, C. C. Kirkpatrick, S. Kruk, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, T. I. Liaudat, J. Macias-Perez, M. Magliocchetti, F. Mannucci, 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, S. Sacquegna, M. Sahlén, D. B. Sanders, E. Sarpa, A. Schneider, D. Sciotti, L. C. Smith, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, D. Vergani, G. Verza, N. A. Walton

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Euclid Collaboration, S. Vinciguerra, F. Bouchè, N. Martinet, L. Castiblanco, C. Uhlemann, S. Pires, J. Harnois-Déraps, C. Giocoli, M. Baldi, V. F. Cardone, A. VadalÃ, N. Dagoneau, L. Linke, E. Sellentin, P. L. Taylor, J. C. Broxterman, S. Heydenreich, V. Tinnaneri Sreekanth, N. Porqueres, L. Porth, M. Gatti, D. Grandón, A. Barthelemy, F. Bernardeau, A. Tersenov, H. Hoekstra, J. -L. Starck, S. Cheng, P. A. Burger, I. Tereno, R. Scaramella, B. Altieri, S. Andreon, N. Auricchio, C. Baccigalupi, S. Bardelli, A. Biviano, E. Branchini, M. Brescia, S. Camera, G. Cañas-Herrera, V. Capobianco, C. Carbone, J. Carretero, M. Castellano, G. Castignani, S. Cavuoti, K. C. Chambers, A. Cimatti, C. Colodro-Conde, G. Congedo, L. Conversi, Y. Copin, F. Courbin, H. M. Courtois, M. Cropper, A. Da Silva, H. Degaudenzi, S. de la Torre, G. De Lucia, H. Dole, F. Dubath, X. Dupac, S. Dusini, S. Escoffier, M. Farina, R. Farinelli, S. Farrens, F. Faustini, S. Ferriol, F. Finelli, M. Frailis, E. Franceschi, M. Fumana, S. Galeotta, K. George, B. Gillis, J. Gracia-Carpio, A. Grazian, F. Grupp, S. V. H. Haugan, W. Holmes, F. Hormuth, A. Hornstrup, P. Hudelot, K. Jahnke, M. Jhabvala, B. Joachimi, E. Keihänen, S. Kermiche, A. Kiessling, M. Kilbinger, 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, O. Mansutti, O. Marggraf, M. Martinelli, F. Marulli, R. J. Massey, E. Medinaceli, S. Mei, M. Melchior, Y. Mellier, M. Meneghetti, G. Meylan, A. Mora, M. Moresco, L. Moscardini, C. Neissner, S. -M. Niemi, C. Padilla, S. Paltani, F. Pasian, K. Pedersen, V. Pettorino, G. Polenta, M. Poncet, L. A. Popa, F. Raison, 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, G. Seidel, S. Serrano, C. Sirignano, G. Sirri, A. Spurio Mancini, L. Stanco, J. Steinwagner, P. Tallada-Crespí, A. N. Taylor, N. Tessore, S. Toft, R. Toledo-Moreo, F. Torradeflot, I. Tutusaus, J. Valiviita, T. Vassallo, Y. Wang, J. Weller, A. Zacchei, G. Zamorani, F. M. Zerbi, E. Zucca, M. Ballardini, M. Bolzonella, A. Boucaud, E. Bozzo, C. Burigana, R. Cabanac, M. Calabrese, A. Cappi, J. A. Escartin Vigo, L. Gabarra, W. G. Hartley, R. Maoli, J. Martín-Fleitas, S. Matthew, N. Mauri, R. B. Metcalf, A. Pezzotta, M. Pöntinen, I. Risso, V. Scottez, M. Sereno, M. Tenti, M. Viel, M. Wiesmann, Y. Akrami, I. T. Andika, R. E. Angulo, S. Anselmi, M. Archidiacono, F. Atrio-Barandela, E. Aubourg, D. Bertacca, M. Bethermin, A. Blanchard, 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, G. Desprez, A. Díaz-Sánchez, J. J. Diaz, S. Di Domizio, J. M. Diego, M. Y. Elkhashab, Y. Fang, P. G. Ferreira, A. Finoguenov, A. Franco, K. Ganga, J. García-Bellido, T. Gasparetto, V. Gautard, R. Gavazzi, E. Gaztanaga, F. Giacomini, F. Gianotti, G. Gozaliasl, M. Guidi, C. M. Gutierrez, A. Hall, S. Hemmati, H. Hildebrandt, J. Hjorth, J. J. E. Kajava, Y. Kang, D. Karagiannis, K. Kiiveri, J. Kim, C. C. Kirkpatrick, S. Kruk, L. Legrand, M. Lembo, F. Lepori, G. Leroy, G. F. Lesci, J. Lesgourgues, T. I. Liaudat, J. Macias-Perez, M. Magliocchetti, F. Mannucci, 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, S. Sacquegna, M. Sahlén, D. B. Sanders, E. Sarpa, A. Schneider, D. Sciotti, L. C. Smith, K. Tanidis, C. Tao, G. Testera, R. Teyssier, S. Tosi, A. Troja, M. Tucci, D. Vergani, G. Verza, N. A. Walton

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于欧几里得（Euclid）太空望远镜如何更精准地测量宇宙奥秘的“预演”报告。

想象一下，宇宙就像一片巨大的、看不见的海洋。我们看不见水（暗物质），但能看到水面上漂浮的树叶（遥远的星系）。当水流（暗物质）经过时，树叶的形状会被拉扯变形。天文学家通过观察这些树叶变形的程度，就能反推出水下暗物质的分布和性质。

这篇论文就是欧几里得团队在正式“出海”前，进行的一次超级模拟演习。他们想测试一种新的“捕鱼”方法，看看能不能比传统方法抓到更多的鱼（宇宙信息）。

以下是这篇论文的通俗解读：

1. 传统的“捕鱼”方法 vs. 新的“高阶”方法

传统方法（两点统计）： 就像你只盯着两片树叶，看它们之间的距离和角度。这种方法很稳，但它只能告诉你水流“平均”有多强（高斯分布信息）。它忽略了水流中那些湍急、漩涡和复杂的细节。
新方法（高阶弱引力透镜统计，HOS）： 这次论文尝试了5 种新的“看水”技巧：
1. 概率分布（PDF）： 统计所有树叶变形的“形状”分布。
2. L1 范数： 计算所有变形程度的总和。
3. 峰值计数： 数一数有多少个特别突出的“漩涡”（高密度区域）。
4. 闵可夫斯基泛函： 像数气泡一样，计算这些水流结构的“连通性”和“空洞”。
5. 贝蒂数： 一种数学拓扑工具，用来数这些结构有多少个“洞”或“环”。

结论： 就像用渔网捕鱼，传统方法只网住了大鱼（平均信息），而新方法能网住那些藏在缝隙里的小鱼（非高斯信息）。模拟结果显示，这 5 种新方法中的每一种，在测量“暗能量”（推动宇宙加速膨胀的神秘力量）时，效果都比传统方法强了 2.5 倍！

2. 面对现实的挑战：星星的“遮光板”

在真实的宇宙观测中，我们的视线会被前景的恒星挡住，就像在拍照时有人举着手电筒晃眼，或者镜头上沾了灰尘。

模拟现实： 团队在模拟中加入了真实的“恒星遮挡”（Mask），就像给照片打上了马赛克。
三种“修图”算法： 为了从被遮挡的图像中还原出完整的水流图，他们测试了三种算法（KS, KS+, APM）。
- KS（标准版）： 速度快，像快速修图。
- APM（局部版）： 像用局部滤镜处理。
- KS+（智能修补版）： 像用 AI 把被遮挡的部分“脑补”出来。
发现： 虽然 KS+ 能更好地修补被遮挡的图像，但它计算太慢，而且修补过程会引入一些“噪点”。对于目前的模拟分析，标准的 KS 算法（虽然简单）反而表现得更稳定、更划算。

3. 多尺度“放大镜”策略

宇宙的结构有大有小。

单一尺度： 只用一个放大镜看，要么看不清细节，要么看不清全貌。
多尺度组合： 团队尝试了用不同倍率的“放大镜”（平滑尺度）同时观察。
结果： 把不同倍率下的信息拼在一起，就像把拼图凑齐了，能更完整地还原宇宙的全貌，进一步打破了参数之间的“死结”（简并性）。

4. 关于“暗能量”的终极目标

这篇论文的核心目标是测量两个关键参数：

$\sigma_8$ ： 宇宙物质分布的“拥挤程度”。
$w_0$ ： 暗能量的“性格”（它是恒定的，还是随时间变化的？）。

最大的亮点： 以前我们只能测准“拥挤程度”，但对“暗能量”的测量误差很大。现在，利用这些新方法，对暗能量的测量精度提高了 2.5 倍。这意味着，未来欧几里得望远镜发回的数据，将能更有力地告诉我们宇宙最终是会一直加速膨胀，还是有其他命运。

5. 一个有趣的“副作用”：BNT 变换

团队还尝试了一种叫"BNT"的技术，原本是为了把不同深度的宇宙信号“解耦”（像把混在一起的耳机线理顺）。

意外发现： 直接用它，反而因为引入了太多噪音，把原本清晰的非高斯信号给“抹平”了（变成了高斯信号，失去了新方法的威力）。
补救措施： 他们发现，如果在处理前先进行特殊的“平滑”（BNT 平滑），就能在理顺信号的同时保留那些珍贵的细节。这为未来处理更复杂的宇宙数据（比如排除星系内部气体的干扰）铺平了道路。

总结：这意味什么？

这就好比在正式考试前，老师（欧几里得团队）做了一套模拟卷。

以前： 我们只用“标准答案”（两点统计）来解题，虽然能及格，但拿不到高分。
现在： 我们学会了 5 种“解题技巧”（高阶统计），发现它们能让我们拿到2.5 倍的分数，特别是关于“暗能量”这道难题。
下一步： 虽然模拟中遇到了一些“橡皮擦”（遮挡）和“计算错误”（数值不稳定性）的小麻烦，但整体方向非常正确。

一句话总结： 这篇论文证明了，只要我们换个更聪明的“看宇宙”的方法，欧几里得望远镜就能以前所未有的精度，揭开宇宙加速膨胀背后的神秘面纱。这不仅是技术的胜利，更是人类理解宇宙命运的一大步。

这是一份关于欧几里得（Euclid）卫星任务准备工作的技术论文总结，标题为《Euclid 准备 LXXXV：迈向数据发布 1（DR1）的高阶弱引力透镜统计应用》。这是 HOWLS（高阶弱引力透镜统计）系列的第二篇论文。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

宇宙学挑战：宇宙加速膨胀及早期与晚期宇宙探针之间的张力（如 $H_0$ 张力）是现代宇宙学的核心谜题。弱引力透镜（WL）通过测量大尺度结构（LSS）引起的星系形状扭曲，是约束宇宙学参数（如物质密度 $\Omega_m$ 、物质涨落 $\sigma_8$ 、暗能量状态方程 $w$ ）的关键工具。
现有方法的局限：传统的弱引力透镜分析主要依赖二阶统计量（如剪切两点相关函数， $\gamma$ -2PCFs）。这些统计量仅捕捉了透镜场的高斯性质（方差）。然而，物质在引力作用下的非线性演化会在小尺度上引入显著的非高斯特征（如偏度、峰度），这些信息被二阶统计量丢弃。
目标：利用高阶统计量（HOS）提取非高斯信息，以提高对宇宙学参数的约束能力，特别是针对欧几里得任务即将发布的第一批数据（DR1）。
具体挑战：从之前的非层析（non-tomographic）分析转向更现实的层析分析（tomographic analysis），需要处理真实的红移分布、掩模（Masking）、质量映射算法差异以及高斯似然假设的验证。

2. 方法论 (Methodology)

论文构建了一个完整的模拟和分析框架，主要包含以下核心部分：

模拟数据（Mocks）
- 基于 SLICS 模拟（924 个独立运行）计算数据协方差矩阵。
- 基于 DUSTGRAIN-pathfinder 模拟（包含不同宇宙学参数 $\Omega_m, \sigma_8, w_0$ 的变体）计算模型导数。
- 构建了类似 Euclid DR1 的模拟目录，包含真实的测光红移（photometric redshifts）和星系密度，分为乐观（DR1-opt）和悲观（DR1-pes）两种情况。
- 引入了基于 Gaia 星表的真实恒星掩模（Mask），覆盖约 5% 的天区。
统计量选择（Statistics）
- 筛选出满足 Fisher 形式中高斯似然假设的 5 种高阶统计量：
  1. 单点概率分布函数（PDF）
  2. $\ell_1$ -范数（ $\ell_1$ -norm）
  3. 峰值计数（Peak counts）
  4. 闵可夫斯基泛函（Minkowski functionals, MFs）
  5. Betti 数（Betti numbers, BNs）
- 作为对比，包含传统的剪切两点相关函数（ $\gamma$ -2PCFs）和收敛两点相关函数（ $\kappa$ -2PCF）。
- 注意：之前论文中的高阶矩、持久同调等统计量因不满足高斯似然假设而被排除，留待未来的 MCMC 分析。
质量映射（Mass Mapping）
- 比较了欧几里得官方管道中的三种算法：
  1. **Kaiser-Squires **(KS)：傅里叶域反演。
  2. **Aperture Mass **(APM)：基于星形小波（Starlet）的补偿滤波器。
  3. KS+：基于稀疏先验的插值算法，用于处理掩模和空洞。
分析策略：
- 层析分析：使用 5 个等人口红移切片（ $0.2 \le z_{ph} \le 2.5$ ），并测试了单切片、合并切片及交叉切片的组合。
- 多尺度分析：测试了三个平滑尺度（ $2'.34, 4'.68, 9'.38$ ）。
- 高斯性检验：使用 SMAPE（对称平均绝对百分比偏差）测试，剔除导致非高斯行为的统计量尾部，确保 Fisher 矩阵的可靠性。
- BNT 变换：测试了 Bernardeau-Nishimichi-Taruya (BNT) 零化方案及其平滑变体，旨在分离不同红移尺度的信号并抑制小尺度物理效应（如重子反馈）的影响。

3. 关键贡献 (Key Contributions)

首个针对 Euclid DR1 的层析 HOS 预测：从之前的 $(\Omega_m, \sigma_8)$ 平面扩展到更关键的 $(\sigma_8, w_0)$ 平面，直接响应欧几里得的主要科学目标。
统一的比较框架：首次在所有 HOS 中应用了相同的滤波和平滑设置，并系统比较了三种质量映射算法（KS, APM, KS+）在掩模存在下的表现。
BNT 平滑方案验证：发现标准 BNT 变换会因形状噪声的线性叠加而破坏非高斯信息，但提出的BNT 平滑（BNT smoothing）方案（先平滑再变换或逆变换）能有效保留非高斯信息并抑制噪声。
最优层析选择算法：开发了一种贪婪算法，从 31 种可能的红移组合中筛选出信息量最大且冗余最小的子集，显著降低了数据向量（DV）的维度。

4. 主要结果 (Results)

性能提升：
- 在 $(\sigma_8, w_0)$ 平面上，所有 5 种满足高斯假设的 HOS 均优于传统的剪切两点相关函数。
- 对于暗能量状态方程参数 $w_0$ 的约束，HOS 比 $\gamma$ -2PCFs 提高了约 2.5 倍。
- 对于 $\sigma_8$ ，HOS 提高了约 1.35 到 1.85 倍。
统计量对比：
- PDF 和 $\ell_1$ -norm（单点统计）在约束 $w_0$ 方面表现最佳，且比拓扑统计量更稳健。
- MFs（闵可夫斯基泛函）在约束 $\sigma_8$ 方面表现最好。
- BNs（Betti 数）和 Peaks（峰值）表现略逊于前两者，但仍有显著优势。
- 不同统计量之间的组合并未带来额外的显著增益（在 Fisher 框架下），因为它们提取的信息高度相关，且受限于病态矩阵（ill-conditioning）的不确定性。
质量映射算法：
- KS 和 APM 在统计约束力上表现相当（差异在 10% 以内，即病态误差范围内）。
- KS+ 虽然能更好地恢复被掩模破坏的场（减少泄漏），但由于引入了相关的噪声像素，其最终约束力略低于 KS，且计算成本极高。对于基于模拟的分析，KS 是更优选择。
掩模影响：引入约 5% 的恒星掩模导致所有统计量的约束力下降，但下降幅度与掩模面积成比例，未改变统计量的相对排名。
多尺度与层析：多尺度分析能有效打破参数简并，且结合多尺度后，HOS 几乎能完全捕获二阶统计量所包含的高斯信息，使得 HOS 与 $\gamma$ -2PCFs 的组合变得冗余。

5. 意义与展望 (Significance)

科学价值：证明了在欧几里得 DR1 数据分析中，利用高阶统计量可以显著提升对暗能量状态方程 $w_0$ 的测量精度，这是传统二阶分析无法企及的。
方法论指导：为未来的真实数据分析提供了具体的操作指南：
- 推荐使用合并红移切片（merged bins）用于单点统计量，使用类两点切片（two-point-like setup）用于拓扑统计量。
- 推荐使用KS 算法进行基于模拟的预测，但在处理真实数据时可能需要更先进的插值技术。
- 验证了BNT 平滑作为处理小尺度系统误差（如重子反馈）的可行方案。
局限性说明：当前结果基于 Fisher 形式和高斯似然假设。部分统计量（如持久同调、散射变换）因不满足高斯性被排除，未来需转向基于 MCMC 的非高斯似然分析。此外，结果未包含重子反馈、内禀排列等系统误差的完整建模，这些将在 DR1 实际分析中进一步处理。

总结：该论文确立了高阶弱引力透镜统计量在欧几里得任务中的巨大潜力，表明它们能以更高的精度提取宇宙学信息，特别是针对暗能量性质的研究，为即将到来的 DR1 数据分析奠定了坚实的理论和方法基础。