Composite reverberation mapping
Notice bibliographique
Résumé
Reverberation mapping offers one of the best techniques for studying the inner regions of quasi-stellar objects (QSOs). It is based on cross-correlating continuum and emission-line light curves. New time-resolved optical surveys will produce well-sampled light curves for many thousands of QSOs. We explore the potential of stacking samples to produce composite cross-correlations for groups of objects that have well-sampled continuum light curves, but only a few (∼2) emission-line measurements. This technique exploits current and future wide-field optical monitoring surveys [e.g. Pan-STARRS, Large Synoptic Survey Telescope (LSST)] and the multiplexing capability of multi-object spectrographs (e.g. 2dF, Hectospec) to significantly reduce the observational expense of reverberation mapping, in particular at high redshift (0.5–2.5). We demonstrate the technique using simulated QSO light curves and explore the biases involved when stacking cross-correlations in some simplified situations. We show that stacked cross-correlations have smaller amplitude peaks compared to well-sampled correlation functions as the mean flux of the emission light curve is poorly constrained. However, the position of the peak remains intact. We find that there can be ‘kinks’ in stacked correlation functions due to different measurements contributing to different parts of the correlation function. While the magnitude of the kinks must be fitted for, their positions and relative strengths are known from the spectroscopic sampling distribution of the QSOs making the bias a one-parameter effect. We also find that the signal-to-noise ratio in the correlation functions for the stacked and well-sampled cases is comparable for the same number of continuum and emission-line measurement pairs. Using the Pan-STARRS Medium-Deep Survey (MDS) as a template, we show that cross-correlation lags should be measurable in a sample size of 500 QSOs that have weekly photometric monitoring and two spectroscopic observations. Finally, we apply the technique to a small sample (42) of QSOs that have light curves from the MDS. We find no indication of a peak in the stacked cross-correlation. A larger spectroscopic sample is required to produce robust reverberation lags.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».