A unified explanation for the supernova rate-galaxy mass dependence based on supernovae detected in Sloan galaxy spectra
Notice bibliographique
Résumé
Using a method to discover and classify supernovae (SNe) in galaxy spectra, we detect 91 Type Ia SNe (SNe Ia) and 16 Type II SNe (SNe II) among ∼740 000 galaxies of all types and ∼215 000 star-forming galaxies without active galactic nuclei, respectively, in Data Release 9 of the Sloan Digital Sky Survey. Of these SNe, 15 SNe Ia and eight SNe II are new discoveries reported here for the first time. We use our SN samples to measure SN rates per unit mass as a function of galaxy stellar mass, star-formation rate (SFR), and specific SFR (sSFR), as derived by the MPA-JHU Galspec pipeline. We show that correlations between SN Ia and SN II rates per unit mass and galaxy stellar mass, SFR, and sSFR can be explained by a combination of the respective SN delay-time distributions (the distributions of times that elapse between the formation of a stellar population and all ensuing SNe), the ages of the surveyed galaxies, the redshifts at which they are observed, and their star formation histories. This model was first suggested by Kistler et al. for the SN Ia rate–mass correlation, but is expanded here to SNe II and to correlations with galaxy SFR and sSFR. Finally, we measure a volumetric SN II rate at redshift 0.075 of RII, V = |$0.621^{+0.197}_{-0.154} ({\rm stat}) ^{+0.024}_{-0.063} ({\rm sys}) \times 10^{-4}$| yr−1 Mpc−3. Assuming that SNe IIP and IIL account for 60 per cent of all core-collapse (CC) SNe, the CC SN rate is RCC, V = |$1.04^{+0.33}_{-0.26} ({\rm stat}) ^{+0.04}_{-0.11} ({\rm sys}) \times 10^{-4}$| yr−1 Mpc−3.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».