Notice bibliographique
Résumé
The SDSS-III Baryon Oscillation Spectroscopic Survey (BOSS), a five-year spectroscopic survey of 10,000 square-degrees, achieved first light in late 2009. One of the key goals of BOSS is to measure the signature of baryon acoustic oscillations (BAO) in the distribution of Ly-a absorption from the spectra of a sample of ~150,000 z > 2.2 quasars in conjunction with measuring the redshifts of 1.6 million luminous red galaxies with high completeness to i ~ 19.9 at z ~ 0.7. One of the biggest challenges in achieving this goal is an efficient target selection algorithm for quasars in the redshift range 2.2 z g l 22.0 or r l 21.85.In this thesis I present a new method for quasar target selection using photometric fluxes and a Bayesian probabilistic approach. For our purposes I target quasars using Sloan Digital Sky Survey (SDSS) photometry to a magnitude limit of g = 22. The efficiency and completeness of this technique is measured using the Baryon Oscillation Spectroscopic Survey (BOSS) data, taken in 2010. This llikelihoodr technique was used for the uniformly selected (CORE) sample of targets in BOSS year one spectroscopy to be realized in the 9th SDSS data release. When targeting at a density of 40 objects per square-degree (the BOSS quasar targeting density) the efficiency of this technique in recovering z > 2.2 quasars is 40%. The completeness compared to all quasars identified in BOSS data is 65%. An extension of the llikelihoodr technique is also described. This SDSS-XDQSO technique builds models of the distributions of stars and quasars in flux space down to the flux limit by applying the extreme-deconvolution method to estimate the underlying density. I convolve this density with the flux uncertainties when evaluating the probability that an object is a quasar. This approach results in a targeting algorithm that is more principled, more efficient, and faster than other similar methods. With BOSS's new catalog of quasar and galaxy data, exciting new science can be done. Whether luminous quasars reside in dark matter halos of the same mass and accrete at different rates, or live in halos of different masses and accretion is near the Eddington limit, is still an open question. Here, I present measurements of the luminosity-dependence of quasar clustering, using QSO data from the Sloan Digital Sky Survey (SDSS) Data Release 7, 2dF-SDSS LRG and QSO Survey (2SLAQ), and SDSS-III: Baryon Oscillation Spectroscopic Survey (BOSS).In my quasar sample I have 3100 spectroscopically confirmed quasarswith a redshift range of (0.5 z i -band 22.14. In my galaxy sample I have 5.23 million photometric galaxies brighter than z -band = 23.50, selected from the CFHT (Canada-France-Hawaii Telescope) Survey of Stripe-82 (CS82). The cross-correlation is well described by a power law with slope 1.77 p 0.1 and r0 = 5.05 p 0.14 h-1 Mpc, which is consistent with previous findings. I determine a large-scale quasar bias, bQSO = 1.46 p 0.18, at redshift z =0.7. When I divide the quasar sample into low/high luminosity samples I find luminosity depended quasar clustering at a 4.56 s significance level.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».