The Foundation Supernova Survey: motivation, design, implementation, and first data release
Notice bibliographique
Résumé
The Foundation Supernova Survey aims to provide a large, high-fidelity, homogeneous, and precisely-calibrated low-redshift Type Ia supernova (SN Ia) sample for cosmology. The calibration of the current low-redshift SN sample is the largest component of systematic uncertainties for SN cosmology, and new data are necessary to make progress. We present the motivation, survey design, observation strategy, implementation, and first results for the Foundation Supernova Survey. We are using the Pan-STARRS telescope to obtain photometry for up to 800 SNe Ia at z < 0.1. This strategy has several unique advantages: (1) the Pan-STARRS system is a superbly calibrated telescopic system, (2) Pan-STARRS has observed 3/4 of the sky in grizy making future template observations unnecessary, (3) we have a well-tested data-reduction pipeline, and (4) we have observed ~3000 high-redshift SNe Ia on this system. Here we present our initial sample of 225 SN Ia griz light curves, of which 180 pass all criteria for inclusion in a cosmological sample. The Foundation Supernova Survey already contains more cosmologically useful SNe Ia than all other published low-redshift SN Ia samples combined. We expect that the systematic uncertainties for the Foundation Supernova Sample will be 2-3 times smaller than other low-redshift samples. We find that our cosmologically useful sample has an intrinsic scatter of 0.111 mag, smaller than other low-redshift samples. We perform detailed simulations showing that simply replacing the current low-redshift SN Ia sample with an equally sized Foundation sample will improve the precision on the dark energy equation-of-state parameter by 35%, and the dark energy figure-of-merit by 72%.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».