Identifying Reionization Sources from 21cm Maps using Convolutional Neural Networks
Notice bibliographique
Résumé
Active Galactic Nuclei (AGN) and star-forming galaxies are leading candidates for being the luminous sources that reionized our Universe. Next-generation 21cm surveys are promising to break degeneracies between a broad range of reionization models, hence revealing the nature of the source population. While many current efforts are focused on a measurement of the 21cm power spectrum, some surveys will also image the 21cm field during reionization. This provides further information with which to determine the nature of reionizing sources. We create a Convolutional Neural Network (CNN) that is efficiently able to distinguish between 21cm maps that are produced by AGN versus galaxies scenarios with an accuracy of 92-100%, depending on redshift and neutral fraction range. An exception to this is when our Universe is highly ionized, since the source models give near-identical 21cm maps in that case. When adding thermal noise from typical 21cm experiments, the classification accuracy depends strongly on the effectiveness of foreground removal. Our results show that if foregrounds can be removed reasonably well, SKA, HERA and LOFAR should be able to discriminate between source models with greater accuracy at a fixed redshift. Only future SKA 21cm surveys are promising to break the degeneracies in the power spectral analysis.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».