Estimating the Milky Way's Mass via Hierarchical Bayes: A Blind Test on MUGS2 Simulated Galaxies
Notice bibliographique
Résumé
Abstract In a series of three papers, Eadie et al. developed a hierarchical Bayesian method to estimate the Milky Way Galaxy’s mass given a physical model for the potential, a measurement model, and kinematic data of test particles such as globular clusters (GCs) or halo stars in the Galaxy’s halo. The Galaxy’s virial mass was found to have a 95% Bayesian credible region (c.r.) of (0.67, 1.09) × 1012 <?CDATA ${M}_{\odot }$?> M ⊙ . In the present study, we test the hierarchical Bayesian method against simulated galaxies created in the McMaster Unbiased Galaxy Simulations 2 (MUGS2), for which the true mass is known. We estimate the masses of MUGS2 galaxies using GC analogs from the simulations as tracers. The analysis, completed as a blind test, recovers the true M 200 of the MUGS2 galaxies within 95% Bayesian c.r. in 8 out of 18 cases. Of the 10 galaxy masses that were not recovered within the 95% c.r., a large subset have posterior distributions that occupy extreme ends of the parameter space allowed by the priors. A few incorrect mass estimates are explained by the exceptional evolution history of the galaxies. We also find evidence that the model cannot describe both the galaxies’ inner and outer structure simultaneously in some cases. After removing the GC analogs associated with the galactic disks, the true masses were found more reliably (13 out of 18 were predicted within the c.r.). Finally, we discuss how representative the GC analogs are of the real GC population in the Milky Way.
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 | 0,017 | 0,052 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».