moka: a new tool for strong lensing studies
Notice bibliographique
Résumé
Strong gravitational lensing is a powerful tool that can be used to probe the matter distribution in the cores of massive dark matter haloes. Recent and ongoing analyses of galaxy cluster surveys – such as the Massive Cluster Survey (MACS), the Canada–France–Hawaii Telescope Legacy Survey (CFHTLS), the Sloan Digital Sky Survey (SDSS), the Sloan Giant Arcs Survey (SGAS), the Cluster Lensing and Supernova Survey with Hubble (CLASH) and the Local Cluster Substructure Survey (LoCuSS) – have addressed the question of the nature of the dark matter distribution in clusters. Using N‐body simulations of cold dark matter haloes, it is consistently found that haloes should be characterized by a concentration–mass relation, which decreases monotonically with halo mass, and that they should be populated by a large amount of substructures, representing the cores of accreted progenitor halos. It is important for our understanding of dark matter that we test these predictions. We present moka, a new algorithm for simulating the gravitational lensing signal from cluster‐sized haloes. It implements the most recent results from numerical simulations to create realistic cluster‐scale lenses with properties independent of numerical resolution. We perform systematic studies of the strong lensing cross‐section as a function of halo structures. We find that the strong lensing cross‐sections depend most strongly on the concentration and on the inner slope of the density profile of a halo, followed in order of importance by halo triaxiality and the presence of a bright central galaxy.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,005 |
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 ».