Great Optically Luminous Dropout Research Using Subaru HSC (GOLDRUSH). I. UV luminosity functions at <i>z</i> ∼ 4–7 derived with the half-million dropouts on the 100 deg2 sky
Notice bibliographique
Résumé
Abstract We study the UV luminosity functions (LFs) at z ∼ 4, 5, 6, and 7 based on the deep large-area optical images taken by the Hyper Suprime-Cam (HSC) Subaru Strategic Program (SSP). On the 100 deg2 sky of the HSC SSP data available to date, we take enormous samples consisting of a total of 579565 dropout candidates at z ∼ 4–7 by the standard color selection technique, 358 out of which are spectroscopically confirmed by our follow-up spectroscopy and other studies. We obtain UV LFs at z ∼ 4–7 that span a very wide UV luminosity range of ∼0.002–100$\, L_{\rm UV}^\ast$ (−26 &lt; MUV &lt; −14 mag) by combining LFs from our program and the ultra-deep Hubble Space Telescope legacy surveys. We derive three parameters of the best-fit Schechter function, ϕ*, $M_{\rm UV}^{\,\ast}$, and α, of the UV LFs in the magnitude range where the active galactic nucleus (AGN) contribution is negligible, and find that α and ϕ* decrease from z ∼ 4 to 7 with no significant evolution of $M_{\rm UV}^{\,\ast}$. Because our HSC SSP data bridge the LFs of galaxies and AGNs with great statistical accuracy, we carefully investigate the bright end of the galaxy UV LFs that are estimated by the subtraction of the AGN contribution either aided by spectroscopy or the best-fit AGN UV LFs. We find that the bright end of the galaxy UV LFs cannot be explained by the Schechter function fits at &gt;2 σ significance, and require either double power-law functions or modified Schechter functions that consider a magnification bias due to gravitational lensing.
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 | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».