Higher <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" display="inline"><mml:mi>N</mml:mi></mml:math>-point function data analysis techniques for heavy particle production and WMAP results
Notice bibliographique
Résumé
We explore data analysis techniques for signatures from heavy particle production during inflation. Heavy particules can be produced by time dependent masses and couplings, which are ubiquitous in string theory. These localized excitations induce curvature perturbations with nonzero correlation functions at all orders. In particular, Flauger et al. [J. Cosmol. Astropart. Phys. 10 (2017) 058] have shown that the signal to noise as a function of the order $N$ of the correlation function can peak for $N$ of order $\mathcal{O}(1)$ to $\mathcal{O}(100)$ for an interesting space of models. As previous non-Gaussianity analyses have focused on $N={3,4}$, in principle this provides an unexplored data analysis window with new discovery potential. We derive estimators for arbitrary $N$-point functions in this model and discuss their properties and covariances. To lowest order, the heavy particle production phenomenology reduces to a classical Poisson process, which can be implemented as a search for spherically symmetric profiles in the curvature perturbations. We explicitly show how to recover this result from the $N$-point functions and their estimators. Our focus in this paper is on method development, but we provide an initial data analysis using WMAP data, which illustrates the particularities of higher $N$-point function searches.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,100 | 0,043 |
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 ».