The performance of photometric reverberation mapping at high redshift and the reliability of damped random walk models
Notice bibliographique
Résumé
ABSTRACT Accurate methods for reverberation mapping using photometry are highly sought after since they are inherently less resource intensive than spectroscopic techniques. However, the effectiveness of photometric reverberation mapping for estimating black hole masses is sparsely investigated at redshifts higher than z ≈ 0.04. Furthermore, photometric methods frequently assume a damped random walk (DRW) model, which may not be universally applicable. We perform photometric reverberation mapping using the javelin photometric DRW model for the QSO SDSS-J144645.44+625304.0 at z = 0.351 and estimate the Hβ lag of $65^{+6}_{-1}$ d and black hole mass of $10^{8.22^{+0.13}_{-0.15}}\, \mathrm{M_{\odot }}$. An analysis of the reliability of photometric reverberation mapping, conducted using many thousands of simulated CARMA process light curves, shows that we can recover the input lag to within 6 per cent on average given our target’s observed signal-to-noise of >20 and average cadence of 14 d (even when DRW is not applicable). Furthermore, we use our suite of simulated light curves to deconvolve aliases and artefacts from our QSO’s posterior probability distribution, increasing the signal-to-noise on the lag by a factor of ∼2.2. We exceed the signal-to-noise of the Sloan Digital Sky Survey Reverberation Mapping Project (SDSS-RM) campaign with a quarter of the observing time per object, resulting in a ∼200 per cent increase in signal-to-noise efficiency over SDSS-RM.
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 | 0,010 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».