SYMBA : an end-to-end VLBI synthetic data generation pipeline simulating event horizon telescope observations of M 87
Notice bibliographique
Résumé
CONTEXT: Realistic synthetic observations of theoretical source models are essential for our understanding of real observational data. In using \nsynthetic data, one can verify the extent to which source parameters can be recovered and evaluate how various data corruption effects can be \ncalibrated. These studies are the most important when proposing observations of new sources, in the characterization of the capabilities of new or \nupgraded instruments, and when verifying model-based theoretical predictions in a direct comparison with observational data. \nAIMS: We present the SYnthetic Measurement creator for long Baseline Arrays (SYMBA), a novel synthetic data generation pipeline for Very Long \nBaseline Interferometry (VLBI) observations. SYMBA takes into account several realistic atmospheric, instrumental, and calibration effects. \nMETHODS: We used SYMBA to create synthetic observations for the Event Horizon Telescope (EHT), a millimetre VLBI array, which has recently \ncaptured the first image of a black hole shadow. After testing SYMBA with simple source and corruption models, we study the importance of \nincluding all corruption and calibration effects, compared to the addition of thermal noise only. Using synthetic data based on two example general \nrelativistic magnetohydrodynamics (GRMHD) model images of M 87, we performed case studies to assess the image quality that can be obtained \nwith the current and future EHT array for different weather conditions. \nRESULTS: Our synthetic observations show that the effects of atmospheric and instrumental corruptions on the measured visibilities are significant. \nDespite these effects, we demonstrate how the overall structure of our GRMHD source models can be recovered robustly with the EHT2017 array \nafter performing calibration steps, which include fringe fitting, a priori amplitude and network calibration, and self-calibration. With the planned \naddition of new stations to the EHT array in the coming years, images could be reconstructed with higher angular resolution and dynamic range. \nIn our case study, these improvements allowed for a distinction between a thermal and a non-thermal GRMHD model based on salient features in \nreconstructed images.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».