Joint galaxy–galaxy lensing and clustering constraints on galaxy formation
Notice bibliographique
Résumé
ABSTRACT We compare predictions for galaxy–galaxy lensing profiles and clustering from the Henriques et al. public version of the Munich semi-analytical model (SAM) of galaxy formation and the IllustrisTNG suite, primarily TNG300, with observations from KiDS + GAMA and SDSS-DR7 using four different selection functions for the lenses (stellar mass, stellar mass and group membership, stellar mass and isolation criteria, and stellar mass and colour). We find that this version of the SAM does not agree well with the current data for stellar mass-only lenses with $M_\ast \gt 10^{11}\, \mathrm{ M}_\odot$. By decreasing the merger time for satellite galaxies as well as reducing the radio-mode active galactic nucleus accretion efficiency in the SAM, we obtain better agreement, both for the lensing and the clustering, at the high-mass end. We show that the new model is consistent with the signals for central galaxies presented in Velliscig et al. Turning to the hydrodynamical simulation, TNG300 produces good lensing predictions, both for stellar mass-only (χ2 = 1.81 compared to χ2 = 7.79 for the SAM) and locally brightest galaxy samples (χ2 = 3.80 compared to χ2 = 5.01). With added dust corrections to the colours it matches the SDSS clustering signal well for red low-mass galaxies. We find that both the SAMs and TNG300 predict $\sim 50\, {{\ \rm per\ cent}}$ excessive lensing signals for intermediate-mass red galaxies with 10.2 < log10M*[M⊙] < 11.2 at $r \approx 0.6\, h^{-1}\, \text{Mpc}$, which require further theoretical development.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».