MétaCan
Menu
Retour à la cohorte
Enregistrement W3045935610 · doi:10.1051/0004-6361/202038071

<i>Euclid</i> preparation

2020· article· en· W3045935610 sur OpenAlexaff
Alain Blanchard, S. Camera, C. Carbone, V. F. Cardone, Santiago Casas, Sébastien Clesse, S. Ilić, M. Kilbinger, T. Kitching, M. Kunz, F. Lacasa, Eric V. Linder, Elisabetta Majerotto, K. Markovič, M. Martinelli, V. Pettorino, Alkistis Pourtsidou, Z. Sakr, Ariel G. Sánchez, D. Sapone, I. Tutusaus, S. Yahia-Cherif, Victoria Yankelevich, S. Andreon, A. Balaguera-Antolínez, Marco Baldi, S. Bardelli, R. Bender, A. Biviano, D. Bonino, A. Boucaud, E. Bozzo, E. Branchini, Sylvie Brau-Nogué, M. Brescia, J. Brinchmann, C. Burigana, R. Cabanac, V. Capobianco, A. Cappi, J. Carretero, C. S. Carvalho, R. Casas, F. J. Castander, M. Castellano, S. Cavuoti, A. Cimatti, R. Clédassou, C. Colodro-Conde, G. Congedo, Christopher J. Conselice, L. Conversi, Y. Copin, L. Corcione, J. Coupon, H. M. Courtois, M. Cropper, A. Da Silva, S. de la Torre, D. Di Ferdinando, F. Dubath, F. Ducret, C. A. J. Duncan, X. Dupac, S. Dusini, Giulio Fabbian, Maximilian Fabricius, S. Farrens, P. Fosalba, S. Fotopoulou, N. Fourmanoit, M. Frailis, E. Franceschi, P. Franzetti, M. Fumana, S. Galeotta, W. Gillard, B. Gillis, C. Giocoli, P. Gómez-Alvarez, J. Graciá‐Carpio, F. Grupp, L. Guzzo, Henk Hoekstra, F. Hormuth, H. Israel, K. Jahnkę, E. Keihänen, S. Kermiche, R. Kohley, B. Kubik, H. Kurki‐Suonio, S. Ligori, P. B. Lilje, I. Lloro, E. Maiorano, O. Marggraf, N. Martinet, F. Marulli, R. Massey, E. Medinaceli, S. Mei, Y. Mellier, B. Metcalf, J. J. Metge, G. Meylan, M. Moresco, L. Moscardini, E. Munari, R. C. Nichol, S.-M Niemi, Achille Nucita, S. Paltani, F. Pasian, Will J. Percival, S. Pires, G. Polenta, M. Poncet, L. Pozzetti, G D Racca, F. Raison, A. Renzi, Jason Rhodes, E. Romelli, M. Roncarelli, E. Rossetti, R. P. Saglia, P. Schneider, V Scottez, A. Secroun, G. Sirri, L. Stančo, Jean‐Luc Starck, F. Sureau, P. Tallada-Crespí, D. Tavagnacco, A. N. Taylor, M. Tenti, I. Tereno, R. Toledo-Moreo, F. Torradeflot, L. Valenziano, T. Vassallo, G. Verdoes Kleijn, Matteo Viel, Yun Wang, A. Zacchei, J. Zoubian, E. Zucca

Notice bibliographique

RevueAstronomy and Astrophysics · 2020
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueGalaxies: Formation, Evolution, Phenomena
Établissements canadiensPerimeter InstituteUniversity of Waterloo
Organismes subventionnairesHorizon 2020 Framework ProgrammeAgenția Spațială RomânăMinistero dell’Istruzione, dell’Università e della RicercaJet Propulsion LaboratoryCentre National d’Etudes SpatialesSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungCalifornia Institute of TechnologyEuropean CommissionDipartimenti di EccellenzaNederlandse Organisatie voor Wetenschappelijk OnderzoekAgence Nationale de la RechercheFonds De La Recherche Scientifique - FNRSMinisterio de Ciencia, Innovación y UniversidadesNational Aeronautics and Space AdministrationStaatssekretariat für Bildung, Forschung und InnovationDeutsche ForschungsgemeinschaftInternational Max Planck Research School for Environmental, Cellular and Molecular MicrobiologyUK Research and InnovationAgenzia Spaziale ItalianaNational Science Foundation
Mots-clésImplementationWeak gravitational lensingSet (abstract data type)RedshiftMeasure (data warehouse)Computer scienceCOSMIC cancer databaseCluster analysisAlgorithmGalaxyPhysicsAstrophysicsArtificial intelligenceData miningProgramming language

Résumé

récupéré en direct d'OpenAlex

Aims. The Euclid space telescope will measure the shapes and redshifts of galaxies to reconstruct the expansion history of the Universe and the growth of cosmic structures. The estimation of the expected performance of the experiment, in terms of predicted constraints on cosmological parameters, has so far relied on various individual methodologies and numerical implementations, which were developed for different observational probes and for the combination thereof. In this paper we present validated forecasts, which combine both theoretical and observational ingredients for different cosmological probes. This work is presented to provide the community with reliable numerical codes and methods for Euclid cosmological forecasts. Methods. We describe in detail the methods adopted for Fisher matrix forecasts, which were applied to galaxy clustering, weak lensing, and the combination thereof. We estimated the required accuracy for Euclid forecasts and outline a methodology for their development. We then compare and improve different numerical implementations, reaching uncertainties on the errors of cosmological parameters that are less than the required precision in all cases. Furthermore, we provide details on the validated implementations, some of which are made publicly available, in different programming languages, together with a reference training-set of input and output matrices for a set of specific models. These can be used by the reader to validate their own implementations if required. Results. We present new cosmological forecasts for Euclid . We find that results depend on the specific cosmological model and remaining freedom in each setting, for example flat or non-flat spatial cosmologies, or different cuts at non-linear scales. The numerical implementations are now reliable for these settings. We present the results for an optimistic and a pessimistic choice for these types of settings. We demonstrate that the impact of cross-correlations is particularly relevant for models beyond a cosmological constant and may allow us to increase the dark energy figure of merit by at least a factor of three.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,176
Score d'incertitude au seuil0,589

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,1760,153

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,199
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations415
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAstronomy and AstrophysicsMême sujetGalaxies: Formation, Evolution, PhenomenaTravaux en français237 207