Probing dark energy with tomographic weak-lensing aperture mass statistics
Notice bibliographique
Résumé
We forecast and optimize the cosmological power of various weak-lensing aperture mass (Map) map statistics for future cosmic shear surveys, including peaks, voids, and the full distribution of pixels (1DMap). These alternative methods probe the non-Gaussian regime of the matter distribution, adding complementary cosmological information to the classical two-point estimators. Based on the SLICS and cosmo-SLICSN-body simulations, we buildEuclid-like mocks to explore theS8 − Ωm − w0parameter space. We develop a new tomographic formalism that exploits the cross-information between redshift slices (cross-Map) in addition to the information from individual slices (auto-Map) probed in the standard approach. Our auto-Mapforecast precision is in good agreement with the recent literature on weak-lensing peak statistics and is improved by ∼50% when including cross-Map. It is further boosted by the use of 1DMapthat outperforms all other estimators, including the shear two-point correlation function (γ-2PCF). When considering all tomographic terms, our uncertainty range on the structure growth parameterS8is enhanced by ∼45% (almost twice better) when combining 1DMapand theγ-2PCF compared to theγ-2PCF alone. We additionally measure the first combined forecasts on the dark energy equation of statew0, finding a factor of three reduction in the statistical error compared to theγ-2PCF alone. This demonstrates that the complementary cosmological information explored by non-GaussianMapmap statistics not only offers the potential to improve the constraints on the recentσ8–Ωmtension, but also constitutes an avenue to understanding the accelerated expansion of our Universe.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».