SCUBA-2 Ultra Deep Imaging EAO Survey (STUDIES). IV. Spatial Clustering and Halo Masses of Submillimeter Galaxies
Notice bibliographique
Résumé
We analyze an extremely deep 450 μm image (1σ = 0.56 mJy beam−1) of a sime300 arcmin2 area in the CANDELS/COSMOS field as part of the Sub-millimeter Common User Bolometric Array-2 Ultra Deep Imaging EAO Survey. We select a robust (signal-to-noise ratio ≥4) and flux-limited (≥4 mJy) sample of 164 submillimeter galaxies (SMGs) at 450 μm that have K-band counterparts in the COSMOS2015 catalog identified from radio or mid-infrared imaging. Utilizing this SMG sample and the 4705 K-band-selected non-SMGs that reside within the noise level ≤1 mJy beam−1 region of the 450 μm image as a training set, we develop a machine-learning classifier using K-band magnitude and color–color pairs based on the 13-band photometry available in this field. We apply the trained machine-learning classifier to the wider COSMOS field (1.6 deg2) using the same COSMOS2015 catalog and identify a sample of 6182 SMG candidates with similar colors. The number density, radio and/or mid-infrared detection rates, redshift and stellar-mass distributions, and the stacked 450 μm fluxes of these SMG candidates, from the S2COSMOS observations of the wide field, agree with the measurements made in the much smaller CANDELS field, supporting the effectiveness of the classifier. Using this SMG candidate sample, we measure the two-point autocorrelation functions from z = 3 down to z = 0.5. We find that the SMG candidates reside in halos with masses of sime(2.0 ± 0.5) × 1013 h −1 M ☉ across this redshift range. We do not find evidence of downsizing that has been suggested by other recent observational studies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».