A comprehensive Bayesian reanalysis of the SARAS2 data from the epoch of reionization
Notice bibliographique
Résumé
ABSTRACT We present a Bayesian re-analysis of the sky-averaged 21-cm experimental data from SARAS2 using nested sampling implemented with polychord, spectrally smooth foreground modelling implemented with maxsmooth, detailed systematic modelling and rapid signal emulation with globalemu. Our analysis differs from previous analysis of the SARAS2 data through the use of a full Bayesian framework and separate modelling of the foreground and non-smooth systematics. We use the most up-to-date signal models, including Lyman-α and CMB heating parametrized by astrophysical parameters such as star formation efficiency, X-ray heating efficiency, minimal virial circular velocity of star forming galaxies, CMB optical depth, and the low energy cutoff of the X-ray spectral energy distribution. We consider models with an excess radio background above the CMB produced via radio emission from early galaxies and parametrized by a radio production efficiency. A non-smooth systematic is identified and modelled as both a frequency damped sinusoid introduced by the electronics and separately from the sky. The latter is modulated by the total efficiency of the antenna and marginally favoured by the data. We consider three different models for the noise in the data. The SARAS2 constraints on individual astrophysical parameters are extremely weak, however, we identify classes of disfavoured signals. We weakly disfavour standard astrophysical models with high Lyman-α fluxes and weak heating and more confidently disfavour exotic models with high Lyman-α fluxes, low X-ray efficiencies, and high radio production efficiencies in early galaxies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».