<i>Euclid</i>: Forecasts from the void-lensing cross-correlation
Notice bibliographique
Résumé
The Euclid space telescope will survey a large dataset of cosmic voids traced by dense samples of galaxies. In this work we estimate its expected performance when exploiting angular photometric void clustering, galaxy weak lensing, and their cross-correlation. To this aim, we implemented a Fisher matrix approach tailored for voids from the Euclid photometric dataset and we present the first forecasts on cosmological parameters that include the void-lensing correlation. We examined two different probe settings, pessimistic and optimistic, both for void clustering and galaxy lensing. We carried out forecast analyses in four model cosmologies, accounting for a varying total neutrino mass, M ν , and a dynamical dark energy (DE) equation of state, w ( z ), described by the popular Chevallier-Polarski-Linder parametrization. We find that void clustering constraints on h and Ω b are competitive with galaxy lensing alone, while errors on n s decrease thanks to the orthogonality of the two probes in the 2D-projected parameter space. We also note that, as a whole, with respect to assuming the two probes as independent, the inclusion of the void-lensing cross-correlation signal improves parameter constraints by 10 − 15%, and enhances the joint void clustering and galaxy lensing figure of merit (FoM) by 10% and 25%, in the pessimistic and optimistic scenarios, respectively. Finally, when further combining with the spectroscopic galaxy clustering, assumed as an independent probe, we find that, in the most competitive case, the FoM increases by a factor of 4 with respect to the combination of weak lensing and spectroscopic galaxy clustering taken as independent probes. The forecasts presented in this work show that photometric void clustering and its cross-correlation with galaxy lensing deserve to be exploited in the data analysis of the Euclid galaxy survey and promise to improve its constraining power, especially on h , Ω b , the neutrino mass, and the DE evolution.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».