Single-object Imaging and Spectroscopy to Enhance Dark Energy Science\n from LSST
Notice bibliographique
Résumé
Single-object imaging and spectroscopy on telescopes with apertures ranging from ~4 m to 40 m have the potential to greatly enhance the cosmological constraints that can be obtained from LSST. Two major cosmological probes will benefit greatly from LSST follow-up: accurate spectrophotometry for nearby and distant Type Ia supernovae will expand the cosmological distance lever arm by unlocking the constraining power of high-z supernovae; and cosmology with time delays of strongly-lensed supernovae and quasars will require additional high-cadence imaging to supplement LSST, adaptive optics imaging or spectroscopy for accurate lens and source positions, and IFU or slit spectroscopy to measure detailed properties of lens systems. We highlight the scientific impact of these two science drivers, and discuss how additional resources will benefit them. For both science cases, LSST will deliver a large sample of objects over both the wide and deep fields in the LSST survey, but additional data to characterize both individual systems and overall systematics will be key to ensuring robust cosmological inference to high redshifts. Community access to large amounts of natural-seeing imaging on ~2-4 m telescopes, adaptive optics imaging and spectroscopy on 8-40 m telescopes, and high-throughput single-target spectroscopy on 4-40 m telescopes will be necessary for LSST time domain cosmology to reach its full potential. In two companion white papers we present the additional gains for LSST cosmology that will come from deep and from wide-field multi-object spectroscopy.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».