Target Selection and Sample Characterization for the DESI LOW-Z Secondary Target Program
Notice bibliographique
Résumé
Abstract We introduce the DESI LOW- Z Secondary Target Survey, which combines the wide-area capabilities of the Dark Energy Spectroscopic Instrument (DESI) with an efficient, low-redshift target selection method. Our selection consists of a set of color and surface brightness cuts, combined with modern machine-learning methods, to target low-redshift dwarf galaxies ( z < 0.03) between 19 < r < 21 with high completeness. We employ a convolutional neural network (CNN) to select high-priority targets. The LOW- Z survey has already obtained over 22,000 redshifts of dwarf galaxies ( M * < 10 9 M ⊙ ), comparable to the number of dwarf galaxies discovered in the Sloan Digital Sky Survey DR8 and GAMA. As a spare fiber survey, LOW- Z currently receives fiber allocation for just ∼50% of its targets. However, we estimate that our selection is highly complete: for galaxies at z < 0.03 within our magnitude limits, we achieve better than 95% completeness with ∼1% efficiency using catalog-level photometric cuts. We also demonstrate that our CNN selections z < 0.03 galaxies from the photometric cuts subsample at least 10 times more efficiently while maintaining high completeness. The full 5 yr DESI program will expand the LOW- Z sample, densely mapping the low-redshift Universe, providing an unprecedented sample of dwarf galaxies, and providing critical information about how to pursue effective and efficient low-redshift surveys.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».