Leveraging cross-correlations and linear covariance-based filtering for line-intensity map reconstructions at linear scales
Notice bibliographique
Résumé
We explore the possible application of linear covariance-based (LCB) filtering to line-intensity mapping (LIM) signal reconstructions. Originally introduced for reconstruction of the integrated Sachs-Wolfe effect in the cosmic microwave background, the LCB filter is an optimal map estimator that extends the simple Wiener filter by leveraging external correlated data. Given a detectable strong LIM-galaxy or LIM-LIM cross power spectrum, we show recovery of high-redshift, large-scale line-intensity fluctuations---even in the presence of bright interloper emission---in simulations of a futuristic [C ii] LIM survey as well as simulated future iterations of the CO Mapping Array Project. With sufficient galaxy abundances or low LIM survey noise, normalized cross-correlation between the LCB reconstruction and the true signal reaches 70%--90% on large, linear comoving scales corresponding to $k\ensuremath{\sim}0.1\text{ }\text{ }{\mathrm{Mpc}}^{\ensuremath{-}1}$. This suggests the possible use of such signal reconstructions in astrophysical or cosmological contexts that require identifying the locations of line emissivity peaks and voids, although clear shortcomings exist on smaller scales. The successful application of the LCB filter in simulated LIM contexts highlights the importance of cross-correlations to studies of the reionizing and reionized high-redshift universe with LIM and other large-scale structure 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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».