An Injection System for the CHIME/FRB Experiment
Notice bibliographique
Résumé
Abstract Dedicated surveys searching for fast radio bursts (FRBs) are subject to selection effects that bias the observed population of events. Software injection systems are one method of correcting for these biases by injecting a mock population of synthetic FRBs directly into the real-time search pipeline. The injected population may then be used to map intrinsic burst properties onto an expected signal-to-noise ratio (S/N), so long as telescope characteristics such as the beam model and calibration factors are properly accounted for. This paper presents an injection system developed for the Canadian Hydrogen Intensity Mapping Experiment Fast Radio Burst Project (CHIME/FRB). The system was tested to ensure high detection efficiency, and the pulse calibration method was verified. Using an injection population of ∼85,000 synthetic FRBs, we found that the correlation between fluence and S/N for injected FRBs was consistent with that of CHIME/FRB detections in the first CHIME/FRB catalog. We noted that the sensitivity of the telescope varied strongly as a function of the broadened burst width, but not as a function of the dispersion measure. We conclude that some of the machine-learning based Radio Frequency Interference mitigation methods used by CHIME/FRB can be retrained using injection data to increase sensitivity to wide events, and that planned upgrades to the presented injection system will allow for determining a more accurate CHIME/FRB selection function in the near future. We also provide the full injection data sets along with usage tutorials.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».