Constraining primordial non-Gaussianity from DESI quasar targets and Planck CMB lensing
Notice bibliographique
Résumé
Abstract We detect the cross-correlation between 2.7 million DESI quasar targets across 14,700 deg 2 (180 quasars deg -2 ) and Planck 2018 CMB lensing at ∼30 σ . We use the cross-correlation on very large scales to constrain local primordial non-Gaussianity via the scale dependence of quasar bias. The DESI quasar targets lie at an effective redshift of 1.51 and are separated into four imaging regions of varying depth and image quality. We select quasar targets from Legacy Survey DR9 imaging, apply additional flux and photometric redshift cuts to improve the purity and reduce the fraction of unclassified redshifts, and use early DESI spectroscopy of 194,000 quasar targets to determine their redshift distribution and stellar contamination fraction (2.6%). Due to significant excess large-scale power in the quasar autocorrelation, we apply weights to mitigate contamination from imaging systematics such as depth, extinction, and stellar density. We use realistic contaminated mocks to determine the greatest number of systematic modes that we can fit, before we are biased by overfitting and spuriously remove real power. We find that linear regression with one to seven imaging templates removed per region accurately recovers the input cross-power, f NL and linear bias. As in previous analyses, our f NL constraint depends on the linear primordial non-Gaussianity bias parameter, b ϕ = 2( b - p ) δ c assuming universality of the halo mass function. We measure f NL = -26 +45 -40 with p = 1.6 ( f NL = -18 +29 -27 with p = 1.0), and find that this result is robust under several systematics tests. Future spectroscopic quasar cross-correlations with Planck lensing can tighten the f NL constraints by a factor of 2 if they can remove the excess power on large scales in the quasar auto power spectrum.
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 | 0,000 | 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 | 0,000 | 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 ».