Modelling repetition in zDM: A single population of repeating fast radio bursts can explain CHIME data
Notice bibliographique
Résumé
Abstract Regardless of whether or not all fast radio bursts (FRBs) repeat, those that do form a population with a distribution of rates. This work considers a power-law model of this population, with rate distribution $\Phi_r \sim R^{{\gamma_r}}$ between ${R_{\rm min}}$ and ${R_{\rm max}}$ . The zDM code is used to model the probability of detecting this population as either apparently once-off or repeat events as a function of redshift, z , and dispersion measure, DM. I demonstrate that in the nearby Universe, repeating sources can contribute significantly to the total burst rate. This causes an apparent deficit in the total number of observed sources (once-off and repeaters) relative to the distant Universe that will cause a bias in FRB population models. Thus instruments with long exposure times should explicitly take repetition into account when fitting the FRB population. I then fit data from The Canadian Hydrogen Intensity Mapping Experiment (CHIME). The relative number of repeat and apparently once-off FRBs, and their DM, declination, and burst rate distributions, can be well explained by 50–100% of CHIME single FRBs being due to repeaters, with ${R_{\rm max}} > 0.75$ d $^{-1}$ above $10^{39}$ erg, and ${{\gamma_r}} = -2.2_{-0.8}^{+0.6}$ . This result is surprisingly consistent with follow-up studies of FRBs detected by the Australian Square Kilometre Array Pathfinder (ASKAP). Thus the evidence suggests that CHIME and ASKAP view the same repeating FRB population, which is responsible not just for repeating FRBs, but the majority of apparently once-off bursts. For greater quantitative accuracy, non-Poissonian arrival times, second-order effects in the CHIME response, and a simultaneous fit to the total FRB population parameters, should be treated in more detail in future studies.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».