Modélisation sans catalogue des types de galaxies dans les relevés profonds : compression extrême d'images par réseaux de neurones
Notice bibliographique
Résumé
Etudier l'évolution des galaxies c'est comprendre comment chaque type morphologique a évolué et qu'elles sont les transformations possibles entre les différentes populations : elliptiques, spirales, irrégulière... Avec l'approche classique de modélisation inverse, des catalogues photométriques de galaxies sont extraits depuis les images afin de modéliser l'évolution avec le redshift des flux, des couleurs et des tailles des galaxies. Les flux apparents sont convertis en flux absolus en utilisant les distances, et la distribution de ces flux est caractérisée par des ``fonctions de luminosité''. Cependant, ces dernières sont sujettes à de nombreux effets d'incomplétudes qui peuvent biaiser les résultats. Pour éviter cela, dans cette thèse, nous utilisons une approche de modélisation directe : le modèle crée des images multibandes de champs profonds qui reproduisent les caractéristiques instrumentales et observationnelles du champ D1 d'un degré carré du Canada-France-Hawaii Telescope Legacy Survey (CFHTLS). Les images simulées peuvent donc être comparées directement aux observations car elles contiennent les mêmes effets de sélection. Ce travail décrit une nouvelle méthode de compression extrême d'images par réseaux de neurones qui permet de se passer de l'extraction de catalogues photométriques ainsi que des effets d'incomplétudes et des corrections à y apporter. L'information contenue dans la fonction de luminosité étant beaucoup trop complexe à décrire analytiquement, nous combinons ici la compression extrême des données avec des techniques de statistiques Bayésiennes pour inférer depuis les observations les valeurs des paramètres du modèle les plus probables.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».