Machine-learning recovery of foreground wedge-removed 21-cm light cones for high-<i>z</i> galaxy mapping
Notice bibliographique
Résumé
ABSTRACT Upcoming experiments will map the spatial distribution of the 21-cm signal over three-dimensional volumes of space during the Epoch of Reionization (EoR). Several methods have been proposed to mitigate the issue of astrophysical foreground contamination in tomographic images of the 21-cm signal, one of which involves the excision of a wedge-shaped region in cylindrical Fourier space. While this removes the k-modes most readily contaminated by foregrounds, the concurrent removal of cosmological information located within the wedge considerably distorts the structure of 21-cm images. In this study, we build upon a U-Net-based deep-learning algorithm to reconstruct foreground wedge-removed maps of the 21-cm signal, newly incorporating light-cone effects. Adopting the Square Kilometre Array as our fiducial instrument, we highlight that our U-Net recovery framework retains a reasonable level of reliability even in the face of instrumental limitations and noise. We subsequently evaluate the efficacy of recovered maps in guiding high-redshift galaxy searches and providing context to existing galaxy catalogues. This will allow for studies of how the high-redshift galaxy luminosity function varies across environments, and ultimately refine our understanding of the connection between the ionization state of the intergalactic medium and galaxies during the EoR.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».