DESI 2024: Constraints on physics-focused aspects of dark energy using DESI DR1 BAO data
Notice bibliographique
Résumé
Baryon acoustic oscillation data from the first year of the Dark Energy Spectroscopic Instrument (DESI) provide near percent-level precision of cosmic distances in seven bins over the redshift range $z=0.1--4.2$. This paper is the follow-up to the original DESI BAO cosmology paper [A. G. Adame et al. (DESI Collaboration), arXiv:2404.03002], which considered the conventional ${w}_{0}{w}_{a}$ cold dark matter (CDM) model. We use the novel DESI data, together with other cosmic probes, to constrain the background expansion history using some well-motivated physical classes of dark energy. In particular, we explore three physics-focused behaviors of dark energy from the equation of state and energy density perspectives: the thawing class (matching many simple quintessence potentials), emergent class (where dark energy comes into being recently, as in phase transition models), and mirage class [where phenomenologically the distance to cosmic microwave background (CMB) last scattering is close to that from a cosmological constant $\mathrm{\ensuremath{\Lambda}}$ despite dark energy dynamics]. All three classes fit the data at least as well as $\mathrm{\ensuremath{\Lambda}}\mathrm{CDM}$, and indeed can improve on it by $\mathrm{\ensuremath{\Delta}}{\ensuremath{\chi}}^{2}\ensuremath{\approx}\ensuremath{-}5$ to $\ensuremath{-}17$ for the combination of DESI BAO with CMB and supernova data while having one more parameter. The mirage class does essentially as well as ${w}_{0}{w}_{a}\mathrm{CDM}$ and exhibits moderate to strong Bayesian evidence preference with respect to $\mathrm{\ensuremath{\Lambda}}\mathrm{CDM}$. These classes of dynamical behaviors highlight worthwhile avenues for further exploration into the nature of dark energy.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».