Constraining modified gravity with weak-lensing peaks
Notice bibliographique
Résumé
ABSTRACT It is well established that maximizing the information extracted from upcoming and ongoing stage-IV weak-lensing surveys requires higher order summary statistics that complement the standard two-point statistics. In this work, we focus on weak-lensing peak statistics to test two popular modified gravity models, $f(R)$ and nDGP, using the forge and bridge weak-lensing simulations, respectively. From these simulations, we measure the peak statistics as a function of both cosmological and modified gravity parameters simultaneously. Our findings indicate that the peak abundance is sensitive to the strength of modified gravity, while the peak two-point correlation function is sensitive to the nature of the screening mechanism in a modified gravity model. We combine these simulated statistics with a Gaussian Process Regression emulator and a Gaussian likelihood to generate stage-IV forecast posterior distributions for the modified gravity models. We demonstrate that, assuming small scales can be correctly modelled, peak statistics can be used to distinguish general relativity from $f(R)$ and nDGP models at the 2σ level with a stage-IV survey area of $300$ and $1000 \, \rm {deg}^2$, respectively. Finally, we show that peak statistics can constrain $\log _{10}\left(|f_{R0}|\right) = -6$ per cent to 2 per cent precision, and $\log _{10}(H_0 r_c) = 0.5$ per cent to 25 per cent precision.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».