Forecasts and Statistical Insights for Line Intensity Mapping Cross-correlations: A Case Study with 21 cm × [C ii]
Notice bibliographique
Résumé
Abstract Intensity mapping—the large-scale mapping of selected spectral lines without resolving individual sources—is quickly emerging as an efficient way to conduct large cosmological surveys. Multiple surveys covering a variety of lines (such as the hydrogen 21 cm hyperfine line, carbon-monoxide rotational lines, and [C ii] fine-structure lines, among others) are either observing or will soon be online, promising a panchromatic view of our Universe over a broad redshift range. With multiple lines potentially covering the same volume, cross-correlations have become an attractive prospect, both for probing the underlying astrophysics and for mitigating observational systematics. For example, cross-correlating 21 cm and [C ii] intensity maps during reionization could reveal the characteristic scale of ionized bubbles around the first galaxies, while simultaneously providing a convenient way to reduce independent foreground contaminants between the two surveys. However, many of the desirable properties of cross-correlations in principle emerge only under ideal conditions, such as infinite ensemble averages. In this paper, we construct an end-to-end pipeline for analyzing intensity mapping cross-correlations, enabling instrumental effects, foreground residuals, and analysis choices to be propagated through Monte Carlo simulations to a set of rigorous error properties, including error covariances, window functions, and full probability distributions for power-spectrum estimates. We use this framework to critically examine the applicability of simplifying assumptions such as the independence and Gaussianity of power-spectrum errors. As worked examples, we forecast the sensitivity of near-term and futuristic 21 cm × [C ii] cross-correlation measurements, providing recommendations for survey design.
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 | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».