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 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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».