Caustics: A Python Package for Accelerated StrongGravitational Lensing Simulations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Gravitational lensing is the deflection of light rays due to the gravity of intervening masses.This phenomenon is observed at a variety of configurations, involving any non-uniform mass such as planets, stars, galaxies, clusters of galaxies, and even the large-scale structure of the Universe.Strong lensing occurs when the distortions are significant and multiple images of the background source are observed.The lens and lensed object(s) must be aligned closely on the sky.As the discovery of lens systems has grown to the low thousands, these systems have become pivotal for precision measurements in astrophysics, notably for phenomena including dark matter (e.g.Hezaveh et al., 2016;Vegetti & Vogelsberger, 2014), supernovae (e.g.Rodney et al., 2021), quasars (e.g.Peng et al., 2006), the first stars (e.g.Welch et al., 2022), and the Universe's expansion rate (e.g.K. C. Wong et al., 2020).With future surveys expected to discover hundreds of thousands of lensing systems, the modelling and simulation of such systems must be done at orders of magnitude larger scale than ever before.Here we present caustics, a Python package designed to facilitate machine learning and Bayesian methods to handle the extensive computational demands of modelling such a vast number of lensing systems.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle