<tt> <scp>PyLMT</scp> </tt>: a transient detection pipeline for the 4-m International Liquid Mirror Telescope
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
ABSTRACT The International Liquid Mirror Telescope (ILMT) is a 4-m aperture, zenith-pointing telescope with a field of view of 22$^{\prime }$, situated in the foothills of the Himalayas. The telescope operates in continuous survey mode, making it a useful instrument for time-domain astronomy, particularly for detecting transients, variable stars, active galactic nuclei variability, and asteroids. This paper presents thePyLMT transient detection pipeline to detect such transient/varying sources in the ILMT images. The pipeline utilizes the image subtraction technique to compare a pair of images from the same field, identifying such sources in subtracted images with the help of convolutional neural network (CNN)-based real/bogus classifiers. The test accuracies determined for the real/bogus classifiers ranged from 94 per cent to 98 per cent. The resulting precision of the pipeline calculated over candidate alerts in the ILMT frames is 0.91. It also houses a CNN-aided transient candidate classifier that classifies the transient/variable candidates based on host morphology. The test accuracy of the candidate classifier is 98.6 per cent. It has the provision to identify catalogued asteroids and other Solar system objects using public data bases. The median execution time of the pipeline is approximately 29 min per image of 17 min exposure. Relevant CNNs have been trained on data acquired with the ILMT during the cycle of 2022 October–November. Subsequent tests on those images have confirmed the detection of numerous catalogued asteroids, variable stars, and other uncatalogued sources. The pipeline has been operational and has detected 12 extragalactic transients, including 2 new discoveries in the 2023 November–2024 May observation cycle.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 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