Super sample covariance and the volume scaling of galaxy survey covariance matrices
Notice bibliographique
Résumé
Abstract Super sample covariance (SSC) is important when estimating covariance matrices using a set of mock catalogues for galaxy surveys. If the underlying cosmological simulations do not include the variation in background parameters appropriate for the simulation sizes, then the scatter between mocks will be missing the SSC component. The coupling between large and small modes due to non-linear structure growth makes this pernicious on small scales. We compare different methods for generating ensembles of mocks with SSC built in to the covariance, and contrast against methods where the SSC component is computed and added to the covariance separately. We find that several perturbative expansions, developed to derive background fluctuations, give similar results. We then consider scaling covariance matrices calculated for simulations of different volumes to improve the accuracy of covariance matrix estimation for a given amount of computational time. On large scales, we find that the primary limitation is from the discrete number of modes contributing to the measured power spectrum, and we propose a new method for correcting this effect. Correct implementation of SSC and the effect of discrete mode numbers allows covariance matrices created from mocks to be scaled between volumes, potentially leading to a significant saving on computational resources when producing covariance matrices. We argue that a sub-percent match is difficult to achieve because of the effects of modes on scales between the box sizes, which cannot be easily included. Even so, when working in real space and cubic boxes, we show that a 3% match in the dark matter power spectrum covariance is achievable on scales of interest for current surveys scaling the simulation volume by 512×, costing a small fraction of the computational time of running full-sized simulations. This is comparable to the agreement between analytic and mock-based covariance estimates to be used with DESI Y1 results.
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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».