Bias-corrected Fast Radio Burst Population and Spectra Using CHIME Injection Data
Notice bibliographique
Résumé
Abstract Fast radio bursts (FRBs), a class of millisecond-scale, highly energetic phenomena with unknown progenitors and radiation mechanisms, require proper statistical analysis as a key method for uncovering their mysteries. In this research, we build on the bias correction method using pulse injections for the first Canadian Hydrogen Intensity Mapping Experiment/FRB catalog, to include correlations between properties and to analyze the FRB population spectrum. This model includes six FRB properties: dispersion measure (DM), pulse width, scattering timescale, spectral index, spectral running, and fluence. By applying the multidimensional weight function calculated by the model, we update the corrected distributions, suggesting that more low-DM, short- and long-width, and short-scattering timescale events may exist. Using one-off events and the first bursts from repeaters, the derived intrinsic population spectrum has a best-fit power law of F ( ν ) ∝ ν α , where α = −2.29 ± 0.29. This confirms previous indications that FRBs are brighter or more numerous at low frequencies. Analyzing nonrepeaters only, we find α = −2.50 ± 0.43, while including all bursts from repeaters produces α = −1.91 ± 0.20. This hints that active repeaters, low-rate repeaters, and nonrepeaters may have different progenitors, mechanisms, or evolutionary stages.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».