for the SNLS Collaboration
Notice bibliographique
Résumé
The 5-year project Supernova Legacy Survey (SNLS) delivers ∼ 100 Type-Ia supernovae (SNe Ia) per year, in the redshift range 0.3 < z < 1.0, with well-sampled g ′ r ′ i ′ z ′ lightcurves. The SNLS Collaboration uses the 1 deg 2 Megacam imager (36 2048×4612 thinned CCDs) mounted on the 3.6-m Canada-France-Hawaii Telescope (CFHT) to observe four fields around the sky, in four filters. The primary goal of the project is to measure the dark energy equation of state with a final statistical precision of ±0.05. We have shown, using the first year dataset that the calibration uncertainties are currently the dominant contribution to the systematic error budget. The calibration of the SNLS dataset is challenging in several aspects. First, Megacam is a wide-field imager, and only a handful of its 36 CCDs can be directly calibrated using standard star observations. Second, measuring the rest-frame B-band luminosity of SNe Ia over the 0.3 < z < 1.0 redshift range requires an excellent flux intercalibration of the Megacam bands. Finally, the SN Ia SED differs significantly from that of stars and transfering the stellar calibration to the SNLS data requires a precise knowledge of the SN Ia spectra and the instrument transmissions. We present and discuss the SNLS calibration strategy used to analyze the first year data set. We present the calibration aspects which impact most the cosmological measurements. We also discuss the intercalibration of the SNLS with other surveys, such as the CFHTLS-Wide and the SDSS. 1. The Supernova Legacy Survey Type Ia supernovae (SNe Ia) are a powerful probe of the history of cosmic expansion. The first distant SN Ia surveys (Perlmutter et al. 1997, 1999; Riess et al. 1998) detected the acceleration of the expansion, and provided strong evidence for repulsive dark energy driving the expansion. Subsequent surveys (Knop et al.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,564 | 0,621 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».