Notice bibliographique
Résumé
Les amas de galaxies dans la toile cosmique En tant que structures liées les plus massives de l’univers, les amas de galaxies permettent d’étudier l’influence de l’environnement sur l’évolution des galaxies. Dans ce manuscrit, je présente AMASCFI, un algorithme de détection d’amas développé durant la thèse et utilise le catalogue d’amas obtenu à partir des décalages spectraux photométriques du relevé Canada France Hawaii Telescope Legacy Survey (CFHTLS) pour étudier le rôle des amas sur l’évolution des galaxies. Je démontre les bonnes performances d’AMASCFI sur Euclid et le CFHTLS à partir de données simulées. Je l’applique au CFHTLS pour lequel AMASCFI est pur à 90% et complet à 70% à z<0.7 et déduis une masse pour chaque amas détecté à partir de la richesse. J’étudie alors l'évolution en décalage spectral des fonctions de luminosité des galaxies (GLF) de type précoce (ETG) et de type tardif (LTG) à différentes masses d’amas. J’observe que la GLF des ETGs faibles décroît à grand décalage spectral, la séquence rouge (RS) étant déjà formée à z~0.7, mais enrichie par de faibles ETG à z<0.7. Cela peut être dû à la suppression de la formation stellaire (“quenching”) des LTG dans l’amas ou à l'accrétion de faibles ETG pré-traités dans des groupes en chute sur l’amas. Pour étudier le rôle de ce pré-traitement, je détecte les filaments de la toile cosmique avec la méthode de Laigle et al (2018) et montre qu’elle est bien valide à la précision du CFHTLS. En comparant les distances aux amas AMASCFI des ETG et des LTG dans les filaments, je conclue que les filaments doivent être le siège de “quenching”. Cela pourrait être dû à l’étranglement des galaxies dans les groupes de galaxies mais plus de preuves sont nécessaires.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 0,020 |
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 ».