Weak lensing analysis of the Canada-France Imaging Survey : from pixels to cosmology, preparation for the Euclid mission
Bibliographic record
Abstract
Analyse du lentillage gravitationnel faible avec le relevé Canada-France Imaging Survey : des pixels à la cosmology, préparation de la mission Euclid Parmi les grandes questions auxquelles la cosmologie fait face aujourd’hui, la nature de la matière noire et de l’énergie noire sont au centre des relevés à venir. Les futures missions de stade IV Euclid et LSST vont couvrir une surface du ciel jamais atteinte auparavant dans le but de révéler les structures aux très grandes échelles et de différentes époques. Le lentillage gravitationnel faible sera une des sondes cosmologiques utilisées pour tracer la matière noire. Le lentillage gravitationnel est un phénomène physique qui utilise la distorsion de la lumière pour tracer la présence de masses dans l’Univers. Ce qui est intéressant avec le lentillage gravitationnel faible est sa sensitivité à la masse totale, i.e. baryonique et non-baryonique. Dû au lentillage gravitationnel, les galaxies distantes apparaissent distordues sur les images observées. La mesure des distorsions provoquées par le cisaillement gravitationnel requiert une très précise estimation des formes des galaxies. Cette thèse présentera la chaîne de réduction de données construites pour l’étude du lentillage gravitationnel faible, depuis le télescope jusqu’à l’inférence des paramètres cosmologiques. Le travail se focalise sur l’analyse du relevé Canada-France Imaging Survey (CFIS), un relevé couvrant 5,000 deg2 de l’hémisphère Nord dans les bandes u et r. La haute résolution et la profondeur de ces données en font à ce jour un des meilleurs candidats pour l’étude de la science du lentillage gravitationnel faible. Entre autres choses, la mesure précise de la forme des galaxies nécessite une très bonne connaissance de la PSF pour laquelle une suite de tests ont été développés pour la validation. Dû au bruit, et l’utilisation d’approximations pour la mesure de formes, les résultats peuvent être biaisés. Par l’utilisation de techniques de pointe comme la Metacalibration, les biais multiplicatifs et additifs résiduels ont été réduits à m < 0.1% et c < 0.001% respectivement. Cette thèse présentera aussi le travail qui est demandé pour le développement d’une chaîne de traitements pour du lentillage gravitationnel faible, comme l’élaboration de simulations d’images très précises et représentatives des données. Nous présenterons les tests de validations réalisés pour assurer une mesure dénuée d’erreurs systématiques. Enfin, des résultats scientifiques préliminaires seront présentés pour démontrer la viabilité de la chaîne de traitements. Nous avons construit des cartes de matière noire sur une surface de 2,000 deg2. Nous avons mesuré et comparé aux prédictions théoriques le cisaillement gravitationnel tangentiel autour d’environ 50 amas. Pour conclure, nous présenterons une première analyse 3x2 points combinant le lentillage gravitationnel faible de l’étude réalisée sur CFIS et la mesure du décalage vers le rouge des galaxies des observations de eBOSS sur les 50 deg2 choisis dans le but de vérifications scientifiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".