Galaxy clustering: a point process
Bibliographic record
Abstract
El 'clustering' de galàxies és l'agregació de galàxies en l'universe produida per la força de la gravetat. Les galàxies tendeixen a formar estructures de major tamany tal com 'clusters' o filaments que formen la xarxa còsmica ('Cosmic Web'). Aquesta Estructura a Gran Escala de l'Univers es pot entendre com el resultat de la distribució de galàxies, un procés en el qual totes les galàxies estan subjectes a forces comuns i comparteixen propietats universals. L'anàlisis d'aquesta distribució es pot realitzar amb técniques de processos puntuals, l'estudi de configuracions de punts sobre un marc. En aquesta tesi fem servir aquesta branca de la estadística en tres approximacions diferents: els estadístics de resum, la mineria de dades i el modelatge. Els resultats mostren que els Processos Puntuals són una ferramenta excel·lent per a descobrir les propietats de la distribució de galàxies així com per a modelar els seus patrons.\n\nDiverses fonts de dades s'han utilitzat com exemples de Processos Puntuals. Aquestos incluen cartografiats de galàxies moderns tals com l''Sloan Diginal Sky Survey' (SDSS) i el cartografiat ALHAMBRA, que ens permet estudiar i descobrir noves propietats de la distribució de galàxies i les seues conseqüències en el comportament de les galàxies.\n\nLa distribució de recomptes de cel·les d'un Procés Puntual és una técnica senzilla però poderosa per a descriure una distribució. Per a aquest estadístic fem servir dades del SDSS. Ajustem la distribució observacional obtinguda amb quatre funcions de densitat de probabilitat diferents i comparem la bondat dels seus ajustos. Un altre exemple d'estadístics de resum és la funció de correlació, la qual utilitzem per a descriure el comportament de l'agregació de galàxies del cartografiat ALHAMBRA, cobrint un ampla regió de 'redshift'. Amb aquest estadístic som capaços de calcular l'agregació de galàxies segregated espectralment a escales petites per primer cop (< 0.2 Mpc/h).\n\nEls algoritmes de mineria de dades i modelatge utilitzats en aquesta tesi han sigut testats en simulacions de galàxies i matèria fosca, com per exemple la simulació LasDamas o la simulació 'MultiDak'. \n\nEl nostre primer model per a la distribució de galàxies és el model d'interacció de punts de Gibbs, un model probabilistic que descriu la distribució de galàxies depenent de les distàncies de parelles. Per a parelles properes el model incrementa la intesitat del procés, creant un patró agregat. Tres models diferents s'han utilitzat, depenent del perfil del 'cluster'. El model de Geyer defineix un perfil pla on les galàxies estan agregades a intensitats superiors a les de la distirbució homogenea de Poisson trobada a escales majors. El model de Fiksel es un perfil continu amb una pendent exponencial, definint unes amplituds d'agrupament majors a escales curtes. Finalment, el model de Llei de Potències defineix també un perfil continu amb un pol a distància zero.\n\nEls Models de Mescla són una poderosa ferramenta tant per a modelar com per a fer mineria de dades de la distribució de galàxies. Donat una procés amb una estructura ben definida, tal i com és la distribució de galàxies, amb 'clusters', filaments i altres tipus d'agregacions de galàxies, el Models de Mescla poden descriure el seu contingut correctament. Necessitem definir el nombre d'estructures i la seua morfologia, i utilitzar aquesta informació per a construir un model que localutza i ajusta cada estructura. El model resultant és una funció de densitat de probabilitat que descriu fidelment el contingut del Procés Puntual i descriu separadament cada estructura present, permetent una eficient mineria de dades.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".