Inferring the photometric and size evolution of galaxies from image simulations
Bibliographic record
Abstract
Inférence de l'évolution photométrique et en taille des galaxies au moyen d'images simulées Les contraintes actuelles sur l'évolution en luminosité et en taille des galaxies dépendent de catalogues multi-bandes extraits de relevés d'imagerie. Mais ces catalogues sont altérés par des effets de sélection difficiles à modéliser et pouvant mener à des résultats contradictoires s'ils ne sont pas bien pris en compte. Dans cette thèse nous avons développé une nouvelle méthode pour inférer des contraintes robustes sur les modèles d'évolution des galaxies. Nous utilisons un modèle empirique générant une distribution de galaxies synthétiques à partir de paramètres physiques. Ces galaxies passent par un simulateur d'image émulant les propriétés instrumentales de n'importe quel relevé et sont extraites de la même façon que les données observées pour une comparaison directe. L'écart entre vraies et fausses données est minimisé via un échantillonnage basé sur des chaînes de Markov adaptatives. A partir de donnée synthétiques émulant les propriétés du Canada-France-Hawaii Telescope Legacy Survey (CFHTLS) Deep, nous démontrons la cohérence interne de notre méthode en inférant les distributions de taille et de luminosité et leur évolution de plusieurs populations de galaxies. Nous comparons nos résultats à ceux obtenus par la méthode classique d'ajustement de la distribution spectrale d'énergie (SED) et trouvons que notre pipeline infère efficacement les paramètres du modèle en utilisant seulement 3 filtres, et ce plus précisément que par ajustement de la SED à partir des mêmes observables. Puis nous utilisons notre pipeline sur une fraction d'un champ du CFHTLS Deep pour contraindre ces mêmes paramètres. Enfin nous soulignons le potentiel et les limites de cette méthode.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".