MétaCan
Menu
Back to cohort

Higher order statistics for cosmology : likelihood development for future surveys like Euclid

2021· dissertation· W7150912682 on OpenAlexaboutno aff
Virginia Ajani

Bibliographic record

Venuenot available
Typedissertation
Language
FieldPhysics and Astronomy
TopicStatistical Mechanics and Entropy
Canadian institutionsnot available
Fundersnot available
KeywordsMaximum likelihoodWestern europeOrder (exchange)

Abstract

fetched live from OpenAlex

Statistiques d'ordre supérieur pour la cosmologie : développement de la fonction de vraisemblance pour des missions comme Euclid L’effet de lentille gravitationnelle faible lié aux structures à grande échelle est l'effet de la courbure de lalumière émise par les galaxies d'arrière-plan en raison de la présence de matière au premier plan. Il représenteun outil puissant pour estimer les paramètres cosmologiques car il est sensible aux structures à grande échellede l'univers. Les études cosmologiques passées, présentes et futures, comme la prochaine mission Euclid del'Agence spatiale européenne, l'utiliseront comme l'une des principales sondes physiques pour enquêter sur lesquestions non résolues de la cosmologie actuelle, comme les propriétés des composants sombres de l’univers,l'origine de son expansion accélérée ou de la somme totale des masses des neutrinos. Au fur et à mesure queles relevés par lentilles faibles deviennent plus profonds, ils révèlent davantage les caractéristiques nongaussiennes du champ de densité de matière, nécessitant ainsi l’utilisation de statistiques au-delà du secondordre pour mieux extraire des données les informations cosmologiques. Ceci a motivé l'introduction dedifférentes mesures statistiques d'ordre supérieur, telles que les fonctions de Minkowski, le calcul desmoments d'ordre supérieurs à 2, le bispectre, les comptages de pics des vides ou, plus récemment, lascattering transform, la décomposition wavelet phase harmonic statistics et des techniques d’intelligenceartificielle. Cette thèse étudie le potentiel d’effectuer des mesures statistiques multi-échelles pour contraindreles paramètres cosmologiques. Nous comparons d’abord deux techniques d'analyse multi-échelles sur dessimulations de cartes convergence de lentilles faibles bruitées, afin de quantifier l’impact de ce choix sur lacapacité à contraindre les paramètres. La première approche est la concaténation de filtres gaussiens suivie decomptages de pics et la seconde consiste à utiliser une transformée starlet qui est une transformée enondelettes isotrope non décimée et qui décompose une image en plusieurs bandes de même taille, permettantd'extraire simultanément des informations cosmologiques des cartes à différentes échelles. Cette étudeexploite l’information tomographique et considère un bruit d’une amplitude de l’ordre du bruit attendu avec lamission Euclid. Nous trouvons que ces deux approches de comptage de pics multi-échelles surpassent les plusméthodes couramment utilisées qui sont les statistiques de second ordre comme le spectre de puissance ou lecomptage de pics à une seule échelle.De plus, nous observons que dans le cas d’une analyse multi-échelle, combiner les pics multi-échelles avec lespectre de puissance n'ajoute aucune information supplémentaire par rapport à la prise en compteuniquement des pics. L’avantage de la transformée starlet par rapport aux filtres gaussiens est que la matricede covariance est quasiment diagonale, ce qui facilite son inversion. Nous proposons ensuite de remplacer lecomptage de pic multi-échelle par un nouveau descripteur statistique, que nous appelons l1-norm starlet, etqui consiste à sommer la norme l1 des coefficients starlets de la carte de convergence. Ceci évite de devoirdéfinir la notion de pic ou de vide, et permet de tenir compte de toute l’information contenu dans lescoefficients dans notre analyse. Outre le fait d’élégamment unifier l’analyse des pics et des vides, cettenouvelle méthodologie est plus efficace non seulement que chacune des deux indépendamment mais aussi del’analyse jointe pics-vides. Dans la suite, nous montrons des résultats préliminaires relatif à l’application denotre nouvelle méthodologie pour le relevé de galaxies KiDS (Kilo-Degree Survey) et également pour une autresonde, le clustering des galaxies. Nous étudions aussi la robustesse de notre approche sur les données réellesdu relevé Canada-France Imagerie (CFIS).

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Methods · Consensus signal: Methods
Teacher disagreement score0.786
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.000
Science and technology studies0.0010.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0010.000
Insufficient payload (model declined to judge)0.0060.000

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.

Opus teacher head0.017
GPT teacher head0.286
Teacher spread0.269 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreMethods

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same topicStatistical Mechanics and EntropyFrench-language works237,207