Euclid Collaboration,G. Congedo,L. Miller,A. N. Taylor,N. Cross,C. A. J. Duncan,T. Kitching,N. Martinet,S. Matthew,T. Schrabback,M. Tewes,N. Welikala,N. Aghanim,A. Amara,S. Andreon,N. Auricchio,M. Baldi,S. Bardelli,R. Bender,C. Bodendorf,D. Bonino,E. Branchini,M. Brescia,J. Brinchmann,S. Camera,V. Capobianco,C. Carbone,V. F. Cardone,J. Carretero,S. Casas,F. J. Castander,M. Castellano,S. Cavuoti,A. Cimatti,C. J. Conselice,L. Conversi,Y. Copin,F. Courbin,H. M. Courtois,M. Cropper,A. Da Silva,H. Degaudenzi,A. M. Di Giorgio,J. Dinis,F. Dubath,X. Dupac,M. Farina,S. Farrens,S. Ferriol,P. Fosalba,M. Frailis,E. Franceschi,S. Galeotta,B. Garilli,B. Gillis,C. Giocoli,A. Grazian,F. Grupp,S. V. H. Haugan,M. S. Holliman,W. Holmes,F. Hormuth,A. Hornstrup,P. Hudelot,K. Jahnke,E. Keihänen,S. Kermiche,A. Kiessling,M. Kilbinger,B. Kubik,K. Kuijken,M. Kümmel,M. Kunz,H. Kurki-Suonio,S. Ligori,P. B. Lilje,V. Lindholm,I. Lloro,D. Maino,E. Maiorano,O. Mansutti,O. Marggraf,K. Markovic,F. Marulli,R. Massey,S. Maurogordato,H. J. McCracken,E. Medinaceli,S. Mei,M. Melchior,M. Meneghetti,E. Merlin,G. Meylan,M. Moresco,B. Morin,L. Moscardini,E. Munari,S. -M. Niemi,J. W. Nightingale,C. Padilla,S. Paltani,F. Pasian,K. Pedersen,W. J. Percival,V. Pettorino,S. Pires,G. Polenta,M. Poncet,L. A. Popa,L. Pozzetti,F. Raison,R. Rebolo,A. Renzi,J. Rhodes,G. Riccio,E. Romelli,M. Roncarelli,E. Rossetti,R. Saglia,D. Sapone,B. Sartoris,P. Schneider,A. Secroun,G. Seidel,S. Serrano,C. Sirignano,G. Sirri,L. Stanco,P. Tallada-Crespí,D. Tavagnacco,I. Tereno,R. Toledo-Moreo,F. Torradeflot,I. Tutusaus,E. A. Valentijn,L. Valenziano,T. Vassallo,A. Veropalumbo,Y. Wang,J. Weller,G. Zamorani,J. Zoubian,E. Zucca,A. Biviano,M. Bolzonella,A. Boucaud,E. Bozzo,C. Burigana,C. Colodro-Conde,D. Di Ferdinando,J. Graciá-Carpio,N. Mauri,C. Neissner,A. A. Nucita,Z. Sakr,V. Scottez,M. Tenti,M. Viel,M. Wiesmann,Y. Akrami,V. Allevato,S. Anselmi,C. Baccigalupi,M. Ballardini,S. Borgani,A. S. Borlaff,S. Bruton,R. Cabanac,A. Cappi,C. S. Carvalho,G. Castignani,T. Castro,G. Cañas-Herrera,K. C. Chambers,A. R. Cooray,J. Coupon,S. Davini,G. De Lucia,G. Desprez,S. Di Domizio,H. Dole,A. Díaz-Sánchez,J. A. Escartin Vigo,S. Escoffier,I. Ferrero,F. Finelli,L. Gabarra,J. García-Bellido,E. Gaztanaga,F. Giacomini,G. Gozaliasl,D. Guinet,A. Hall,H. Hildebrandt,S. Ilić,A. Jimenez Muñoz,S. Joudaki,J. J. E. Kajava,V. Kansal,D. Karagiannis,C. C. Kirkpatrick,L. Legrand,J. Macias-Perez,G. Maggio,M. Magliocchetti,R. Maoli,M. Martinelli,C. J. A. P. Martins,M. Maturi,L. Maurin,R. B. Metcalf,M. Migliaccio,P. Monaco,G. Morgante,S. Nadathur,L. Patrizii,A. Peel,A. Pezzotta,V. Popa,C. Porciani,D. Potter,M. Pöntinen,P. Reimberg,P. -F. Rocci,A. G. Sánchez,J. A. Schewtschenko,A. Schneider,E. Sefusatti,M. Sereno,P. Simon,A. Spurio Mancini,J. Stadel,J. Steinwagner,G. Testera,R. Teyssier,S. Toft,S. Tosi,A. Troja,M. Tucci,C. Valieri,J. Valiviita,D. Vergani
Euclid Collaboration,G. Congedo,L. Miller,A. N. Taylor,N. Cross,C. A. J. Duncan,T. Kitching,N. Martinet,S. Matthew,T. Schrabback,M. Tewes,N. Welikala,N. Aghanim,A. Amara,S. Andreon,N. Auricchio,M. Baldi,S. Bardelli,R. Bender,C. Bodendorf,D. Bonino,E. Branchini,M. Brescia,J. Brinchmann,S. Camera,V. Capobianco,C. Carbone,V. F. Cardone,J. Carretero,S. Casas,F. J. Castander,M. Castellano,S. Cavuoti,A. Cimatti,C. J. Conselice,L. Conversi,Y. Copin,F. Courbin,H. M. Courtois,M. Cropper,A. Da Silva,H. Degaudenzi,A. M. Di Giorgio,J. Dinis,F. Dubath,X. Dupac,M. Farina,S. Farrens,S. Ferriol,P. Fosalba,M. Frailis,E. Franceschi,S. Galeotta,B. Garilli,B. Gillis,C. Giocoli,A. Grazian,F. Grupp,S. V. H. Haugan,M. S. Holliman,W. Holmes,F. Hormuth,A. Hornstrup,P. Hudelot,K. Jahnke,E. Keihänen,S. Kermiche,A. Kiessling,M. Kilbinger,B. Kubik,K. Kuijken,M. Kümmel,M. Kunz,H. Kurki-Suonio,S. Ligori,P. B. Lilje,V. Lindholm,I. Lloro,D. Maino,E. Maiorano,O. Mansutti,O. Marggraf,K. Markovic,F. Marulli,R. Massey,S. Maurogordato,H. J. McCracken,E. Medinaceli,S. Mei,M. Melchior,M. Meneghetti,E. Merlin,G. Meylan,M. Moresco,B. Morin,L. Moscardini,E. Munari,S. -M. Niemi,J. W. Nightingale,C. Padilla,S. Paltani,F. Pasian,K. Pedersen,W. J. Percival,V. Pettorino,S. Pires,G. Polenta,M. Poncet,L. A. Popa,L. Pozzetti,F. Raison,R. Rebolo,A. Renzi,J. Rhodes,G. Riccio,E. Romelli,M. Roncarelli,E. Rossetti,R. Saglia,D. Sapone,B. Sartoris,P. Schneider,A. Secroun,G. Seidel,S. Serrano,C. Sirignano,G. Sirri,L. Stanco,P. Tallada-Crespí,D. Tavagnacco,I. Tereno,R. Toledo-Moreo,F. Torradeflot,I. Tutusaus,E. A. Valentijn,L. Valenziano,T. Vassallo,A. Veropalumbo,Y. Wang,J. Weller,G. Zamorani,J. Zoubian,E. Zucca,A. Biviano,M. Bolzonella,A. Boucaud,E. Bozzo,C. Burigana,C. Colodro-Conde,D. Di Ferdinando,J. Graciá-Carpio,N. Mauri,C. Neissner,A. A. Nucita,Z. Sakr,V. Scottez,M. Tenti,M. Viel,M. Wiesmann,Y. Akrami,V. Allevato,S. Anselmi,C. Baccigalupi,M. Ballardini,S. Borgani,A. S. Borlaff,S. Bruton,R. Cabanac,A. Cappi,C. S. Carvalho,G. Castignani,T. Castro,G. Cañas-Herrera,K. C. Chambers,A. R. Cooray,J. Coupon,S. Davini,G. De Lucia,G. Desprez,S. Di Domizio,H. Dole,A. Díaz-Sánchez,J. A. Escartin Vigo,S. Escoffier,I. Ferrero,F. Finelli,L. Gabarra,J. García-Bellido,E. Gaztanaga,F. Giacomini,G. Gozaliasl,D. Guinet,A. Hall,H. Hildebrandt,S. Ilić,A. Jimenez Muñoz,S. Joudaki,J. J. E. Kajava,V. Kansal,D. Karagiannis,C. C. Kirkpatrick,L. Legrand,J. Macias-Perez,G. Maggio,M. Magliocchetti,R. Maoli,M. Martinelli,C. J. A. P. Martins,M. Maturi,L. Maurin,R. B. Metcalf,M. Migliaccio,P. Monaco,G. Morgante,S. Nadathur,L. Patrizii,A. Peel,A. Pezzotta,V. Popa,C. Porciani,D. Potter,M. Pöntinen,P. Reimberg,P. -F. Rocci,A. G. Sánchez,J. A. Schewtschenko,A. Schneider,E. Sefusatti,M. Sereno,P. Simon,A. Spurio Mancini,J. Stadel,J. Steinwagner,G. Testera,R. Teyssier,S. Toft,S. Tosi,A. Troja,M. Tucci,C. Valieri,J. Valiviita,D. Vergani

LensMC is a weak lensing shear measurement method developed for Euclid and Stage-IV surveys. It is based on forward modelling in order to deal with convolution by a point spread function (PSF) with comparable size to many galaxies; sampling the posterior distribution of galaxy parameters via Markov Chain Monte Carlo; and marginalisation over nuisance parameters for each of the 1.5 billion galaxies observed by Euclid. We quantified the scientific performance through high-fidelity images based on the Euclid Flagship simulations and emulation of the Euclid VIS images; realistic clustering with a mean surface number density of 250 arcmin$^{-2}$ ($I_{\rm E}<29.5$) for galaxies, and 6 arcmin$^{-2}$ ($I_{\rm E}<26$) for stars; and a diffraction-limited chromatic PSF with a full width at half maximum of $0.^{\!\prime\prime}2$ and spatial variation across the field of view. LensMC measured objects with a density of 90 arcmin$^{-2}$ ($I_{\rm E}<26.5$) in 4500 deg$^2$. The total shear bias was broken down into measurement (our main focus here) and selection effects (which will be addressed elsewhere). We found measurement multiplicative and additive biases of $m_1=(-3.6\pm0.2)\times10^{-3}$, $m_2=(-4.3\pm0.2)\times10^{-3}$, $c_1=(-1.78\pm0.03)\times10^{-4}$, $c_2=(0.09\pm0.03)\times10^{-4}$; a large detection bias with a multiplicative component of $1.2\times10^{-2}$ and an additive component of $-3\times10^{-4}$; and a measurement PSF leakage of $\alpha_1=(-9\pm3)\times10^{-4}$ and $\alpha_2=(2\pm3)\times10^{-4}$. When model bias is suppressed, the obtained measurement biases are close to Euclid requirement and largely dominated by undetected faint galaxies ($-5\times10^{-3}$). Although significant, model bias will be straightforward to calibrate given the weak sensitivity. LensMC is publicly available at https://gitlab.com/gcongedo/LensMC


翻译:LensMC 是为欧几里得及第四阶段巡天项目开发的弱引力透镜剪切测量方法。该方法基于前向建模以处理点扩散函数(PSF)对众多星系尺度相当的卷积效应;通过马尔可夫链蒙特卡洛采样星系参数的后验分布;并对欧几里得观测到的15亿个星系逐一进行冗余参数的边际化处理。我们通过基于欧几里得旗舰模拟的高保真图像与欧几里得VIS图像仿真,量化了其科学性能:星系采用平均面数密度为250 arcmin$^{-2}$($I_{\rm E}<29.5$)、恒星为6 arcmin$^{-2}$($I_{\rm E}<26$)的真实空间聚类分布;并采用半高全宽为$0.^{\!\prime\prime}2$、随视场空间变化的衍射极限色散PSF。在4500 deg$^2$天区内,LensMC以90 arcmin$^{-2}$($I_{\rm E}<26.5$)的面密度测量了目标天体。总剪切偏差被分解为测量效应(本文重点)与选择效应(将在其他文献探讨)。我们测得测量乘性偏差与加性偏差分别为 $m_1=(-3.6\pm0.2)\times10^{-3}$、$m_2=(-4.3\pm0.2)\times10^{-3}$、$c_1=(-1.78\pm0.03)\times10^{-4}$、$c_2=(0.09\pm0.03)\times10^{-4}$;检测偏差较大,其乘性分量为$1.2\times10^{-2}$,加性分量为$-3\times10^{-4}$;测量PSF泄漏为$\alpha_1=(-9\pm3)\times10^{-4}$与$\alpha_2=(2\pm3)\times10^{-4}$。当模型偏差被抑制时,所得测量偏差接近欧几里得任务要求,且主要受未检测到的暗弱星系影响($-5\times10^{-3}$)。尽管模型偏差显著,但其弱敏感性使得校准工作较为直接。LensMC已在 https://gitlab.com/gcongedo/LensMC 公开。

0
下载
关闭预览

相关内容

FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
34+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
164+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
RL解决'BipedalWalkerHardcore-v2' (SOTA)
CreateAMind
31+阅读 · 2019年7月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
STRCF for Visual Object Tracking
统计学习与视觉计算组
15+阅读 · 2018年5月29日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
12+阅读 · 2018年3月15日
IJCAI | Cascade Dynamics Modeling with Attention-based RNN
KingsGarden
13+阅读 · 2017年7月16日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
国家自然科学基金
2+阅读 · 2017年12月31日
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VLP: A Survey on Vision-Language Pre-training
Arxiv
11+阅读 · 2022年2月21日
Arxiv
57+阅读 · 2022年1月5日
VIP会员
最新内容
【CMU博士论文】物理世界的视觉感知与深度理解
专知会员服务
0+阅读 · 今天14:36
伊朗战争停火期间美军关键弹药状况分析
专知会员服务
5+阅读 · 今天11:13
电子战革命:塑造战场的十年突破(2015–2025)
专知会员服务
4+阅读 · 今天9:19
人工智能即服务与未来战争(印度视角)
专知会员服务
2+阅读 · 今天7:57
《美国战争部2027财年军事人员预算》
专知会员服务
2+阅读 · 今天7:44
伊朗战争中的电子战
专知会员服务
5+阅读 · 今天7:04
大语言模型平台在国防情报应用中的对比
专知会员服务
8+阅读 · 今天3:12
相关VIP内容
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
34+阅读 · 2019年10月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
164+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
相关资讯
RL解决'BipedalWalkerHardcore-v2' (SOTA)
CreateAMind
31+阅读 · 2019年7月17日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
STRCF for Visual Object Tracking
统计学习与视觉计算组
15+阅读 · 2018年5月29日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
12+阅读 · 2018年3月15日
IJCAI | Cascade Dynamics Modeling with Attention-based RNN
KingsGarden
13+阅读 · 2017年7月16日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
相关基金
国家自然科学基金
2+阅读 · 2017年12月31日
国家自然科学基金
13+阅读 · 2017年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员