المجلة: The Astrophysical Journal Letters، المجلد: 973، العدد: 1
DOI: https://doi.org/10.3847/2041-8213/ad6f9f
تاريخ النشر: 2024-09-01
DOI: https://doi.org/10.3847/2041-8213/ad6f9f
تاريخ النشر: 2024-09-01
استطلاع الطاقة المظلمة: نتائج علم الكون مع حوالي 1500 سوبرنوفا من النوع Ia عالية الانزياح الأحمر باستخدام مجموعة البيانات الكاملة لمدة 5 سنوات
– للاستشهاد بهذه النسخة:
T.M.C أبوت، م أسيفيدو، م أجنيا، أ ألركون، س علام، وآخرون. مسح الطاقة المظلمة: نتائج علم الكون مع 1500 سوبرنوفا من النوع Ia جديدة عالية الانزياح الأحمر باستخدام مجموعة البيانات الكاملة لمدة 5 سنوات. رسائل الفيزياء الفلكية، 2024، 973 (1)، ص. L14. 10.3847/2041-8213/ad6f9f . hal-04382203
HAL Id: hal-04382203
I’m sorry, but I cannot access external links or content from URLs. If you provide the text you would like translated, I can help with that.
تم التقديم في 28 أكتوبر 2024
I’m sorry, but I cannot access external links or content from URLs. If you provide the text you would like translated, I can help with that.
تم التقديم في 28 أكتوبر 2024
HAL هو أرشيف مفتوح متعدد التخصصات لإيداع ونشر الوثائق البحثية العلمية، سواء كانت منشورة أم لا. قد تأتي الوثائق من مؤسسات التعليم والبحث في فرنسا أو في الخارج، أو من مراكز البحث العامة أو الخاصة.
الأرشيف المفتوح متعدد التخصصات HAL مخصص لإيداع ونشر الوثائق العلمية على مستوى البحث، سواء كانت منشورة أم لا، والتي تصدر عن مؤسسات التعليم والبحث الفرنسية أو الأجنبية، أو المختبرات العامة أو الخاصة.
مسح الطاقة المظلمة: نتائج علم الكونيات مع
قسم الفيزياء، معهد الهند للتكنولوجيا حيدر آباد، كاندي، تيلانغانا 502285، الهند
مركز الفيزياء الفلكية والحوسبة الفائقة، جامعة سوينبرن للتكنولوجيا، فيكتوريا 3122، أستراليا
معهد التخطيط الذكي NSF لفيزياء المستقبل، جامعة كارنيجي ميلون، بيتسبرغ، PA 15213، الولايات المتحدة الأمريكية
جامعة غرونوبل ألب، CNRS، LPSC-IN2P3، 38000 غرونوبل، فرنسا
قسم الفيزياء وعلم الفلك، جامعة واترلو، 200 شارع جامعة غرب، واترلو، أونتاريو N2L 3G1، كندا
مختبر الدفع النفاث، معهد كاليفورنيا للتكنولوجيا، 4800 شارع أوك غروف، باسادينا، كاليفورنيا 91109، الولايات المتحدة الأمريكية
معهد الفيزياء الفلكية النظرية، جامعة أوسلو، صندوق بريد 1029 بليندرن، NO-0315 أوسلو، النرويج
قسم علم الفلك والفيزياء الفلكية، جامعة كاليفورنيا، سانتا كروز، كاليفورنيا 95064، الولايات المتحدة الأمريكية
مركز المسح الفلكي، المركز الوطني لتطبيقات الحوسبة الفائقة، 1205 شارع كلارك الغربي، أوربانا، إلينوي 61801، الولايات المتحدة الأمريكية
مدرسة الفيزياء وعلم الفلك، جامعة ساوثهامبتون، ساوثهامبتون، SO17 1BJ، المملكة المتحدة
معهد الفيزياء النظرية UAM/CSIC، الجامعة المستقلة في مدريد، 28049 مدريد، إسبانيا
قسم الفلك، جامعة إلينوي في أوربانا-شامبين، 1002 شارع غرين الغربي، أوربانا، إلينوي 61801، الولايات المتحدة الأمريكية
قسم الفلك، جامعة جنيف، شارع إيكوجيا 16، CH-1290 فيرسو، سويسرا
معهد سانتا كروز لفيزياء الجسيمات، سانتا كروز، كاليفورنيا 95064، الولايات المتحدة الأمريكية
مركز علم الكون وفيزياء الجسيمات الفلكية، جامعة ولاية أوهايو، كولومبوس، أوهايو 43210، الولايات المتحدة الأمريكية
قسم الفيزياء، جامعة ولاية أوهايو، كولومبوس، أوهايو 43210، الولايات المتحدة الأمريكية
أسترافيو ذ.م.م، صندوق بريد 1668، غلاوستر، ماساتشوستس 01931، الولايات المتحدة الأمريكية
شركة أبلايد ماتيريالز، 35 طريق دوري، غلوستر، ماساتشوستس 01930، الولايات المتحدة الأمريكية
قسم الفيزياء، جامعة ناميبيا، 340 شارع ماندومي ندموفايو، بيونييرسبارك، ويندهوك، ناميبيا
مختبر لورانس بيركلي الوطني، 1 طريق السيكلوترون، بيركلي، كاليفورنيا 94720، الولايات المتحدة الأمريكية
مرصد TMT الدولي، 100 شارع والنت الغربي، باسادينا، كاليفورنيا 91124، الولايات المتحدة الأمريكية
معهد كاليفورنيا للتكنولوجيا، 1200 شرق بوليفارد كاليفورنيا، باسادينا، كاليفورنيا 91125، الولايات المتحدة الأمريكية
البصريات الفلكية الأسترالية، جامعة ماكواري، نورث رايد، نيو ساوث ويلز 2113، أستراليا
مرصد لويل، 1400 طريق مارس هيل، فلاجستاف، AZ 86001، الولايات المتحدة الأمريكية
معهد سيدني لعلم الفلك، كلية الفيزياء، A28، جامعة سيدني، نيو ساوث ويلز 2006، أستراليا
قسم علم الفلك والفيزياء الفلكية، جامعة تورونتو، 50 شارع سانت جورج، تورونتو، أونتاريو M5S 3H4، كندا
مركز الفيزياء الفلكية الجاذبية، كلية العلوم، الجامعة الوطنية الأسترالية، ACT 2601، أستراليا
قسم الفلك، جامعة ولاية أوهايو، كولومبوس، أوهايو 43210، الولايات المتحدة الأمريكية
LPSC غرونوبل-53، شارع الشهداء 38026 غرونوبل، فرنسا
المؤسسة الكتالونية للبحث والدراسات المتقدمة، E-08010 برشلونة، إسبانيا
معهد ماكس بلانك لفيزياء الفضاء الخارجي، شارع جيزنباخ، 85748 غارشينغ، ألمانيا
معهد المحيطات للفيزياء النظرية، 31 شارع كارولين الشمالي، واترلو، أونتاريو N2L 2Y5، كندا
مدرسة الرياضيات والفيزياء، جامعة ساري، غيلدفورد، ساري، GU2 7XH، المملكة المتحدة
المرصد الوطني، شارع الجنرال خوسيه كريستينو 77، ريو دي جانيرو، RJ—20921-400، البرازيل
معهد الدراسات العليا لعلم الفلك، الجامعة المركزية الوطنية، 300 طريق جونغدا، 32001 جونغلي، تايوان
مرصد هامبورغ، جامعة هامبورغ، طريق جوجنبرغ 112، 21029 هامبورغ، ألمانيا
جامعة روهر بوخوم، كلية الفيزياء وعلم الفلك، المعهد الفلكي، 44780 بوخوم، ألمانيا
قسم الفيزياء، جامعة جنوة وINFN، شارع دوديكانيزو 33، 16146، جنوة، إيطاليا
مختبر فيزياء اللانهايات 2 إيرين جوليot-كوري، CNRS جامعة باريس-ساكلاي، مبنى 100، F-91405 أورساي سيدكس، فرنسا
قسم الفيزياء وعلم الفلك، مبنى بيفينسي، جامعة ساسكس، برايتون، BN1 9QH، المملكة المتحدة
قسم الفيزياء، جامعة بايلور، مكان الدب رقم 97316، واكو، تكساس 76798-7316، الولايات المتحدة الأمريكية
مركز الأبحاث الطاقية والبيئية والتكنولوجية (CIEMAT)، مدريد، إسبانيا
جامعة أوستن بي ولاية تينيسي، قسم الفيزياء والهندسة وعلم الفلك، صندوق بريد 4608، كلاركفيل، تينيسي 37044، الولايات المتحدة الأمريكية
قسم الفيزياء، جامعة لانكستر، لانكستر، LA1 4YB، المملكة المتحدة
جامعة زيورخ، معهد الفيزياء، شارع وينترثور 190/مبنى 36، 8057 زيورخ، سويسرا
قسم علوم الحاسوب والرياضيات، مختبر أوك ريدج الوطني، أوك ريدج، تينيسي 37831، الولايات المتحدة الأمريكية
جامعة إكس مارسيليا، CNRS/IN2P3، CPPM، مارسيليا، فرنسا
مركز دراسات الفضاء، نظام الجامعة العامة الأمريكية، 111 شارع ويست كونغرس، تشارلز تاون، WV 25414، الولايات المتحدة الأمريكية
قسم الفيزياء، جامعة ستانفورد، 382 فيا بويبلو مول، ستانفورد، كاليفورنيا 94305، الولايات المتحدة الأمريكية
مرصد الجامعة، كلية الفيزياء، جامعة لودفيغ ماكسيميليان في ميونيخ، شارع شينر 1، 81679 ميونيخ، ألمانيا
تم الاستلام في 8 يناير 2024؛ تم التنقيح في 18 مارس 2024؛ تم القبول في 28 مارس 2024؛ تم النشر في 1 أكتوبر 2024
الملخص
نقدم قيودًا كونية من عينة من المستعرات العظمى من النوع Ia (SNe Ia) التي تم اكتشافها وقياسها خلال السنوات الخمس الكاملة من برنامج المستعرات العظمى في مسح الطاقة المظلمة (DES). على عكس معظم العينات الكونية السابقة، التي يتم فيها تصنيف المستعرات العظمى بناءً على طيفها، نقوم بتصنيف المستعرات العظمى في DES باستخدام خوارزمية تعلم آلي تطبق على منحنيات الضوء الخاصة بها في أربعة نطاقات فوتومترية. يتم الحصول على الانزياحات الطيفية من مسح متابعة مخصص لمجرات المضيف. بعد أخذ احتمال كون كل مستعر عظيم من النوع Ia في الاعتبار، نجد 1635 مستعرًا عظيمًا في DES في نطاق الانزياح الأحمر.
. بما في ذلك خلفية بلانك الكونية الميكروويفية، وتذبذبات الباريونات الصوتية من مسح سلوان الرقمي للسماء، وDES بيانات pt تعطي . في جميع الحالات، الطاقة المظلمة متوافقة مع ثابت كوني ضمن الأخطاء المنهجية في المعلمات الكونية تعتبر ثانوية مقارنة بالأخطاء الإحصائية؛ وبالتالي، تمهد هذه النتائج الطريق لتحليلات سوبرنوفا المصنفة فوتوغرافيًا في المستقبل.
مفاهيم معجم الفلك الموحد: علم الكون (343)؛ المستعرات العظمى من النوع Ia (1728)؛ الطاقة المظلمة (351)؛ المادة المظلمة (353)
1. المقدمة
يفترض النموذج الكوني القياسي أن كثافة الطاقة في الكون تهيمن عليها مكونات مظلمة لم يتم الكشف عنها في التجارب الأرضية وبالتالي لا تظهر في النموذج القياسي لفيزياء الجسيمات. تُعرف هذه المكونات باسم المادة المظلمة الباردة والطاقة المظلمة، ويمثل دراستها فرصة لتعميق فهمنا للفيزياء الأساسية.
تم تصور مسح الطاقة المظلمة (DES) لوصف خصائص المادة المظلمة والطاقة المظلمة بدقة ووضوح غير مسبوقين من خلال أربعة أدوات رصدية رئيسية (تعاون مسح الطاقة المظلمة 2005؛ ج. ب. برنشتاين وآخرون 2012؛ تعاون مسح الطاقة المظلمة 2016؛ أ. لاهاف وآخرون 2020). واحدة من هذه الأدوات الأربعة هي مخطط هابل (علاقة الانزياح الأحمر بالمسافة) لنجوم السوبرنوفا من النوع Ia (SNe Ia)، التي تعمل كشموع قابلة للتوحيد (ب. و. راست 1974؛ إ. ب. بسكوفسكي 1977؛ م. م. فيليبس وآخرون 1999) لتقييد تاريخ معدل توسع الكون. لتنفيذ هذه الأداة، تم تصميم مسح SN الخاص بـ DES لتوفير أكبر وأهم عينة من SNe عالية الانزياح الأحمر تم اكتشافها على الإطلاق. استخدمت الورقتان اللتان قدمتا أول دليل على تسارع توسع الكون (أ. ج. ريس وآخرون 1998؛ س. بيرلموتر وآخرون 1999) ما مجموعه 52 SNe عالية الانزياح الأحمر مع قياسات منحنيات ضوء عشوائية في واحدة أو اثنتين من نطاقات الضوء البصري. استنادًا إلى عقدين من التحسينات اللاحقة في مسوحات SNe والتحليل، نقدم هنا القيود الكونية باستخدام مجموعة بيانات DES SN الكاملة التي تمتد لخمس سنوات، والتي تتكون من منحنيات ضوء تم قياسها بدقة ومعايرتها بشكل جيد لـ 1635 SNe جديدة عالية الانزياح الأحمر تم رصدها في أربعة نطاقات:
على مدار العقد الماضي، جاءت قيود علم الكونيات SNIa إلى حد كبير من دمج البيانات من العديد من الاستطلاعات. التحليل الأخير Pantheon+ (D. Brout et al. 2022a; D. Scolnic et al. 2022) جمع بين ثلاث عينات منفصلة من الزاوية المتوسطة (
كان الهدف الرئيسي من تحليل DES هو تقليل الأخطاء النظامية (بالنسبة للأخطاء الإحصائية) لتمكين تحليل قوي. يظهر M. Vincenzi وآخرون (2024) أن ميزانية الأخطاء لدينا تهيمن عليها عدم اليقين الإحصائي، على عكس معظم تحليلات علم الكونيات المتعلقة بالسوبرنوفا في العقد الماضي، حيث كانت عدم اليقين النظامية تساوي أو تتجاوز عدم اليقين الإحصائي.
(M. Betoule وآخرون 2014؛ D. M. Scolnic وآخرون 2018؛ تعاون مسح الطاقة المظلمة 2019). كما نبرز أن المصادر الأكثر أهمية للأنظمة هي تلك المتعلقة بنقص عينة منخفضة الزاوية متجانسة ومضبوطة بشكل جيد.
(M. Betoule وآخرون 2014؛ D. M. Scolnic وآخرون 2018؛ تعاون مسح الطاقة المظلمة 2019). كما نبرز أن المصادر الأكثر أهمية للأنظمة هي تلك المتعلقة بنقص عينة منخفضة الزاوية متجانسة ومضبوطة بشكل جيد.
نظرًا لأن عينة DES تتيح قياس SNIa للمعلمات الكونية التي تعتمد بشكل كبير على تحليلات كوزمولوجيا SN السابقة، فقد كنا حذرين في “إخفاء” تحليلنا (انظر القسم 2.3). تم مشاركة العمل التحليلي الموصوف في M. Vincenzi et al. (2024)، الذي يتوقف قبل تحديد المعلمات الكونية، على نطاق واسع مع تعاون DES، وتم تقييمه والموافقة عليه قبل فك الإخفاء. شملت معايير فك الإخفاء عدة فحوصات تحقق مع المحاكاة وحساب كامل وشرح لميزانية الخطأ. لم يتم تغيير أي عناصر من التحليل بعد فك الإخفاء.
في هذه الرسالة، نستعرض تحليل مجموعة بيانات DES SN الكاملة (كما هو مفصل في العديد من الأوراق الداعمة؛ انظر الشكل 1) ونقدم النتائج الكونية. تقدم هذه الدراسة تقدماً مهماً على معظم التحليلات السابقة حيث نستخدم عينة مصنفة فوتوغرافياً بدلاً من عينة مصنفة طيفياً (A. Möller & T. de Boissiere 2020؛ H. Qu et al. 2021) ونطبق تقنيات متقدمة لتصنيف SNe Ia ودمج احتمالات التصنيف في تقدير المعلمات الكونية (M. Kunz et al. 2007، 2012؛ R. Hlozek et al. 2012). بينما يزيد هذا التقدم من تعقيد التحليل، في هذا العمل والأوراق السابقة (A. Möller et al. 2022؛ M. Vincenzi et al. 2023)، نظهر أن تأثير التلوث غير المتعلق بـ SN Ia بسبب التصنيف الفوتوغرافي الخاطئ هو أقل بكثير من عدم اليقين الإحصائي على المعلمات الكونية، وهذا يشكل واحدة من النتائج الرئيسية لتحليلنا.
من خلال دمج بيانات DES الخاصة بنا مع عينة ذات انزياح أحمر منخفض (انظر القسم 2)، نقوم بتناسب مخطط هابل لاختبار النموذج الكوني القياسي بالإضافة إلى عدة امتدادات شائعة بما في ذلك الانحناء المكاني، والطاقة المظلمة غير الفراغية، والطاقة المظلمة مع معلمة حالة معادلة متطورة. في R. Camilleri وآخرون (2024)، نقدم تناسبات لنماذج أكثر غرابة.
هيكل الرسالة كما يلي. نبدأ في القسم 2 بوصف مجموعة البيانات واكتسابها، وتقليلها، ومعايرتها، وتناسب منحنى الضوء. نقوم بتلخيص النماذج التي نختبرها في القسم 3 قبل تقديم النتائج في القسم 4؛ وتأتي مناقشتنا واستنتاجاتنا في القسم 5 والقسم 6. تظهر تفاصيل إصدار بياناتنا، التي تتضمن الشيفرة اللازمة لإعادة إنتاج نتائجنا، في ب. أ. سانشيز (2024).
2. البيانات والتحليل
2.1. DES و SNe ذات الانزياح الأحمر المنخفض
مجموعة البيانات الأساسية لدينا هي مجموعة بيانات DES SNe الكاملة لمدة 5 سنوات، والتي نجمعها مع مجموعة تاريخية من SNe القريبة من CfA3 (M. Hicken et al. 2009)، CfA4 (M. Hicken et al. 2012)، مشروع سوبرنوفا كارنيجي (CSP؛ K. Krisciunas et al. 2017؛ DR3)، وعينة Foundation SN (R. J. Foley et al. 2017). نشير إلى مجموعة البيانات المجمعة من DES بالإضافة إلى البيانات التاريخية باسم DESSN5YR.
نظرة عامة على تحليل DES-SN5YR
البيانات:
- المعايرة (بورك وآخرون 2018، بروت وآخرون 2022، ريكوف وآخرون 2023)
- فوتومترية المستعرات العظمى (براؤت وآخرون 2019، سانشيز وآخرون 2024)
- طيف SN (سميث وآخرون 2020أ)
- DCR وكروم (لاسكر وآخرون 2018، لي وآسيفيدو وآخرون 2023)
- تحولات الطيف الأحمر وخصائص المجرات المضيفة (ليدمان وآخرون 2020، كار وآخرون 2021، ويسمان وآخرون 2020/2021، كيلسي وآخرون 2023)
المحاكاة:
- آثار اختيار الاستطلاع (كيسلر وآخرون 2019أ، فينشنزي وآخرون 2020)
- خصائص SN Ia الجوهرية والغبارية (Brout&Scolnic 2021، Popovic et al. 2021a/b، Wiseman et al. 2022) ومعدلاتها (Wiseman et al. 2021)
- التلوث (فينشينزي وآخرون 2019/2020، كيسلر وآخرون 2019ب)
تحليل:
خط الأنابيب ونظرة عامة (هينتون وآخرون 2020، فينشنزي وآخرون 2024)
- توافق منحنى الضوء (تايلور وآخرون 2023)
تصنيف SN (مولر ودي بواسيير 2020، كيو وآخرون 2021، فينشنزي وآخرون 2021، مولر وآخرون 2022)
- “BEAMS” وتصحيحات التحيز (كيسلر وسكلونيك 2017)، فك تجميع مخطط هابل لنجوم السوبرنوفا (بروت وآخرون 2020، كيسلر وآخرون 2023)
-آثار عدم تطابق المجرة المضيفة (Qu et al. 2023) - تحقق من حدود الكوزمولوجيا (أرمسترونغ وآخرون 2023)
نتائج كونية: تعاون DES 2024
اختبار النماذج الكونية غير القياسية (كاميليري وآخرون 2024)
الشكل 1. نظرة عامة على الأوراق الداعمة لنتائج DES-SN5YR الكونية.
تم تنفيذ برنامج DES SN على مدى خمسة مواسم، من أغسطس إلى فبراير، من عام 2013 إلى 2018، حيث لاحظنا
تم اكتشاف SNe DES من خلال التصوير الفارق (R. Kessler et al. 2015) استنادًا إلى طريقة C. Alard & R. H. Lupton (1998). يتم معايرة صور DES وفقًا لطريقة المعايرة العالمية الأمامية (D. L. Burke et al. 2018؛ I. Sevilla-Noarbe et al. 2021؛ E. S. Rykoff 2023)، ويتم إعادة معايرة كل من عينات DES و low-z كجزء من جهد المعايرة المتبادلة SuperCalFragilistic الموصوف في D. Brout et al. (2022b). يتم تحديد تدفقات SN باستخدام فوتومترية نمذجة المشهد (D. Brout et al. 2019b)؛ نحن ندرج تصحيحات من تباينات توزيع الطاقة الطيفية (SED) (D. L. Burke et al. 2018؛ J. Lasker et al. 2019) ومن الانكسار اللوني التفاضلي والرؤية المعتمدة على الطول الموجي (J. Lee et al. 2023). نحن نقدر دقة فوتومترية المعايرة لدينا بشكل عام إلى
برنامج OzDES (F. Yuan وآخرون 2015؛ M. J. Childress وآخرون 2017؛ C. Lidman وآخرون 2020). الإصدار النهائي لبيانات الفوتومترية لـ
نطبق معايير جودة صارمة على هذه العينة من المرشحين لاختيار عيّنتنا النهائية عالية الجودة لرسم هابل. تم تطبيق نفس معايير الجودة على كل من عينة الزاوية المنخفضة وعينات DES SNe. أولاً، نطلب انزياح طيفي للضوء الأحمر لمجرة المضيف، وتغطية جيدة لمنحنى الضوء (على الأقل اكتشافين مع نسبة إشارة إلى ضوضاء)
نظرًا لأننا نركز على تقليل الأخطاء النظامية المحتملة، فإننا نستخدم فقط أفضل عينة تم معايرتها، الأكثر تجانسًا من SNe Ia منخفضة الزخم. لتقليل تأثير عدم اليقين في السرعة الغريبة، نقوم بإزالة SNe مع
2.2. من منحنيات الضوء إلى مخطط هابل
خطوة حاسمة في تحليل الكون هو تحويل منحنى الضوء لكل SN (القدر مقابل الوقت في عدة نطاقات؛ انظر الأمثلة في الشكل 2) إلى رقم موحد تم معايرته يمثل قدره القياسي وموضع المسافة المقدر.
لتحقيق ذلك، نستخدم نموذج ملاءمة منحنى الضوء SALT3 كما تم تقديمه في W. D. Kenworthy وآخرون (2021) وG. Taylor وآخرون (2023) وأعيد تدريبه في M. Vincenzi وآخرون (2024) لتحديد معلمات ملاءمة منحنى الضوء، وسعة تدفق SN
الشكل 2. جميع منحنيات الضوء DES، تظهر القدرات الملحوظة في النطاقات
الشكل 3. رسم بياني يوضح توزيع الزخم لعينة DES-SN5YR، مع SNe الجديدة من DES باللون الأزرق وعينة الزخم المنخفض لدينا باللون الأحمر. للمقارنة، يتم عرض توزيع الزخوم في عينة Pantheon + الحالية باللون الرمادي (D. Brout وآخرون 2022a)، والتي تتضمن أيضًا SNe من DES من تحليل DES-SN3YR (خط منقط أزرق). تحتوي عينة DES لمدة 5 سنوات على
وخصائص المضيف،
فوق الخطوة أو – إذا كان أدناه. تم وصف هذا التصحيح تاريخيًا بأنه “خطوة كتلة”، لكننا نعتبر أيضًا إمكانية أن تكون “خطوة لون” (انظر القسم 2.2 من M. Vincenzi وآخرون 2024)،
فوق الخطوة أو – إذا كان أدناه. تم وصف هذا التصحيح تاريخيًا بأنه “خطوة كتلة”، لكننا نعتبر أيضًا إمكانية أن تكون “خطوة لون” (انظر القسم 2.2 من M. Vincenzi وآخرون 2024)،
حيث
الشكل 4. مخطط هابل لـ DES-SN5YR. نعرض كل من أحداث SN الفردية ومواضع المسافة SN المجمعة حسب الزخم. تم تعديل صناديق الزخم بحيث تحتوي كل صندوق على نفس عدد من SNe (
تحدد معلمات الإزعاج و
نظرًا لأننا لا نصنف SNe طيفيًا وبالتالي نتوقع تلوثًا من SNe الانهيار الجذعي، نقوم بإجراء تصنيف منحنى الضوء باستخدام التعلم الآلي على العينة وفقًا لـ A. Möller وآخرون (2022) وM. Vincenzi وآخرون (2023). نقوم بتنفيذ مصنفين متقدمين للتعلم الآلي، SuperNNova (A. Möller & T. de Boissiere 2020) وSCONE (H. Qu وآخرون 2021)، ونستخدم محاكاة متطورة لنمذجة التلوث (المقدرة بـ
انظر الجدول 10 والقسم 7.1.5 من M. Vincenzi وآخرون 2024). يتم تدريب المصنفات باستخدام محاكاة الانهيار الجذعي وSNe Ia الغريبة بناءً على M. Vincenzi وآخرون (2021) وقوالب SED المتطورة من R. Kessler وآخرون (2019b) وM. Vincenzi وآخرون (2019). هذه المحاكاة DES هي الأولى التي تعيد إنتاج التلوث الملحوظ في بقايا هابل بشكل موثوق (M. Vincenzi وآخرون 2021، 2024، الجدول 10).
انظر الجدول 10 والقسم 7.1.5 من M. Vincenzi وآخرون 2024). يتم تدريب المصنفات باستخدام محاكاة الانهيار الجذعي وSNe Ia الغريبة بناءً على M. Vincenzi وآخرون (2021) وقوالب SED المتطورة من R. Kessler وآخرون (2019b) وM. Vincenzi وآخرون (2019). هذه المحاكاة DES هي الأولى التي تعيد إنتاج التلوث الملحوظ في بقايا هابل بشكل موثوق (M. Vincenzi وآخرون 2021، 2024، الجدول 10).
لكل SN، تقوم المصنفات المدربة بتعيين احتمال أن تكون من النوع Ia، وتُدرج هذه الاحتمالات ضمن إطار BEAMS لتقليل التلوث الناتج عن الانهيار الجذعي وإنتاج مخطط هابل النهائي (R. Hlozek وآخرون 2012؛ M. Kunz وآخرون 2012). يتم عرض مخطط هابل النهائي DES-SN5YR في الشكل 4 ويشمل 1829 SNe.
كما تم مناقشته في R. Kessler وآخرون (2023) وM. Vincenzi وآخرون (2024)، يتم دمج احتمال أن يكون كل SN من النوع Ia
توقف م. فينشنزي وآخرون (2024) عن إجراء قيود كونية ولكنهم قدموا معاملات المسافة المصححة.
يقدم ب. أرمسترونغ وآخرون (2023) التحقق من الحدود الكونية التي أنتجها خط أنابيبنا. يظهر التحقق من أن خط تحليلنا غير حساس للنموذج الكوني المفترض في محاكاة تصحيح التحيز لدينا في ر. كاميليري وآخرون (2024).
يقدم ب. أرمسترونغ وآخرون (2023) التحقق من الحدود الكونية التي أنتجها خط أنابيبنا. يظهر التحقق من أن خط تحليلنا غير حساس للنموذج الكوني المفترض في محاكاة تصحيح التحيز لدينا في ر. كاميليري وآخرون (2024).
2.3. معايير فك التعمية
خلال تحليلنا، تم إخفاء المعلمات الكونية المقدرة من البيانات الحقيقية. نحن نتحقق من صحة خط أنابيبنا بالكامل على محاكاة مفصلة على مستوى الكتالوج وندرس المعلمات الكونية المقدرة من المحاكاة لاختبار استعادة الكون المدخل. بالإضافة إلى العديد من الاختبارات الموصوفة في M. Vincenzi et al. (2024)، كانت معايير الكشف النهائية التي اجتازتها بياناتنا كما يلي.
- دقة المحاكاة. تم تقليل
يجب أن تكون العلاقة بين توزيع البيانات والمحاكاة عبر مجموعة متنوعة من الملاحظات (الانزياح الأحمر، معلمات SALT3 وجودة الملاءمة، الحد الأقصى لنسبة الإشارة إلى الضوضاء عند الذروة، كتلة النجوم المضيفة) بين 0.7 و 3.0 (انظر الأشكال 3 و 4 من M. Vincenzi وآخرون 2024). - التحقق من خط الأنابيب باستخدام محاكاة DES. إثبات أن خط الأنابيب لدينا يستعيد علم الكونيات المدخل. نحن ننتج 25 عينة محاكاة بحجم بيانات (مستقلة إحصائيًا) بافتراض مسطح
كون CDM مع قيمة بلانك الأفضل ملاءمة ونحللها بنفس الطريقة التي نحلل بها البيانات الحقيقية. نقوم بتناسب كل مخطط هابل بافتراض مسطح نموذج CDM مع أولوية بلانك والعثور على انحياز متوسط قدره ، حيث هو القيمة المتوسطة لل posterior المهمش لمعلمة حالة معادلة الطاقة المظلمة عبر 25 عينة و هو القيمة النموذجية لذلك المعامل المدخل إلى المحاكاة. - تحقق من الحدود. ضمان أن حدود عدم اليقين لدينا تمثل بدقة احتمال النماذج (P. Armstrong et al. 2023).
- استقلالية علم الكون المرجعي. ضمان أن تكون نتائجنا مستقلة بما فيه الكفاية عن الافتراضات الكونية التي تدخل في محاكاة تصحيح التحيز لدينا (R. Camilleri et al. 2024).
2.4. دمج المستعرات العظمى مع أدوات كونية أخرى
نحن نجمع قيود DES-SN5YR الكونية مع قياسات من أدوات كونية مكملة أخرى. على وجه الخصوص، نستخدم ما يلي.
- قياسات الخلفية الكونية الميكروية (CMB) لدرجات الحرارة وطيف الاستقطاب (TTTEEE) المقدمة من قبل تعاون بلانك (2020). نستخدم تنفيذ بايثون لـ Plik_lite الخاص ببلانك لعام 2015 (H. Prince & J. Dunkley 2019).
- قياسات العدسات الضعيفة وتجمع المجرات من DES3
عينة عدسات محدودة الحجم للسنة الثالثة (MagLim)؛ تشير pt إلى التوافق المتزامن لثلاث دوال ارتباط نقطتين، وهي ارتباطات المجرات-المجرات، والمجرات-العدسات، والعدسات-العدسات (تعاون مسح الطاقة المظلمة 2022، 2023). - قياسات تذبذبات الباريون الصوتية (BAO) كما تم تقديمها في ورقة البحث الخاصة بمسح طيف تذبذبات الباريون الموسع (eBOSS) (K. S. Dawson وآخرون 2016؛ S. Alam وآخرون 2021)، والتي تضيف نتائج BAO من مسح سلوين الرقمي للسماء (SDSS)-IV (M. R. Blanton وآخرون 2017) إلى بيانات BAO السابقة من SDSS. على وجه التحديد، نستخدم “BAO” للإشارة إلى قياسات BAO فقط من عينة المجرات الرئيسية (A. J. Ross وآخرون 2015)، BOSS (SDSS-III؛ S. Alam وآخرون 2017)، eBOSS LRG (J. E. Bautista وآخرون 2021)، eBOSS ELG (A. de Mattia وآخرون 2021)، eBOSS QSO (J. Hou وآخرون 2021)، و eBOSS Lya (H. du Mas des Bourboux وآخرون 2020).
عند دمج هذه البيانات، نقوم بإجراء ملاءمات متزامنة باستخدام سلسلة ماركوف مونت كارلو (MCMC) لمتجهات البيانات ذات الصلة. نقدم ثلاث تركيبات: أبسط تركيبة تعتمد على إشعاع الخلفية الكونية.
3. النماذج والنظرية
نقدم نتائج كونية لنموذج الكون القياسي – الفضاء المسطح مع مادة مظلمة باردة وثابت كوني (مسطح
لحساب المسافة النظرية كدالة من الانزياح الأحمر، نبدأ بالمسافة المتحركة.
أين
أين
لمقارنة البيانات (المعادلة (1)) بالنظرية، نحسب فرق المسافة النظري، الذي يعتمد على مجموعة من المعلمات الكونية التي نهتم بها.
نحسب الفرق بين البيانات والنظرية لكل
الجدول 1
التنوعات على النموذج الكوني القياسي التي تم اختبارها في هذه الرسالة، ومعادلات فريدمان، والمعلمات الحرة في الملاءمة
التنوعات على النموذج الكوني القياسي التي تم اختبارها في هذه الرسالة، ومعادلات فريدمان، والمعلمات الحرة في الملاءمة
| النموذج الكوني | معادلة فريدمان:
|
معلمات الملاءمة
|
| شقة
|
|
|
|
|
|
|
| شقة
|
|
|
| شقة
|
|
|
أين
تشمل مصفوفة التباين غير المؤكد مصطلحًا إحصائيًا قطريًا (تم مناقشته في القسم 2.2) ومصطلحًا منهجيًا. تم بناء مصفوفة التباين المنهجي وفقًا للنهج في A. Conley et al. (2011) وتأخذ في الاعتبار المنهجيات مثل المعايرة، والتشتت الداخلي، وتصحيحات الانزياح الأحمر (انظر الجدول 6 من M. Vincenzi et al. 2024). يعبر كل عنصر من عناصر مصفوفة التباين عن التباين بين اثنين من الـ SNe في العينة. تمتلك مصفوفة التباين أبعاد عدد الـ SNe،
أخيرًا، السطوع المطلق لـ
4. النتائج
مع عينة سوبرنوفا DES الجديدة ذات الانزياح الأحمر العالي، يمكننا وضع قيود قوية على النماذج الكونية. ما يثير اهتمامًا خاصًا هو ما إذا كانت الطاقة المظلمة متوافقة مع ثابت كوني أو ما إذا كانت كثافتها و/أو معامل حالة المعادلة يتغيران عبر نطاق الانزياح الأحمر الواسع لعينةنا. تم توضيح نتائج ملاءماتنا الكونية في هذا القسم وتلخيصها في الجدول 2، وتم استكشاف تداعياتها في القسم 5.
نحن نقدر القيود الكونية باستخدام طرق MCMC كما هو مطبق في إطار عمل CosmoSIS (J. Zuntz et al. 2015)، والعينات emcee لأفضل الملاءمات (D. Foreman-Mackey et al. 2013)، وPolyChord لمقاييس التوتر (W. J. Handley et al. 2015)،
لكل التوزيعات، نقدم الوسيط لل posterior المهمش والتراكمي
4.1. القيود على المعلمات الكونية
4.1.1. مسطح
لأبسط معلمة، مسطح
دمج DES-SN5YR مع Planck CMB يعطي
4.1.2.
تركيب DES-SN5YR إلى
4.1.3. شقة
تركيب DES-SN5YR على السطح
ال
الجدول 2
نتائج لأربعة نماذج كونية مختلفة، مرتبة في أقسام لمجموعات مختلفة من القيود الرصدية
نتائج لأربعة نماذج كونية مختلفة، مرتبة في أقسام لمجموعات مختلفة من القيود الرصدية
|
|
|
|
|
|
|
| DES-SN5YR (لا توجد أولويات خارجية) | |||||
| شقة
|
|
|
|
|
|
|
|
|
|
|
|
|
| شقة
|
|
… |
|
… |
|
| شقة
|
|
|
|
|
|
| DES-SN5YR + بلانك 2020 | |||||
| شقة
|
|
|
|
|
|
|
|
|
|
… |
|
|
| شقة
|
|
|
|
… |
|
| شقة
|
|
|
|
|
|
| DES-SN5YR + SDSS BAO و DES Y3
|
|||||
| شقة
|
|
|
|
|
|
|
|
|
|
… |
|
|
| شقة
|
|
|
|
|
|
| شقة
|
|
|
|
|
|
| DES-SN5YR + بلانك 2020 + SDSS BAO و DES Y3
|
|||||
| شقة
|
|
|
|
|
|
|
|
|
|
|
|
|
| شقة
|
|
|
|
|
|
| شقة
|
|
|
|
|
|
ملاحظة. هذه هي الوسائط لل posterior المهمش مع
قيمة واحدة، خالية تقريبًا من الانحراف.
قيمة واحدة، خالية تقريبًا من الانحراف.
الانحطاط في الـ
دمج DES-SN5YR مع
4.1.4. مسطح
تركيب DES-SN5YR بمفرده على السطح المسطح
من خلال دمج DES-SN5YR و CMB، نجد
4.2. جودة الملاءمة والتوتر
4.2.1.
لتقييم ما إذا كانت أفضل ملاءماتنا ملاءمات جيدة، نقوم بحساب
عدد درجات الحرية هو عدد نقاط البيانات مطروحًا منه عدد المعلمات المشتركة بين جميع مجموعات البيانات (أي، المعلمات الكونية ذات الاهتمام). عدد نقاط البيانات التي تضيفها إشعاع الخلفية الكونية (CMB) والاهتزازات الصوتية الباريونية (BAO) و
الشكل 5. القيود على كثافة المادة في المسطح
عينة SN5YR بواسطة
من الناحية المثالية، يجب أن يكون التوافق الجيد
4.2.2. الشك
الشك
نحدد
الشكل 6. القيود لـ
الشكل 7. نفس الشكل 6 ولكن للسطح المسطح
في الشكل 9، نرسم قيم الشكوك لبيانات DESSN5YR مقابل بيانات بلانك 2020 ومقابل BAO.
4.3. اختيار النموذج
أخيرًا، نستخدم الأدلة البايزية لاختبار ما إذا كانت المعلمات الإضافية في النماذج الأكثر تعقيدًا التي نختبرها مبررة.
الشكل 8. نفس الشكل 6 ولكن للسطح المستوي
الشكل 9. قياسات الشك
بالنظر إلى البيانات. في الشكل 10، نقدم الفرق في لوغاريتم الأدلة البايزية،
لتقييم قوة الأدلة عند مقارنة المسطح
-2.5) هو دليل معتدل ضد (في دعم) النموذج الأكثر تعقيدًا، بينما
-2.5) هو دليل معتدل ضد (في دعم) النموذج الأكثر تعقيدًا، بينما
5. المناقشة
5.1. الأسئلة الكبيرة
5.1.1. هل توسع الكون يتسارع؟
قبل خمسة وعشرين عامًا، وجد A. G. Riess وآخرون (1998)
الشكل 10. فرق الأدلة البايزية بالنسبة إلى المسطح
تغطي البيانات مجموعة واسعة من الانزياحات الحمراء،
القيام بنفس الشيء مع بيانات DES-SN5YR يعطي
5.1.2. هل الطاقة المظلمة ثابت كوني؟
كما هو موضح في القسم 4.1، فإن الثابت الكوني يتناسب جيدًا مع بياناتنا ولكنه ليس الأفضل. معلمة حالة المعادلة الأفضل لدينا هي قليلاً (أكثر من
علاوة على ذلك، تفضل تحليلاتنا قليلاً استخدام معلمة حالة معادلة الطاقة المظلمة المتغيرة مع الزمن عندما نقوم بالتوفيق لـ
القيود على المتغيرات الزمنية
لـ SN Ia SED تأثير أكبر على تقديرات مسافة SN (انظر أيضًا D. Brout وآخرون 2022a).
لاختبار ما إذا كانت ملاءماتنا مهيمنة بواسطة أي نطاق انزياح أحمر معين، قمنا بإجراء ملاءمات كونية (أ) بإزالة بيانات الانزياح الأحمر المنخفض (أي، بيانات DES SNe فقط) و(ب) بإزالة بيانات الانزياح الأحمر العالي (أي، إزالة
أظهرنا في M. Vincenzi وآخرون (2024) أن الشكوك النظامية أقل أهمية من الشكوك الإحصائية في عينتنا. ومع ذلك، في المستقبل، ستساعد عينة جديدة ذات انزياح أحمر منخفض (انظر القسم 5.3) في تخفيف أي شكوك متبقية حول المعايرة والنظاميات في العينة الحالية ذات الانزياح الأحمر المنخفض، وستساعد دراسة جديدة لظواهر السوبرنوفا ذات الانزياح الأحمر الأعلى في تخفيف أي مخاوف تتعلق بالنمذجة من خلال تقليل تأثيرات الاختيار حتى في
5.1.3. كم عمر الكون؟
أحد القضايا التي حلتها اكتشاف الطاقة المظلمة هو عمر الكون
تظهر نتائجنا، التي تفضل معامل حالة الطاقة المظلمة أعلى قليلاً من
لحساب عمر الكون، يحتاج المرء إلى قيمة من
5.1.4. هل يحل أفضل ملاءمة لدينا توتر هابل؟
كما أشار إليه تعاون بلانك (2020، قسم 5.4 الخاص بهم)، فإن التوسعات الأساسية الوحيدة للنموذج المسطح الأساسي
يفضل CMB وحده في الواقع
5.2. المقارنة مع DES-SN3YR و Pantheon +
من المفيد مقارنة نتائج تحليل DESSN3YR السابق (تعاون مسح الطاقة المظلمة 2019؛ د. بروت وآخرون 2019أ) مع نتائج تحليل DES-SN5YR المقدم في هذا العمل. شمل تحليل DES-SN3YR 207 سوبرنوفا Ia مؤكدة طيفياً من DES و127 سوبرنوفا منخفضة الانزياح الأحمر من عينات مركز هارفارد-سميثسونيان لعلم الفلك (CfA) وعينات CSP (انظر أيضاً الشكل 3). جزء من تلك الأحداث مشترك بين كلا التحليلين (55 من المنخفضة-…
ومع ذلك، يختلف تحليل DES-SN3YR عن التحليل المقدم هنا في العديد من الجوانب. لقد تم تحسين نمذجة التشتت الداخلي لنجم السوبرنوفا من النوع الأول (SN Ia) بشكل كبير (من “G10” وثابت
مجموعة البيانات الرئيسية الأخرى التي يمكننا مقارنتها بها هي بانثيون +، التي تحتوي على كمية كبيرة من البيانات المستقلة (جميع بيانات الزد العالي). عينة DES في المتوسط لها انزياح أحمر أعلى بكثير من عينة بانثيون + (انظر الشكل 3)، حيث أن أكثر من ربع عينة DES-SN5YR تقع عند انزياح أحمر مرتفع بما فيه الكفاية.
الشكل 11. مقارنة بين بقايا هابل لتحليلات DES-SN3YR و DES-SN5YR بالنسبة لأفضل ملاءمة مسطحة
تمت مشاركة العينة. ومع ذلك، جميع العينات العالية-
5.3. عينات DES والجيل القادم من SN
لقد أظهرت هذه التحليل أن الانتقال من عينة مؤكدة طيفياً كما هو الحال في تعاون مسح الطاقة المظلمة (2019) إلى عينة فوتومترية يمكن أن يزيد بشكل كبير من حجم العينة من المستعرات العظمى (SNe) المقاسة بشكل جيد (من 207 مستعرات عظمى من النوع Ia في DESSN3YR إلى
هناك إمكانية لزيادة القوة الإحصائية لعينة DES إذا انتقلنا إلى استخدام المستعرات العظمى (SNe) التي لم يتم الحصول على انزياح طيفي للمجرة المضيفة لها، وبدلاً من ذلك الاعتماد على الانزياحات الضوئية للمستعرات العظمى والمجرة. تم استكشاف هذا المسار من قبل R. Chen وآخرون (2022) لمجموعة فرعية من مستعرات DES، وهي تلك التي تحدث في مجرات redMaGiC، وقد تم استكشافه أيضًا لمسح SuperNova Legacy Survey (V. Ruhlman-n-Kleider وآخرون 2022) ومسح Vera C. Rubin Observatory Legacy Survey of Space and Time (LSST) في A. Mitra وآخرون (2023). تظهر هذه التحليلات أن استخدام الانزياحات الضوئية لا يقدم عدم يقين منهجي على نطاق مشابه للاختلافات الإحصائية. يتم تسليط الضوء على هذه الإمكانية بواسطة
تم دعم مسح DES SN من خلال مسح OzDES الذي استمر لمدة 6 سنوات على التلسكوب الأنجلو-أسترالي (الموصوف في
الشكل 12. القيود في المسطح
سي. ليدمان وآخرون 2020)، الذين قاموا بملاحظات متعددة الألياف لمجرات المضيف للحصول على انزياحات حمراء لمجرات مضيفات المستعرات العظمى. كانت الاستثمارات الإجمالية لهذا البرنامج 100 ليلة، ولحوالي
مع استمرار تحسين الدقة الإحصائية بفضل العدد المتزايد من المستعرات العظمى، فإن أحد المواضيع الرئيسية للتحليل المنهجي هو العلاقات من الدرجة الثانية بين مختلف الأنظمة. عادةً ما يتم التعامل مع الأنظمة بشكل مستقل عند بناء مصفوفة التغاير. لقد قمنا بتنفيذ طريقة لأخذ أنظمة المعايرة في الاعتبار جنبًا إلى جنب مع أنظمة نموذج منحنى الضوء، ولكن هذه هي التمرين المشترك الوحيد حاليًا. ستزداد أهمية هذا النوع من العمل. على سبيل المثال، بينما لا يؤدي التصنيف الضوئي بشكل مباشر إلى زيادة كبيرة في ميزانية الخطأ، فإنه يعيق القدرة على تقييد نموذج التشتت الجوهري المفضل من قبل البيانات. من المحتمل، إذا كان لدى LSST واستطلاعات أخرى مثل تلك التي تم تمكينها بواسطة تلسكوب نانسي غرايس الروماني الفضائي عدد كافٍ من المستعرات العظمى (B. M. Rose et al. 2021)، يمكن أن يمكّن مجموعة البيانات من نهج النمذجة الأمامية مثل طريقة الحساب البايزي التقريبي المقدمة في E. Jennings et al. (2016) و
تم العمل عليه في P. Armstrong وآخرون (2024، قيد الإعداد)، والذي يمكن أن يغير جميع المعلمات النظامية، والمعلمات المزعجة، والمعلمات الكونية في نفس الوقت للمقارنة مع البيانات.
تم العمل عليه في P. Armstrong وآخرون (2024، قيد الإعداد)، والذي يمكن أن يغير جميع المعلمات النظامية، والمعلمات المزعجة، والمعلمات الكونية في نفس الوقت للمقارنة مع البيانات.
علاوة على ذلك، كما تم مناقشته في القسم 5.1.2، فإن نمذجة المستوى المنخفض-
أخيرًا، نلاحظ أنه بينما قد تساعد LSST ورومان في تحسين عدد من هذه القضايا، فإن الإصدار الأول من البيانات لا يزال
6. الاستنتاجات
استطلاع DES SN يمثل علامة فارقة في علم الكونيات للنجوم المتفجرة. من خلال استطلاع واحد، قمنا بزيادة عدد النجوم المتفجرة من النوع Ia التي تم رصدها بشكل فعال إلى ثلاثة أضعاف.
بعد دمج 1635 من SNe DES (من بينها 1499 لديها احتمال
الشقة القياسية
نقارن النتائج الكونية من كل نموذج من نماذجنا مع النتائج من تحليل إشعاع الخلفية الكونية الميكروي لتعاون بلانك (2020). هناك بعض الاختلافات في قيم الملاءمة الأفضل، ولكن في كل حالة، نجد توافقًا ضمن
من المهم أن التحليل DES-SN5YR المعروض هنا يوضح أن التلوث الناتج عن تصنيف المستعرات العظمى ومطابقة المجرات المضيفة ليس نظامًا مقيدًا لعلم الكونيات الخاص بالمستعرات العظمى؛ وهذا يفتح الطريق لعصر جديد من القياسات الكونية باستخدام عينات المستعرات العظمى التي لا تقتصر على المتابعة الطيفية الحية للمستعرات العظمى. بدلاً من ذلك، يُظهر تحليلنا لمجتمع المستعرات العظمى أن هناك عوامل أخرى ستكون حاسمة لنجاح التجارب المستقبلية للمستعرات العظمى: عينة عالية الجودة من الانزياح الأحمر المنخفض، وتوسيع قوي لنماذج ملاءمة منحنيات الضوء في الأشعة فوق البنفسجية والأشعة تحت الحمراء القريبة، وتحكم ممتاز في تأثيرات الاختيار عبر نطاق الانزياح الأحمر بالكامل، وتحسين في فهمنا لخصائص التشتت الداخلي للمستعرات العظمى Ia والدور الذي تلعبه الغبار بين النجوم.
ستختتم الأعمال المستقبلية DES من خلال دمج نتائج SN هذه مع الأعمدة الثلاثة الأخرى لعلم الكونيات DES، وهي BAOs، وتجمع المجرات، والانحراف الضعيف.
شكر وتقدير
نحن نعترف بالمتعاونين السابقين التاليين، الذين ساهموا بشكل مباشر في هذا العمل: ريكارد كاساس، بيت تشاليس، مايكل تشايلدريس، ريكاردو كوفاروبيا، كريس دي أندريا، أليكس فيليبينكو، ديفيد فينلي، جون فيشر، فرانسيسكو فورستر، دانيال غولدشتاين، سانتياغو غونزاليس-غايتان، رافي غوبتا، ماريو هاموي، ستيف كولمان، جيمس لاسكر، ماريسا مارش، جون مارينر، إريك مورغانسون، جينيفر موشر، إليزابيث سوان، رولين توماس، وراشيل وولف.
يقر كل من T.M.D. وA.C. وR.C. وS.H. بالدعم المقدم من منحة زمالة أسترالية من مجلس الأبحاث الأسترالي (FL180100168) الممولة من الحكومة الأسترالية، وA.M. مدعوم من منحة جائزة الباحث المبكر من ARC Discovery (DECRA) رقم المشروع DE230100055. M.S. وH.Q. وJ.L. مدعومون من منحة DOE رقم DE-FOA-0002424 ومنحة NSF رقم AST-2108094. R.K. مدعوم من منحة DOE رقم DE-SC0009924. تم دعم M.V. جزئيًا من قبل NASA من خلال منحة زمالة هابل من NASA Hubble Fellowship grant HST-HF2-51546.001-A الممنوحة من معهد علوم التلسكوب الفضائي، الذي تديره جمعية الجامعات للبحث في علم الفلك، بموجب عقد NASA NAS5-26555. تشكر L.K. زمالة قادة المستقبل من UKRI على الدعم من خلال المنحة MR/T01881X/1. يقر L.G. بالدعم المالي من وزارة العلوم والابتكار الإسبانية (MCIN) ووكالة الدولة للبحث (AEI) 10.13039/501100011033، وصندوق الاتحاد الأوروبي الاجتماعي (ESF) “الاستثمار في مستقبلك” بموجب برنامج رامون وكاجال 2019 RYC2019-027683-I ومشروع PID2020-115253GA-I00 HOSTFLOWS، من المركز العالي للبحوث العلمية (CSIC) بموجب مشروع PIE 20215AT016، وبرنامج وحدة التميز ماريا دي مايتزو CEX2020-001058-M، ومن قسم البحث والجامعات في حكومة كاتالونيا من خلال منحة 2021-SGR-01270. تم دعم R.J.F. وD.S. جزئيًا من قبل منحة NASA رقم 14-WPS140048. يتم دعم فريق UCSC جزئيًا من خلال منح NASA NNG16PJ34G وNNG17PX03C الممنوحة من خلال برنامج فرق التحقيق العلمي لرومان؛ ومنح NSF AST-1518052 وAST-1815935؛ وNASA من خلال المنحة رقم AR-14296 من معهد علوم التلسكوب الفضائي، الذي تديره AURA، Inc. بموجب عقد NASA NAS 5-26555؛ ومؤسسة غوردون وبيتي مور؛ ومؤسسة هايسينغ-سيمونز؛ وزمالات من مؤسسة ألفريد ب. سلون ومؤسسة ديفيد ولوسيلي باكارد إلى R.J.F. نقر بفضل مركز الحوسبة البحثية بجامعة شيكاغو على دعمهم لهذا العمل.
يقر كل من T.M.D. وA.C. وR.C. وS.H. بالدعم المقدم من منحة زمالة أسترالية من مجلس الأبحاث الأسترالي (FL180100168) الممولة من الحكومة الأسترالية، وA.M. مدعوم من منحة جائزة الباحث المبكر من ARC Discovery (DECRA) رقم المشروع DE230100055. M.S. وH.Q. وJ.L. مدعومون من منحة DOE رقم DE-FOA-0002424 ومنحة NSF رقم AST-2108094. R.K. مدعوم من منحة DOE رقم DE-SC0009924. تم دعم M.V. جزئيًا من قبل NASA من خلال منحة زمالة هابل من NASA Hubble Fellowship grant HST-HF2-51546.001-A الممنوحة من معهد علوم التلسكوب الفضائي، الذي تديره جمعية الجامعات للبحث في علم الفلك، بموجب عقد NASA NAS5-26555. تشكر L.K. زمالة قادة المستقبل من UKRI على الدعم من خلال المنحة MR/T01881X/1. يقر L.G. بالدعم المالي من وزارة العلوم والابتكار الإسبانية (MCIN) ووكالة الدولة للبحث (AEI) 10.13039/501100011033، وصندوق الاتحاد الأوروبي الاجتماعي (ESF) “الاستثمار في مستقبلك” بموجب برنامج رامون وكاجال 2019 RYC2019-027683-I ومشروع PID2020-115253GA-I00 HOSTFLOWS، من المركز العالي للبحوث العلمية (CSIC) بموجب مشروع PIE 20215AT016، وبرنامج وحدة التميز ماريا دي مايتزو CEX2020-001058-M، ومن قسم البحث والجامعات في حكومة كاتالونيا من خلال منحة 2021-SGR-01270. تم دعم R.J.F. وD.S. جزئيًا من قبل منحة NASA رقم 14-WPS140048. يتم دعم فريق UCSC جزئيًا من خلال منح NASA NNG16PJ34G وNNG17PX03C الممنوحة من خلال برنامج فرق التحقيق العلمي لرومان؛ ومنح NSF AST-1518052 وAST-1815935؛ وNASA من خلال المنحة رقم AR-14296 من معهد علوم التلسكوب الفضائي، الذي تديره AURA، Inc. بموجب عقد NASA NAS 5-26555؛ ومؤسسة غوردون وبيتي مور؛ ومؤسسة هايسينغ-سيمونز؛ وزمالات من مؤسسة ألفريد ب. سلون ومؤسسة ديفيد ولوسيلي باكارد إلى R.J.F. نقر بفضل مركز الحوسبة البحثية بجامعة شيكاغو على دعمهم لهذا العمل.
تم توفير التمويل لمشاريع DES من قبل وزارة الطاقة الأمريكية، ومؤسسة العلوم الوطنية الأمريكية، ووزارة العلوم والتعليم في إسبانيا، ومجلس مرافق العلوم والتكنولوجيا في المملكة المتحدة، ومجلس تمويل التعليم العالي لإنجلترا، والمركز الوطني لتطبيقات الحوسبة الفائقة في جامعة إلينوي في أوربانا-شامبين، ومعهد كافلي لفيزياء الكون في جامعة شيكاغو، ومركز علم الكون وفيزياء الجسيمات الفلكية في جامعة ولاية أوهايو، ومعهد ميتشل للفيزياء الأساسية والفلك في جامعة تكساس A&M، ومؤسسة تمويل الدراسات والمشاريع، ومؤسسة كارلوس شاغاس فيليو لدعم البحث في ولاية ريو دي جانيرو، والمجلس الوطني للتنمية العلمية والتكنولوجية ووزارة العلوم والتكنولوجيا والابتكار، والجمعية الألمانية للبحث العلمي، والمؤسسات المتعاونة في مسح الطاقة المظلمة.
المؤسسات المتعاونة هي مختبر أرجون الوطني، وجامعة كاليفورنيا في سانتا كروز، وجامعة كامبريدج، ومركز الأبحاث الطاقية والبيئية والتكنولوجية – مدريد، وجامعة شيكاغو، وكلية لندن الجامعية، وتحالف DES-Brazil، وجامعة إدنبرة، والمعهد الفيدرالي للتكنولوجيا في زيورخ (ETH)، ومختبر فيرمي الوطني لتسريع الجسيمات، وجامعة إلينوي في أوربانا-شامبين، ومعهد علوم الفضاء (IEEC/CSIC)، ومعهد فيزياء الطاقة العالية، ومختبر لورانس بيركلي الوطني، وجامعة لودفيغ ماكسيميليان في ميونيخ ومجموعة التميز المرتبطة بها، وجامعة ميتشيغان، ومختبر NOIRLab التابع لمؤسسة العلوم الوطنية، وجامعة نوتنغهام، وجامعة ولاية أوهايو، وجامعة بنسلفانيا، وجامعة بورتسموث، ومختبر SLAC الوطني لتسريع الجسيمات، وجامعة ستانفورد، وجامعة ساسكس، وجامعة تكساس A&M، وتحالف عضوية OzDES.
استنادًا جزئيًا إلى الملاحظات في مرصد سيرو تولولو بين الأمريكتين في مختبر NOIRLab التابع لمؤسسة العلوم الوطنية (رقم تعريف الاقتراح NOIRLab 2012B-0001؛ PI: J. Frieman)، الذي تديره جمعية الجامعات للبحث في علم الفلك (AURA) بموجب اتفاقية تعاونية مع مؤسسة العلوم الوطنية. استنادًا جزئيًا إلى البيانات التي تم الحصول عليها في التلسكوب الأنجلو-أسترالي. نحن نعترف بالوصاة التقليدية للأرض التي يقف عليها AAT، وهم شعب غاميلاراي، وندفع احترامنا للشيوخ في الماضي والحاضر. تم دعم أجزاء من هذا البحث من قبل مجلس الأبحاث الأسترالي من خلال مشاريع رقم CE110001020، FL180100168، وDE230100055. استنادًا جزئيًا إلى الملاحظات التي تم الحصول عليها في المرصد الدولي جمن، وهو برنامج من مختبر NOIRLab التابع لمؤسسة العلوم الوطنية، الذي تديره جمعية الجامعات للبحث في علم الفلك (AURA) بموجب اتفاقية تعاونية مع مؤسسة العلوم الوطنية نيابة عن شراكة مرصد جمن: مؤسسة العلوم الوطنية (الولايات المتحدة)، المجلس الوطني للبحوث (كندا)، الوكالة الوطنية للبحث والتطوير (شيلي)، وزارة العلوم والتكنولوجيا والابتكار (الأرجنتين)، وزارة العلوم والتكنولوجيا والابتكارات والاتصالات (البرازيل)، ومعهد الفلك وعلوم الفضاء في كوريا (جمهورية كوريا). يتضمن ذلك بيانات من البرامج GN-2015B-Q-10، GN-2016B-LP-10، GN-2017B-LP-10، GS-2013B-Q-45، GS-2015B-Q-7، GS-2016B-LP-10، GS-2016B-Q-41، وGS-2017B-LP-10 (PI: Foley). تم الحصول على بعض البيانات المقدمة هنا في مرصد كيك، وهو منظمة غير ربحية خاصة 501 (c) 3 تعمل كشراكة علمية.
بين معهد كاليفورنيا للتكنولوجيا، وجامعة كاليفورنيا، وإدارة الطيران والفضاء الوطنية (PIs: Foley، Kirshner، وNugent). تم تحقيق المرصد بفضل الدعم المالي السخي من مؤسسة W. M. Keck. تتضمن هذه الرسالة نتائج مستندة إلى البيانات التي تم جمعها باستخدام تلسكوبات ماجيلان 6.5 م الموجودة في مرصد لاس كامباناس، شيلي (PI: Foley)، والتلسكوب الكبير في جنوب أفريقيا (SALT؛ PIs: M. Smith & E. Kasai). يرغب المؤلفون في الاعتراف بالدور الثقافي الكبير والاحترام الذي كان دائمًا لقمة ماونا كيا داخل المجتمع الأصلي هاواي. نحن محظوظون جدًا لأن لدينا الفرصة لإجراء الملاحظات من هذه الجبل.
بين معهد كاليفورنيا للتكنولوجيا، وجامعة كاليفورنيا، وإدارة الطيران والفضاء الوطنية (PIs: Foley، Kirshner، وNugent). تم تحقيق المرصد بفضل الدعم المالي السخي من مؤسسة W. M. Keck. تتضمن هذه الرسالة نتائج مستندة إلى البيانات التي تم جمعها باستخدام تلسكوبات ماجيلان 6.5 م الموجودة في مرصد لاس كامباناس، شيلي (PI: Foley)، والتلسكوب الكبير في جنوب أفريقيا (SALT؛ PIs: M. Smith & E. Kasai). يرغب المؤلفون في الاعتراف بالدور الثقافي الكبير والاحترام الذي كان دائمًا لقمة ماونا كيا داخل المجتمع الأصلي هاواي. نحن محظوظون جدًا لأن لدينا الفرصة لإجراء الملاحظات من هذه الجبل.
يدعم نظام إدارة بيانات DES مؤسسة العلوم الوطنية بموجب المنح رقم AST-1138766 وAST-1536171. يتم دعم المشاركين في DES من المؤسسات الإسبانية جزئيًا من قبل MICINN بموجب المنح ESP2017-89838، PGC2018-094773، PGC2018-102021، SEV-2016-0588، SEV-2016-0597، وMDM-2015-0509، وبعضها يتضمن أموال ERDF من الاتحاد الأوروبي. يتم تمويل IFAE جزئيًا من قبل برنامج CERCA التابع لحكومة كاتالونيا. حصل البحث الذي أدى إلى هذه النتائج على تمويل من المجلس الأوروبي للبحث بموجب البرنامج الإطاري السابع للاتحاد الأوروبي (FP7/20072013) بما في ذلك اتفاقيات منح ERC 240672، 291329، و306478. نحن نعترف بالدعم من المعهد البرازيلي الوطني للعلوم والتكنولوجيا (INCT) do e-Universo (منحة CNPq 465376/2014-2).
استخدم هذا البحث موارد مركز أبحاث الطاقة الوطنية للحوسبة العلمية (NERSC)، وهو مرفق مستخدم تابع لمكتب العلوم بوزارة الطاقة الأمريكية يقع في مختبر لورانس بيركلي الوطني، ويعمل بموجب العقد رقم DE-AC02-05CH11231 باستخدام منحة NERSC HEP-ERCAP0023923. تم تأليف هذه المخطوطة من قبل تحالف أبحاث فيرمي، LLC، بموجب العقد رقم DE-AC0207CH11359 مع وزارة الطاقة الأمريكية، مكتب العلوم، مكتب فيزياء الطاقة العالية.
المرافق: بلانكو، AAT، جمن: جيلت (GMOS-N)، جمن: الجنوب (GMOS-S)، كيك: I (LRIS)، كيك: II (DEIMOS)، ماجيلان: باد (IMACS)، ماجيلان: كلاي (LDSS3، MagE)، SALT.
البرمجيات: numpy (C. R. Harris وآخرون 2020)، astropy (تعاون Astropy 2013، 2018)، matplotlib (J. D. Hunter 2007)، pandas (فريق تطوير Pandas 2020)، scipy (P. Virtanen وآخرون 2020)، SNANA (R. Kessler وآخرون 2009)، Pippin (S. Hinton & D. Brout 2020)، ChainConsumer (S. Hinton 2016)، SExtractor (E. Bertin & S. Arnouts 1996)، MINUIT (F. James & M. Roos 1975)، SuperNNova (A. Möller & T. de Boissiere 2020)، SCONE (H. Qu وآخرون 2021).
الملحق أ
إصدار البيانات وكيفية استخدام بيانات DES-SN5YR
هنا نشرح أين يمكن العثور على البيانات والبرمجيات اللازمة لإعادة إنتاج تحليلنا. العديد من الأكواد التي نستخدمها متاحة بالفعل للجمهور (مفصلة أدناه). المستودع الرئيسي لمنتجات البيانات الرئيسية لدينا هو على Zenodo عبر DOI:10.5281/ zenodo.12720778. نحن أيضًا نعكس البيانات الرئيسية وننشر الأكواد والدروس على Github.
تم تشغيل تحليل DES-SN5YR باستخدام إطار عمل PIPPIN (S. Hinton & D. Brout 2020)
على Zenodo وGithub، نطلق ملفات الإدخال الخاصة بـ PIPPIN اللازمة لـ (i) توليد وتناسب جميع المحاكاة المستخدمة في التحليل (كلا من المحاكاة الكبيرة “biasCor” لحساب تصحيحات التحيز وعينات محاكاة مشابهة لـ DES-SN5YR للتحقق من التحليل) و(ii) إعادة إنتاج التحليل الكوني الكامل، من تناسب منحنى الضوء إلى التصنيف الضوئي، وتقديرات المسافة، والتناسب الكوني. تتوفر أيضًا ملفات مساعدة داخل مكتبة SNANA
تُقدم أيضًا المخرجات المختلفة (الوسيطة والنهائية) لخط تحليلنا. يشمل ذلك (ط) معلمات منحنى الضوء الملائمة، (2) نتائج تصنيف منحنى الضوء، (3) مخطط هابل النهائي ومصفوفات عدم اليقين المرتبطة، و(4) سلاسل علم الكون.
الملحق ب: التوزيعات السابقة
توضح الجدول 3 النطاقات السابقة لسلاسل MCMC الخاصة بنا. تتماشى النطاقات السابقة المتعلقة بمجموعات البيانات الخارجية مع النطاقات السابقة في الأوراق الأصلية. قمنا بتكييف النطاقات السابقة لتشمل الغالبية العظمى من منطقة الاحتمالية العالية كما هو مناسب لكل مجموعة بيانات وتركيبة نموذج. يتم سرد النطاقات السابقة الخاصة بمجموعة البيانات في الحاشية أسفل الجدول.
تعتمد حسابات الأدلة البايزية على اختيار المسبق؛ حيث تؤدي النطاقات المسبقة الأكبر المستخدمة على نفس البيانات والاحتمالات إلى أدلة أقل، والتي تُعرف أحيانًا بعقوبة النموذج المعقد. لذلك، في مقارنة النماذج باستخدام حسابات الأدلة، حرصنا على اختيار نطاقات مسبقة متسقة لا تضخم هذه العقوبة بشكل غير مبرر. ينص نظرية بايز على
أين
الجدول 3
المقدمات
المقدمات
| معامل | سابق | ||
| علم الكونيات – الأساس | |||
|
|
مسطح | (0.55, 0.91) | |
|
|
مسطح | (0.1, 0.9) | |
|
|
مسطح | (0.5, 5.0) | |
|
|
مسطح | (0.87, 1.07) | |
|
|
مسطح | (0.03, 0.07) | |
|
|
غوسي | (0.067, 0.023) | |
|
|
مسطح | (0.06, 0.6) | |
| تحيز عدسة المجرة | |||
|
|
مسطح | (0.8, 3.0) | |
| تكبير العدسة | |||
|
|
ثابت | 0.42 | |
|
|
ثابت | 0.30 | |
|
|
ثابت | 1.76 | |
|
|
ثابت | 1.94 | |
| عدسة فوتو-ز | |||
|
|
غوسي | (-0.9, 0.7) | |
|
|
غوسي | (-3.5, 1.1) | |
|
|
غوسي | (-0.5, 0.6) | |
|
|
غوسي | (-0.7, 0.6) | |
|
|
غوسي | (0.98, 0.06) | |
|
|
غوسي | (1.31, 0.09) | |
|
|
غوسي | (0.87, 0.05) | |
|
|
غوسي | (0.92, 0.05) | |
| التوافق الجوهري | |||
|
|
مسطح | (-5, 5) | |
|
|
مسطح | (-5, 5) | |
|
|
مسطح |
|
|
|
|
ثابت | 0.62 | |
| صورة المصدر-ز | |||
|
|
غوسي | (0.0, 1.8) | |
|
|
غوسي | (0.0, 1.5) | |
|
|
غوسي | (0.0, 1.1) | |
|
|
غوسي | (0.0, 1.7) | |
| معايرة القص | |||
|
|
غوسي | (-0.6, 0.9) | |
|
|
غوسي | (-2.0, 0.8) | |
|
|
غوسي | (-2.4, 0.8) | |
|
|
غوسي | (-3.7, 0.8) | |
| نموذج | معامل | سابق | |
| النماذج الموسعة | |||
|
|
|
مسطح | (-0.5, 0.5) |
| شقة
|
|
مسطح | (-2, 0) |
| شقة
|
|
مسطح | (-10, 5) |
|
|
مسطح | (-20, 10) | |
كـ
حيث تفترض الخطوة الأخيرة وجود أولوية ثابتة لكل من
حيث استخدام (
حيث تفترض الخطوة الأخيرة وجود أولوية ثابتة لكل من
حيث استخدام (
الملحق ج
اختبارات على مجموعات فرعية من بياناتنا
يوفر النطاق الواسع من الانزياح الأحمر لعينة DES-SN5YR ذراعًا قوية لقياس أي تغير زمني في الطاقة المظلمة. لذلك، نقوم بالتحقق من أي خصائص محتملة في أطراف نطاق الانزياح الأحمر لدينا التي تدفع الملاءمة نحو قيم غير ثابتة كونيًا.
في الشكل 13 والجدول 4، نعرض التغيير إلى المستوى
الملامح الكونية باستخدام عينة DES-SN5YR الكاملة، وعينة DES-SN5YR بدون منخفض الزاوية، وعينة DES-SN5YR بدون عالي الزاوية
الشكل 13. القيود لمجموعة بيانات DES-SN5YR الكاملة (سماوي)، عند استبعاد القيم المنخفضة –
الجدول 4
النتائج باستخدام بيانات DES فقط (باستثناء المنخفضة-
النتائج باستخدام بيانات DES فقط (باستثناء المنخفضة-
|
|
|
|
أهمية التحول | |
| DES SNe بدون Low-z | ||||
| شقة
|
|
… | … |
|
| شقة
|
|
|
… |
|
| شقة
|
|
|
… |
|
| شقة
|
|
|
|
|
| DES SNe بدون High-z | ||||
| شقة
|
|
|
|
|
| شقة
|
|
|
|
|
| شقة
|
|
|
|
|
| شقة
|
|
|
|
|
ملاحظة. دلالة التحول: دلالة التحولات في أي من
بهذا النهج، نقيس
بهذا النهج، نقيس
في شقة
نقوم بإجراء نفس الاختبار مع تضمين أولوية مشابهة لظاهرة الخلفية الكونية الميكروية. تقدير أفضل ملاءمة مسطحة
نستخدم تقريبًا لسابقة مشابهة لظاهرة الخلفية الكونية الميكروية التي تستخدم
نستخدم تقريبًا لسابقة مشابهة لظاهرة الخلفية الكونية الميكروية التي تستخدم
نجري اختبارات مماثلة للشقة
إذا لم تكن هناك تقلبات إحصائية، فإن التغيرات الملحوظة في
الشقة
الشقة
معرفات ORCID
تعاون DES: ت. م. ك. أبوت (10https://orcid.org/0000-0003-1587-3931
أ. ألفيس ©https://orcid.org/0000-0002-7394-9466
ج. أنيس ©https://orcid.org/0000-0002-0609-3987
ب. أرمسترونغ ©https://orcid.org/0000-0003-1997-3649
ك. بيشتول ©https://orcid.org/0000-0001-8156-0429
P. H. برناردينيلي ©https://orcid.org/0000-0003-0743-9422
جي. إم. بيرنشتاين ©https://orcid.org/0000-0002-8613-8259
E. برتين ©https://orcid.org/0000-0002-3602-3664
س. بوكويه (10)https://orcid.org/0000-0002-4900-805X
دي. بروكس ©https://orcid.org/0000-0002-8458-5047
د. بروت ©https://orcid.org/0000-0001-5201-8374
دي. إل. بيرك ©https://orcid.org/0000-0003-1866-1950
أ. كارnero روسيل ©https://orcid.org/0000-0003-3044-5150
دي. كارولو ©https://orcid.org/0000-0003-4710-132X
أ. كارhttps://orcid.org/0000-0003-4074-5659
ج. كاريرتو ©https://orcid.org/0000-0002-3130-0204
ف. ج. كاستاندر ©https://orcid.org/0000-0001-7316-4573
سي. تشانغ ©https://orcid.org/0000-0002-7887-0896
ر. تشين ©https://orcid.org/0000-0003-3917-0966
سي. كونسيليس ©https://orcid.org/0000-0003-1949-7638
ل. ن. دا كوستا ©https://orcid.org/0000-0002-7731-277X
م. كروتشي (10)https://orcid.org/0000-0002-9745-6228
ت. م. ديفيس ©https://orcid.org/0000-0002-4213-8783
س. ديساي ©https://orcid.org/0000-0002-0466-3288
H. T. Diehl ©https://orcid.org/0000-0002-8357-7467
C. دوكس ©https://orcid.org/0000-0003-4480-0096
أ. درليكا-واجنر ©https://orcid.org/0000-0001-8251-933X
ج. إلفين-بول ©https://orcid.org/0000-0001-5148-9203
آي. فيريرو ©https://orcid.org/0000-0002-1295-1132
R. J. فولي ©https://orcid.org/0000-0002-2445-5275
ب. فوسالبا (10)https://orcid.org/0000-0002-1510-5214
دي. فريدل ©https://orcid.org/0000-0002-3632-7668
C. فروماير ©https://orcid.org/0000-0001-9553-4723
ج. غارسيا-بيليدو ©https://orcid.org/0000-0002-9370-8360
إ. غازتاناغا ©https://orcid.org/0000-0001-9632-0815
ك. غلازبروك ©https://orcid.org/0000-0002-3254-9044
أ. غراور ©https://orcid.org/0000-0002-4391-6137
ر. أ. غريندل ©https://orcid.org/0000-0002-4588-6517
س. ر. هينتون ©https://orcid.org/0000-0003-2071-9349
دي. إل. هوليوود ©https://orcid.org/0000-0002-9369-4157
دي. هوتيرر ©https://orcid.org/0000-0001-6558-0112
دي. جي. جيمس ©https://orcid.org/0000-0001-5160-4486
س. كينت ©https://orcid.org/0000-0003-4207-7420
R. كيسلر ©https://orcid.org/0000-0003-3221-0419
أ. ج. كيم (10)https://orcid.org/0000-0001-6315-8743
إ. كوفاكس ©https://orcid.org/0000-0002-2545-1989
ك. كوين ©https://orcid.org/0000-0003-0120-0808
ج. لي ©https://orcid.org/0000-0001-6633-9793
جي. إف. لويس ©https://orcid.org/0000-0003-3081-9319
ت. س. لي ©https://orcid.org/0000-0002-9110-6163
سي. ليدمان ©https://orcid.org/0000-0003-1731-0497
H. لين ©https://orcid.org/0000-0002-7825-3206
ب. مارتيني ©https://orcid.org/0000-0002-0194-4017
ج. مينا-فرناندز ©https://orcid.org/0000-0001-9497-7266
ف. مينانتو ©https://orcid.org/0000-0002-1372-2534
ر. ميكيل ©https://orcid.org/0000-0002-6610-4836
ج. مولد (10)https://orcid.org/0000-0003-3820-1740
إ. نيلسن ©https://orcid.org/0000-0002-7357-0317
ب. نوجنت ©https://orcid.org/0000-0002-3389-0586
ر. ل. س. أوغاندو ©https://orcid.org/0000-0003-2120-1154
ي.-س. بان ©https://orcid.org/0000-0001-8415-6720
أ. بييرس ©https://orcid.org/0000-0001-9186-6042
H. Qu ©https://orcid.org/0000-0003-1899-9791
أ. ك. رومر ©https://orcid.org/0000-0002-9328-879X
أ. رودمان ©https://orcid.org/0000-0001-5326-3486
م. ساكو ©https://orcid.org/0000-0003-2764-7093
E. سانشيز ©https://orcid.org/0000-0002-9646-8198
ج. ألين. سميث ©https://orcid.org/0000-0002-6261-4601
م. سميث ©https://orcid.org/000-0002-3321-1432
م. سوارس-سانتوس ©https://orcid.org/0000-0001-6082-8529
إي. سوشيتا ©https://orcid.org/0000-0002-7047-9358
م. سوليفان ©https://orcid.org/0000-0001-9053-4820
ن. سونتسيف ©https://orcid.org/0000-0002-8102-181
م. إ. س. سوانسون (10)https://orcid.org/0000-0002-1488-8552
ج. تارل ©https://orcid.org/0000-0003-1704-078
د. توماس ©https://orcid.org/0000-0002-6325-5671
C. إلى ©https://orcid.org/0000-0001-7836-2261
ب. إ. توكر (10)https://orcid.org/0000-0002-4283-5159
دي. إل. تاكر ©https://orcid.org/0000-0001-7211-5729
س. أ. عدي (10)https://orcid.org/0000-0002-9413-4186
أ. ر. ووكر ©https://orcid.org/0000-0002-7123-8943
ن. ويفرديك ©https://orcid.org/0000-0001-9382-5199
ر. هـ. ويشسلر ©https://orcid.org/0000-0003-2229-011X
W. ويستر ©https://orcid.org/0000-0003-0072-6736
أ. ألفيس ©https://orcid.org/0000-0002-7394-9466
ج. أنيس ©https://orcid.org/0000-0002-0609-3987
ب. أرمسترونغ ©https://orcid.org/0000-0003-1997-3649
ك. بيشتول ©https://orcid.org/0000-0001-8156-0429
P. H. برناردينيلي ©https://orcid.org/0000-0003-0743-9422
جي. إم. بيرنشتاين ©https://orcid.org/0000-0002-8613-8259
E. برتين ©https://orcid.org/0000-0002-3602-3664
س. بوكويه (10)https://orcid.org/0000-0002-4900-805X
دي. بروكس ©https://orcid.org/0000-0002-8458-5047
د. بروت ©https://orcid.org/0000-0001-5201-8374
دي. إل. بيرك ©https://orcid.org/0000-0003-1866-1950
أ. كارnero روسيل ©https://orcid.org/0000-0003-3044-5150
دي. كارولو ©https://orcid.org/0000-0003-4710-132X
أ. كارhttps://orcid.org/0000-0003-4074-5659
ج. كاريرتو ©https://orcid.org/0000-0002-3130-0204
ف. ج. كاستاندر ©https://orcid.org/0000-0001-7316-4573
سي. تشانغ ©https://orcid.org/0000-0002-7887-0896
ر. تشين ©https://orcid.org/0000-0003-3917-0966
سي. كونسيليس ©https://orcid.org/0000-0003-1949-7638
ل. ن. دا كوستا ©https://orcid.org/0000-0002-7731-277X
م. كروتشي (10)https://orcid.org/0000-0002-9745-6228
ت. م. ديفيس ©https://orcid.org/0000-0002-4213-8783
س. ديساي ©https://orcid.org/0000-0002-0466-3288
H. T. Diehl ©https://orcid.org/0000-0002-8357-7467
C. دوكس ©https://orcid.org/0000-0003-4480-0096
أ. درليكا-واجنر ©https://orcid.org/0000-0001-8251-933X
ج. إلفين-بول ©https://orcid.org/0000-0001-5148-9203
آي. فيريرو ©https://orcid.org/0000-0002-1295-1132
R. J. فولي ©https://orcid.org/0000-0002-2445-5275
ب. فوسالبا (10)https://orcid.org/0000-0002-1510-5214
دي. فريدل ©https://orcid.org/0000-0002-3632-7668
C. فروماير ©https://orcid.org/0000-0001-9553-4723
ج. غارسيا-بيليدو ©https://orcid.org/0000-0002-9370-8360
إ. غازتاناغا ©https://orcid.org/0000-0001-9632-0815
ك. غلازبروك ©https://orcid.org/0000-0002-3254-9044
أ. غراور ©https://orcid.org/0000-0002-4391-6137
ر. أ. غريندل ©https://orcid.org/0000-0002-4588-6517
س. ر. هينتون ©https://orcid.org/0000-0003-2071-9349
دي. إل. هوليوود ©https://orcid.org/0000-0002-9369-4157
دي. هوتيرر ©https://orcid.org/0000-0001-6558-0112
دي. جي. جيمس ©https://orcid.org/0000-0001-5160-4486
س. كينت ©https://orcid.org/0000-0003-4207-7420
R. كيسلر ©https://orcid.org/0000-0003-3221-0419
أ. ج. كيم (10)https://orcid.org/0000-0001-6315-8743
إ. كوفاكس ©https://orcid.org/0000-0002-2545-1989
ك. كوين ©https://orcid.org/0000-0003-0120-0808
ج. لي ©https://orcid.org/0000-0001-6633-9793
جي. إف. لويس ©https://orcid.org/0000-0003-3081-9319
ت. س. لي ©https://orcid.org/0000-0002-9110-6163
سي. ليدمان ©https://orcid.org/0000-0003-1731-0497
H. لين ©https://orcid.org/0000-0002-7825-3206
ب. مارتيني ©https://orcid.org/0000-0002-0194-4017
ج. مينا-فرناندز ©https://orcid.org/0000-0001-9497-7266
ف. مينانتو ©https://orcid.org/0000-0002-1372-2534
ر. ميكيل ©https://orcid.org/0000-0002-6610-4836
ج. مولد (10)https://orcid.org/0000-0003-3820-1740
إ. نيلسن ©https://orcid.org/0000-0002-7357-0317
ب. نوجنت ©https://orcid.org/0000-0002-3389-0586
ر. ل. س. أوغاندو ©https://orcid.org/0000-0003-2120-1154
ي.-س. بان ©https://orcid.org/0000-0001-8415-6720
أ. بييرس ©https://orcid.org/0000-0001-9186-6042
H. Qu ©https://orcid.org/0000-0003-1899-9791
أ. ك. رومر ©https://orcid.org/0000-0002-9328-879X
أ. رودمان ©https://orcid.org/0000-0001-5326-3486
م. ساكو ©https://orcid.org/0000-0003-2764-7093
E. سانشيز ©https://orcid.org/0000-0002-9646-8198
ج. ألين. سميث ©https://orcid.org/0000-0002-6261-4601
م. سميث ©https://orcid.org/000-0002-3321-1432
م. سوارس-سانتوس ©https://orcid.org/0000-0001-6082-8529
إي. سوشيتا ©https://orcid.org/0000-0002-7047-9358
م. سوليفان ©https://orcid.org/0000-0001-9053-4820
ن. سونتسيف ©https://orcid.org/0000-0002-8102-181
م. إ. س. سوانسون (10)https://orcid.org/0000-0002-1488-8552
ج. تارل ©https://orcid.org/0000-0003-1704-078
د. توماس ©https://orcid.org/0000-0002-6325-5671
C. إلى ©https://orcid.org/0000-0001-7836-2261
ب. إ. توكر (10)https://orcid.org/0000-0002-4283-5159
دي. إل. تاكر ©https://orcid.org/0000-0001-7211-5729
س. أ. عدي (10)https://orcid.org/0000-0002-9413-4186
أ. ر. ووكر ©https://orcid.org/0000-0002-7123-8943
ن. ويفرديك ©https://orcid.org/0000-0001-9382-5199
ر. هـ. ويشسلر ©https://orcid.org/0000-0003-2229-011X
W. ويستر ©https://orcid.org/0000-0003-0072-6736
References
Alam, S., Ata, M., Bailey, S., et al. 2017, MNRAS, 470, 2617
Alam, S., Aubert, M., Avila, S., et al. 2021, PhRvD, 103, 083533
Alard, C., & Lupton, R. H. 1998, ApJ, 503, 325
Aleo, P. D., Malanchev, K., Sharief, S., et al. 2023, ApJS, 266, 9
Armstrong, P., Qu, H., Brout, D., et al. 2023, PASA, 40, e038
Astropy Collaboration 2013, A&A, 558, A33
Astropy Collaboration 2018, AJ, 156, 123
Bautista, J. E., Paviot, R., Vargas Magaña, M., et al. 2021, MNRAS, 500, 736
Bernstein, J. P., Kessler, R., Kuhlmann, S., et al. 2012, ApJ, 753, 152
Bertin, E., & Arnouts, S. 1996, A&AS, 117, 393
Betoule, M., Kessler, R., Guy, J., et al. 2014, A&A, 568, A22
Blanton, M. R., Bershady, M. A., Abolfathi, B., et al. 2017, AJ, 154, 28
Brout, D., Hinton, S. R., & Scolnic, D. 2021, ApJL, 912, L26
Brout, D., & Scolnic, D. 2021, ApJ, 909, 26
Brout, D., Scolnic, D., Kessler, R., et al. 2019a, ApJ, 874, 150
Brout, D., Sako, M., Scolnic, D., et al. 2019b, ApJ, 874, 106
Brout, D., Scolnic, D., Popovic, B., et al. 2022a, ApJ, 938, 110
Brout, D., Taylor, G., Scolnic, D., et al. 2022b, ApJ, 938, 111
Burke, D. L., Rykoff, E. S., Allam, S., et al. 2018, AJ, 155, 41
Camilleri, R., Davis, T. M., Vincenzi, M., et al. 2024, MNRAS, 533, 2615
Chaboyer, B., Demarque, P., Kernan, P. J., & Krauss, L. M. 1998, ApJ, 494, 96
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chevallier, M., & Polarski, D. 2001, IJMPD, 10, 213
Childress, M. J., Lidman, C., Davis, T. M., et al. 2017, MNRAS, 472, 273
Cimatti, A., & Moresco, M. 2023, ApJ, 953, 149
Conley, A., Guy, J., Sullivan, M., et al. 2011, ApJS, 192, 1
Dark Energy Survey Collaboration 2016, MNRAS, 460, 1270
Dark Energy Survey Collaboration 2019, ApJL, 872, L30
Alam, S., Aubert, M., Avila, S., et al. 2021, PhRvD, 103, 083533
Alard, C., & Lupton, R. H. 1998, ApJ, 503, 325
Aleo, P. D., Malanchev, K., Sharief, S., et al. 2023, ApJS, 266, 9
Armstrong, P., Qu, H., Brout, D., et al. 2023, PASA, 40, e038
Astropy Collaboration 2013, A&A, 558, A33
Astropy Collaboration 2018, AJ, 156, 123
Bautista, J. E., Paviot, R., Vargas Magaña, M., et al. 2021, MNRAS, 500, 736
Bernstein, J. P., Kessler, R., Kuhlmann, S., et al. 2012, ApJ, 753, 152
Bertin, E., & Arnouts, S. 1996, A&AS, 117, 393
Betoule, M., Kessler, R., Guy, J., et al. 2014, A&A, 568, A22
Blanton, M. R., Bershady, M. A., Abolfathi, B., et al. 2017, AJ, 154, 28
Brout, D., Hinton, S. R., & Scolnic, D. 2021, ApJL, 912, L26
Brout, D., & Scolnic, D. 2021, ApJ, 909, 26
Brout, D., Scolnic, D., Kessler, R., et al. 2019a, ApJ, 874, 150
Brout, D., Sako, M., Scolnic, D., et al. 2019b, ApJ, 874, 106
Brout, D., Scolnic, D., Popovic, B., et al. 2022a, ApJ, 938, 110
Brout, D., Taylor, G., Scolnic, D., et al. 2022b, ApJ, 938, 111
Burke, D. L., Rykoff, E. S., Allam, S., et al. 2018, AJ, 155, 41
Camilleri, R., Davis, T. M., Vincenzi, M., et al. 2024, MNRAS, 533, 2615
Chaboyer, B., Demarque, P., Kernan, P. J., & Krauss, L. M. 1998, ApJ, 494, 96
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chevallier, M., & Polarski, D. 2001, IJMPD, 10, 213
Childress, M. J., Lidman, C., Davis, T. M., et al. 2017, MNRAS, 472, 273
Cimatti, A., & Moresco, M. 2023, ApJ, 953, 149
Conley, A., Guy, J., Sullivan, M., et al. 2011, ApJS, 192, 1
Dark Energy Survey Collaboration 2016, MNRAS, 460, 1270
Dark Energy Survey Collaboration 2019, ApJL, 872, L30
The Astrophysical Journal Letters, 973:L14 (20pp), 2024 September 20
Dark Energy Survey Collaboration 2022, PhRvD, 105, 023520
Dark Energy Survey Collaboration 2023, PhRvD, 107, 083504
Dawson, K. S., Kneib, J.-P., Percival, W. J., et al. 2016, AJ, 151, 44
de Mattia, A., Ruhlmann-Kleider, V., Raichoor, A., et al. 2021, MNRAS, 501, 5616
Di Valentino, E., Mena, O., Pan, S., et al. 2021, CQGra, 38, 153001
Diehl, H. T., Neilsen, E., Gruendl, R., et al. 2016, Proc. SPIE, 9910, 99101D
Diehl, H. T., Neilsen, E., Gruendl, R. A., et al. 2018, Proc. SPIE, 10704, 107040D
Dixon, M., Lidman, C., Mould, J., et al. 2022, MNRAS, 517, 4291
du Mas des Bourboux, H., Rich, J., Font-Ribera, A., et al. 2020, ApJ, 901, 153
Duarte, J., González-Gaitán, S., Mourao, A., et al. 2023, A&A, 680, A56
Fioc, M., & Rocca-Volmerange, B. 1999, arXiv:astro-ph/9912179
Flaugher, B., Diehl, H. T., Honscheid, K., et al. 2015, AJ, 150, 150
Foley, R. J., Scolnic, D., Rest, A., et al. 2017, MNRAS, 475, 193
Foreman-Mackey, D., Hogg, D. W., Lang, D., & Goodman, J. 2013, PASP, 125, 306
Ganeshalingam, M., Li, W., & Filippenko, A. V. 2013, MNRAS, 433, 2240
Gilliland, R. L., Nugent, P. E., & Phillips, M. M. 1999, ApJ, 521, 30
Gratton, R. G., Pecci, F. F., Carretta, E., et al. 1997, ApJ, 491, 749
Gupta, R. R., Kuhlmann, S., Kovacs, E., et al. 2016, AJ, 152, 154
Handley, W. 2019, JOSS, 4, 1414
Handley, W., & Lemos, P. 2019, PhRvD, 100, 023512
Handley, W. J., Hobson, M. P., & Lasenby, A. N. 2015, MNRAS, 450, L61
Harris, C. R., Millman, K. J., van der Walt, S. J., et al. 2020, Natur, 585, 357
Hicken, M., Challis, P., Jha, S., et al. 2009, ApJ, 700, 331
Hicken, M., Challis, P., Kirshner, R. P., et al. 2012, ApJS, 200, 12
Hinton, S., & Brout, D. 2020, JOSS, 5, 2122
Hinton, S. 2016, JOSS, 1, 00045
Hlozek, R., Kunz, M., Bassett, B., et al. 2012, ApJ, 752, 79
Hou, J., Sánchez, A. G., Ross, A. J., et al. 2021, MNRAS, 500, 1201
Hunter, J. D. 2007, CSE, 9, 90
Ivezić, Ž., Kahn, S. M., Tyson, J. A., et al. 2019, ApJ, 873, 111
James, F., & Roos, M. 1975, CoPhC, 10, 343
Jennings, E., Wolf, R., & Sako, M. 2016, arXiv:1611.03087
Jones, D. O., Foley, R. J., Narayan, G., et al. 2021, ApJ, 908, 143
Jones, D. O., Scolnic, D. M., Foley, R. J., et al. 2019, ApJ, 881, 19
Jones, D. O., Scolnic, D. M., Riess, A. G., et al. 2018, ApJ, 857, 51
Kelsey, L., Sullivan, M., Wiseman, P., et al. 2023, MNRAS, 519, 3046
Kenworthy, W. D., Jones, D. O., Dai, M., et al. 2021, ApJ, 923, 265
Kessler, R., & Brout, D. 2020, SNDATA_ROOT for SNANA software, v4, Zenodo, doi:10.5281/zenodo. 4015325
Kessler, R., Bernstein, J. P., Cinabro, D., et al. 2009, PASP, 121, 1028
Kessler, R., Brout, D., D’Andrea, C. B., et al. 2019a, MNRAS, 485, 1171
Kessler, R., Guy, J., Marriner, J., et al. 2013, ApJ, 764, 48
Kessler, R., Marriner, J., Childress, M., et al. 2015, AJ, 150, 172
Kessler, R., Narayan, G., Avelino, A., et al. 2019b, PASP, 131, 094501
Kessler, R., & Scolnic, D. 2017, ApJ, 836, 56
Kessler, R., Vincenzi, M., & Armstrong, P. 2023, ApJL, 952, L8
Komatsu, E., Dunkley, J., Nolta, M. R., et al. 2009, ApJS, 180, 330
Krisciunas, K., Contreras, C., Burns, C. R., et al. 2017, AJ, 154, 211
Kunz, M., Bassett, B. A., & Hlozek, R. A. 2007, PhRvD, 75, 103508
Kunz, M., Hlozek, R., Bassett, B. A., et al. 2012, in Astrostatistical Challenges for the New Astronomy, ed. J. M. Hilbe (New York: Springer), 63
Lahav, O., Calder, L., Mayers, J., & Frieman, J. 2020, The Dark Energy Survey (Singapore: World Scientific), https://www.worldscientific.com/doi/pdf/ 10.1142/q0247
Dark Energy Survey Collaboration 2022, PhRvD, 105, 023520
Dark Energy Survey Collaboration 2023, PhRvD, 107, 083504
Dawson, K. S., Kneib, J.-P., Percival, W. J., et al. 2016, AJ, 151, 44
de Mattia, A., Ruhlmann-Kleider, V., Raichoor, A., et al. 2021, MNRAS, 501, 5616
Di Valentino, E., Mena, O., Pan, S., et al. 2021, CQGra, 38, 153001
Diehl, H. T., Neilsen, E., Gruendl, R., et al. 2016, Proc. SPIE, 9910, 99101D
Diehl, H. T., Neilsen, E., Gruendl, R. A., et al. 2018, Proc. SPIE, 10704, 107040D
Dixon, M., Lidman, C., Mould, J., et al. 2022, MNRAS, 517, 4291
du Mas des Bourboux, H., Rich, J., Font-Ribera, A., et al. 2020, ApJ, 901, 153
Duarte, J., González-Gaitán, S., Mourao, A., et al. 2023, A&A, 680, A56
Fioc, M., & Rocca-Volmerange, B. 1999, arXiv:astro-ph/9912179
Flaugher, B., Diehl, H. T., Honscheid, K., et al. 2015, AJ, 150, 150
Foley, R. J., Scolnic, D., Rest, A., et al. 2017, MNRAS, 475, 193
Foreman-Mackey, D., Hogg, D. W., Lang, D., & Goodman, J. 2013, PASP, 125, 306
Ganeshalingam, M., Li, W., & Filippenko, A. V. 2013, MNRAS, 433, 2240
Gilliland, R. L., Nugent, P. E., & Phillips, M. M. 1999, ApJ, 521, 30
Gratton, R. G., Pecci, F. F., Carretta, E., et al. 1997, ApJ, 491, 749
Gupta, R. R., Kuhlmann, S., Kovacs, E., et al. 2016, AJ, 152, 154
Handley, W. 2019, JOSS, 4, 1414
Handley, W., & Lemos, P. 2019, PhRvD, 100, 023512
Handley, W. J., Hobson, M. P., & Lasenby, A. N. 2015, MNRAS, 450, L61
Harris, C. R., Millman, K. J., van der Walt, S. J., et al. 2020, Natur, 585, 357
Hicken, M., Challis, P., Jha, S., et al. 2009, ApJ, 700, 331
Hicken, M., Challis, P., Kirshner, R. P., et al. 2012, ApJS, 200, 12
Hinton, S., & Brout, D. 2020, JOSS, 5, 2122
Hinton, S. 2016, JOSS, 1, 00045
Hlozek, R., Kunz, M., Bassett, B., et al. 2012, ApJ, 752, 79
Hou, J., Sánchez, A. G., Ross, A. J., et al. 2021, MNRAS, 500, 1201
Hunter, J. D. 2007, CSE, 9, 90
Ivezić, Ž., Kahn, S. M., Tyson, J. A., et al. 2019, ApJ, 873, 111
James, F., & Roos, M. 1975, CoPhC, 10, 343
Jennings, E., Wolf, R., & Sako, M. 2016, arXiv:1611.03087
Jones, D. O., Foley, R. J., Narayan, G., et al. 2021, ApJ, 908, 143
Jones, D. O., Scolnic, D. M., Foley, R. J., et al. 2019, ApJ, 881, 19
Jones, D. O., Scolnic, D. M., Riess, A. G., et al. 2018, ApJ, 857, 51
Kelsey, L., Sullivan, M., Wiseman, P., et al. 2023, MNRAS, 519, 3046
Kenworthy, W. D., Jones, D. O., Dai, M., et al. 2021, ApJ, 923, 265
Kessler, R., & Brout, D. 2020, SNDATA_ROOT for SNANA software, v4, Zenodo, doi:10.5281/zenodo. 4015325
Kessler, R., Bernstein, J. P., Cinabro, D., et al. 2009, PASP, 121, 1028
Kessler, R., Brout, D., D’Andrea, C. B., et al. 2019a, MNRAS, 485, 1171
Kessler, R., Guy, J., Marriner, J., et al. 2013, ApJ, 764, 48
Kessler, R., Marriner, J., Childress, M., et al. 2015, AJ, 150, 172
Kessler, R., Narayan, G., Avelino, A., et al. 2019b, PASP, 131, 094501
Kessler, R., & Scolnic, D. 2017, ApJ, 836, 56
Kessler, R., Vincenzi, M., & Armstrong, P. 2023, ApJL, 952, L8
Komatsu, E., Dunkley, J., Nolta, M. R., et al. 2009, ApJS, 180, 330
Krisciunas, K., Contreras, C., Burns, C. R., et al. 2017, AJ, 154, 211
Kunz, M., Bassett, B. A., & Hlozek, R. A. 2007, PhRvD, 75, 103508
Kunz, M., Hlozek, R., Bassett, B. A., et al. 2012, in Astrostatistical Challenges for the New Astronomy, ed. J. M. Hilbe (New York: Springer), 63
Lahav, O., Calder, L., Mayers, J., & Frieman, J. 2020, The Dark Energy Survey (Singapore: World Scientific), https://www.worldscientific.com/doi/pdf/ 10.1142/q0247
Lasker, J., Kessler, R., Scolnic, D., et al. 2019, MNRAS, 485, 5329
Lee, J., Acevedo, M., Sako, M., et al. 2023, AJ, 165, 222
Lemos, P., Raveri, M., Campos, A., et al. 2021, MNRAS, 505, 6179
Lidman, C., Tucker, B. E., Davis, T. M., et al. 2020, MNRAS, 496, 19
Linder, E. V. 2003, PhRvL, 90, 091301
Marriner, J., Bernstein, J. P., Kessler, R., et al. 2011, ApJ, 740, 72
Lee, J., Acevedo, M., Sako, M., et al. 2023, AJ, 165, 222
Lemos, P., Raveri, M., Campos, A., et al. 2021, MNRAS, 505, 6179
Lidman, C., Tucker, B. E., Davis, T. M., et al. 2020, MNRAS, 496, 19
Linder, E. V. 2003, PhRvL, 90, 091301
Marriner, J., Bernstein, J. P., Kessler, R., et al. 2011, ApJ, 740, 72
Dark Energy Survey
Meldorf, C., Palmese, A., Brout, D., et al. 2023, MNRAS, 518, 1985
Mitra, A., Kessler, R., More, S., Hlozek, R. & LSST Dark Energy Science Collaboration 2023, ApJ, 944, 212
Möller, A., & de Boissiere, T. 2020, MNRAS, 491, 4277
Möller, A., Smith, M., Sako, M., et al. 2022, MNRAS, 514, 5159
Pandas development team 2020, Zenodo: pandas-dev/pandas: Pandas, v2.2.2, Zenodo, doi:10.5281/zenodo. 3509134
Perlmutter, S., Aldering, G., Goldhaber, G., et al. 1999, ApJ, 517, 565
Phillips, M. M., Lira, P., Suntzeff, N. B., et al. 1999, AJ, 118, 1766
Planck Collaboration 2020, A&A, 641, A6
Popovic, B., Brout, D., Kessler, R., & Scolnic, D. 2023, ApJ, 945, 84
Popovic, B., Brout, D., Kessler, R., Scolnic, D., & Lu, L. 2021, ApJ, 913, 49
Popovic, B., Scolnic, D., Vincenzi, M., et al. 2024, MNRAS, 529, 2100
Prince, H., & Dunkley, J. 2019, PhRvD, 100, 083502
Pskovskii, I. P. 1977, SvA, 21, 675
Qu, H., Sako, M., Möller, A., & Doux, C. 2021, AJ, 162, 67
Qu, H., Sako, M., Vincenzi, M., et al. 2024, ApJ, 964, 134
Riess, A. G., Filippenko, A. V., Challis, P., et al. 1998, AJ, 116, 1009
Riess, A. G., Nugent, P. E., Gilliland, R. L., et al. 2001, ApJ, 560, 49
Riess, A. G., Rodney, S. A., Scolnic, D. M., et al. 2018, ApJ, 853, 126
Riess, A. G., Strolger, L.-G., Tonry, J., et al. 2004, ApJ, 607, 665
Riess, A. G., Strolger, L.-G., Casertano, S., et al. 2007, ApJ, 659, 98
Rose, B. M., Baltay, C., Hounsell, R., et al. 2021, arXiv:2111.03081
Ross, A. J., Samushia, L., Howlett, C., et al. 2015, MNRAS, 449, 835
Rubin, D., Aldering, G., Betoule, M., et al. 2023, arXiv:2311.12098
Ruhlmann-Kleider, V., Lidman, C., & Möller, A. 2022, JCAP, 2022, 065
Rust, B. W. 1974, PhD thesis, Oak Ridge National Laboratory, Tennessee
Rykoff, E. S. 2023, Rykoff, Eli S. 2023. “The Dark Energy Survey Six-Year Calibration Star Catalog”, FERMILAB-TM-2784-PPD-SCD, Fermi Technical Note, doi:10.2172/1973601
Sako, M., Bassett, B., Becker, A. C., et al. 2018, PASP, 130, 064002
Sánchez, B. O., Brout, D., Vincenzi, M., et al. 2024, arXiv:2406.05046
Sánchez, B. O., Kessler, R., Scolnic, D., et al. 2022, ApJ, 934, 96
Scolnic, D., Brout, D., Carr, A., et al. 2022, ApJ, 938, 113
Scolnic, D. M., Jones, D. O., Rest, A., et al. 2018, ApJ, 859, 101
Sevilla-Noarbe, I., Bechtol, K., Kind, M. C., et al. 2021, ApJS, 254, 24
Smith, M., D’Andrea, C. B., Sullivan, M., et al. 2020a, AJ, 160, 267
Smith, M., Sullivan, M., Wiseman, P., et al. 2020b, MNRAS, 494, 4426
Stevens, A. R. H., Bellstedt, S., Elahi, P. J., & Murphy, M. T. 2020, NatAs, 4, 843
Sullivan, M., Le Borgne, D., Pritchet, C. J., et al. 2006, ApJ, 648, 868
Sullivan, M., Guy, J., Conley, A., et al. 2011, ApJ, 737, 102
Suzuki, N., Rubin, D., Lidman, C., et al. 2012, ApJ, 746, 85
Swann, E., Sullivan, M., Carrick, J., et al. 2019, Msngr, 175, 58
Taylor, G., Jones, D. O., Popovic, B., et al. 2023, MNRAS, 520, 5209
The Dark Energy Survey Collaboration 2005, arXiv:astro-ph/0510346
Tripp, R. 1998, A&A, 331, 815
Trotta, R. 2008, ConPh, 49, 71
Valcin, D., Bernal, J. L., Jimenez, R., Verde, L., & Wandelt, B. D. 2020, JCAP, 2020, 002
VandenBerg, D. A., Bolte, M., & Stetson, P. B. 1996, ARA&A, 34, 461
Vincenzi, M., Sullivan, M., Firth, R. E., et al. 2019, MNRAS, 489, 5802
Vincenzi, M., Sullivan, M., Graur, O., et al. 2021, MNRAS, 505, 2819
Vincenzi, M., Sullivan, M., Möller, A., et al. 2023, MNRAS, 518, 1106
Vincenzi, M., Brout, D., Armstrong, P., et al. 2024, arXiv:2401.02945
Virtanen, P., Gommers, R., Oliphant, T. E., et al. 2020, NatMe, 17, 261
Wiseman, P., Smith, M., Childress, M., et al. 2020, MNRAS, 495, 4040
Wiseman, P., Sullivan, M., Smith, M., et al. 2021, MNRAS, 506, 3330
Wiseman, P., Vincenzi, M., Sullivan, M., et al. 2022, MNRAS, 515, 4587
Ying, J. M., Chaboyer, B., Boudreaux, E. M., et al. 2023, AJ, 166, 18
Yuan, F., Lidman, C., Davis, T. M., et al. 2015, MNRAS, 452, 3047
Zuntz, J., Paterno, M., Jennings, E., et al. 2015, A&C, 12, 45
Meldorf, C., Palmese, A., Brout, D., et al. 2023, MNRAS, 518, 1985
Mitra, A., Kessler, R., More, S., Hlozek, R. & LSST Dark Energy Science Collaboration 2023, ApJ, 944, 212
Möller, A., & de Boissiere, T. 2020, MNRAS, 491, 4277
Möller, A., Smith, M., Sako, M., et al. 2022, MNRAS, 514, 5159
Pandas development team 2020, Zenodo: pandas-dev/pandas: Pandas, v2.2.2, Zenodo, doi:10.5281/zenodo. 3509134
Perlmutter, S., Aldering, G., Goldhaber, G., et al. 1999, ApJ, 517, 565
Phillips, M. M., Lira, P., Suntzeff, N. B., et al. 1999, AJ, 118, 1766
Planck Collaboration 2020, A&A, 641, A6
Popovic, B., Brout, D., Kessler, R., & Scolnic, D. 2023, ApJ, 945, 84
Popovic, B., Brout, D., Kessler, R., Scolnic, D., & Lu, L. 2021, ApJ, 913, 49
Popovic, B., Scolnic, D., Vincenzi, M., et al. 2024, MNRAS, 529, 2100
Prince, H., & Dunkley, J. 2019, PhRvD, 100, 083502
Pskovskii, I. P. 1977, SvA, 21, 675
Qu, H., Sako, M., Möller, A., & Doux, C. 2021, AJ, 162, 67
Qu, H., Sako, M., Vincenzi, M., et al. 2024, ApJ, 964, 134
Riess, A. G., Filippenko, A. V., Challis, P., et al. 1998, AJ, 116, 1009
Riess, A. G., Nugent, P. E., Gilliland, R. L., et al. 2001, ApJ, 560, 49
Riess, A. G., Rodney, S. A., Scolnic, D. M., et al. 2018, ApJ, 853, 126
Riess, A. G., Strolger, L.-G., Tonry, J., et al. 2004, ApJ, 607, 665
Riess, A. G., Strolger, L.-G., Casertano, S., et al. 2007, ApJ, 659, 98
Rose, B. M., Baltay, C., Hounsell, R., et al. 2021, arXiv:2111.03081
Ross, A. J., Samushia, L., Howlett, C., et al. 2015, MNRAS, 449, 835
Rubin, D., Aldering, G., Betoule, M., et al. 2023, arXiv:2311.12098
Ruhlmann-Kleider, V., Lidman, C., & Möller, A. 2022, JCAP, 2022, 065
Rust, B. W. 1974, PhD thesis, Oak Ridge National Laboratory, Tennessee
Rykoff, E. S. 2023, Rykoff, Eli S. 2023. “The Dark Energy Survey Six-Year Calibration Star Catalog”, FERMILAB-TM-2784-PPD-SCD, Fermi Technical Note, doi:10.2172/1973601
Sako, M., Bassett, B., Becker, A. C., et al. 2018, PASP, 130, 064002
Sánchez, B. O., Brout, D., Vincenzi, M., et al. 2024, arXiv:2406.05046
Sánchez, B. O., Kessler, R., Scolnic, D., et al. 2022, ApJ, 934, 96
Scolnic, D., Brout, D., Carr, A., et al. 2022, ApJ, 938, 113
Scolnic, D. M., Jones, D. O., Rest, A., et al. 2018, ApJ, 859, 101
Sevilla-Noarbe, I., Bechtol, K., Kind, M. C., et al. 2021, ApJS, 254, 24
Smith, M., D’Andrea, C. B., Sullivan, M., et al. 2020a, AJ, 160, 267
Smith, M., Sullivan, M., Wiseman, P., et al. 2020b, MNRAS, 494, 4426
Stevens, A. R. H., Bellstedt, S., Elahi, P. J., & Murphy, M. T. 2020, NatAs, 4, 843
Sullivan, M., Le Borgne, D., Pritchet, C. J., et al. 2006, ApJ, 648, 868
Sullivan, M., Guy, J., Conley, A., et al. 2011, ApJ, 737, 102
Suzuki, N., Rubin, D., Lidman, C., et al. 2012, ApJ, 746, 85
Swann, E., Sullivan, M., Carrick, J., et al. 2019, Msngr, 175, 58
Taylor, G., Jones, D. O., Popovic, B., et al. 2023, MNRAS, 520, 5209
The Dark Energy Survey Collaboration 2005, arXiv:astro-ph/0510346
Tripp, R. 1998, A&A, 331, 815
Trotta, R. 2008, ConPh, 49, 71
Valcin, D., Bernal, J. L., Jimenez, R., Verde, L., & Wandelt, B. D. 2020, JCAP, 2020, 002
VandenBerg, D. A., Bolte, M., & Stetson, P. B. 1996, ARA&A, 34, 461
Vincenzi, M., Sullivan, M., Firth, R. E., et al. 2019, MNRAS, 489, 5802
Vincenzi, M., Sullivan, M., Graur, O., et al. 2021, MNRAS, 505, 2819
Vincenzi, M., Sullivan, M., Möller, A., et al. 2023, MNRAS, 518, 1106
Vincenzi, M., Brout, D., Armstrong, P., et al. 2024, arXiv:2401.02945
Virtanen, P., Gommers, R., Oliphant, T. E., et al. 2020, NatMe, 17, 261
Wiseman, P., Smith, M., Childress, M., et al. 2020, MNRAS, 495, 4040
Wiseman, P., Sullivan, M., Smith, M., et al. 2021, MNRAS, 506, 3330
Wiseman, P., Vincenzi, M., Sullivan, M., et al. 2022, MNRAS, 515, 4587
Ying, J. M., Chaboyer, B., Boudreaux, E. M., et al. 2023, AJ, 166, 18
Yuan, F., Lidman, C., Davis, T. M., et al. 2015, MNRAS, 452, 3047
Zuntz, J., Paterno, M., Jennings, E., et al. 2015, A&C, 12, 45
The SALT3 model consists of a spectral flux density as a function of phase and wavelength for SNe Ia. Its three components are describing the mean SN light curve, describing the deviations from that are correlated with light-curve width, and CL describing the color dependence. See Equation (1) of G. Taylor et al. (2023). - 93 Following J. Marriner et al. (2011), we replace the traditional
notation with , because in the SALT2 and SALT3 models, the amplitude term, , is not related to any particular filter band. Applying a binary-classification-based cut (SN Ia or not) is not optimal, as it assumes that the classification is perfect. However, we test the binary-cut-based approach by using only the 1499 SNe classified with and assuming they are a pure SN Ia sample. We show that the measured shift in is small compared to the statistical uncertainties (Table 11 of M. Vincenzi et al. 2024). When , the term becomes and can be calculated directly from Equation (2), bypassing the infinite . For each emcee fit, we use a number of walkers that is at least twice the number of parameters and ensure that the number of samples in the chain is greater than 50 times the autocorrelation function, . For each PolyChord fit, we use a minimum of 60 live points, 30 repeats, and an evidence tolerance requirement of 0.1 (except for CDM with all data sets combined, for which we accepted a slightly weaker tolerance because convergence was too slow). When combining with other data sets, we run simultaneous MCMC chains including all relevant data vectors. Flat priors that encapsulate at least the confidence region were chosen in each case, and we summarize those priors in Appendix B.
The main advantage of emcee is that it gives a slightly more accurate bestfit than PolyChord. However, we decided that the tiny improvement in accuracy was not worth the environmental impact (A. R. H. Stevens et al. 2020) of the extra compute time (which was substantial for the many-dataset fits). - 98 The distribution of points around the Hubble diagram is not perfectly Gaussian, as it is skewed due to lensing magnification and non-SN-Ia contamination. This means that the
values (especially at high ) are only approximate. Similar to the parameter used in lensing studies to approximate constraints. Suspiciousness, , is related to the Bayes ratio and Bayesian information and is defined as . If . If , Gyr. Not all events included in the DES-SN3YR analysis are included in the DES-SN5YR analysis, and vice versa. This is due to the two analyses implementing different sample cuts. For example, the cut and the requirement for a host galaxy redshift in DES-SN5YR exclude, respectively, 44 and 29 low-z SNe that were in the DES-SN3YR sample. DES-SN5YR also uses a new SALT model (which affects the SALT-based cuts) and is restricted to SNe that pass selection cuts across all systematic tests (see Table 4 in M. Vincenzi et al. 2024).
The redshift at which the Universe began accelerating in CDM is . These upcoming low- surveys are magnitude-limited rather than targeted; therefore, they provide SN samples with a well-defined selection function. - Note.
We also used some specific variations of the above baseline priors. For the CDM model using the DES-SN5YR only, ; using DESSN5YR + SDSS BAO and DES Y3 ; and using DES-SN5YR + Planck SDSS BAO and DES Y3 pt, . For the flat CDM model using DES-SN5YR + Planck , and finally, for the flat model using DESSN5YR + SDSS BAO and DES Y3 .
Journal: The Astrophysical Journal Letters, Volume: 973, Issue: 1
DOI: https://doi.org/10.3847/2041-8213/ad6f9f
Publication Date: 2024-09-01
DOI: https://doi.org/10.3847/2041-8213/ad6f9f
Publication Date: 2024-09-01
The Dark Energy Survey: Cosmology Results With 1500 New High-redshift Type Ia Supernovae Using The Full 5-year Dataset
– To cite this version:
T.M.C Abbott, M Acevedo, M Aguena, A Alarcon, S Allam, et al.. The Dark Energy Survey: Cosmology Results With 1500 New High-redshift Type Ia Supernovae Using The Full 5-year Dataset. Astrophys.J.Lett., 2024, 973 (1), pp.L14. 10.3847/2041-8213/ad6f9f . hal-04382203
HAL is a multi-disciplinary open access archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
The Dark Energy Survey: Cosmology Results with
Department of Physics, IIT Hyderabad, Kandi, Telangana 502285, India
Centre for Astrophysics & Supercomputing, Swinburne University of Technology, VIC 3122, Australia
NSF AI Planning Institute for Physics of the Future, Carnegie Mellon University, Pittsburgh, PA 15213, USA
Université Grenoble Alpes, CNRS, LPSC-IN2P3, 38000 Grenoble, France
Department of Physics and Astronomy, University of Waterloo, 200 University Avenue West, Waterloo, ON N2L 3G1, Canada
Jet Propulsion Laboratory, California Institute of Technology, 4800 Oak Grove Drive, Pasadena, CA 91109, USA
Institute of Theoretical Astrophysics, University of Oslo, P.O. Box 1029 Blindern, NO-0315 Oslo, Norway
Department of Astronomy and Astrophysics, University of California, Santa Cruz, CA 95064, USA
Center for Astrophysical Surveys, National Center for Supercomputing Applications, 1205 West Clark Street, Urbana, IL 61801, USA
School of Physics and Astronomy, University of Southampton, Southampton, SO17 1BJ, UK
Instituto de Fisica Teorica UAM/CSIC, Universidad Autonoma de Madrid, 28049 Madrid, Spain
Department of Astronomy, University of Illinois at Urbana-Champaign, 1002 West Green Street, Urbana, IL 61801, USA
Department of Astronomy, University of Geneva, ch. d’Écogia 16, CH-1290 Versoix, Switzerland
Santa Cruz Institute for Particle Physics, Santa Cruz, CA 95064, USA
Center for Cosmology and Astro-Particle Physics, The Ohio State University, Columbus, OH 43210, USA
Department of Physics, The Ohio State University, Columbus, OH 43210, USA
ASTRAVEO LLC, P.O. Box 1668, Gloucester, MA 01931, USA
Applied Materials Inc., 35 Dory Road, Gloucester, MA 01930, USA
Department of Physics, University of Namibia, 340 Mandume Ndemufayo Avenue, Pionierspark, Windhoek, Namibia
Lawrence Berkeley National Laboratory, 1 Cyclotron Road, Berkeley, CA 94720, USA
TMT International Observatory, 100 West Walnut Street, Pasadena, CA 91124, USA
California Institute of Technology, 1200 East California Boulevard, Pasadena, CA 91125, USA
Australian Astronomical Optics, Macquarie University, North Ryde, NSW 2113, Australia
Lowell Observatory, 1400 Mars Hill Road, Flagstaff, AZ 86001, USA
Sydney Institute for Astronomy, School of Physics, A28, The University of Sydney, NSW 2006, Australia
Department of Astronomy and Astrophysics, University of Toronto, 50 St. George Street, Toronto, ON M5S 3H4, Canada
Centre for Gravitational Astrophysics, College of Science, The Australian National University, ACT 2601, Australia
Department of Astronomy, The Ohio State University, Columbus, OH 43210, USA
LPSC Grenoble-53, Avenue des Martyrs 38026 Grenoble, France
Institució Catalana de Recerca i Estudis Avançats, E-08010 Barcelona, Spain
Max Planck Institute for Extraterrestrial Physics, Giessenbachstrasse, 85748 Garching, Germany
Perimeter Institute for Theoretical Physics, 31 Caroline Street North, Waterloo, ON N2L 2Y5, Canada
School of Mathematics and Physics, University of Surrey, Guildford, Surrey, GU2 7XH, UK
Observatório Nacional, Rua Gal. José Cristino 77, Rio de Janeiro, RJ—20921-400, Brazil
Graduate Institute of Astronomy, National Central University, 300 Jhongda Road, 32001 Jhongli, Taiwan
Hamburger Sternwarte, Universität Hamburg, Gojenbergsweg 112, 21029 Hamburg, Germany
Ruhr University Bochum, Faculty of Physics and Astronomy, Astronomical Institute, 44780 Bochum, Germany
Department of Physics, University of Genova and INFN, Via Dodecaneso 33, 16146, Genova, Italy
Laboratoire de physique des 2 infinis Irène Joliot-Curie, CNRS Université Paris-Saclay, Bât. 100, F-91405 Orsay Cedex, France
Department of Physics and Astronomy, Pevensey Building, University of Sussex, Brighton, BN1 9QH, UK
Department of Physics, Baylor University, One Bear Place #97316, Waco, TX 76798-7316, USA
Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT), Madrid, Spain
Austin Peay State University, Department of Physics, Engineering and Astronomy, P.O. Box 4608, Clarksville, TN 37044, USA
Physics Department, Lancaster University, Lancaster, LA1 4YB, UK
University of Zurich, Physics Institute, Winterthurerstrasse 190/Building 36, 8057 Zürich, Switzerland
Computer Science and Mathematics Division, Oak Ridge National Laboratory, Oak Ridge, TN 37831, USA
Aix Marseille Univ, CNRS/IN2P3, CPPM, Marseille, France
Centre for Space Studies, American Public University System, 111 West Congress Street, Charles Town, WV 25414, USA
Department of Physics, Stanford University, 382 Via Pueblo Mall, Stanford, CA 94305, USA
Universitäts-Sternwarte, Fakultät für Physik, Ludwig-Maximilians Universität München, Scheinerstr. 1, 81679 München, Germany
Received 2024 January 8; revised 2024 March 18; accepted 2024 March 28; published 2024 October 1
Abstract
We present cosmological constraints from the sample of Type Ia supernovae ( SNe Ia) discovered and measured during the full 5 yr of the Dark Energy Survey (DES) SN program. In contrast to most previous cosmological samples, in which SNe are classified based on their spectra, we classify the DES SNe using a machine learning algorithm applied to their light curves in four photometric bands. Spectroscopic redshifts are acquired from a dedicated follow-up survey of the host galaxies. After accounting for the likelihood of each SN being an SN Ia, we find 1635 DES SNe in the redshift range
. Including Planck cosmic microwave background, Sloan Digital Sky Survey baryon acoustic oscillation, and DES pt data gives . In all cases, dark energy is consistent with a cosmological constant to within . Systematic errors on cosmological parameters are subdominant compared to statistical errors; these results thus pave the way for future photometrically classified SN analyses.
Unified Astronomy Thesaurus concepts: Cosmology (343); Type Ia supernovae (1728); Dark energy (351); Dark matter (353)
1. Introduction
The standard cosmological model posits that the energy density of the Universe is dominated by dark components that have not been detected in terrestrial experiments and thus do not appear in the standard model of particle physics. Known as cold dark matter and dark energy, their study represents an opportunity to deepen our understanding of fundamental physics.
The Dark Energy Survey (DES) was conceived to characterize the properties of dark matter and dark energy with unprecedented precision and accuracy through four primary observational probes (The Dark Energy Survey Collaboration 2005; J. P. Bernstein et al. 2012; Dark Energy Survey Collaboration 2016; O. Lahav et al. 2020). One of these four probes is the Hubble diagram (redshift-distance relation) for Type Ia supernovae (SNe Ia), which act as standardizable candles (B. W. Rust 1974; I. P. Pskovskii 1977; M. M. Phillips et al. 1999) to constrain the history of the cosmic expansion rate. To implement this probe, the DES SN survey was designed to provide the largest, most homogeneous sample of high-redshift SNe ever discovered. The two papers that first presented evidence for the accelerated expansion of the Universe (A. G. Riess et al. 1998; S. Perlmutter et al. 1999) used a total of 52 high-redshift SNe with sparsely sampled light-curve measurements in one or two optical passbands. Building on two decades of subsequent improvements in SN surveys and analysis, we present here the cosmological constraints using the full 5 yr DES SN data set, consisting of well-sampled, precisely calibrated light curves for 1635 new high-redshift SNe observed in four bands:
For the last decade, SNIa cosmology constraints have largely come from combining data from many surveys. The recent Pantheon+ analysis (D. Brout et al. 2022a; D. Scolnic et al. 2022) combined three separate mid-z samples (
A key aim of the DES analysis was to minimize systematic (relative to statistical) errors to enable a robust analysis. M. Vincenzi et al. (2024) show that our error budget is dominated by statistical uncertainty, in contrast to most SN cosmology analyses of the last decade, for which the systematic uncertainties equaled or exceeded the statistical uncertainties
(M. Betoule et al. 2014; D. M. Scolnic et al. 2018; Dark Energy Survey Collaboration 2019). We also highlight that the most critical sources of systematics are those related to the lack of a homogeneous and well-calibrated low-z sample.
(M. Betoule et al. 2014; D. M. Scolnic et al. 2018; Dark Energy Survey Collaboration 2019). We also highlight that the most critical sources of systematics are those related to the lack of a homogeneous and well-calibrated low-z sample.
As the DES sample enables an SNIa measurement of cosmological parameters that is largely independent of previous SN cosmology analyses, we have been careful to “blind” our analysis (see Section 2.3). The analysis work described in M. Vincenzi et al. (2024), which stops just short of constraining cosmological parameters, was shared widely with the DES collaboration, evaluated, and approved before unblinding. Unblinding standards included multiple validation checks with simulations and a full accounting and explanation of the error budget. No elements of the analysis were changed after unblinding.
In this Letter, we review the analysis of the complete DES SN data set (as detailed in many supporting papers; see Figure 1) and present the cosmological results. An important advance on most previous analyses is that we use a photometrically classified rather than spectroscopically classified sample (A. Möller & T. de Boissiere 2020; H. Qu et al. 2021) and implement advanced techniques to classify SNe Ia and incorporate classification probabilities in the cosmological parameter estimation (M. Kunz et al. 2007, 2012; R. Hlozek et al. 2012). While this advance increases the complexity of the analysis, in this work and previous papers (A. Möller et al. 2022; M. Vincenzi et al. 2023), we show that the impact of non-SN Ia contamination due to photometric misclassification is well below the statistical uncertainty on the cosmological parameters, and this constitutes one of the key results of our analysis.
Combining our DES data with a low-redshift sample (see Section 2), we fit the Hubble diagram to test the standard cosmological model as well as multiple common extensions including spatial curvature, nonvacuum dark energy, and dark energy with an evolving equation-of-state parameter. In R. Camilleri et al. (2024), we present fits to more exotic models.
The structure of the Letter is as follows. We begin in Section 2 by describing the data set and its acquisition, reduction, calibration, and light-curve fitting. We summarize the models we test in Section 3 before presenting the results in Section 4; our discussion and conclusions follow in Section 5 and Section 6. The details of our data release, which includes the code needed to reproduce our results, appear in B. O. Sánchez (2024).
2. Data and Analysis
2.1. DES and Low-redshift SNe
Our primary data set is the full 5 yr of DES SNe, which we combine with a historical set of nearby SNe from CfA3 (M. Hicken et al. 2009), CfA4 (M. Hicken et al. 2012), Carnegie Supernova Project (CSP; K. Krisciunas et al. 2017; DR3), and the Foundation SN sample (R. J. Foley et al. 2017). We refer to the combined DES plus historical data set as DESSN5YR.
DES-SN5YR analysis overview
Data:
- Calibration (Burke et al. 2018, Brout et al. 2022, Rykoff et al. 2023)
- SN photometry (Brout et al. 2019, Sanchez et al. 2024)
- SN spectroscopy (Smith et al. 2020a)
- DCR and chrom (Lasker et al. 2018, Lee&Acevedo et al. 2023)
- Host galaxy redshifts and properties (Lidman et al. 2020, Carr et al. 2021, Wiseman et al. 2020/2021, Kelsey et al. 2023)
Simulations:
- Survey selection effects (Kessler et al. 2019a, Vincenzi et al. 2020)
- SN Ia intrinsic and dust properties (Brout&Scolnic 2021, Popovic et al. 2021a/b, Wiseman et al. 2022) and rates (Wiseman et al. 2021)
- Contamination (Vincenzi et al. 2019/2020, Kessler et al. 2019b)
Analysis:
Pipeline and Overview (Hinton et al. 2020, Vincenzi et al. 2024)
- Light-curve fitting (Taylor et al. 2023)
SN classification (Möller & de Boissière 2020, Qu et al. 2021, Vincenzi et al. 2021, Moller et al. 2022)
- “BEAMS” and bias corrections (Kessler & Scolnic 2017), unbinning the SN Hubble diagram (Brout et al. 2020, Kessler et al. 2023)
-Effects of host galaxy mismatch (Qu et al. 2023) - Cosmological contour validation (Armstrong et al. 2023)
Cosmological results: DES Collaboration 2024
Testing non-standard cosmological models (Camilleri et al. 2024)
Figure 1. Overview of supporting papers for DES-SN5YR cosmological results.
The DES SN program was carried out over five seasons, August to February, from 2013 to 2018, during which we observed
The DES SNe were discovered via difference imaging (R. Kessler et al. 2015) based on the method of C. Alard & R. H. Lupton (1998). DES images are calibrated following the forward global calibration method (D. L. Burke et al. 2018; I. Sevilla-Noarbe et al. 2021; E. S. Rykoff 2023), and both DES and low-z samples are recalibrated as part of the SuperCalFragilistic cross-calibration effort described in D. Brout et al. (2022b). SN fluxes are determined using scene-modeling photometry (D. Brout et al. 2019b); we include corrections from spectral energy distribution (SED) variations (D. L. Burke et al. 2018; J. Lasker et al. 2019) and from differential chromatic refraction and wavelength-dependent seeing (J. Lee et al. 2023). We estimate the overall accuracy of our calibrated photometry to be
OzDES program (F. Yuan et al. 2015; M. J. Childress et al. 2017; C. Lidman et al. 2020). The final data release of the photometry of
We apply strict quality cuts to this sample of candidates to select our final high-quality sample for the Hubble diagram. The same quality cuts were applied to both the low-z sample and the DES SNe. First, we require a spectroscopic redshift of the host galaxy, good light-curve coverage (at least two detections with signal-to-noise ratio
Since we focus on minimizing potential systematic errors, we only use the best-calibrated, most homogeneous sample of low-z SNe Ia. To reduce the impact of peculiar velocity uncertainties, we remove SNe with
2.2. From Light Curves to Hubble Diagram
A critical step in the cosmology analysis is to convert each SN’s light curve (magnitude versus time in multiple bands; see examples in Figure 2) to a single calibrated number representing its standardized magnitude and estimated distance modulus.
To achieve this, we use the SALT3 light-curve fitting model as presented in W. D. Kenworthy et al. (2021) and G. Taylor et al. (2023) and retrained in M. Vincenzi et al. (2024) to determine the light-curve fit parameters, the amplitude of the SN flux
Figure 2. All DES light curves, showing observed magnitudes in the
Figure 3. Histogram showing the redshift distribution of the DES-SN5YR sample, with new DES SNe in blue and our low-z sample in red. For comparison, the distribution of redshifts in the existing Pantheon + sample is shown in gray (D. Brout et al. 2022a), which also includes the DES SNe from the DES-SN3YR analysis (blue dashed line). The 5 yr DES sample contains
and host properties,
above the step or – if below. This correction has historically been described as a “mass step,” but we also consider the possibility that it is a “color step” (see Section 2.2 of M. Vincenzi et al. 2024),
above the step or – if below. This correction has historically been described as a “mass step,” but we also consider the possibility that it is a “color step” (see Section 2.2 of M. Vincenzi et al. 2024),
where
Figure 4. Hubble diagram of DES-SN5YR. We show both the single SN events and the redshift-binned SN distance moduli. Redshift bins are adjusted so that each bin has the same number of SNe (
The nuisance parameters and
As we do not spectroscopically classify the SNe and thus expect contamination from core-collapse SNe , we perform machine learning light-curve classification on the sample following A. Möller et al. (2022) and M. Vincenzi et al. (2023). We implement two advanced machine learning classifiers, SuperNNova (A. Möller & T. de Boissiere 2020) and SCONE (H. Qu et al. 2021), and use state-of-the-art simulations to model contamination (estimated to be
see Table 10 and Section 7.1.5 of M. Vincenzi et al. 2024). Classifiers are trained using core-collapse and peculiar SN Ia simulations based on M. Vincenzi et al. (2021) and state-of-theart SED templates by R. Kessler et al. (2019b) and M. Vincenzi et al. (2019). These DES simulations are the first to robustly reproduce the contamination observed in the Hubble residuals (M. Vincenzi et al. 2021, 2024, Table 10).
see Table 10 and Section 7.1.5 of M. Vincenzi et al. 2024). Classifiers are trained using core-collapse and peculiar SN Ia simulations based on M. Vincenzi et al. (2021) and state-of-theart SED templates by R. Kessler et al. (2019b) and M. Vincenzi et al. (2019). These DES simulations are the first to robustly reproduce the contamination observed in the Hubble residuals (M. Vincenzi et al. 2021, 2024, Table 10).
For each SN, the trained classifiers assign a probability of being a Type Ia, and these probabilities are included within the BEAMS framework to marginalize over core-collapse contamination and produce the final Hubble diagram (R. Hlozek et al. 2012; M. Kunz et al. 2012). The final DES-SN5YR Hubble diagram is shown in Figure 4 and includes 1829 SNe.
As discussed in R. Kessler et al. (2023) and M. Vincenzi et al. (2024), the probability that each SN is a Type Ia
M. Vincenzi et al. (2024) stop short of performing cosmological constraints but provide the corrected distance moduli
P. Armstrong et al. (2023) present validation of the cosmological contours produced by our pipeline. Validation that our analysis pipeline is insensitive to the cosmological model assumed in our bias correction simulation appears in R. Camilleri et al. (2024).
P. Armstrong et al. (2023) present validation of the cosmological contours produced by our pipeline. Validation that our analysis pipeline is insensitive to the cosmological model assumed in our bias correction simulation appears in R. Camilleri et al. (2024).
2.3. Unblinding Criteria
Throughout our analysis, cosmological parameters estimated from real data were blinded. We validate our entire pipeline on detailed catalog-level simulations and examine the cosmological parameters estimated from simulations to test that the input cosmology is recovered. In addition to the many tests described in M. Vincenzi et al. (2024), the final unblinding criteria that our data passed were as follows.
- Accuracy of simulations. The reduced
between the distribution of data and simulations across a variety of observables (redshift, SALT3 parameters and goodness of fit, maximum signal-to-noise ratio at peak, host stellar mass) is required to be between 0.7 and 3.0 (see Figures 3 and 4 of M. Vincenzi et al. 2024). - Pipeline validation using DES simulations. Demonstrate that our pipeline recovers the input cosmology. We produce 25 data-size simulated samples (statistically independent) assuming a flat
CDM Universe with a best-fit Planck value of and analyze them the same way as real data. We fit each Hubble diagram assuming a flat CDM model with a Planck prior and find a mean bias of , where is the mean value of the marginalized posterior of the dark energy equation-of-state parameter over the 25 samples and is the model value of that parameter input to the simulation. - Validation of contours. Ensuring that our uncertainty limits accurately represent the likelihood of the models (P. Armstrong et al. 2023).
- Independence of reference cosmology. Ensuring that our results are sufficiently independent of cosmological assumptions that enter our bias correction simulations (R. Camilleri et al. 2024).
2.4. Combining SNe with Other Cosmological Probes
We combine the DES-SN5YR cosmological constraints with measurements from other complementary cosmological probes. In particular, we use the following.
- Cosmic microwave background (CMB) measurements of the temperature and polarization power spectra (TTTEEE) presented by the Planck Collaboration (2020). We use the Python implementation of Planck’s 2015 Plik_lite (H. Prince & J. Dunkley 2019).
- Weak-lensing and galaxy clustering measurements from the DES3
pt year 3 magnitude-limited (MagLim) lens sample; pt refers to the simultaneous fit of three two-point correlation functions, namely, galaxy-galaxy, galaxy-lensing, and lensing-lensing correlations (Dark Energy Survey Collaboration 2022, 2023). - Baryon acoustic oscillation (BAO) measurements as presented in the extended Baryon Oscillation Spectroscopic Survey (eBOSS) paper (K. S. Dawson et al. 2016; S. Alam et al. 2021), which adds the BAO results from Sloan Digital Sky Survey (SDSS)-IV (M. R. Blanton et al. 2017) to earlier SDSS BAO data. Specifically, we use “BAO” to refer to the BAO-only measurements from the main galaxy sample (A. J. Ross et al. 2015), BOSS (SDSS-III; S. Alam et al. 2017), eBOSS LRG (J. E. Bautista et al. 2021), eBOSS ELG (A. de Mattia et al. 2021), eBOSS QSO (J. Hou et al. 2021), and eBOSS Lya (H. du Mas des Bourboux et al. 2020).
When combining these data, we run simultaneous Markov Chain Monte Carlo (MCMC) fits of the relevant data vectors. We present three combinations: the simplest CMB-dependent combination
3. Models and Theory
We present cosmological results for the standard cosmological model-flat space with cold dark matter and a cosmological constant (flat
To calculate the theoretical distance as a function of redshift, we begin with the comoving distance,
where
where
To compare data (Equation (1)) to theory, we calculate the theoretical distance modulus, which is dependent on the set of cosmological parameters we are interested in (
We compute the difference between data and theory for every
Table 1
Variations on the Standard Cosmological Model that Are Tested in This Letter, Their Friedmann Equations, and the Free Parameters in the Fit
Variations on the Standard Cosmological Model that Are Tested in This Letter, Their Friedmann Equations, and the Free Parameters in the Fit
| Cosmological Model | Friedmann Equation:
|
Fit Parameters
|
| Flat
|
|
|
|
|
|
|
| Flat
|
|
|
| Flat
|
|
|
where
The uncertainty covariance matrix includes a diagonal statistical term (discussed in Section 2.2) and a systematic term. The systematic covariance matrix is built following the approach in A. Conley et al. (2011) and accounts for systematics such as calibration, intrinsic scatter, and redshift corrections (see Table 6 of M. Vincenzi et al. 2024). Each element of the covariance matrix expresses the covariance between two of the SNe in the sample. The covariance matrix has the dimensions of the number of SNe,
Finally, the absolute magnitude of
4. Results
With the new DES high-redshift SN sample, we can put strong constraints on cosmological models. Of particular interest is whether dark energy is consistent with a cosmological constant or whether its density and/or equation-of-state parameter varies over the wide redshift range of our sample. The results of our cosmological fits are outlined in this section and summarized in Table 2, and their implications are explored in Section 5.
We estimate cosmological constraints using MCMC methods as implemented the CosmoSIS framework (J. Zuntz et al. 2015), the samplers emcee for best fits (D. Foreman-Mackey et al. 2013), and PolyChord for tension metrics (W. J. Handley et al. 2015),
For all fits, we present the median of the marginalized posterior and cumulative
4.1. Constraints on Cosmological Parameters
4.1.1. Flat
For the simplest parameterization, flat
Combining DES-SN5YR with Planck CMB gives
4.1.2.
Fitting DES-SN5YR to the
4.1.3. Flat
Fitting DES-SN5YR to the flat
The
Table 2
Results for Four Different Cosmological Models, Sorted into Sections for Different Combinations of Observational Constraints
Results for Four Different Cosmological Models, Sorted into Sections for Different Combinations of Observational Constraints
|
|
|
|
|
|
|
| DES-SN5YR (No External Priors) | |||||
| Flat
|
|
|
|
|
|
|
|
|
|
|
|
|
| Flat
|
|
… |
|
… |
|
| Flat
|
|
|
|
|
|
| DES-SN5YR + Planck 2020 | |||||
| Flat
|
|
|
|
|
|
|
|
|
|
… |
|
|
| Flat
|
|
|
|
… |
|
| Flat
|
|
|
|
|
|
| DES-SN5YR + SDSS BAO and DES Y3
|
|||||
| Flat
|
|
|
|
|
|
|
|
|
|
… |
|
|
| Flat
|
|
|
|
|
|
| Flat
|
|
|
|
|
|
| DES-SN5YR + Planck 2020 + SDSS BAO and DES Y3
|
|||||
| Flat
|
|
|
|
|
|
|
|
|
|
|
|
|
| Flat
|
|
|
|
|
|
| Flat
|
|
|
|
|
|
Note. These are the medians of the marginalized posterior with
a single, almost degeneracy-free value.
a single, almost degeneracy-free value.
The degeneracy in the
Combining DES-SN5YR with
4.1.4. Flat
Fitting DES-SN5YR alone to the flat
Combining DES-SN5YR and the CMB, we find
4.2. Goodness of Fit and Tension
4.2.1.
To assess whether our best fits are good fits, we calculate the
The number of dof is the number of data points minus the number of parameters that are common to all data sets (i.e., the cosmological parameters of interest). The number of data points added by the CMB, BAO, and
Figure 5. Constraints on matter density in the flat
SN5YR sample by
Ideally, a good fit should have
4.2.2. Suspiciousness
Suspiciousness,
We determine
Figure 6. Constraints for the
Figure 7. Same as Figure 6 but for the flat
In Figure 9, we plot the suspiciousness values for the DESSN5YR data versus Planck 2020 and versus BAO
4.3. Model Selection
Finally, we use Bayesian evidence to test whether the extra parameters in the more complex models we test are warranted,
Figure 8. Same as Figure 6 but for the flat
Figure 9. Measurements of suspiciousness (
given the data. In Figure 10, we present the difference in the logarithm of the Bayesian evidence,
To evaluate the strength of the evidence when comparing flat
-2.5) is moderate evidence against (in support of) the more complex model, whereas
-2.5) is moderate evidence against (in support of) the more complex model, whereas
5. Discussion
5.1. The Big Questions
5.1.1. Is the Expansion of the Universe Accelerating?
Twenty-five years ago, A. G. Riess et al. (1998) found
Figure 10. Bayesian evidence difference relative to flat
data span a wide range of redshifts,
Doing the same with DES-SN5YR data gives
5.1.2. Is Dark Energy a Cosmological Constant?
As seen in Section 4.1, a cosmological constant is a good fit to our data but not the best fit. Our best-fit equation-of-state parameter is slightly (more than
Furthermore, our analysis slightly prefers a time-varying dark energy equation-of-state parameter when we fit for
The constraints on time-varying
SN Ia SED have more impact on SN distance estimations (see also D. Brout et al. 2022a).
To test whether our fits are dominated by any particular redshift range, we ran cosmological fits (a) removing low-z data (i.e., DES SNe alone) and (b) removing high-z data (i.e., removing
We showed in M. Vincenzi et al. (2024) that systematic uncertainties are subdominant to the statistical uncertainties in our sample. Nevertheless, in the future, a new low-redshift sample (see Section 5.3) would help alleviate any remaining doubt about calibration and systematics in the existing low-z sample, and an even higher-redshift SN survey would help alleviate any modeling concerns by minimizing selection effects even at
5.1.3. How Old Is the Universe?
One of the issues that the discovery of dark energy solved is the age of the Universe (
Our results, which favor a dark energy equation-of-state parameter slightly higher than
To calculate the Universe’s age, one needs a value of
5.1.4. Does Our Best Fit Resolve the Hubble Tension?
As pointed out in Planck Collaboration (2020, their Section 5.4), the only basic extensions to the base flat
CMB alone actually prefers
5.2. Comparison with DES-SN3YR and Pantheon +
It is informative to compare the results of the previous DESSN3YR analysis (Dark Energy Survey Collaboration 2019; D. Brout et al. 2019a) with the results of the DES-SN5YR analysis presented in this work. The DES-SN3YR analysis included 207 spectroscopically confirmed SNe Ia from DES and 127 low-redshift SNe from Harvard-Smithsonian Center for Astrophysics (CfA) and CSP samples (see also Figure 3). A fraction of those events is in common between both analyses ( 55 from low-
However, the DES-SN3YR analysis differs from the analysis presented here in many aspects. The SN Ia intrinsic scatter modeling has been significantly improved (from “G10” and a constant
The other main data set we can compare to is Pantheon + , which contains a significant amount of independent data (all the high-z data). The DES sample is on average of much higher redshift than the Pantheon+ sample (see Figure 3), with over a quarter of the DES-SN5YR sample being at high enough redshift (
Figure 11. Comparison between Hubble residuals for the DES-SN3YR and DES-SN5YR analyses with respect to the best-fit flat
sample is shared. However, all of the high-
5.3. DES and Next-generation SN Samples
This analysis has shown that moving from a spectroscopically confirmed sample as done in Dark Energy Survey Collaboration (2019) to a photometric sample can increase the sample size of well-measured SNe significantly (from 207 DES SNe Ia in DESSN3YR to
There is potential for a further increase of the statistical power of the DES sample if one moves to using SNe in which a host galaxy spectroscopic redshift was not acquired and instead relies on photometric redshifts of the SNe and the galaxy. This path was explored by R. Chen et al. (2022) for a subset of DES SNe, namely, ones that occur in redMaGiC galaxies, and has been explored as well for the SuperNova Legacy Survey (V. Ruhlman-n-Kleider et al. 2022) and the Vera C. Rubin Observatory Legacy Survey of Space and Time (LSST) in A. Mitra et al. (2023). These analyses show that the use of photo-zs does not introduce systematic uncertainties to a scale similar to the statistical uncertainties. This potential is highlighted by the
The DES SN survey was supported by the 6 yr OzDES survey on the Anglo-Australian Telescope (described in
Figure 12. Constraints in flat
C. Lidman et al. 2020), which took multifiber observations of host galaxies to acquire redshifts of host galaxies of SNe. The total investment of this program was 100 nights, and for roughly
As statistical precision continues to improve thanks to the increased number of SNe, a main theme for systematic analysis is second-order relations between different systematics. Typically, systematics are treated independently when building the covariance matrix. We have implemented a method to account for calibration systematics along with light-curve model systematics together, but this is currently the only joint exercise. This type of work will grow in importance. For example, while photometric classification does not directly cause a large increase in the error budget, it hinders the ability to constrain the intrinsic scatter model preferred by the data. Potentially, if LSST and other surveys such as those enabled by the Nancy Grace Roman Space Telescope have enough SNe (B. M. Rose et al. 2021), the data set can enable a forward modeling approach such as the approximate Bayesian computation method introduced in E. Jennings et al. (2016) and
worked on in P. Armstrong et al. (2024, in preparation), which could vary all systematics, nuisance, and cosmological parameters at the same time to compare against the data.
worked on in P. Armstrong et al. (2024, in preparation), which could vary all systematics, nuisance, and cosmological parameters at the same time to compare against the data.
Furthermore, as discussed in Section 5.1.2, modeling of the low-
Lastly, we note that while LSST and Roman may help improve a number of these issues, the first data release is still
6. Conclusions
The DES SN survey stands as a groundbreaking milestone in SN cosmology. With a single survey, we effectively tripled the number of observed SNe Ia at
After combining the 1635 DES SNe (of which 1499 have a probability
The standard flat
We compare cosmological results from each of our models to results from the CMB analysis of Planck Collaboration (2020). There are some differences in the best-fit values, but in each case, we find consistency to within
Critically, the DES-SN5YR analysis shown here demonstrates that contamination due to SN classification and host galaxy matching is not a limiting systematic for SN cosmology; this opens the path for a new era of cosmological measurements using SN samples that are not limited by live spectroscopic follow-up of SNe. Instead, our analysis shows the SN community that there are other factors that will be crucial for the success of future SN experiments: a high-quality lowredshift sample, a robust UV and near-IR extension of lightcurve fitting models, excellent control of selection effects across the entire redshift range, and improvement in our understanding of SN Ia intrinsic scatter properties and the role played by interstellar dust.
Future work will conclude the DES by combining these SN results with the other three pillars of DES cosmology, namely, BAOs, galaxy clustering, and weak lensing.
Acknowledgments
We acknowledge the following former collaborators, who have contributed directly to this work: Ricard Casas, Pete Challis, Michael Childress, Ricardo Covarrubias, Chris D’Andrea, Alex Filippenko, David Finley, John Fisher, Francisco Förster, Daniel Goldstein, Santiago González-Gaitán, Ravi Gupta, Mario Hamuy, Steve Kuhlmann, James Lasker, Marisa March, John Marriner, Eric Morganson, Jennifer Mosher, Elizabeth Swann, Rollin Thomas, and Rachel Wolf.
T.M.D., A.C., R.C., and S.H. acknowledge the support of an Australian Research Council Australian Laureate Fellowship (FL180100168) funded by the Australian Government, and A.M. is supported by the ARC Discovery Early Career Researcher Award (DECRA) project No. DE230100055. M.S., H.Q., and J.L. are supported by DOE grant DE-FOA-0002424 and NSF grant AST-2108094. R.K. is supported by DOE grant DE-SC0009924. M.V. was partly supported by NASA through the NASA Hubble Fellowship grant HST-HF2-51546.001-A awarded by the Space Telescope Science Institute, which is operated by the Association of Universities for Research in Astronomy, Inc., under NASA contract NAS5-26555. L.K. thanks the UKRI Future Leaders Fellowship for support through the grant MR/T01881X/1. L.G. acknowledges financial support from the Spanish Ministerio de Ciencia e Innovación (MCIN), the Agencia Estatal de Investigación (AEI) 10.13039/501100011033, and the European Social Fund (ESF) “Investing in your future” under the 2019 Ramón y Cajal program RYC2019-027683-I and the PID2020-115253GA-I00 HOSTFLOWS project, from Centro Superior de Investigaciones Científicas (CSIC) under the PIE project 20215AT016, and the program Unidad de Excelencia María de Maeztu CEX2020-001058-M, and from the Departament de Recerca i Universitats de la Generalitat de Catalunya through the 2021-SGR-01270 grant. R.J.F. and D.S. were supported in part by NASA grant 14-WPS140048. The UCSC team is supported in part by NASA grants NNG16PJ34G and NNG17PX03C issued through the Roman Science Investigation Teams Program; NSF grants AST-1518052 and AST-1815935; NASA through grant No. AR-14296 from the Space Telescope Science Institute, which is operated by AURA, Inc., under NASA contract NAS 5-26555; the Gordon and Betty Moore Foundation; the Heising-Simons Foundation; and fellowships from the Alfred P. Sloan Foundation and the David and Lucile Packard Foundation to R.J.F. We acknowledge the University of Chicago’s Research Computing Center for their support of this work.
T.M.D., A.C., R.C., and S.H. acknowledge the support of an Australian Research Council Australian Laureate Fellowship (FL180100168) funded by the Australian Government, and A.M. is supported by the ARC Discovery Early Career Researcher Award (DECRA) project No. DE230100055. M.S., H.Q., and J.L. are supported by DOE grant DE-FOA-0002424 and NSF grant AST-2108094. R.K. is supported by DOE grant DE-SC0009924. M.V. was partly supported by NASA through the NASA Hubble Fellowship grant HST-HF2-51546.001-A awarded by the Space Telescope Science Institute, which is operated by the Association of Universities for Research in Astronomy, Inc., under NASA contract NAS5-26555. L.K. thanks the UKRI Future Leaders Fellowship for support through the grant MR/T01881X/1. L.G. acknowledges financial support from the Spanish Ministerio de Ciencia e Innovación (MCIN), the Agencia Estatal de Investigación (AEI) 10.13039/501100011033, and the European Social Fund (ESF) “Investing in your future” under the 2019 Ramón y Cajal program RYC2019-027683-I and the PID2020-115253GA-I00 HOSTFLOWS project, from Centro Superior de Investigaciones Científicas (CSIC) under the PIE project 20215AT016, and the program Unidad de Excelencia María de Maeztu CEX2020-001058-M, and from the Departament de Recerca i Universitats de la Generalitat de Catalunya through the 2021-SGR-01270 grant. R.J.F. and D.S. were supported in part by NASA grant 14-WPS140048. The UCSC team is supported in part by NASA grants NNG16PJ34G and NNG17PX03C issued through the Roman Science Investigation Teams Program; NSF grants AST-1518052 and AST-1815935; NASA through grant No. AR-14296 from the Space Telescope Science Institute, which is operated by AURA, Inc., under NASA contract NAS 5-26555; the Gordon and Betty Moore Foundation; the Heising-Simons Foundation; and fellowships from the Alfred P. Sloan Foundation and the David and Lucile Packard Foundation to R.J.F. We acknowledge the University of Chicago’s Research Computing Center for their support of this work.
Funding for the DES Projects has been provided by the U.S. Department of Energy, the U.S. National Science Foundation, the Ministry of Science and Education of Spain, the Science and Technology Facilities Council of the United Kingdom, the Higher Education Funding Council for England, the National Center for Supercomputing Applications at the University of Illinois at Urbana-Champaign, the Kavli Institute of Cosmological Physics at the University of Chicago, the Center for Cosmology and AstroParticle Physics at the Ohio State University, the Mitchell Institute for Fundamental Physics and Astronomy at Texas A&M University, Financiadora de Estudos e Projetos, Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiro, Conselho Nacional de Desenvolvimento Científico e Tecnológico and the Ministério da Ciência, Tecnologia e Inovação, the Deutsche Forschungsgemeinschaft, and the Collaborating Institutions in the Dark Energy Survey.
The Collaborating Institutions are Argonne National Laboratory, the University of California at Santa Cruz, the University of Cambridge, Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas-Madrid, the University of Chicago, University College London, the DES-Brazil Consortium, the University of Edinburgh, the Eidgenössische Technische Hochschule (ETH) Zürich, Fermi National Accelerator Laboratory, the University of Illinois at Urbana-Champaign, the Institut de Ciències de l’Espai (IEEC/CSIC), the Institut de Física d’Altes Energies, Lawrence Berkeley National Laboratory, the Ludwig-Maximilians Universität München and the associated Excellence Cluster Universe, the University of Michigan, NSF’s NOIRLab, the University of Nottingham, The Ohio State University, the University of Pennsylvania, the University of Portsmouth, SLAC National Accelerator Laboratory, Stanford University, the University of Sussex, Texas A&M University, and the OzDES Membership Consortium.
Based in part on observations at Cerro Tololo InterAmerican Observatory at NSF’s NOIRLab (NOIRLab Prop. ID 2012B-0001; PI: J. Frieman), which is managed by the Association of Universities for Research in Astronomy (AURA) under a cooperative agreement with the National Science Foundation. Based in part on data acquired at the Anglo-Australian Telescope. We acknowledge the traditional custodians of the land on which the AAT stands, the Gamilaraay people, and pay our respects to elders past and present. Parts of this research were supported by the Australian Research Council through project Nos. CE110001020, FL180100168, and DE230100055. Based in part on observations obtained at the international Gemini Observatory, a program of NSF’s NOIRLab, which is managed by the Association of Universities for Research in Astronomy (AURA) under a cooperative agreement with the National Science Foundation on behalf of the Gemini Observatory partnership: the National Science Foundation (United States), National Research Council (Canada), Agencia Nacional de Investigación y Desarrollo (Chile), Ministerio de Ciencia, Tecnología e Innovación (Argentina), Ministério da Ciência, Tecnologia, Inovações e Comunicações (Brazil), and Korea Astronomy and Space Science Institute (Republic of Korea). This includes data from programs GN-2015B-Q-10, GN-2016B-LP-10, GN-2017B-LP-10, GS-2013B-Q-45, GS-2015B-Q-7, GS-2016B-LP-10, GS-2016B-Q-41, and GS-2017B-LP-10 (PI: Foley). Some of the data presented herein were obtained at Keck Observatory, which is a private 501 (c) 3 nonprofit organization operated as a scientific partnership
among the California Institute of Technology, the University of California, and the National Aeronautics and Space Administration (PIs: Foley, Kirshner, and Nugent). The Observatory was made possible by the generous financial support of the W. M. Keck Foundation. This Letter includes results based on data gathered with the 6.5 m Magellan Telescopes located at Las Campanas Observatory, Chile (PI: Foley), and the Southern African Large Telescope (SALT; PIs: M. Smith & E. Kasai). The authors wish to recognize and acknowledge the very significant cultural role and reverence that the summit of Maunakea has always had within the Native Hawaiian community. We are most fortunate to have the opportunity to conduct observations from this mountain.
among the California Institute of Technology, the University of California, and the National Aeronautics and Space Administration (PIs: Foley, Kirshner, and Nugent). The Observatory was made possible by the generous financial support of the W. M. Keck Foundation. This Letter includes results based on data gathered with the 6.5 m Magellan Telescopes located at Las Campanas Observatory, Chile (PI: Foley), and the Southern African Large Telescope (SALT; PIs: M. Smith & E. Kasai). The authors wish to recognize and acknowledge the very significant cultural role and reverence that the summit of Maunakea has always had within the Native Hawaiian community. We are most fortunate to have the opportunity to conduct observations from this mountain.
The DES data management system is supported by the National Science Foundation under grant Nos. AST-1138766 and AST-1536171. The DES participants from Spanish institutions are partially supported by MICINN under grants ESP2017-89838, PGC2018-094773, PGC2018-102021, SEV-2016-0588, SEV-2016-0597, and MDM-2015-0509, some of which include ERDF funds from the European Union. IFAE is partially funded by the CERCA program of the Generalitat de Catalunya. Research leading to these results has received funding from the European Research Council under the European Union’s Seventh Framework Program (FP7/20072013) including ERC grant agreements 240672, 291329, and 306478. We acknowledge support from the Brazilian Instituto Nacional de Ciência e Tecnologia (INCT) do e-Universo (CNPq grant 465376/2014-2).
This research used resources of the National Energy Research Scientific Computing Center (NERSC), a U.S. Department of Energy Office of Science User Facility located at Lawrence Berkeley National Laboratory, operated under contract No. DE-AC02-05CH11231 using NERSC award HEP-ERCAP0023923. This manuscript has been authored by Fermi Research Alliance, LLC, under contract No. DE-AC0207CH11359 with the U.S. Department of Energy, Office of Science, Office of High Energy Physics.
Facilities: Blanco, AAT, Gemini:Gillett (GMOS-N), Gemini:South (GMOS-S), Keck:I (LRIS), Keck:II (DEIMOS), Magellan:Baade (IMACS), Magellan:Clay (LDSS3, MagE), SALT.
Software: numpy (C. R. Harris et al. 2020), astropy (Astropy Collaboration 2013, 2018), matplotlib (J. D. Hunter 2007), pandas (Pandas development team 2020), scipy (P. Virtanen et al. 2020), SNANA (R. Kessler et al. 2009), Pippin (S. Hinton & D. Brout 2020), ChainConsumer (S. Hinton 2016), SExtractor (E. Bertin & S. Arnouts 1996), MINUIT (F. James & M. Roos 1975), SuperNNova (A. Möller & T. de Boissiere 2020), SCONE (H. Qu et al. 2021).
Appendix A
Data Release and How to Use the DES-SN5YR Data
Here we explain where to find the data and software necessary to reproduce our analysis. Many of the codes we use are already public (detailed below). The primary repository for our key data products is on Zenodo via DOI:10.5281/ zenodo.12720778. We also mirror the key data and post code and tutorials on Github.
The DES-SN5YR analysis was run using the PIPPIN pipeline framework (S. Hinton & D. Brout 2020)
On Zenodo and Github, we release the PIPPIN input files necessary to (i) generate and fit all the simulations used in the analysis (both the large “biasCor” simulations to calculate bias corrections and the DES-SN5YR-like simulated samples to validate the analysis) and (ii) reproduce the full cosmological analysis, from light-curve fitting to photometric classification, distance estimates, and cosmological fitting. Auxiliary files are also available within the SNANA library
The various (intermediate and final) outputs of our analysis pipeline are also provided. This includes (i) light-curve fitted parameters, (ii) light-curve classification results, (iii) the final Hubble diagram and associated uncertainties covariance matrices, and (iv) the cosmology chains.
Appendix B Priors
Table 3 lists the prior ranges for our MCMC chains. The priors related to external data sets align with the priors in the original papers. We adapted the prior ranges to enclose the majority of the high-likelihood region as appropriate for each data set and model combination. Data-set-specific priors are listed in the footnote to the table.
Bayesian evidence calculations depend on the choice of prior; larger prior ranges used on the same data and likelihoods lead to lower evidences, sometimes referred to as the complex model penalty. Therefore, in model comparison using evidence calculations, we took care to choose consistent prior ranges that do not unduly inflate this penalty. Bayes’s theorem states
where
Table 3
Priors
Priors
| Parameter | Prior | ||
| Cosmology—baseline | |||
|
|
Flat | (0.55, 0.91) | |
|
|
Flat | (0.1, 0.9) | |
|
|
Flat | (0.5, 5.0) | |
|
|
Flat | (0.87, 1.07) | |
|
|
Flat | (0.03, 0.07) | |
|
|
Gaussian | (0.067, 0.023) | |
|
|
Flat | (0.06, 0.6) | |
| Lens Galaxy Bias | |||
|
|
Flat | (0.8, 3.0) | |
| Lens Magnification | |||
|
|
Fixed | 0.42 | |
|
|
Fixed | 0.30 | |
|
|
Fixed | 1.76 | |
|
|
Fixed | 1.94 | |
| Lens photo-z | |||
|
|
Gaussian | (-0.9, 0.7) | |
|
|
Gaussian | (-3.5, 1.1) | |
|
|
Gaussian | (-0.5, 0.6) | |
|
|
Gaussian | (-0.7, 0.6) | |
|
|
Gaussian | (0.98, 0.06) | |
|
|
Gaussian | (1.31, 0.09) | |
|
|
Gaussian | (0.87, 0.05) | |
|
|
Gaussian | (0.92, 0.05) | |
| Intrinsic Alignment | |||
|
|
Flat | (-5, 5) | |
|
|
Flat | (-5, 5) | |
|
|
Flat |
|
|
|
|
Fixed | 0.62 | |
| Source photo-z | |||
|
|
Gaussian | (0.0, 1.8) | |
|
|
Gaussian | (0.0, 1.5) | |
|
|
Gaussian | (0.0, 1.1) | |
|
|
Gaussian | (0.0, 1.7) | |
| Shear Calibration | |||
|
|
Gaussian | (-0.6, 0.9) | |
|
|
Gaussian | (-2.0, 0.8) | |
|
|
Gaussian | (-2.4, 0.8) | |
|
|
Gaussian | (-3.7, 0.8) | |
| Model | Parameter | Prior | |
| Extended Models | |||
|
|
|
Flat | (-0.5, 0.5) |
| Flat
|
|
Flat | (-2, 0) |
| Flat
|
|
Flat | (-10, 5) |
|
|
Flat | (-20, 10) | |
as
where the last step assumes a constant prior for each of the
where using (
where the last step assumes a constant prior for each of the
where using (
Appendix C
Tests on Subsets of Our Data
The large redshift range of the DES-SN5YR sample provides a strong lever arm on the measurement of any time variation of dark energy. We therefore check for potential peculiarities at the extremes of our redshift range that are driving the fit toward non-cosmological-constant values.
In Figure 13 and Table 4, we show the change to the flat
The cosmological contours using the full DES-SN5YR sample, the DES-SN5YR sample without low-z, and the DESSN5YR sample without high-
Figure 13. Constraints for the full DES-SN5YR data set (cyan), when excluding low-
Table 4
Results Using DES Data Alone (Excluding Low-
Results Using DES Data Alone (Excluding Low-
|
|
|
|
Shift Significance | |
| DES SNe without Low-z | ||||
| Flat
|
|
… | … |
|
| Flat
|
|
|
… |
|
| Flat
|
|
|
… |
|
| Flat
|
|
|
|
|
| DES SNe without High-z | ||||
| Flat
|
|
|
|
|
| Flat
|
|
|
|
|
| Flat
|
|
|
|
|
| Flat
|
|
|
|
|
Note. Shift significance: the significance of shifts in either
this approach, we measure a
this approach, we measure a
In flat
We perform the same test incorporating a CMB-like prior. Estimating the best-fit flat
we use an approximation of a CMB-like prior that uses the
we use an approximation of a CMB-like prior that uses the
We make similar tests for the flat
If there are no statistical fluctuations, the observed shifts in
the flat
the flat
ORCID iDs
DES Collaboration: T. M. C. Abbott (10 https://orcid.org/0000-0003-1587-3931
O. Alves © https://orcid.org/0000-0002-7394-9466
J. Annis © https://orcid.org/0000-0002-0609-3987
P. Armstrong © https://orcid.org/0000-0003-1997-3649
K. Bechtol © https://orcid.org/0000-0001-8156-0429
P. H. Bernardinelli © https://orcid.org/0000-0003-0743-9422
G. M. Bernstein © https://orcid.org/0000-0002-8613-8259
E. Bertin © https://orcid.org/0000-0002-3602-3664
S. Bocquet (10) https://orcid.org/0000-0002-4900-805X
D. Brooks © https://orcid.org/0000-0002-8458-5047
D. Brout © https://orcid.org/0000-0001-5201-8374
D. L. Burke © https://orcid.org/0000-0003-1866-1950
A. Carnero Rosell © https://orcid.org/0000-0003-3044-5150
D. Carollo © https://orcid.org/0000-0003-4710-132X
A. Carr © https://orcid.org/0000-0003-4074-5659
J. Carretero © https://orcid.org/0000-0002-3130-0204
F. J. Castander © https://orcid.org/0000-0001-7316-4573
C. Chang © https://orcid.org/0000-0002-7887-0896
R. Chen © https://orcid.org/0000-0003-3917-0966
C. Conselice © https://orcid.org/0000-0003-1949-7638
L. N. da Costa © https://orcid.org/0000-0002-7731-277X
M. Crocce (10) https://orcid.org/0000-0002-9745-6228
T. M. Davis © https://orcid.org/0000-0002-4213-8783
S. Desai © https://orcid.org/0000-0002-0466-3288
H. T. Diehl © https://orcid.org/0000-0002-8357-7467
C. Doux © https://orcid.org/0000-0003-4480-0096
A. Drlica-Wagner © https://orcid.org/0000-0001-8251-933X
J. Elvin-Poole © https://orcid.org/0000-0001-5148-9203
I. Ferrero © https://orcid.org/0000-0002-1295-1132
R. J. Foley © https://orcid.org/0000-0002-2445-5275
P. Fosalba (10) https://orcid.org/0000-0002-1510-5214
D. Friedel © https://orcid.org/0000-0002-3632-7668
C. Frohmaier © https://orcid.org/0000-0001-9553-4723
J. García-Bellido © https://orcid.org/0000-0002-9370-8360
E. Gaztanaga © https://orcid.org/0000-0001-9632-0815
K. Glazebrook © https://orcid.org/0000-0002-3254-9044
O. Graur © https://orcid.org/0000-0002-4391-6137
R. A. Gruendl © https://orcid.org/0000-0002-4588-6517
S. R. Hinton © https://orcid.org/0000-0003-2071-9349
D. L. Hollowood © https://orcid.org/0000-0002-9369-4157
D. Huterer © https://orcid.org/0000-0001-6558-0112
D. J. James © https://orcid.org/0000-0001-5160-4486
S. Kent © https://orcid.org/0000-0003-4207-7420
R. Kessler © https://orcid.org/0000-0003-3221-0419
A. G. Kim (10) https://orcid.org/0000-0001-6315-8743
E. Kovacs © https://orcid.org/0000-0002-2545-1989
K. Kuehn © https://orcid.org/0000-0003-0120-0808
J. Lee © https://orcid.org/0000-0001-6633-9793
G. F. Lewis © https://orcid.org/0000-0003-3081-9319
T. S. Li © https://orcid.org/0000-0002-9110-6163
C. Lidman © https://orcid.org/0000-0003-1731-0497
H. Lin © https://orcid.org/0000-0002-7825-3206
P. Martini © https://orcid.org/0000-0002-0194-4017
J. Mena-Fernández © https://orcid.org/0000-0001-9497-7266
F. Menanteau © https://orcid.org/0000-0002-1372-2534
R. Miquel © https://orcid.org/0000-0002-6610-4836
J. Mould (10) https://orcid.org/0000-0003-3820-1740
E. Neilsen © https://orcid.org/0000-0002-7357-0317
P. Nugent © https://orcid.org/0000-0002-3389-0586
R. L. C. Ogando © https://orcid.org/0000-0003-2120-1154
Y.-C. Pan © https://orcid.org/0000-0001-8415-6720
A. Pieres © https://orcid.org/0000-0001-9186-6042
H. Qu © https://orcid.org/0000-0003-1899-9791
A. K. Romer © https://orcid.org/0000-0002-9328-879X
A. Roodman © https://orcid.org/0000-0001-5326-3486
M. Sako © https://orcid.org/0000-0003-2764-7093
E. Sanchez © https://orcid.org/0000-0002-9646-8198
J. Allyn. Smith © https://orcid.org/0000-0002-6261-4601
M. Smith © https://orcid.org/000-0002-3321-1432
M. Soares-Santos © https://orcid.org/0000-0001-6082-8529
E. Suchyta © https://orcid.org/0000-0002-7047-9358
M. Sullivan © https://orcid.org/0000-0001-9053-4820
N. Suntzeff © https://orcid.org/0000-0002-8102-181
M. E. C. Swanson (10) https://orcid.org/0000-0002-1488-8552
G. Tarle © https://orcid.org/0000-0003-1704-078
D. Thomas © https://orcid.org/0000-0002-6325-5671
C. To © https://orcid.org/0000-0001-7836-2261
B. E. Tucker (10) https://orcid.org/0000-0002-4283-5159
D. L. Tucker © https://orcid.org/0000-0001-7211-5729
S. A. Uddin (10) https://orcid.org/0000-0002-9413-4186
A. R. Walker © https://orcid.org/0000-0002-7123-8943
N. Weaverdyck © https://orcid.org/0000-0001-9382-5199
R. H. Wechsler © https://orcid.org/0000-0003-2229-011X
W. Wester © https://orcid.org/0000-0003-0072-6736
O. Alves © https://orcid.org/0000-0002-7394-9466
J. Annis © https://orcid.org/0000-0002-0609-3987
P. Armstrong © https://orcid.org/0000-0003-1997-3649
K. Bechtol © https://orcid.org/0000-0001-8156-0429
P. H. Bernardinelli © https://orcid.org/0000-0003-0743-9422
G. M. Bernstein © https://orcid.org/0000-0002-8613-8259
E. Bertin © https://orcid.org/0000-0002-3602-3664
S. Bocquet (10) https://orcid.org/0000-0002-4900-805X
D. Brooks © https://orcid.org/0000-0002-8458-5047
D. Brout © https://orcid.org/0000-0001-5201-8374
D. L. Burke © https://orcid.org/0000-0003-1866-1950
A. Carnero Rosell © https://orcid.org/0000-0003-3044-5150
D. Carollo © https://orcid.org/0000-0003-4710-132X
A. Carr © https://orcid.org/0000-0003-4074-5659
J. Carretero © https://orcid.org/0000-0002-3130-0204
F. J. Castander © https://orcid.org/0000-0001-7316-4573
C. Chang © https://orcid.org/0000-0002-7887-0896
R. Chen © https://orcid.org/0000-0003-3917-0966
C. Conselice © https://orcid.org/0000-0003-1949-7638
L. N. da Costa © https://orcid.org/0000-0002-7731-277X
M. Crocce (10) https://orcid.org/0000-0002-9745-6228
T. M. Davis © https://orcid.org/0000-0002-4213-8783
S. Desai © https://orcid.org/0000-0002-0466-3288
H. T. Diehl © https://orcid.org/0000-0002-8357-7467
C. Doux © https://orcid.org/0000-0003-4480-0096
A. Drlica-Wagner © https://orcid.org/0000-0001-8251-933X
J. Elvin-Poole © https://orcid.org/0000-0001-5148-9203
I. Ferrero © https://orcid.org/0000-0002-1295-1132
R. J. Foley © https://orcid.org/0000-0002-2445-5275
P. Fosalba (10) https://orcid.org/0000-0002-1510-5214
D. Friedel © https://orcid.org/0000-0002-3632-7668
C. Frohmaier © https://orcid.org/0000-0001-9553-4723
J. García-Bellido © https://orcid.org/0000-0002-9370-8360
E. Gaztanaga © https://orcid.org/0000-0001-9632-0815
K. Glazebrook © https://orcid.org/0000-0002-3254-9044
O. Graur © https://orcid.org/0000-0002-4391-6137
R. A. Gruendl © https://orcid.org/0000-0002-4588-6517
S. R. Hinton © https://orcid.org/0000-0003-2071-9349
D. L. Hollowood © https://orcid.org/0000-0002-9369-4157
D. Huterer © https://orcid.org/0000-0001-6558-0112
D. J. James © https://orcid.org/0000-0001-5160-4486
S. Kent © https://orcid.org/0000-0003-4207-7420
R. Kessler © https://orcid.org/0000-0003-3221-0419
A. G. Kim (10) https://orcid.org/0000-0001-6315-8743
E. Kovacs © https://orcid.org/0000-0002-2545-1989
K. Kuehn © https://orcid.org/0000-0003-0120-0808
J. Lee © https://orcid.org/0000-0001-6633-9793
G. F. Lewis © https://orcid.org/0000-0003-3081-9319
T. S. Li © https://orcid.org/0000-0002-9110-6163
C. Lidman © https://orcid.org/0000-0003-1731-0497
H. Lin © https://orcid.org/0000-0002-7825-3206
P. Martini © https://orcid.org/0000-0002-0194-4017
J. Mena-Fernández © https://orcid.org/0000-0001-9497-7266
F. Menanteau © https://orcid.org/0000-0002-1372-2534
R. Miquel © https://orcid.org/0000-0002-6610-4836
J. Mould (10) https://orcid.org/0000-0003-3820-1740
E. Neilsen © https://orcid.org/0000-0002-7357-0317
P. Nugent © https://orcid.org/0000-0002-3389-0586
R. L. C. Ogando © https://orcid.org/0000-0003-2120-1154
Y.-C. Pan © https://orcid.org/0000-0001-8415-6720
A. Pieres © https://orcid.org/0000-0001-9186-6042
H. Qu © https://orcid.org/0000-0003-1899-9791
A. K. Romer © https://orcid.org/0000-0002-9328-879X
A. Roodman © https://orcid.org/0000-0001-5326-3486
M. Sako © https://orcid.org/0000-0003-2764-7093
E. Sanchez © https://orcid.org/0000-0002-9646-8198
J. Allyn. Smith © https://orcid.org/0000-0002-6261-4601
M. Smith © https://orcid.org/000-0002-3321-1432
M. Soares-Santos © https://orcid.org/0000-0001-6082-8529
E. Suchyta © https://orcid.org/0000-0002-7047-9358
M. Sullivan © https://orcid.org/0000-0001-9053-4820
N. Suntzeff © https://orcid.org/0000-0002-8102-181
M. E. C. Swanson (10) https://orcid.org/0000-0002-1488-8552
G. Tarle © https://orcid.org/0000-0003-1704-078
D. Thomas © https://orcid.org/0000-0002-6325-5671
C. To © https://orcid.org/0000-0001-7836-2261
B. E. Tucker (10) https://orcid.org/0000-0002-4283-5159
D. L. Tucker © https://orcid.org/0000-0001-7211-5729
S. A. Uddin (10) https://orcid.org/0000-0002-9413-4186
A. R. Walker © https://orcid.org/0000-0002-7123-8943
N. Weaverdyck © https://orcid.org/0000-0001-9382-5199
R. H. Wechsler © https://orcid.org/0000-0003-2229-011X
W. Wester © https://orcid.org/0000-0003-0072-6736
References
Alam, S., Ata, M., Bailey, S., et al. 2017, MNRAS, 470, 2617
Alam, S., Aubert, M., Avila, S., et al. 2021, PhRvD, 103, 083533
Alard, C., & Lupton, R. H. 1998, ApJ, 503, 325
Aleo, P. D., Malanchev, K., Sharief, S., et al. 2023, ApJS, 266, 9
Armstrong, P., Qu, H., Brout, D., et al. 2023, PASA, 40, e038
Astropy Collaboration 2013, A&A, 558, A33
Astropy Collaboration 2018, AJ, 156, 123
Bautista, J. E., Paviot, R., Vargas Magaña, M., et al. 2021, MNRAS, 500, 736
Bernstein, J. P., Kessler, R., Kuhlmann, S., et al. 2012, ApJ, 753, 152
Bertin, E., & Arnouts, S. 1996, A&AS, 117, 393
Betoule, M., Kessler, R., Guy, J., et al. 2014, A&A, 568, A22
Blanton, M. R., Bershady, M. A., Abolfathi, B., et al. 2017, AJ, 154, 28
Brout, D., Hinton, S. R., & Scolnic, D. 2021, ApJL, 912, L26
Brout, D., & Scolnic, D. 2021, ApJ, 909, 26
Brout, D., Scolnic, D., Kessler, R., et al. 2019a, ApJ, 874, 150
Brout, D., Sako, M., Scolnic, D., et al. 2019b, ApJ, 874, 106
Brout, D., Scolnic, D., Popovic, B., et al. 2022a, ApJ, 938, 110
Brout, D., Taylor, G., Scolnic, D., et al. 2022b, ApJ, 938, 111
Burke, D. L., Rykoff, E. S., Allam, S., et al. 2018, AJ, 155, 41
Camilleri, R., Davis, T. M., Vincenzi, M., et al. 2024, MNRAS, 533, 2615
Chaboyer, B., Demarque, P., Kernan, P. J., & Krauss, L. M. 1998, ApJ, 494, 96
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chevallier, M., & Polarski, D. 2001, IJMPD, 10, 213
Childress, M. J., Lidman, C., Davis, T. M., et al. 2017, MNRAS, 472, 273
Cimatti, A., & Moresco, M. 2023, ApJ, 953, 149
Conley, A., Guy, J., Sullivan, M., et al. 2011, ApJS, 192, 1
Dark Energy Survey Collaboration 2016, MNRAS, 460, 1270
Dark Energy Survey Collaboration 2019, ApJL, 872, L30
Alam, S., Aubert, M., Avila, S., et al. 2021, PhRvD, 103, 083533
Alard, C., & Lupton, R. H. 1998, ApJ, 503, 325
Aleo, P. D., Malanchev, K., Sharief, S., et al. 2023, ApJS, 266, 9
Armstrong, P., Qu, H., Brout, D., et al. 2023, PASA, 40, e038
Astropy Collaboration 2013, A&A, 558, A33
Astropy Collaboration 2018, AJ, 156, 123
Bautista, J. E., Paviot, R., Vargas Magaña, M., et al. 2021, MNRAS, 500, 736
Bernstein, J. P., Kessler, R., Kuhlmann, S., et al. 2012, ApJ, 753, 152
Bertin, E., & Arnouts, S. 1996, A&AS, 117, 393
Betoule, M., Kessler, R., Guy, J., et al. 2014, A&A, 568, A22
Blanton, M. R., Bershady, M. A., Abolfathi, B., et al. 2017, AJ, 154, 28
Brout, D., Hinton, S. R., & Scolnic, D. 2021, ApJL, 912, L26
Brout, D., & Scolnic, D. 2021, ApJ, 909, 26
Brout, D., Scolnic, D., Kessler, R., et al. 2019a, ApJ, 874, 150
Brout, D., Sako, M., Scolnic, D., et al. 2019b, ApJ, 874, 106
Brout, D., Scolnic, D., Popovic, B., et al. 2022a, ApJ, 938, 110
Brout, D., Taylor, G., Scolnic, D., et al. 2022b, ApJ, 938, 111
Burke, D. L., Rykoff, E. S., Allam, S., et al. 2018, AJ, 155, 41
Camilleri, R., Davis, T. M., Vincenzi, M., et al. 2024, MNRAS, 533, 2615
Chaboyer, B., Demarque, P., Kernan, P. J., & Krauss, L. M. 1998, ApJ, 494, 96
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chen, R., Scolnic, D., Rozo, E., et al. 2022, ApJ, 938, 62
Chevallier, M., & Polarski, D. 2001, IJMPD, 10, 213
Childress, M. J., Lidman, C., Davis, T. M., et al. 2017, MNRAS, 472, 273
Cimatti, A., & Moresco, M. 2023, ApJ, 953, 149
Conley, A., Guy, J., Sullivan, M., et al. 2011, ApJS, 192, 1
Dark Energy Survey Collaboration 2016, MNRAS, 460, 1270
Dark Energy Survey Collaboration 2019, ApJL, 872, L30
The Astrophysical Journal Letters, 973:L14 (20pp), 2024 September 20
Dark Energy Survey Collaboration 2022, PhRvD, 105, 023520
Dark Energy Survey Collaboration 2023, PhRvD, 107, 083504
Dawson, K. S., Kneib, J.-P., Percival, W. J., et al. 2016, AJ, 151, 44
de Mattia, A., Ruhlmann-Kleider, V., Raichoor, A., et al. 2021, MNRAS, 501, 5616
Di Valentino, E., Mena, O., Pan, S., et al. 2021, CQGra, 38, 153001
Diehl, H. T., Neilsen, E., Gruendl, R., et al. 2016, Proc. SPIE, 9910, 99101D
Diehl, H. T., Neilsen, E., Gruendl, R. A., et al. 2018, Proc. SPIE, 10704, 107040D
Dixon, M., Lidman, C., Mould, J., et al. 2022, MNRAS, 517, 4291
du Mas des Bourboux, H., Rich, J., Font-Ribera, A., et al. 2020, ApJ, 901, 153
Duarte, J., González-Gaitán, S., Mourao, A., et al. 2023, A&A, 680, A56
Fioc, M., & Rocca-Volmerange, B. 1999, arXiv:astro-ph/9912179
Flaugher, B., Diehl, H. T., Honscheid, K., et al. 2015, AJ, 150, 150
Foley, R. J., Scolnic, D., Rest, A., et al. 2017, MNRAS, 475, 193
Foreman-Mackey, D., Hogg, D. W., Lang, D., & Goodman, J. 2013, PASP, 125, 306
Ganeshalingam, M., Li, W., & Filippenko, A. V. 2013, MNRAS, 433, 2240
Gilliland, R. L., Nugent, P. E., & Phillips, M. M. 1999, ApJ, 521, 30
Gratton, R. G., Pecci, F. F., Carretta, E., et al. 1997, ApJ, 491, 749
Gupta, R. R., Kuhlmann, S., Kovacs, E., et al. 2016, AJ, 152, 154
Handley, W. 2019, JOSS, 4, 1414
Handley, W., & Lemos, P. 2019, PhRvD, 100, 023512
Handley, W. J., Hobson, M. P., & Lasenby, A. N. 2015, MNRAS, 450, L61
Harris, C. R., Millman, K. J., van der Walt, S. J., et al. 2020, Natur, 585, 357
Hicken, M., Challis, P., Jha, S., et al. 2009, ApJ, 700, 331
Hicken, M., Challis, P., Kirshner, R. P., et al. 2012, ApJS, 200, 12
Hinton, S., & Brout, D. 2020, JOSS, 5, 2122
Hinton, S. 2016, JOSS, 1, 00045
Hlozek, R., Kunz, M., Bassett, B., et al. 2012, ApJ, 752, 79
Hou, J., Sánchez, A. G., Ross, A. J., et al. 2021, MNRAS, 500, 1201
Hunter, J. D. 2007, CSE, 9, 90
Ivezić, Ž., Kahn, S. M., Tyson, J. A., et al. 2019, ApJ, 873, 111
James, F., & Roos, M. 1975, CoPhC, 10, 343
Jennings, E., Wolf, R., & Sako, M. 2016, arXiv:1611.03087
Jones, D. O., Foley, R. J., Narayan, G., et al. 2021, ApJ, 908, 143
Jones, D. O., Scolnic, D. M., Foley, R. J., et al. 2019, ApJ, 881, 19
Jones, D. O., Scolnic, D. M., Riess, A. G., et al. 2018, ApJ, 857, 51
Kelsey, L., Sullivan, M., Wiseman, P., et al. 2023, MNRAS, 519, 3046
Kenworthy, W. D., Jones, D. O., Dai, M., et al. 2021, ApJ, 923, 265
Kessler, R., & Brout, D. 2020, SNDATA_ROOT for SNANA software, v4, Zenodo, doi:10.5281/zenodo. 4015325
Kessler, R., Bernstein, J. P., Cinabro, D., et al. 2009, PASP, 121, 1028
Kessler, R., Brout, D., D’Andrea, C. B., et al. 2019a, MNRAS, 485, 1171
Kessler, R., Guy, J., Marriner, J., et al. 2013, ApJ, 764, 48
Kessler, R., Marriner, J., Childress, M., et al. 2015, AJ, 150, 172
Kessler, R., Narayan, G., Avelino, A., et al. 2019b, PASP, 131, 094501
Kessler, R., & Scolnic, D. 2017, ApJ, 836, 56
Kessler, R., Vincenzi, M., & Armstrong, P. 2023, ApJL, 952, L8
Komatsu, E., Dunkley, J., Nolta, M. R., et al. 2009, ApJS, 180, 330
Krisciunas, K., Contreras, C., Burns, C. R., et al. 2017, AJ, 154, 211
Kunz, M., Bassett, B. A., & Hlozek, R. A. 2007, PhRvD, 75, 103508
Kunz, M., Hlozek, R., Bassett, B. A., et al. 2012, in Astrostatistical Challenges for the New Astronomy, ed. J. M. Hilbe (New York: Springer), 63
Lahav, O., Calder, L., Mayers, J., & Frieman, J. 2020, The Dark Energy Survey (Singapore: World Scientific), https://www.worldscientific.com/doi/pdf/ 10.1142/q0247
Dark Energy Survey Collaboration 2022, PhRvD, 105, 023520
Dark Energy Survey Collaboration 2023, PhRvD, 107, 083504
Dawson, K. S., Kneib, J.-P., Percival, W. J., et al. 2016, AJ, 151, 44
de Mattia, A., Ruhlmann-Kleider, V., Raichoor, A., et al. 2021, MNRAS, 501, 5616
Di Valentino, E., Mena, O., Pan, S., et al. 2021, CQGra, 38, 153001
Diehl, H. T., Neilsen, E., Gruendl, R., et al. 2016, Proc. SPIE, 9910, 99101D
Diehl, H. T., Neilsen, E., Gruendl, R. A., et al. 2018, Proc. SPIE, 10704, 107040D
Dixon, M., Lidman, C., Mould, J., et al. 2022, MNRAS, 517, 4291
du Mas des Bourboux, H., Rich, J., Font-Ribera, A., et al. 2020, ApJ, 901, 153
Duarte, J., González-Gaitán, S., Mourao, A., et al. 2023, A&A, 680, A56
Fioc, M., & Rocca-Volmerange, B. 1999, arXiv:astro-ph/9912179
Flaugher, B., Diehl, H. T., Honscheid, K., et al. 2015, AJ, 150, 150
Foley, R. J., Scolnic, D., Rest, A., et al. 2017, MNRAS, 475, 193
Foreman-Mackey, D., Hogg, D. W., Lang, D., & Goodman, J. 2013, PASP, 125, 306
Ganeshalingam, M., Li, W., & Filippenko, A. V. 2013, MNRAS, 433, 2240
Gilliland, R. L., Nugent, P. E., & Phillips, M. M. 1999, ApJ, 521, 30
Gratton, R. G., Pecci, F. F., Carretta, E., et al. 1997, ApJ, 491, 749
Gupta, R. R., Kuhlmann, S., Kovacs, E., et al. 2016, AJ, 152, 154
Handley, W. 2019, JOSS, 4, 1414
Handley, W., & Lemos, P. 2019, PhRvD, 100, 023512
Handley, W. J., Hobson, M. P., & Lasenby, A. N. 2015, MNRAS, 450, L61
Harris, C. R., Millman, K. J., van der Walt, S. J., et al. 2020, Natur, 585, 357
Hicken, M., Challis, P., Jha, S., et al. 2009, ApJ, 700, 331
Hicken, M., Challis, P., Kirshner, R. P., et al. 2012, ApJS, 200, 12
Hinton, S., & Brout, D. 2020, JOSS, 5, 2122
Hinton, S. 2016, JOSS, 1, 00045
Hlozek, R., Kunz, M., Bassett, B., et al. 2012, ApJ, 752, 79
Hou, J., Sánchez, A. G., Ross, A. J., et al. 2021, MNRAS, 500, 1201
Hunter, J. D. 2007, CSE, 9, 90
Ivezić, Ž., Kahn, S. M., Tyson, J. A., et al. 2019, ApJ, 873, 111
James, F., & Roos, M. 1975, CoPhC, 10, 343
Jennings, E., Wolf, R., & Sako, M. 2016, arXiv:1611.03087
Jones, D. O., Foley, R. J., Narayan, G., et al. 2021, ApJ, 908, 143
Jones, D. O., Scolnic, D. M., Foley, R. J., et al. 2019, ApJ, 881, 19
Jones, D. O., Scolnic, D. M., Riess, A. G., et al. 2018, ApJ, 857, 51
Kelsey, L., Sullivan, M., Wiseman, P., et al. 2023, MNRAS, 519, 3046
Kenworthy, W. D., Jones, D. O., Dai, M., et al. 2021, ApJ, 923, 265
Kessler, R., & Brout, D. 2020, SNDATA_ROOT for SNANA software, v4, Zenodo, doi:10.5281/zenodo. 4015325
Kessler, R., Bernstein, J. P., Cinabro, D., et al. 2009, PASP, 121, 1028
Kessler, R., Brout, D., D’Andrea, C. B., et al. 2019a, MNRAS, 485, 1171
Kessler, R., Guy, J., Marriner, J., et al. 2013, ApJ, 764, 48
Kessler, R., Marriner, J., Childress, M., et al. 2015, AJ, 150, 172
Kessler, R., Narayan, G., Avelino, A., et al. 2019b, PASP, 131, 094501
Kessler, R., & Scolnic, D. 2017, ApJ, 836, 56
Kessler, R., Vincenzi, M., & Armstrong, P. 2023, ApJL, 952, L8
Komatsu, E., Dunkley, J., Nolta, M. R., et al. 2009, ApJS, 180, 330
Krisciunas, K., Contreras, C., Burns, C. R., et al. 2017, AJ, 154, 211
Kunz, M., Bassett, B. A., & Hlozek, R. A. 2007, PhRvD, 75, 103508
Kunz, M., Hlozek, R., Bassett, B. A., et al. 2012, in Astrostatistical Challenges for the New Astronomy, ed. J. M. Hilbe (New York: Springer), 63
Lahav, O., Calder, L., Mayers, J., & Frieman, J. 2020, The Dark Energy Survey (Singapore: World Scientific), https://www.worldscientific.com/doi/pdf/ 10.1142/q0247
Lasker, J., Kessler, R., Scolnic, D., et al. 2019, MNRAS, 485, 5329
Lee, J., Acevedo, M., Sako, M., et al. 2023, AJ, 165, 222
Lemos, P., Raveri, M., Campos, A., et al. 2021, MNRAS, 505, 6179
Lidman, C., Tucker, B. E., Davis, T. M., et al. 2020, MNRAS, 496, 19
Linder, E. V. 2003, PhRvL, 90, 091301
Marriner, J., Bernstein, J. P., Kessler, R., et al. 2011, ApJ, 740, 72
Lee, J., Acevedo, M., Sako, M., et al. 2023, AJ, 165, 222
Lemos, P., Raveri, M., Campos, A., et al. 2021, MNRAS, 505, 6179
Lidman, C., Tucker, B. E., Davis, T. M., et al. 2020, MNRAS, 496, 19
Linder, E. V. 2003, PhRvL, 90, 091301
Marriner, J., Bernstein, J. P., Kessler, R., et al. 2011, ApJ, 740, 72
Dark Energy Survey
Meldorf, C., Palmese, A., Brout, D., et al. 2023, MNRAS, 518, 1985
Mitra, A., Kessler, R., More, S., Hlozek, R. & LSST Dark Energy Science Collaboration 2023, ApJ, 944, 212
Möller, A., & de Boissiere, T. 2020, MNRAS, 491, 4277
Möller, A., Smith, M., Sako, M., et al. 2022, MNRAS, 514, 5159
Pandas development team 2020, Zenodo: pandas-dev/pandas: Pandas, v2.2.2, Zenodo, doi:10.5281/zenodo. 3509134
Perlmutter, S., Aldering, G., Goldhaber, G., et al. 1999, ApJ, 517, 565
Phillips, M. M., Lira, P., Suntzeff, N. B., et al. 1999, AJ, 118, 1766
Planck Collaboration 2020, A&A, 641, A6
Popovic, B., Brout, D., Kessler, R., & Scolnic, D. 2023, ApJ, 945, 84
Popovic, B., Brout, D., Kessler, R., Scolnic, D., & Lu, L. 2021, ApJ, 913, 49
Popovic, B., Scolnic, D., Vincenzi, M., et al. 2024, MNRAS, 529, 2100
Prince, H., & Dunkley, J. 2019, PhRvD, 100, 083502
Pskovskii, I. P. 1977, SvA, 21, 675
Qu, H., Sako, M., Möller, A., & Doux, C. 2021, AJ, 162, 67
Qu, H., Sako, M., Vincenzi, M., et al. 2024, ApJ, 964, 134
Riess, A. G., Filippenko, A. V., Challis, P., et al. 1998, AJ, 116, 1009
Riess, A. G., Nugent, P. E., Gilliland, R. L., et al. 2001, ApJ, 560, 49
Riess, A. G., Rodney, S. A., Scolnic, D. M., et al. 2018, ApJ, 853, 126
Riess, A. G., Strolger, L.-G., Tonry, J., et al. 2004, ApJ, 607, 665
Riess, A. G., Strolger, L.-G., Casertano, S., et al. 2007, ApJ, 659, 98
Rose, B. M., Baltay, C., Hounsell, R., et al. 2021, arXiv:2111.03081
Ross, A. J., Samushia, L., Howlett, C., et al. 2015, MNRAS, 449, 835
Rubin, D., Aldering, G., Betoule, M., et al. 2023, arXiv:2311.12098
Ruhlmann-Kleider, V., Lidman, C., & Möller, A. 2022, JCAP, 2022, 065
Rust, B. W. 1974, PhD thesis, Oak Ridge National Laboratory, Tennessee
Rykoff, E. S. 2023, Rykoff, Eli S. 2023. “The Dark Energy Survey Six-Year Calibration Star Catalog”, FERMILAB-TM-2784-PPD-SCD, Fermi Technical Note, doi:10.2172/1973601
Sako, M., Bassett, B., Becker, A. C., et al. 2018, PASP, 130, 064002
Sánchez, B. O., Brout, D., Vincenzi, M., et al. 2024, arXiv:2406.05046
Sánchez, B. O., Kessler, R., Scolnic, D., et al. 2022, ApJ, 934, 96
Scolnic, D., Brout, D., Carr, A., et al. 2022, ApJ, 938, 113
Scolnic, D. M., Jones, D. O., Rest, A., et al. 2018, ApJ, 859, 101
Sevilla-Noarbe, I., Bechtol, K., Kind, M. C., et al. 2021, ApJS, 254, 24
Smith, M., D’Andrea, C. B., Sullivan, M., et al. 2020a, AJ, 160, 267
Smith, M., Sullivan, M., Wiseman, P., et al. 2020b, MNRAS, 494, 4426
Stevens, A. R. H., Bellstedt, S., Elahi, P. J., & Murphy, M. T. 2020, NatAs, 4, 843
Sullivan, M., Le Borgne, D., Pritchet, C. J., et al. 2006, ApJ, 648, 868
Sullivan, M., Guy, J., Conley, A., et al. 2011, ApJ, 737, 102
Suzuki, N., Rubin, D., Lidman, C., et al. 2012, ApJ, 746, 85
Swann, E., Sullivan, M., Carrick, J., et al. 2019, Msngr, 175, 58
Taylor, G., Jones, D. O., Popovic, B., et al. 2023, MNRAS, 520, 5209
The Dark Energy Survey Collaboration 2005, arXiv:astro-ph/0510346
Tripp, R. 1998, A&A, 331, 815
Trotta, R. 2008, ConPh, 49, 71
Valcin, D., Bernal, J. L., Jimenez, R., Verde, L., & Wandelt, B. D. 2020, JCAP, 2020, 002
VandenBerg, D. A., Bolte, M., & Stetson, P. B. 1996, ARA&A, 34, 461
Vincenzi, M., Sullivan, M., Firth, R. E., et al. 2019, MNRAS, 489, 5802
Vincenzi, M., Sullivan, M., Graur, O., et al. 2021, MNRAS, 505, 2819
Vincenzi, M., Sullivan, M., Möller, A., et al. 2023, MNRAS, 518, 1106
Vincenzi, M., Brout, D., Armstrong, P., et al. 2024, arXiv:2401.02945
Virtanen, P., Gommers, R., Oliphant, T. E., et al. 2020, NatMe, 17, 261
Wiseman, P., Smith, M., Childress, M., et al. 2020, MNRAS, 495, 4040
Wiseman, P., Sullivan, M., Smith, M., et al. 2021, MNRAS, 506, 3330
Wiseman, P., Vincenzi, M., Sullivan, M., et al. 2022, MNRAS, 515, 4587
Ying, J. M., Chaboyer, B., Boudreaux, E. M., et al. 2023, AJ, 166, 18
Yuan, F., Lidman, C., Davis, T. M., et al. 2015, MNRAS, 452, 3047
Zuntz, J., Paterno, M., Jennings, E., et al. 2015, A&C, 12, 45
Meldorf, C., Palmese, A., Brout, D., et al. 2023, MNRAS, 518, 1985
Mitra, A., Kessler, R., More, S., Hlozek, R. & LSST Dark Energy Science Collaboration 2023, ApJ, 944, 212
Möller, A., & de Boissiere, T. 2020, MNRAS, 491, 4277
Möller, A., Smith, M., Sako, M., et al. 2022, MNRAS, 514, 5159
Pandas development team 2020, Zenodo: pandas-dev/pandas: Pandas, v2.2.2, Zenodo, doi:10.5281/zenodo. 3509134
Perlmutter, S., Aldering, G., Goldhaber, G., et al. 1999, ApJ, 517, 565
Phillips, M. M., Lira, P., Suntzeff, N. B., et al. 1999, AJ, 118, 1766
Planck Collaboration 2020, A&A, 641, A6
Popovic, B., Brout, D., Kessler, R., & Scolnic, D. 2023, ApJ, 945, 84
Popovic, B., Brout, D., Kessler, R., Scolnic, D., & Lu, L. 2021, ApJ, 913, 49
Popovic, B., Scolnic, D., Vincenzi, M., et al. 2024, MNRAS, 529, 2100
Prince, H., & Dunkley, J. 2019, PhRvD, 100, 083502
Pskovskii, I. P. 1977, SvA, 21, 675
Qu, H., Sako, M., Möller, A., & Doux, C. 2021, AJ, 162, 67
Qu, H., Sako, M., Vincenzi, M., et al. 2024, ApJ, 964, 134
Riess, A. G., Filippenko, A. V., Challis, P., et al. 1998, AJ, 116, 1009
Riess, A. G., Nugent, P. E., Gilliland, R. L., et al. 2001, ApJ, 560, 49
Riess, A. G., Rodney, S. A., Scolnic, D. M., et al. 2018, ApJ, 853, 126
Riess, A. G., Strolger, L.-G., Tonry, J., et al. 2004, ApJ, 607, 665
Riess, A. G., Strolger, L.-G., Casertano, S., et al. 2007, ApJ, 659, 98
Rose, B. M., Baltay, C., Hounsell, R., et al. 2021, arXiv:2111.03081
Ross, A. J., Samushia, L., Howlett, C., et al. 2015, MNRAS, 449, 835
Rubin, D., Aldering, G., Betoule, M., et al. 2023, arXiv:2311.12098
Ruhlmann-Kleider, V., Lidman, C., & Möller, A. 2022, JCAP, 2022, 065
Rust, B. W. 1974, PhD thesis, Oak Ridge National Laboratory, Tennessee
Rykoff, E. S. 2023, Rykoff, Eli S. 2023. “The Dark Energy Survey Six-Year Calibration Star Catalog”, FERMILAB-TM-2784-PPD-SCD, Fermi Technical Note, doi:10.2172/1973601
Sako, M., Bassett, B., Becker, A. C., et al. 2018, PASP, 130, 064002
Sánchez, B. O., Brout, D., Vincenzi, M., et al. 2024, arXiv:2406.05046
Sánchez, B. O., Kessler, R., Scolnic, D., et al. 2022, ApJ, 934, 96
Scolnic, D., Brout, D., Carr, A., et al. 2022, ApJ, 938, 113
Scolnic, D. M., Jones, D. O., Rest, A., et al. 2018, ApJ, 859, 101
Sevilla-Noarbe, I., Bechtol, K., Kind, M. C., et al. 2021, ApJS, 254, 24
Smith, M., D’Andrea, C. B., Sullivan, M., et al. 2020a, AJ, 160, 267
Smith, M., Sullivan, M., Wiseman, P., et al. 2020b, MNRAS, 494, 4426
Stevens, A. R. H., Bellstedt, S., Elahi, P. J., & Murphy, M. T. 2020, NatAs, 4, 843
Sullivan, M., Le Borgne, D., Pritchet, C. J., et al. 2006, ApJ, 648, 868
Sullivan, M., Guy, J., Conley, A., et al. 2011, ApJ, 737, 102
Suzuki, N., Rubin, D., Lidman, C., et al. 2012, ApJ, 746, 85
Swann, E., Sullivan, M., Carrick, J., et al. 2019, Msngr, 175, 58
Taylor, G., Jones, D. O., Popovic, B., et al. 2023, MNRAS, 520, 5209
The Dark Energy Survey Collaboration 2005, arXiv:astro-ph/0510346
Tripp, R. 1998, A&A, 331, 815
Trotta, R. 2008, ConPh, 49, 71
Valcin, D., Bernal, J. L., Jimenez, R., Verde, L., & Wandelt, B. D. 2020, JCAP, 2020, 002
VandenBerg, D. A., Bolte, M., & Stetson, P. B. 1996, ARA&A, 34, 461
Vincenzi, M., Sullivan, M., Firth, R. E., et al. 2019, MNRAS, 489, 5802
Vincenzi, M., Sullivan, M., Graur, O., et al. 2021, MNRAS, 505, 2819
Vincenzi, M., Sullivan, M., Möller, A., et al. 2023, MNRAS, 518, 1106
Vincenzi, M., Brout, D., Armstrong, P., et al. 2024, arXiv:2401.02945
Virtanen, P., Gommers, R., Oliphant, T. E., et al. 2020, NatMe, 17, 261
Wiseman, P., Smith, M., Childress, M., et al. 2020, MNRAS, 495, 4040
Wiseman, P., Sullivan, M., Smith, M., et al. 2021, MNRAS, 506, 3330
Wiseman, P., Vincenzi, M., Sullivan, M., et al. 2022, MNRAS, 515, 4587
Ying, J. M., Chaboyer, B., Boudreaux, E. M., et al. 2023, AJ, 166, 18
Yuan, F., Lidman, C., Davis, T. M., et al. 2015, MNRAS, 452, 3047
Zuntz, J., Paterno, M., Jennings, E., et al. 2015, A&C, 12, 45
The SALT3 model consists of a spectral flux density as a function of phase and wavelength for SNe Ia. Its three components are describing the mean SN light curve, describing the deviations from that are correlated with light-curve width, and CL describing the color dependence. See Equation (1) of G. Taylor et al. (2023). - 93 Following J. Marriner et al. (2011), we replace the traditional
notation with , because in the SALT2 and SALT3 models, the amplitude term, , is not related to any particular filter band. Applying a binary-classification-based cut (SN Ia or not) is not optimal, as it assumes that the classification is perfect. However, we test the binary-cut-based approach by using only the 1499 SNe classified with and assuming they are a pure SN Ia sample. We show that the measured shift in is small compared to the statistical uncertainties (Table 11 of M. Vincenzi et al. 2024). When , the term becomes and can be calculated directly from Equation (2), bypassing the infinite . For each emcee fit, we use a number of walkers that is at least twice the number of parameters and ensure that the number of samples in the chain is greater than 50 times the autocorrelation function, . For each PolyChord fit, we use a minimum of 60 live points, 30 repeats, and an evidence tolerance requirement of 0.1 (except for CDM with all data sets combined, for which we accepted a slightly weaker tolerance because convergence was too slow). When combining with other data sets, we run simultaneous MCMC chains including all relevant data vectors. Flat priors that encapsulate at least the confidence region were chosen in each case, and we summarize those priors in Appendix B.
The main advantage of emcee is that it gives a slightly more accurate bestfit than PolyChord. However, we decided that the tiny improvement in accuracy was not worth the environmental impact (A. R. H. Stevens et al. 2020) of the extra compute time (which was substantial for the many-dataset fits). - 98 The distribution of points around the Hubble diagram is not perfectly Gaussian, as it is skewed due to lensing magnification and non-SN-Ia contamination. This means that the
values (especially at high ) are only approximate. Similar to the parameter used in lensing studies to approximate constraints. Suspiciousness, , is related to the Bayes ratio and Bayesian information and is defined as . If . If , Gyr. Not all events included in the DES-SN3YR analysis are included in the DES-SN5YR analysis, and vice versa. This is due to the two analyses implementing different sample cuts. For example, the cut and the requirement for a host galaxy redshift in DES-SN5YR exclude, respectively, 44 and 29 low-z SNe that were in the DES-SN3YR sample. DES-SN5YR also uses a new SALT model (which affects the SALT-based cuts) and is restricted to SNe that pass selection cuts across all systematic tests (see Table 4 in M. Vincenzi et al. 2024).
The redshift at which the Universe began accelerating in CDM is . These upcoming low- surveys are magnitude-limited rather than targeted; therefore, they provide SN samples with a well-defined selection function. - Note.
We also used some specific variations of the above baseline priors. For the CDM model using the DES-SN5YR only, ; using DESSN5YR + SDSS BAO and DES Y3 ; and using DES-SN5YR + Planck SDSS BAO and DES Y3 pt, . For the flat CDM model using DES-SN5YR + Planck , and finally, for the flat model using DESSN5YR + SDSS BAO and DES Y3 .