eROSITA (extended ROentgen Survey with an Imaging Telescope Array) is the primary instrument on the Spectrum-Roentgen-Gamma (SRG) mission, which was successfully launched on July 13, 2019, from the Baikonour cosmodrome. After the commissioning of the instrument and a subsequent calibration and performance verification phase, eROSITA started a survey of the entire sky on December 13, 2019. By the end of 2023, eight complete scans of the celestial sphere will have been performed, each lasting six months. At the end of this program, the eROSITA all-sky survey in the soft X-ray band (0.2–2.3 keV) will be about 25 times more sensitive than the ROSAT All-Sky Survey, while in the hard band (2.3–8 keV) it will provide the first ever true imaging survey of the sky. The eROSITA design driving science is the detection of large samples of galaxy clusters up to redshifts z > 1 in order to study the large-scale structure of the universe and test cosmological models including Dark Energy. In addition, eROSITA is expected to yield a sample of a few million AGNs, including obscured objects, revolutionizing our view of the evolution of supermassive black holes. The survey will also provide new insights into a wide range of astrophysical phenomena, including X-ray binaries, active stars, and diffuse emission within the Galaxy. Results from early observations, some of which are presented here, confirm that the performance of the instrument is able to fulfil its scientific promise. With this paper, we aim to give a concise description of the instrument, its performance as measured on ground, its operation in space, and also the first results from in-orbit measurements.

Abstract Learning to perform a perceptual decision task is generally achieved through sessions of effortful practice with feedback. Here, we investigated how passive exposure to task-relevant stimuli, which is relatively effortless and does not require feedback, influences active learning. First, we trained mice in a sound-categorization task with various schedules combining passive exposure and active training. Mice that received passive exposure exhibited faster learning, regardless of whether this exposure occurred entirely before active training or was interleaved between active sessions. We next trained neural-network models with different architectures and learning rules to perform the task. Networks that use the statistical properties of stimuli to enhance separability of the data via unsupervised learning during passive exposure provided the best account of the behavioral observations. We further found that, during interleaved schedules, there is an increased alignment between weight updates from passive exposure and active training, such that a few interleaved sessions can be as effective as schedules with long periods of passive exposure before active training, consistent with our behavioral observations. These results provide key insights for the design of efficient training schedules that combine active learning and passive exposure in both natural and artificial systems.