Título: ADDGALS: los catálogos del cielo simularon estudios de campo amplio de galaxias
Autores: Ressa H. Wechsler, Joseph DeRose, Michael T. Bucha, et al.
Fundación Primer Autor: Departamento de Física, Universidad de Stanford, Stanford, California; Instituto Kavli de Astrofísica, Partículas y Cosmología, Stanford, California; Laboratorio Nacional de Aceleradores SLAC, Menlo Park, California
condición: Publicado en a B C [open access]
En los últimos años, los campos de la cosmología extragaláctica y la astronomía han experimentado una explosión de descubrimientos científicos, impulsada por los avances en simulación numérica La cosmología y la formación de galaxias combinadas con la proliferación de cantidades cada vez mayores de datos de observación. En nuestra comprensión actual de la evolución del universo, la formación de galaxias y la cosmología están estrechamente relacionadas, ya que las galaxias actúan como retractores de la distribución generalizada de materia en el universo porque están principalmente relacionadas con su anfitrión. aura de materia oscura. En otras palabras, para estudiar la distribución básica de la materia oscura en el universo y explorar la física subyacente que subyace a la cosmología que observamos hoy, debemos confiar en muestras estadísticamente significativas de observaciones galácticas.
Idealmente, para explicar tales observaciones, uno podría imaginar una simulación numérica de toda la historia del universo con toda la física básica incluida, como en la cosmología. simulación hidrodinámica – Comparar los cúmulos de galaxias resultantes con las muestras observadas. Sin embargo, esta es una tarea computacional costosa y, por lo tanto, no se desarrolla fácilmente para tamaños grandes (como el tamaño de nuestro universo). En cambio, a menudo usamos métodos más rápidos para producir catálogos artificiales de galaxias que se basan en nuestra comprensión de la relación física entre las galaxias y los halos de DM, como Distribuciones de ocupación de halo (que describe cuántas galaxias esperaríamos encontrar en el halo de un DM dado y dónde esperaríamos encontrarlas), modelos semianalíticos (donde los procesos físicos se «grafican» en una simulación numérica para formar la estructura gravitatoria), y subhalo coincidencia de abundancia (Donde las galaxias se asignan a sus halos anfitriones haciendo coincidir la densidad del número de galaxias por encima de una masa dada con la densidad del número de halos de DM sobre una masa dada). Fundamentalmente, todos estos enfoques requieren simulaciones de resolución razonablemente alta para formar una estructura de DM a partir de la cual se pueda construir una población de galaxias. Inspirados por la utilidad de los índices fantasmas pero la falta simultánea de herramientas computacionalmente eficientes para construirlos, los autores de hoy presentan ADDGALS (Adición de galaxias de densidad específica a la simulación de Lightcone)que proporciona un enfoque relativamente económico y computacionalmente económico para crear catálogos de galaxias artificiales realistas a partir de simulaciones de estructuras DM de precisión modesta.
En general, el algoritmo ADDGALS se puede resumir en los pasos de la Figura 1. Es decir, los autores aprovechan un enfoque inspirado en el aprendizaje automático para usar datos de simulaciones de alta resolución para ajustarse a sus modelos de comunicación intergaláctica y sus halos DM y encuestas. Datos para ajustar un modelo que vincula las propiedades de las galaxias con la distribución de densidad de DM local, de modo que los dos conjuntos de modelos puedan aplicarse a simulaciones de baja resolución para producir un catálogo ficticio de galaxias. En pocas palabras, dada una simulación de materia oscura, este algoritmo ayuda a determinar dónde deben colocarse las galaxias y cómo deben aparecer si se observan en el sondeo.
Por lo tanto, la primera parte del algoritmo es averiguar dónde deben ir las galaxias (pasos 0 a 2 en la Figura 1). Los autores dividieron este proceso en dos pasos. Primero, asignaron las galaxias más grandes, llamadas centralis, a sus halos asumiendo una relación estadística entre la masa del halo y el tamaño de la galaxia central, p(Ms| METROver) en los Pasos 1 y 2 de la Figura 1. Luego, necesitan llenar los halos con galaxias satélite utilizando una relación entre la intensidad de DM a gran escala y el tamaño de la galaxia, p(R|M).sz) que se muestra en la Figura 1. Esta distribución, que asumen una forma basada en sus simulaciones, da la probabilidad de que veamos una galaxia MagnitudMETROsen El corrimiento al rojo de z en la región de densidad DM R (técnicamente, este es el tamaño de la región, por lo que se denota como R, pero está relacionado con una masa constante, por lo que podemos considerarla densidad). Luego, los autores calibraron estas dos relaciones basándose en simulaciones de alta resolución. Con estas dos distribuciones de probabilidad calibradas (masa central para brillo y masa, y relaciones entre densidad y magnitud) en la mano, pueden tomar simulaciones de menor resolución y asignar estadísticamente galaxias a simulaciones de halos de DM, lo que da como resultado un catálogo de galaxias con posiciones, velocidades y magnitudes.
El siguiente paso es emparejar Distribuciones de energía espectral (SED) – Curvas que describen la energía emitida por un objeto frente a su longitud de onda – con galaxias colocadas en la simulación (pasos 3-4 en la Figura 1). Esto se hace de una manera estadística similar a la asignación de galaxias a halos, excepto que esta vez los autores usaron una muestra de 600 000 galaxias reales. Encuesta digital del cielo de Sloan (SDSS) Para servir como un «conjunto de entrenamiento» de SED. Para determinar qué SED corresponde a qué galaxia artificial, los autores descubrieron que podían usar la distancia al halo de DM masivo más cercano como un buen sustituto para la observación. gramo de color. A un tamaño de galaxia constante, eso significa que pueden usarlos Abundancia coincidente Para asociar colores con galaxias según su entorno DM local. Luego eligen los SED asociados con el valor de color asignado a la galaxia y los usan para calcular la cantidad observada en cada banda para esas galaxias. Para comparar de manera realista estos catálogos de composición con los datos observados en un estudio real (que, por ejemplo, tendría un volumen observable limitado), los autores también introducen errores de composición, como el ruido del flujo galáctico y el cielo.
Finalmente, los autores demuestran la validez de este enfoque al comparar la distribución de galaxias generada por ADDGALS con los datos SDSS reales, como los que se muestran en la Figura 2, que muestra una buena concordancia entre el número y el color de las galaxias observadas en diferentes corrimientos al rojo y magnitudes. . El algoritmo descrito en el documento de hoy proporciona una forma computacionalmente económica de producir datos de encuestas ficticias y ya se ha aplicado a una variedad de encuestas y contextos, por ejemplo, permitiendo a los científicos probar una metodología que se puede aplicar fácilmente a próximas encuestas y evaluar qué cosmología. Se han aplicado sondas a las encuestas actuales.
Si bien trabajar en este documento no es tan fácil como ABC o Do-Re-Mi, los autores de hoy han hecho todo lo posible para crear un catálogo de galaxias artificiales con la misma facilidad (próximos pasos) 1, 2, 3 (y 4 pulgadas) Figura 1)!
Edición de Astrobit por Graham Doskoch
Crédito de la imagen destacada: Adaptado de YouTube
Acerca de Sahl Hajjah
Soy estudiante de primer año de doctorado en astrofísica en la UCLA. Actualmente estoy usando modelos semianalíticos para estudiar la formación de las primeras estrellas y galaxias del universo. Completé mis estudios universitarios en la Universidad de Columbia y soy originario del Área de la Bahía de San Francisco. Fuera de la astronomía, me encontrarás jugando al tenis, surfeando (léase: eliminando) y jugando juegos de mesa/TTRPG.
«Solucionador de problemas. Gurú de los zombis. Entusiasta de Internet. Defensor de los viajes sin disculpas. Organizador. Lector. Aficionado al alcohol».