盖亚绘制的星图里,藏着银河系不为人知的混乱过去

欧洲航天局的盖亚任务通过绘制超详细银河系地图,改变了我们对银河系演化的理解。最新数据揭示了银河系与巨大伴星系的碰撞历史,以及太阳周围恒星的螺旋运动轨迹,这些发现对暗物质性质的研究具有重要意义。

来源:Nature自然科研

来自盖亚探测器的最新数据从根本上改变了我们对银河系演化的认知。

去年4月的一天,Amina Helmi在前往荷兰北部上班的路上起了一阵鸡皮疙瘩,并不是因为天气冷,而是因为一种纯粹的期待。几天前,欧洲航天局(ESA)的“盖亚”(Gaia)任务将过去五年绘制而成的超详细银河系地图全数发布。作为格罗宁根大学的一名天文学家,Amina Helmi和她的团队当时正争分夺秒地解读这些数据,以期先人一步解开银河系的秘密。

加班加点赶进度,激动得睡不着觉,Helmi和同事都预感将有大事发生。团队一共发现了3万颗“叛逃”恒星。不同于银河系主体中其他天体的平面盘形绕轨运动,这些不守规矩的恒星逆其道而行之,沿着带领它们离开银道面的轨道运动。

团队用了几周的时间,发现了这群明亮的恒星昭示着银河系历史上一段不为人知的混乱过去:年轻的银河系曾与一个巨大的伴星系发生过碰撞。这个巨大的伴星系曾围绕着银河系运动,就像行星围绕恒星而转,但在约80亿-110亿年前,两者发生了碰撞,导致银盘发生巨变,恒星四散开来。这是迄今已知的在银河系形成人类所熟知的旋臂结构前的最后一次大碰撞。

几十亿年来,那次古老的碰撞留下的信号就在我们眼前,但一直到盖亚数据集公布之后,天文学家才能检测到它。Helmi对此评价道:“能够发现银河系历史上的这一里程碑事件简直太棒了。”

多亏了盖亚任务,这类具有重大意义的发现层出不穷。盖亚任务的目标是编制一张囊括10亿多颗局域恒星的星表,记录下它们的亮度、温度、年龄、位置和速度。

其中,恒星的位置和速度对天文学家来说尤其重要:盖亚任务之前,科学家一直缺少关于许多恒星的距离和“自行”(恒星在天空中的移动)的高精度测量数据。

一旦有了这些关键信息,就像Helmi和她的同事一样,研究人员能寻找到沿着协调轨迹共同运动的天体,并发现它们的共同起源。知道恒星速度还有助于追溯暗物质的影响——谜一般的暗物质虽然看不见摸不着,却是银河系的主要质量来源,其引力能够弯曲恒星的运动轨迹。

自从2018年4月盖亚数据集公布以来,已有几百篇论文相继发表出来,它们所描绘的银河系比我们原先所设想的更有活力,也更复杂。这个银河系中充满了惊喜,比如那些指向暗物质团存在的迹象,或许能让科学家进一步认识暗物质的性质。英国剑桥大学天文学家Vasily Belokurov表示,那些容易发现的初期成果已经带来了转变,但这只是一场天文学大发现的预演:“我们对银河系的认识已经完全改变了。”

动荡的过去

太阳系距离银河系中心约8000秒差距(约2.6万光年),位于银河系边缘的次级旋臂——猎户座悬臂。从这一高处望去,可以看到整个夜空群星闪耀,科学家也必须从这个位置绘制出整个银河系的结构。

截至20世纪中叶,天文学家已经有了一个大致框架,他们认为银河系的恒星主要集中在中央核球内,并被类似蛇形弯曲的旋臂包裹,周围还有一圈较薄的球形晕轮。上世纪七、八十年代,研究人员已经推导出这种结构是如何在过去几十亿年中慢慢形成的——最初不过是一团暗物质、气体和尘埃。可见成分先是塌缩成盘状结构,再通过吞噬较小的卫星星系逐渐向外胀大。之后,天文学家运用地面望远镜反复拍摄整个夜空,捕捉到了更多细节。这类观测活动让科学家能够近距离观察恒星晕等大型星系对象,他们在恒星晕中发现了进入恒星碎屑流的小型星系残余。

但是,地面观测得到的银河系结构信息毕竟有限,这主要因为地球的扰动大气会影响恒星距离的测量精度。此外,虽然可以通过颜色变化判断恒星朝向地球或远离地球的运动速度,但想要得到恒星自行和完整的三维速度信息却很难,因为从人类时间尺度来看,天空中大部分天体的运动可以说是微乎其微。因此,恒星之间的关系变得异常费解,而寻找不同恒星的运动相似性或能作为破解这类关系的重要线索。

2000年立项,13年后才正式启动的盖亚任务耗资约8.44亿美元,正是为了填补这些空白而生。盖亚探测器的绕日轨道略大于地球的绕日轨道,它可以从不同的位置捕捉同一颗恒星的信息。由此一来,天文学家就能通过“恒星视差”来计算恒星距离,恒星视差是指观测对象的视位随观测位置变化而发生的极小改变。欧洲航天局的“依巴谷”(Hipparcos)卫星曾在1989年-1993年运行期间收集过类似的视差数据,但盖亚的测量精度要高100倍,灵敏度也更佳,足以让人类窥见银河系更深处的真容:在盖亚所观测的10亿多颗恒星中,约99%的恒星距离从未得到精确测量。

盖亚的计算任务十分艰巨,项目研究人员将探测器所捕捉到的每一颗恒星相对于其它每颗恒星的位置绘制成了详细地图。团队在此基础上测量得出了恒星看上去划过天空的速度,即恒星的自行。通过测量恒星颜色的细微变化,天文学家就能大概知道天体沿卫星瞄准线靠近或远离的速度。结合以上两个测量数据,以及盖亚计算出的恒星距离,就能得到恒星的完整三维运动信息。盖亚能够测量出它观测到的最明亮的一批恒星的瞄准线运动,但地面望远镜能帮助观测剩下的恒星。知道每颗恒星的位置以及它们运行的方向,研究人员就能快速梳理出银河系的隐秘历史。

以Helmi及其同事所研究的古老碰撞为例,他们发现一群恒星拥有共同起源的证据得到了位于美国新墨西哥州的地面望远镜“斯隆数字巡天”(Sloan Digital Sky Survey, SDSS)的进一步佐证,SDSS收集到的数据显示,这些恒星的化学构成非常相似。团队认为这些恒星都来自一个矮星系,并将这个矮星系取名为“盖亚-恩克拉多斯”(Gaia-Enceladus)。在古希腊神话中,巨人恩克拉多斯是盖亚的后代。

巧合的是,Belokurov和同事也从盖亚2016年发布的首批数据中,找到了这次碰撞的证据。当时的数据并不包含自行数据,但通过将数据集中的恒星位置信息与SDSS十年前的观测数据进行对比,团队就能知道恒星在中间这段时间是如何移动的。他们发现有一群天体共同在偏离中心的轨道上运动,而这个轨道会把它们带离银心。

这些现象似乎都源于一次大碰撞事件。这些恒星显然具有共同起源,因为它们的金属含量非常类似。研究人员根据恒星速度绘图后,发现形状类似香肠,于是将这些恒星曾经的家园——这个古老的矮星系命名为“盖亚香肠”(Gaia Sausage)。

对同一个矮星系的两种叫法在天文界引起了混淆。但是无论如何称呼这个“元凶”,这次古老合并可能是解开银河系之谜的一个线索。银盘由两部分组成,一个是含有气体、尘埃和年轻恒星的薄盘,就像奥利奥饼干的夹心部分;其外部则是几乎清一色由老星组成的厚盘。

天文学家一直在争辩究竟是先有厚盘,再有气体和尘埃压缩形成一个薄核;还是先有薄盘,再从薄盘的一部分膨胀扩大。由于这个“盖亚-恩克拉多斯-香肠”矮星系在碰撞时只比银河系小一点,它很有可能曾给银盘输送了大量能量,使其升温胀大。Helmi团队将这一发现视为支持膨胀理论和银河系曾经历过剧烈变形的证据。

知识的井喷

让研究人员深受震动的是,借助盖亚提供的数据,此前难有突破的天文学研究正以前所未有的速度向前发展。哥伦比亚大学天文学家Kathryn Johnston犹记得就在盖亚数据集披露后的第二天,一篇论文曾引起了热议,论文指出太阳周围约有600万颗恒星整齐划一地排成类似蜗牛壳的形状进行螺旋式运动。

Johnston认为这种运动轨迹看起来像是小型卫星星系“人马座”留下的指纹。每当人马座快速靠近时,其引力就会对银河系的恒星产生扰动,这种扰动会在银盘中产生晃动并留下涟漪。研究人员此前对这种痕迹有过推测,但盖亚数据集提供了首个清晰而有力的信号,证明人马座的影响。“那对我来说是个不可多得的时刻,”Johnston说,“整个螺旋形状非常清晰。看起来更像是一个理想化模拟的理论预测,而不是一个真实的数据图。”

透过盖亚的“眼睛”,这种扰动不仅显而易见,还诉说着银河系的另一段历史。此前,大多数天文学家推测,虽然银河系外晕曾与小卫星发生混乱的碰撞,但银河系主体一直以来都较为平静。科学家一直认为诸如旋臂和被认为穿过核球的恒星带都是银河系内在动力下的产物。但这些看似由人马座引发的晃动显示,外部力量对银河系结构的影响超过此前天文学家的认识。

普林斯顿大学的天体物理学家Adrian Price-Whelan认为,盖亚迫使研究人员不得不重新审视一些用于简化模型的规范化假设。他说:“我们之前就知道有些假设是错的,现在盖亚让我们知道错在哪里。”

绘制银河系的阴暗面

为银河系中的明亮天体绘制地图或许还有助于搞懂暗物质,暗物质可能占到了银河系质量的90%。理论学家怀疑银河系外部有一个庞大的近球形暗物质晕,和普通物质一样,这些暗物质在引力作用下聚集成了较小的结构。宇宙学模拟显示,有成千上万个大型暗物质团绕着银河系转动,有的会被中央的暗物质团吞噬,整个过程类似于银河系吞噬其它可见小卫星的过程。

大部分暗物质子结构被认为只包含少量恒星或没有恒星,因而极难被探测到。但盖亚可能在GD-1中发现了一些蛛丝马迹,GD-1是2006年发现的占据一半北部天空的长星流。这个星流已被研究过很多次,但盖亚让Price-Whelan和哈佛-史密松森天体物理中心的天文学家Ana Bonaca更加有信心地找到了星流的真正成员。去年11月,他们与其他两位同事确定了GD-1的结构特征,他们发现该星流有一个很大的缺口,可能是约5亿年前与一个大型天体碰撞后留下的伤痕。当这一假设的干扰天体加速穿过星流时,其引力对一些恒星的牵扯可能导致星流分离,使得这些恒星跑到了同伴的前头。

Bonaca认为最有可能的罪魁祸首可能是一个致密的暗物质团,这个暗物质团的质量约为太阳的100万倍到1亿倍。这一估算可能会对暗物质的物理建模产生重要影响。暗物质粒子的质量有助于判断暗物质粒子的运动速度,反过来就能推算出它能形成的暗物质团的大小。Bonaca说这个扰动GD-1的暗物质团的潜在质量范围很有意思,或将能排除一些质量较小的假设的暗物质候选者。

Bonaca和她的团队希望能通过盖亚的数据测定星流中受到扰动的恒星的速度,这样或许能确定假设的暗物质团的移动轨道。他们如果能找到这个暗物质团如今所在的位置,就有可能探测出它对其它物质的引力作用。或者,通过现场训练γ射线望远镜寻找暗物质粒子湮灭或衰变的证据——这类过程通常能释放高能光子。无论使用哪种方法,都是对暗物质物理特性的一次更直接的探测。

但Price-Whelan仍表示从单一例子中无法推断出太多信息。他希望利用盖亚星表和未来观测结果(如智利的大口径全景巡天望远镜(LSST)将于2020年后开始收集数据)开展系统性研究,可以让更多暗星和其他星流浮出水面。如果其他星流中也存在与暗物质团碰撞过留下的痕迹,天文学家就能对暗物质团的丰度和大小有更深入的认识,进而帮助确定暗物质的性质。

天文学家希望盖亚收集的关于恒星运动的数据能帮他们勾勒出银河系阴暗面的大致轮廓。银河系暗物质晕的球形或对称性也各有差异,具体取决于形成暗物质晕的粒子类型。Belokurov相信在未来2-4年内,盖亚收集的关于局域恒星轨道的信息足以让科学家确定暗物质晕的总质量和形状。

这类研究结果不仅仅能用于挖掘银河系的历史,有关银河系历史和暗物质分布的研究发现将被反过来填充宇宙学模型——用于探索宇宙大结构发展变化。目前,盖亚任务已被批准延长至2020年底,荷兰莱顿大学的天文学家Anthony Brown是盖亚任务数据处理和分析联盟主席,他认为盖亚工作到2024年不是问题,也就是一共10年的服役期。他说,延长任务应可以让盖亚对当前追踪的恒星的自行测量精度提高3倍,甚至还能带来更遥远的恒星的信息。

盖亚的历史功绩尚待书写,但所有迹象都显示,那将是一项伟大的功绩。SDSS等采集的全空探测数据,即使在使命完成10多年后,仍在产生源源不断的新发现。随着盖亚星表的不断扩容和完善,Helmi 期待能进一步揭开银河系的演化历史。“最让我激动是,”她说,“我们对银河系历史的了解才刚刚开始。”

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值