Tæthedsskiver, der zoomer ind i en sløret mørkt stof-glorie. Plottet til højre viser den rekonstruerede fuzzy dark matter bølgefunktion med selvkonsistent interferensmønster og central solitonisk kerne ved hjælp af den nyligt præsenterede Gaussian beam metode i det inderste, højt opløste område af haloen. Kredit:Schwabe &Niemeyer.
Mørkt stof er en type stof i universet, der ikke absorberer, reflekterer eller udsender lys, hvilket gør det umuligt at opdage direkte. I de senere år har astrofysikere og kosmologer verden over forsøgt indirekte at opdage denne undvigende type stof for bedre at forstå dens unikke egenskaber og sammensætning.
En af de mest lovende kandidater til mørkt stof er "fuzzy dark matter", en hypotetisk form for mørkt stof, der menes at bestå af ekstremt lyse skalarpartikler. Denne type stof er kendt for at være svær at simulere på grund af dens unikke egenskaber.
Forskere ved Universidad de Zaragoza i Spanien og Institut for Astrofysik i Tyskland har for nylig foreslået en ny metode, der kunne bruges til at simulere det uklare mørke stof, der danner en galaktisk glorie. Denne metode, introduceret i et papir offentliggjort i Physical Review Letters , er baseret på tilpasningen af en algoritme, som holdet introducerede i deres tidligere værker.
"Den numeriske udfordring for undersøgelser, der fokuserer på fuzzy mørkt stof er, at dets karakteristiske træk, de granulære tæthedsudsving i kollapsede glorier og filamenter, er størrelsesordener mindre end nogen kosmologisk simuleringsboks, der er stor nok til nøjagtigt at fange dynamikken i det kosmiske net." Bodo Schwabe, en af forskerne, der udførte undersøgelsen, fortalte Phys.org. "Således har folk i årevis forsøgt at kombinere effektive numeriske metoder til at fange dynamikken i stor skala med algoritmer, der er beregningskrævende, men som nøjagtigt kan udvikle disse tæthedsudsving."
Som en del af deres nylige undersøgelse tilpassede og forbedrede Schwabe og hans kollega Jens C. Niemeyer en algoritme, som de havde introduceret i deres tidligere arbejde. Indtil videre er den metode, de har udviklet, den eneste, der med succes kan bruges til at udføre fuzzy mørkt stof-kosmologisimuleringer.
Ved hjælp af deres tilpassede algoritme var forskerne i stand til at simulere sammenbruddet af kosmosvævet til filamenter og glorier. Dette blev opnået ved hjælp af den såkaldte "n-body-metode", som opdeler det "initielle tæthedsfelt" i små partikler, der frit udvikler sig under tyngdekraften.
"N-body-metoden er en meget stabil, velafprøvet og effektiv metode, men den fanger ikke tæthedsudsvingene i det forstyrrende felt med fuzzy mørkt stof i filamenter og glorier," forklarede Schwabe. "I et lille undervolumen af vores simulationsboks, der sporer centret en forudvalgt glorie, skiftede vi derfor til en anden algoritme, kendt som finite difference-metoden, som direkte udvikler bølgefunktionen for fuzzy dark matter og dermed kan fange dens interfererende tilstande, der giver de karakteristiske granulære densitetsudsving."
Mens metoderne til n-legeme og den endelige forskel er meget brugt af astrofysik verden over til at udføre kosmologiske simuleringer, er de sjældent blevet brugt sammen. For at udføre deres simuleringer kombinerede Schwabe og Niemeyer disse to metoder, idet de stolede på modereringen mellem dem på overfladen af undervolumenet.
Mere specifikt fremmer den metode, de brugte, n-legemepartiklerne til kohærente bølgepakker kendt som "Gaussiske stråler." Superpositionen af disse elementer førte til en fuzzy mørkt stof-bølgefunktion ved deres skæringspunkt, som i sidste ende gjorde det muligt at udføre deres simuleringer.
"Vores succesfulde kombination af n-body og finite difference metoder baner vejen for realistiske kosmologiske simuleringer af fuzzy dark matter," tilføjede Schwabe. "These simulations can include the collision of two or more fuzzy dark matter halos, the evolution of star clusters inside a halo, or their interaction with the central solitonic core whose random walk can potentially heat up or even disrupt the star cluster." + Udforsk yderligere
© 2022 Science X Network