Badania ujawniają powiązania między supermasywnymi czarnymi dziurami a ewolucją galaktyk
W ciągu ostatnich kilku dekad naukowcy odkryli, że supermasywne czarne dziury, o masie od milionów do miliardów razy większej niż masa naszego Słońca, kryją się w centrach większości galaktyk, w tym naszej Drogi Mlecznej. Co zaskakujące, istnieją silne powiązania między masą tych czarnych dziur a masą gwiazd w centralnym zgrubieniu galaktycznym. Jest to intrygujące, ponieważ gwiezdne zgrubienie rozciąga się na odległości od 100 do 1000 razy poza bezpośrednim wpływem czarnej dziury. Finansowany przez program działania „Maria Skłodowska-Curie” projekt BiD4BEST koncentrował się na popularnym modelu, który opisuje wzrost supermasywnej czarnej dziury w trzech etapach: najpierw czarna dziura gwałtownie rośnie, pochłaniając gaz w gwiazdotwórczej, bogatej w gaz, zapylonej galaktyce. Następnie, gdy staje się bardziej masywna, emituje potężne wiatry, które mogą zatrzymać formowanie się gwiazd poprzez usuwanie lub podgrzewanie gazu, regulowanie własnego wzrostu i nawiązywanie relacji z galaktyką macierzystą. Ostatecznie galaktyka zmienia się z zapylonej i emitującej światło podczerwone w jasny kwazar, a następnie staje się galaktyką o niskim poziomie gwiazdotwórczym. Naukowcy porównali ten model z modelami „orientacyjnymi”, które sugerują, że wygląd czarnej dziury zależy od kąta patrzenia, zwłaszcza jeśli występuje dużo pyłu blokującego widok.
Odkrywanie ukrytej dynamiki aktywnych jąder galaktyk
„Skatalogowaliśmy istotne próbki aktywnych jąder galaktyk (AGN) — supermasywnych czarnych dziur, które aktywnie pochłaniając materię — od wczesnego etapu wzrostu przy użyciu obserwacji w podczerwieni, radiu i promieniowaniu rentgenowskim. Stosując zaawansowaną analizę bayesowską na wielu długościach fal, zidentyfikowaliśmy nieuchwytne AGN, które zostałyby pominięte nawet w najgłębszych badaniach rentgenowskich” — podkreśla koordynator projektu Francesco Shankar. Zespół wykorzystał optymalne metody selekcji AGN i algorytmy dopasowywania szablonów do wykrywania przesłoniętych AGN w galaktykach gwiazdotwóczych. Badania BiD4BEST mają kluczowe implikacje dla dużych przeglądów, pomagając określić występowanie AGN i nakładając ograniczenia na kosmologiczne modele współewolucji czarnych dziur i galaktyk. Naukowcy przeanalizowali cechy sprzężenia zwrotnego i energetykę związaną z wypływami AGN oraz zidentyfikowali około 1200 potencjalnych AGN w fazie sprzężenia zwrotnego na różnych przesunięciach ku czerwieni. Wykorzystując dane z badania eROSITA, zespół zebrał największą pojedynczą próbkę AGN w fazie sprzężenia zwrotnego i stworzył przestrzennie rozdzielone kostki danych właściwości galaktyk-gospodarzy.
Badanie fuzji galaktyk i dynamiki czarnych dziur
Naukowcy wykorzystali konwolucyjne sieci neuronowe do analizy częstotliwości łączenia się galaktyk na symulowanych obrazach. Wykorzystując modele półempiryczne i symulacje hydrodynamiczne, zbadano również występowanie AGN w gęsto upakowanych gromadach galaktyk i środowiskach bardziej odizolowanych pól. „Symulacje hydrodynamiczne o wysokiej rozdzielczości pozwoliły nam zbadać fizykę wzrostu czarnych dziur i mechanizmy sprzężenia zwrotnego, takie jak wiatry AGN. Modele te są obecnie standardem w modelowaniu sprzężenia zwrotnego czarnych dziur w bieżących i przyszłych symulacjach” — stwierdza Shankar. „Nasze nowe metody zapewniają kompleksową funkcję masy czarnych dziur w pełnym spektrum mas, istotną dla badań kosmologicznych, i oferują czynniki ograniczające dotyczące istnienia masywnych czarnych dziur we wczesnym Wszechświecie” — dodaje Shankar. Badacze projektu BiD4BEST opracowali również kompleksowy model półempiryczny o nazwie DECODE. Model ten ma na celu przewidywanie różnych kluczowych obserwowanych zjawisk związanych z łączeniem się galaktyk i supermasywnych czarnych dziur w sposób samospójny, dzięki czemu posłuży jako nieocenione narzędzie zarówno dla obecnych, jak i przyszłych ośrodków, w tym LISA.
Słowa kluczowe
BiD4BEST, galaktyka, supermasywna czarna dziura, symulacje hydrodynamiczne, aktywne jądra galaktyk, konwolucyjne sieci neuronowe