Buch 2019 Terjemahan

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
Jurnal Kosmologi dan

Fisika Astropartikel
Kutipan terbaru
MenggunakanGaiaDR2 untuk membatasi densitas materi gelap
- Mengatasi astrofisika dan masalah
lokal dan piringan gelap tipis kosmologis dengan diam-diam
materi gelap asimetris
makanan penutup Christopheret al
Mengutip artikel ini: Jatan Buchet alJCAP04(2019)026 - Pembentukan awal lubang hitam
supermasif melalui interaksi diri materi
gelap Jeremie Choquetteet al
- Uji tata surya terhadap materi gelap yang berinteraksi

sendiri
Lihatartikel daring untuk pembaruan dan penyempurnaan. Cristian Gaidau dan Jessie Shelton
Konten ini diunduh dari alamat IP 138.38.44.178 pada 20/08/2019 pukul 20:35
J milik kitaCosmologi danSEBUAHstropartikelPhysics
Jurnal IOP dan SISA
MenggunakanGaiaDR2 untuk membatasi densitas

materi gelap lokal dan piringan gelap tipis
JCAP04(2019)026
Jatan Buch,1Shing Chau (John) Leung2dan JiJi Fan3
Departemen Fisika, Brown University,
Providence, RI, 02912, USA
Surel:jatan buch@brown.edu,shing chau leung@brown.edu,jiji fan@brown.edu
Diterima 5 September 2018

Revisi 2 April 2019
Diterima 3 April 2019
Dipublikasikan 15 April 2019
Abstrak.Kami menggunakan kinematika bintang dari yang terbaruGaiarilis data (DR2) untuk mengukur
kepadatan materi gelap (DM) lokalρDMdalam silinder heliosentris dengan jari-jariR=150 pc dan setengah tinggi
z=200 pcs. Kami juga mengeksplorasi prospek menggunakan analisis kami untuk memperkirakan kepadatan
DM dalam substruktur lokal dengan menetapkan batasan pada kepadatan permukaan dan tinggi skala dari
piringan gelap tipis yang selaras dengan piringan barionik dan terbentuk karena interaksi diri materi gelap
disipatif. Melakukan analisis statistik dalam kerangka Bayesian untuk tiga jenis pelacak, kami memperolehρDM
=0.016±0.010 Jt/buah3untuk bintang A; bintang G awal memberikan hasil yang serupa, sedangkan bintang F
menghasilkan nilai yang jauh lebih tinggi. Untuk piringan gelap tipis, bintang A menetapkan batasan terkuat:
tidak termasuk kerapatan permukaan (5–12) M / pc2untuk skala ketinggian di bawah 100 pc dengan
kepercayaan 95%. Batas atas kendala ini menyiratkan . 1% dari massa DM Bima Sakti hadir dalam sektor gelap
disipatif. Membandingkan hasil kami dengan yang diperoleh menggunakanTycho-GaiaData Astrometric
Solution (TGAS), kami menemukan bahwa ketidakpastian dalam pengukuran konten DM lokal kami
didominasi oleh kesalahan sistematis yang muncul dari asumsi analisis dinamis kami di rendahzwilayah.
Selain itu, hanya akan ada pengurangan marjinal dalam ketidakpastian ini dengan lebih banyak data dalam
Gaiazaman. Kami mengomentari ketangguhan metode kami dan mendiskusikan potensi peningkatan untuk
pekerjaan di masa mendatang.
Kata kunci:teori materi gelap, dinamika galaksi, morfologi galaksi
ePrint ArXiv:1808.05603
1ORCID:https://orcid.org/0000-0001-6672-6750.
©
c 2019 IOP Publishing Ltd dan Sissa Medialab https://doi.org/10.1088/1475-7516/2019/04/026
Isi
1. Perkenalan 1
2 Pemilihan data 4
2.1 Pendahuluan: fungsi pemilihan, pemotongan warna dan volume 4
2.2 Distribusi kerapatan angka vertikal 5
2.3 Distribusi kecepatan midplane 7
JCAP04(2019)026
3 Analisis fidusia 9
3.1 Pemodelan kerapatan kesetimbangan 9
3.2 Konten materi lokal: baryon, DM halo, dan DD tipis 10
3.3 Kemungkinan, ketidakpastian model, dan prior 11
3.4 Pengambilan sampel posterior 14
4 Hasil 14
4.1 Kepadatan DM lokal 14
4.2 Kendala pada DD tipis 15
5 Diskusi 16
5.1 Pengaruh pemotongan volume 16
5.2 Ketidakseimbangan di lingkungan surya? 16
5.3 Degenerasi antaraρDMdanρb 16
5.4 Perbandingan kendala antara DR2 dan TGAS 17
6 Kesimpulan dan pandangan 20
A Membangun kepadatan volume lengkap 21

A.1 Kemungkinan proses Poisson 21
A.2 pemodelan besaran warna 21
B. Analisis ketidakpastian 23
C Variasi potongan midplane 24
D Statistik bootstrap 24
1. Perkenalan
Rilis kedua dari data yang dikumpulkan oleh Badan Antariksa Eropa ituGaiateleskop memberikan
posisi dan gerakan yang tepat, dengan presisi yang belum pernah terjadi sebelumnya, lebih dari
satu miliar sumber di Bima Sakti (MW) [1–9]. Dengan dirilisnya kecepatan line-of-sight untuk
sekitar tujuh juta bintang, DR2 juga memungkinkan, untuk pertama kalinya, analisis dinamis
dengan pengukuran ruang fase 6D yang konsisten untuk populasi bintang.
DR2 menghadirkan peluang menarik untuk menggunakan kecepatan vertikal dan distribusi
kerapatan angka dari berbagai populasi bintang yang melacak potensi gravitasi untuk
menentukan dengan tepat kerapatan materi total, termasuk baryon dan materi gelap (DM), di
–1–
lingkungan surya setempat. Kemajuan signifikan telah dibuat dalam memodelkan anggaran baryon
lokal (gas antarbintang, bintang, sisa-sisa bintang) dan ketidakpastiannya [10–13] sejak perkiraan awal
Oort [14] dari kepadatan baryon. Sementara itu, metode dinamis untuk memperkirakan kepadatan DM
lokal bergantung pada pembatasan kandungan materi total menggunakan gerakan pelacak setelah
mengasumsikan model untuk baryon dan mengaitkan kepadatan tambahan apa pun, dalam
ketidakpastian, dengan DM. Metode ini didasarkan pada:sebuah)analisis Jeans yang mereduksi
persamaan Boltzmann tanpa tumbukan untuk fungsi distribusi ruang fasa menjadi sekumpulan
persamaan momen dengan mengintegrasikan semua kecepatan, danb)persamaan Poisson yang
menggunakan kepadatan materi total di semua komponen untuk menghitung potensi gravitasi. Dalam
karya ini, kami terutama berfokus pada metode fungsi distribusi 1D yang dikembangkan oleh referensi.
[15–19] dan digunakan oleh referensi. [20,21] untuk membatasi kepadatan DM lokal dengan data dari
JCAP04(2019)026
Hipparcos satelit [22]. Namun, perkiraan isotermalitas dan pemisahan gerakan radial dan vertikal dalam
metode ini hanya berlaku hingga ketinggian skala.z∼1 kpc. Oleh karena itu, untuk menggunakan data
pelacak pada tingkat tinggiz, ref. [23,24] mengadopsi metode berbasis momen yang lebih umum untuk
memperkirakan kepadatan DM. Formulasi non-parametrik dari metode berbasis momen, dijelaskan
oleh ref. [25] dan diimplementasikan dalam ref. [26], menggunakan bintang SDSS/SEGUE G dalam
silinder heliosentris denganR∼1 kpc dan 0.5 kpc .|z|.2.5 kpc, dikelompokkan berdasarkan umur yaituα
-muda danα-bintang tua, sebagai pelacak. referensi [11] juga menggunakan data bintang SDSS/SEGUE
G antara 4 kpc .R.9 kpc dan 0.3 kpc .|z|.3 kpc untuk membatasi kepadatan bintang dan DM melalui
pemodelan fungsi distribusi berbasis aksi [27]. Analisis mereka memasukkan informasi usia pelacak
dengan cara yang lebih canggih dengan membangun populasi mono-kelimpahan [28] yang terdiri dari
bintang-bintang dengan kelimpahan unsur yang serupa. Pembahasan di atas sama sekali bukan ulasan
lengkap tentang berbagai upaya untuk mengukur kepadatan DM lokal (terutama, tidak membahas
pengukuran dinamis yang dibuat oleh, misalnya, referensi [29,30]); sebagai gantinya, kami merujuk
pembaca yang tertarik ke referensi. [31,32].
Selain menentukan kepadatan DM lokal, data kinematika bintang dapat diterapkan untuk
membatasi distribusi DM yang lebih eksotik. Contoh baru-baru ini adalah skenario DM disipatif, di mana
interaksi diri di antara komponen sub-dominan DM menghilangkan energi untuk membentuk cakram
gelap (mungkin tipis) (DD), berputar bersama dengan cakram barionik [33,34]. Kemungkinan efek dari
DD dan varian skenario DM disipatif telah dipelajari lebih lanjut dalam referensi. [13,35–53].
Pembentukan disk dari interaksi mandiri DM sangat bisa diperdebatkan [54] dan simulasi numerik
menggunakan resep pendinginan (seperti dalam ref. [55]) masih belum ada. Terlepas dari
ketidakpastian mengenai pembentukannya, masih bermanfaat untuk menggunakan data bintang
untuk menguji kemungkinan paling sederhana dari DD tipis yang disejajarkan dengan piringan barionik
dan diparametrikan hanya dengan dua parameter: kerapatan permukaan, ΣDDdan skala tinggi,hDD. Ini
telah dilakukan dengan menggunakanHipparcosdata dalam ref. [45] danTycho-GaiaAstrometric
Solution (TGAS), gabungan solusi bersamaTycho-2 katalog dengan awalGaiadata, dalam ref. [56].
Pada artikel ini, kami bekerja dengan yang keduaGaiarilis data (DR2) [2] untuk memperkirakan
kepadatan DM lokal serta membatasi model DD tipis dengan asumsi bahwa DD sejajar dengan disk barionik.
Kami mengikuti metode dalam referensi. [20,45,56] dan gunakan bintang kerdil A, F, dan G awal diGaiakatalog
sebagai pelacak. Di bagian2, kita membahas rincianGaiaDR2 dan fungsi pemilihan survei yang ditentukan
secara empiris (bagian2.1), yang kami gunakan untuk membuat profil kepadatan angka vertikal dan distribusi
kecepatan bidang tengah untuk setiap populasi pelacak dalam beberapa bagian2.2dan2.3masing-masing.
Analisis fidusia kami dijelaskan di bagian3. Kami menggunakan metode fungsi distribusi 1D yang diringkas di
bagian3.1untuk membangun kerapatan bilangan ekuilibrium untuk parameter model massa kita yang
dijelaskan di bagian3.2. Dalam beberapa bagian3.3 dan3.4, kami memperkenalkan kerangka kerja Bayesian
untuk membandingkan perkiraan kepadatan kami dengan data
–2–
JCAP04(2019)026
Gambar 1.Flowchart analisis kami.
untuk setiap populasi pelacak sambil mempertimbangkan ketidakpastian karena potensi efek nonequilibrium.
Langkah-langkah penting dari analisis kami diuraikan sebagai diagram alur dalam gambar1. Meskipun metode kami
bukanlah hal baru, kami memperoleh hasil yang menarik, beberapa di antaranya sangat berbeda dengan yang
didasarkan pada TGAS. Kami mempresentasikan hasil kami untuk konten DM lokal menggunakanGaiaDR2 di bagian
4.1dan4.2, dan buat daftar berbagai sumber ketidakpastian sistematis dalam konteks metode kami dalam beberapa
bagian5.1–5.3. Perbedaan antara kendala yang diturunkan menggunakan DR2 dan TGAS dibahas di bagian ini5.4.
Kami menyimpulkan dan mengomentari arah masa depan di bagian6.
–3–
2 Pemilihan data
ItuGaiaKatalog DR2 berisi∼1.7 miliar sumber, di antaranya∼1.3 miliar sumber memiliki solusi
astrometrik lima parameter: (α, δ, μα̃, μδ,$), mewakili posisi dan gerak diri masing-masing
sepanjang kenaikan dan deklinasi kanan, dan paralaks. Kami menekankan bahwa untuk DR2,
paralaks dan gerakan yang tepat hanya didasarkan padaGaiapengukuran, tidak seperti DR1
yang tergantung padaTycho-2 katalog [2,3]. DR2 juga menyediakan data fotometrik dalam
tiga passbands,G,GBP, danGRp, untuk sebagian besar sumber dalam kisaran 3 .G.21 [4,5]. Fitur
baru lainnya di DR2 adalah kecepatan radial line-of-sight,ayr, untuk ∼7.2 juta bintang lebih
terang dariGRVS∼12 [6–8].
Meskipun ada peningkatan statistik yang signifikan, katalog DR2 masih belum lengkap
JCAP04(2019)026
untuk bintang-bintangG <12. Kami menghitung fraksi kelengkapan untuk katalog DR2
dengan membandingkannya denganDua Micron All-Sky Survey(2MASS)Katalog Sumber Titik [
57] yaitu 99% selesai hingga batas magnitudo samarnyaJ=15.8 di hampir seluruh langit. Itu
2MASS katalog juga menyediakan posisi sudut, (α, δ), untuk setiap sumber besertaJdanKs
magnitudo, yang kami gunakan untuk mengkategorikan bintang di DR2 berdasarkan jenis bintang.
Kami memintaGaiaarsip1untuk DR2 cocok silang dengan2MASSkatalog, membutuhkan

besarnya tampakJ <13.5, sehingga memotong bintang yang terlalu redup untuk deret utama, atau
terlalu jauh dari Matahari.2Seperti yang kita diskusikan di bagian berikut, bintang diperhitungkan
dalam2MASSkatalog denganJ <13.5 kemudian digunakan untuk menentukan fungsi seleksi,S(J, J−K
s, α, δ), didefinisikan sebagai pecahan bintang pada titik tertentu (J, J−Ks, α, δ) di langit yang
terdapat dalam katalog DR2.
2.1 Pendahuluan: fungsi pemilihan, pemotongan warna dan volume

Karena belum ada rilis resmi dariGaiakolaborasi, kami mengikuti prosedur yang diperkenalkan dalam
ref. [58] untuk menentukan fungsi pemilihan untuk kumpulan data yang cocok silang. Sebagai langkah
awal, gunakanalat gaiakemasan,3kami mengidentifikasi bagian langit yang memuaskan,
(i) Rata-rata jumlah observasi sepanjang pemindaian (AL).≥8.5;
(ii) Sebaran jumlah pengamatan AL≤10.
Setelah pemotongan ini, 95,6% langit tetap seperti yang ditunjukkan pada gambar2. Kelengkapan
keseluruhan di bagian langit ini sebagian besar isotropik, menyiratkan bahwa fungsi seleksi kita hanya
memiliki ketergantungan yang dapat diabaikan pada posisi langit. Jadi, untuk sisa analisis kami, kami
menggunakan pendekatanS(J, J−Ks, α, δ)≈S(J, J−Ks). Perkiraan serupa telah diadopsi untuk menganalisis data
TGAS dalam ref. [58], di mana potongan yang lebih kuat digunakan untuk mengidentifikasi bagian langit yang
'baik'.
Meskipun ketidakpastian parameter astrometrik di DR2 merupakan urutan peningkatan besarnya
dibandingkan TGAS, masih ada beberapa efek sistematis yang perlu kami sertakan dalam analisis data kami.
Seperti yang disarankan oleh ref. [59], kami menambahkan 0,03 mas ke paralaks yang dilaporkan untuk
memperhitungkan offset global. Mengikuti ref. [9], kami juga menambahkan dalam quadrature
ketidakpastian sistematis±0.1 mas dan±0.1 mas/yr masing-masing dengan nilai ketidakpastian paralaks dan
gerak diri yang dilaporkan. Kami memeriksa bahwa analisis kami tidak peka terhadap nilai pasti dari angka-
angka ini, hanya perkiraan urutan besarnya.
1https://gea.esac.esa.int/archive/.
2Dalam volume pilihan kami, magnitudo tampak dari semua bintang pelacak memenuhiJ <12.
3https://github.com/jobovy/gaia alat.
–4–
0 50 0 10
JCAP04(2019)026
Jumlah pengamatan AL yang baik SD pengamatan AL yang baik
Gambar 2.Peta langit yang menunjukkan jumlah (kiri) dan varians (kanan) pengamatan AL yang baik di 3.36
derajat2(Nsamping=25) HEALPix piksel. Wilayah putih adalah bagian langit yang tidak lolos potongan pilihan kita
yang ditentukan dalam teks utama.
Selanjutnya, kami mengidentifikasi populasi bintang yang: a) merupakan pelacak potensi galaksi lokal (lihat
bagian 3.6 dari referensi [32] untuk ikhtisar terkini), dan b) menunjukkan perubahan yang masuk akal dalam
kerapatan jumlah mereka dalam lingkungan matahari (didefinisikan di bawah). Faktor terpenting dalam memilih
bintang perunut adalah sensitivitasnya terhadap ketidakseimbangan, yang dapat menyebabkan ketidaksesuaian ρ
DMpengukuran [60]. Meskipun ada beberapa ketidaksepakatan dalam literatur tentang bintang mana, [20,61] atau
muda [26], lebih cocok untuk analisis kesetimbangan, kami mengikuti ref. [26] dalam memilih bintang kerdil A (A0-
A9), F (F0-F9), dan G awal (G0-G3) yang lebih muda (selanjutnya hanya bintang) yang memiliki ketinggian skala lebih
rendah dan akibatnya rentang waktu ekuilibrasi lebih pendek, daripada bintang yang lebih tua, di analisis kami.
Kami menggunakan lokasi bintang kerdil rata-rata (kami dari r) ef. [62] untuk menentukan setiap jenis bintang
tberdasarkan besaran mutlaknyaMJtdan warnaJt− K̄t s,
Jt+5 log10($t(mas))−10∈ {MJt,min,MJt,maks}

() () () (2.1)
Jt− Kt s∈ { J̄t− K̄t smin
, Jt− K̄t s maks}
dan sertakan semua bintang A, F, dan G awal dalam silinder heliosentris dengan jari-jariR=150 pc dan
setengah tinggiz=200 buah,
∣( ) ∣ ∣( ) ∣
∣ 1 ∣ ∣ 1 ∣
∣ ∣
∣ $ cosb∣< 150pc, ∣ $ dosab∣∣<200 pcs (2.2)
di mana semua jumlah yang tidak dilarang adalah data dari katalog pencocokan silang kami. Dalam persamaan. (2.1)
dan (2.2), kita menggunakan (1/$) sebagai penaksir jarak, dimana$adalah paralaks berisik yang dilaporkan
dalam katalog DR2. Kami memperlakukannya sebagai estimator tak bias karena sampel pelacak kami
mengandung bintang terdekat dalam jarak tertentu, (1/$)<250 pc, dan ketidakpastian paralaks rendah,σ$.0.1
mas. Kami membahas ketidakpastian dalam hasil kami karena pilihan potongan di bagian5.1.
2.2 Distribusi kerapatan angka vertikal

Untuk membuat kesimpulan yang berarti tentang dinamika bintang, kita membutuhkan volume kepadatan bintang
yang lengkap. SejakGaiaDR2 tidak lengkap, kerapatan angka yang dibangun dari data harus diperbaiki untuk fungsi
pemilihan survei (ditentukan pada bagian2.1) untuk mencerminkan yang mendasarinyaBENARkepadatan
terdistribusi Poisson. referensi [58] menyelesaikan ini dengan menurunkan normalisasi binby-bin untuk setiap
populasi bintang, yang didefinisikan sebagaikelengkapan volume yang efektif,
–5–
R=150 pcs
1.0
Kelengkapan volume yang efektif 0.8
0.6
0.4
JCAP04(2019)026
0.2
stars
SEBUAH
F stars
0.0
early G st rs
sebuah
− 200 − 150 − 100 − 50 0 50 100 150 200

z[komputer]
Gambar 3.Kelengkapan volume yang efektif untuk setiap jenis bintang. Kelengkapan DR2 (padat) meningkat
secara signifikan dibandingkan dengan TGAS (putus-putus) untuk bintang A (biru), F (hijau), dan G awal
(oranye).
Himpunan data GaiaDR2 TGA

Jenis Subtipe Total Pesawat Tengah Total Pesawat Tengah
SEBUAH A0–A9 4445 321 1729 182

F F0–F9 37707 2253 16789 1308
Awal G G0–G3 43332 2188 18653 1205
Tabel 1.Hitungan bintang dalam katalog DR2 dan TGAS untuk silinder heliosentris dan wilayah bidang tengah
(|b| <5Hai) di dalamnya.
dengan asumsi bahwa semua bintang yang diamati adalah sampel dari proses Poisson yang tidak
homogen. Kami mengikuti prosedur yang sama dan meringkas detail pentingnya dalam lampiranA.2.
Kami menghitung kelengkapan volume efektif untuk populasi pelacak DR2 kami
menggunakanalat gaiapaket dan plot sebagai fungsi dari tinggi skala pada gambar3. Kami juga
menyertakan kelengkapan volume efektif untuk data TGAS sebagai referensi, dan perhatikan
bahwa sampel DR2 secara signifikan lebih lengkap.
Ada 4445 A, 37707 F, dan 43332 bintang G awal di lingkungan matahari yang ditentukan oleh silinder
heliosentris kita. Volume menyelesaikan kerapatan angka vertikal untuksayathpopulasi pelacak,νdata
ditunjukkan pada gambar4, diperoleh dengan membagi jumlah hitungan dengan kelengkapan volume efektif
saya
di masing-masingztempat sampah. Kami memilih 20 pc sebagai ukuran bin berdasarkan ketidakpastian
paralaks seperti yang dibahas dalam lampiranB. Namun, memvariasikan ukuran nampan tidak memengaruhi
hasil analisis kami secara signifikan. Kami juga menyajikan perbandingan jumlah bintang di volume penuh
dan di bidang tengah (ditentukan sebagai wilayah dengan|b| <5Haidalam silinder) antara
DR2 dan TGAS dalam tabel1.
( )
Ketidakpastian kerapatan bilangan untukkthztempat sampah,σ2 data, diperoleh dengan menambahkan
√ diνsaya
kuadratkan ketidakpastian statistik, Nk(lihat persamaan (A.8)), dan ketidakpastian sistematis 3%.
–6–
0.0
− 0.5
− 1.0
dalam(ν/ν0)
− 1.5
JCAP04(2019)026
− 2.0
stars
SEBUAH
F stsebuah
rs
− 2.5
e arly G sat r
− 200 − 150 − 100 − 50 0 50 100 150 200

z[komputer]
Gambar 4.Profil kerapatan angka vertikal binned untuk bintang A, F, dan G awal. Juga ditunjukkan kepadatan
prediksi median (garis putus-putus) dan interval kepercayaan 68% (wilayah yang diarsir) untuk setiap populasi
pelacak yang diperoleh dari analisis dinamis kami yang dijelaskan di bagian3.
karena kepunahan debu. Kami berharap kepunahan debu menjadi penting dalam spektrum yang terlihat sepertiB
danVwarna yang digunakan diHipparcoskatalog, atauGBPdanGRpdigunakan dalam DR2. Namun, warna dalam
spektrum inframerah, yaituJdanKswarna yang digunakan dalam DR2- cross-matched kami2MASSkatalog, dikaitkan
dengan panjang gelombang yang lebih panjang dan karena itu jauh lebih sedikit dipengaruhi oleh debu galaksi.
referensi [58] menemukan bahwa efek kemerahan debu pada kerapatan jumlah bintang di lingkungan matahari
yang ditentukan menggunakanJdanKshanya . 3% dan sebagian besar mempengaruhi normalisasi secara
keseluruhan. Jadi, alih-alih melakukan analisis debu penuh, kami secara konservatif menerapkan koreksi 3% secara
keseluruhan untuk ketiga jenis bintang. Kami juga menemukan bahwa ini hanyalah ketidakpastian sub-dominan dan
tidak secara signifikan memengaruhi batasan kami.
2.3 Distribusi kecepatan midplane

Bahan terakhir yang kita butuhkan dari data tersebut adalah distribusi kecepatan vertikal di bidang
tengah, yaitu di wilayah dekatz=0. Kecepatan vertikal sebuah bintang didekati dengan,
κµbcosb+ayrs
w=w+ $ dib, (2.3)
di manawadalah kecepatan vertikal Matahari yang kita tentukan dengan menyesuaikan distribusi
Gaussian ke data,κ= 4.74 km thn−1adalah konstanta konversi satuan,μbadalah gerak yang tepat
sepanjang garis lintang galaksibdalam mas/th,$adalah paralaks di mas, danayradalah kecepatan radial
heliosentris dalam km/s. Mengikuti pembahasan di bawah ini eq. (2.2), kami mencatat bahwa untuk
daerah dekat bidang tengah, (1/$) adalah penaksir tak bias untuk jarak dalam rumus kecepatan vertikal.
'Wilayah bidang tengah' dapat didefinisikan dengan memberlakukan pemotongan pada: a) garis lintang galaksi|b|,
atau b) tinggi|z|.4Dalam analisis kami, kami mengikuti referensi. [45,56] dalam memilih|b| <5◦sebagai milik kita
4Lebih besarbdan akibatnya lebih besarz, bintang yang secara kinematis lebih panas memperluas distribusi [20]. Sementara itu,
cukup memilih bintang denganz=0 menghasilkan statistik yang buruk.
–7–
0.14 0.25
stars
SEBUAH stars
SEBUAH
F stsebuah
rs F bintang s
0.12 e arly G stars Ea rly G bintang s
0.20
0.10
0.08 0.15
f0(|w|)
f0(w)
0.06
0.10
0.04
JCAP04(2019)026
0.05
0.02
0.00 0.00
− 40 − 20 0 20 40 0 10 20 30 40
w[km/s] w[km/s]
Gambar 5.Distribusi kecepatan bidang tengah bintang A, F, dan G awal setelah dikurangiw(kiri). Distribusi Gaussian
paling cocok untukf0(|w|) dengan bilah kesalahan yang menyertakan kontribusi dari ketidakpastian statistik karena
kesalahan Poisson dan asimetri di−|w|dan +|w|tempat sampah (kanan).
midplane dipotong, dan tersisa masing-masing 310, 2213 dan 2166 A, F dan bintang G awal. Kami menggunakan kecepatan
radial yang dilaporkan dalam DR2, jika tersedia, menggantikannyaayrdengan nilai rata-ratanya sebaliknya,
〈ayR〉=−kamucoslcosb − v dosaldosab −wdosab, (2.4)
y .24±0.47stat±2.0syskm/s sebagaix-
= 12
di manakamu=11.1±0.7stat±1.0syskm/detik danay dan
-komponen kecepatan aneh Matahari [63]. Kami juga mencatat itu sebagai dosab 1 (dalam
radian) di wilayah midplane kami,ayrhanya memiliki kontribusi subdominan untukwdalam persamaan (2.3), dan
ketidakpastian kecepatan memiliki efek yang dapat diabaikan pada hasil kami. Kami menentukan kecepatan vertikal
Matahari,w,dengan mempertimbangkan rata-rata tertimbang dari distribusi Gaussian yang paling cocok untuk
setiap data kecepatan vertikal populasi pelacak di wilayah bidang tengah. Perkiraan kami,
w=6.9±0.2 km/s, konsisten dalam 1σdari nilai yang dikutip dalam ref. [63].
Mengurangiwdari kecepatan vertikal bintang, kami menemukan distribusinya kira-kira simetrisw=
0. Distribusi kecepatan vertikal midplane yang dinormalisasi yang dihasilkan f0(w) denganwukuran -bin
1,5 km/s (lihat lampiranBuntuk detail lebih lanjut tentang pilihan ini) diplot di panel kiri gambar5. Kami
mempertimbangkan asimetri antara jumlah bintang di−|w| dan +|w|bins menjadi ketidakpastian
sistematis, yang dapat dikaitkan dengan efek non-ekuilibrium. Kami mengilustrasikan besarnya
ketidakpastian ini di panel kanan gambar5dengan menambahkannya dalam kuadratur dengan
kesalahan statistik untuk setiapwtempat sampah. Namun dalam praktiknya, kami menyebarkan
kesalahan ini ke dalam ketidakpastian kepadatan prediksi seperti yang dijelaskan di bagian ini3.3.
Kami juga mengeksplorasi kemungkinan menggunakanz-memotong [64] dalam lampiranCdengan
memasukkan kecepatan radial yang dilaporkan dalam DR2. Sayangnya, DR2 hanya berisi kecepatan radial
untuk sekitar 2% bintang A, 53% bintang F, dan 62% bintang G awal dalam|z| <20 pc. Kami memeriksa bahwa
persentase pelacak dengan kecepatan radial tidak berubah secara signifikan untuk nilai|z|.50 pc. Dalam hal
ini, hanya sertakan bintang yang tersediaayrberpotensi memperkenalkan bias seleksi, sementara perkiraanayr
dengan nilai rata-rata dapat mengakibatkan kesalahan besar pada yang lebih tinggib(bahkan pada rendahz).
Jadi, mendefinisikan wilayah midplane menggunakan az-cut bukanlah opsi yang layak saat ini, tetapi itu bisa
berubah dengan rilis data di masa mendatang.
–8–
3 Analisis fidusia
Tujuan utama dari analisis kami adalah untuk menyimpulkan kandungan materi dari lingkungan
matahari dengan mencocokkan data yang diamati olehGaiake model dinamis. Bagian3.1merangkum
metode fungsi distribusi 1D [15–19] kami mengadopsi untuk membangun kerapatan bilangan
ekuilibrium populasi pelacak, sedangkan parameter model potensial gravitasi kami dijelaskan di bagian
3.2. Kami menguraikan kerangka kerja statistik Bayesian yang digunakan untuk membatasi parameter
ini dalam beberapa bagian3.3dan3.4.
3.1 Pemodelan kerapatan kesetimbangan

Populasi bintang yang bergerak sendiri dengan fungsi distribusi ruang fase (DF),f(x,v), memenuhi
JCAP04(2019)026
persamaan Boltzmann tanpa tumbukan (CBE),
Df ∂f
≡ + (∇f)x.ay−(∇xΦ).(∇ayf) = 0, (3.1)
Dt ∂t
di manaxdanaymasing-masing adalah posisi dan kecepatan, dan Φ adalah potensial gravitasi.
Dengan asumsi sumbusimetri untuk lingkungan matahari lokal, kami menggunakan koordinat
kutub silinder untuk sisa analisis kami.
Pada tahap ini, kami membuat dua asumsi kritis yang memungkinkan kami untuk menghilangkan suku
turunan waktu parsial dalam persamaan. (3.1): a) populasi semua bintang pelacak berada dalam
kesetimbangan,5dan b) potensi tidak tergantung waktu, karena skala waktu untuk proses galaksi jauh lebih
lama daripada Gaiaseumur hidup misi. Selain itu, karena kami tertarik dengan dinamika bintang yang sangat
dekat dengan bidang galaksi (|z|.0.5 kpc), kami memperkirakan DF menjadi bentuk,6
f(x,v)≡fr,φ(r, vr, φ, vφ)fz(z, vz). (3.2)
Keterpisahan DF menyiratkan bahwa pergerakan populasi bintangsayadalamz-arah tidak

bergantung pada{R, φ}, dan mengikuti CBE 1D,
∂fz, saya ∂Φ∂fz, saya=0,
w − ∂z (3.3)
∂z ∂w
( )
yang mempunyai solusi umum berbentukfz, saya(z, w) =Fz(ez)≡Fz w2/2 + Φ(z) , Dimana
energi vertikal didefinisikan sebagai,ez=1 2w2+ Φ(z).
Kami mengintegrasikan DF dengan kecepatan vertikal (atau ekuivalennya, energi) untuk mendapatkan kerapatan
bilangan bintang [18],
∫∞ ∫∞
νsaya(z) = dw fz, saya(z, w) = dw fz, saya(ez)
−∫∞ −∞
∞ √
=2 dwfz=0, saya(0, w2+2Φ(z))
∫0 ∞
f0, saya(|w|)w dw
= 2√ √ , (3.4)
2Φ(z) w2−2Φ(z)
di manaf0, saya(|w|) adalah distribusi kecepatan bidang tengah (absolut) bintang dari populasi pelacak saya,
yang kami tentukan dariGaiadata menggunakan prosedur yang dijelaskan pada bagian2.3.
5Asumsi ini penting untuksemuaanalisis dinamis bintang di MW. Kami membahas validitasnya agak
panjang di bagian5.
6Dalam bahasa pemodelan Jeans, ini mengikuti dari kekecilan yang diamati dari apa yang disebut 'istilah kemiringan'
yang menggabungkan gerakan vertikal dan radial.
–9–
Komponen barionik ρ(0) [M / buah3] σz[km/dtk]
Gas molekuler (H2) Gas 0.0104±0.00312 3.7±0.2
atom dingin (HSaya(1)) Gas 0.0277±0.00554 7.1±0.5
atom hangat (HSaya(2)) 0.0073±0.0007 0 22.1±2.4
Gas terionisasi panas (HII) .0005±0.00003 39.0±4.0
Bintang raksasa 0.0006±0.00006 15.5±1.6
MV<3 0.0018±0.00018 7.5±2.0
3<MV<4 0.0018±0.00018 12.0±2.4
4<MV<5 0.0029±0.00029 18.0±1.8
JCAP04(2019)026
5<MV<8 0.0072±0.00072 18.5±1.9
MV>8 (M katai) 0.0216±0.0028 18.5±4.0
Katai putih 0.0056±0.001 0. 20.0±5.0
Katai coklat 0015±0.0005 20.0±5.0
Meja 2.Model Bahcall terdiri dari densitas midplane dan dispersi kecepatan untukNbkomponen baryonic
diadaptasi dari ref. [56]. Nilai dan ketidakpastian, baik pengamatan maupun estimasi, untuk semua
komponen telah disusun dari referensi. [10,12,13,32].
3.2 Konten materi lokal: baryon, DM halo, dan DD tipis

Kami menghitung potensi gravitasi karena kepadatan massa total,ρtot, di lingkungan
matahari melalui persamaan Poisson,
( )
∂2Φ 1∂ ∂Φ
∇2Φ = + r = 4πGρ(tot
z), (3.5)
∂z2 r ∂r ∂r
( )
dimana istilah radial,1∂ r ∂rr∂Φ ∂r,secara efektif memberikan kontribusi kerapatan massa yang konstan7dengan
nilai (3.4±0.6)×10−3M / pc3ditentukan dari data TGAS [65]. Kami juga berasumsi bahwaR
danzkomponen potensial dapat dipisahkan sedemikian rupa sehingga, Φ(R, z) = Φ(R) + Φ(
z).
Kepadatan massa total mengandung kontribusi dariNbkomponen baryon, DM di halo,
dan sumber gravitasi lainnya seperti DD tipis. Kepadatan massa baryon,ρb, diberikan oleh
model Bahcall yang terdiri dari sekumpulan komponen isotermal untuk gas, bintang, dan sisa
bintang [66–68],
∑Nb ρsaya(0)e−Φ(z)/σ2
ρb(z) = z;saya
(3.6)
saya=1
di mana setiap komponen isotermal dicirikan oleh densitas bidang tengahnya,ρ(0), dan dispersi kecepatan
vertikal,σzseperti yang ditunjukkan pada tabel2.
Kami memperkirakan kontribusi kepadatan DM dari halo halus di dekat disk, ρDM, menjadi konstan.
Seperti yang ditunjukkan oleh persamaan. (28) dalam ref. [24], kepadatan DM pada atau di bawah 200 pc
sama dengan yang ada di bidang tengah hingga koreksi 2%.
7Untuk sistem aksisimetri, suku radial terkait dengan konstanta Oort. Tegasnya, konstanta Oort dan akibatnya
suku radial juga bergantung padaz. Namun, karena pelacak kami hanya menjelajahi volume kecil yang dekat dengan
bidang tengah, variasinya lebih kecil daripada ketidakpastian pengukuran [24].
– 10 –
0
−1
dalam(ν/ν0) −2
−3
−4
JCAP04(2019)026
−5 Tidak ada disk gelap
ΣDD=20 M/pc2,hDD=10 pc
− 200 − 150 − 100 − 50 0 50 100 150 200

z[komputer]
Gambar 6.Kepadatan nomor yang diprediksi dari pelacak dalam model yang mengandung DD tipis dengan
kerapatan permukaan ΣDD=20 M/pc2dan tinggi skalahDD=10 buah (dipotong). Sebagai perbandingan, kami juga
memplot prediksi model dengan kandungan materi yang sama tetapi tanpa DD tipis (padat).
Dalam model dengan DD tipis, kami berasumsi bahwa DD adalah isotermal, aksisimetri, dan
sejajar sempurna dengan piringan barionik. Mengikuti ref. [69], kami memilih parameterisasi
dari kepadatan DD tipis menjadi,
( )
ΣDDdetik2 z
ρDD(z) = , (3.7)
4hDD 2hDD
dimana ΣDDadalah kerapatan permukaan danhDDadalah tinggi disk. DD tipis yang disejajarkan dengan
piringan baryonik memberikan kontribusi sumber daya tarik tambahan, yang menarik materi ke arah bidang
tengah (lihat bagian 2.2 referensi [45] sebagai contoh dengan model mainan). Hal ini mengakibatkan
penyempitanterjepitprofil kepadatan pelacak, seperti yang diilustrasikan pada gambar6.
Jadi, untuk mendapatkan potensial gravitasi lokal, kita masukkan densitas materi total,ρtot, diberikan
oleh,
∑Nb ρsaya(0)e−Φ(z)/σ2
ρtot(z) = z;saya+ρDM+ρDD(z), (3.8)
saya=1
ke dalam persamaan (3.5) dan selesaikan persamaan diferensial orde kedua nonlinier yang dihasilkan secara
numerik denganscipy.integrate.ODEint.Kami juga secara eksplisit memeriksa apakah hasil kami sesuai dengan yang
diperoleh oleh referensi. [45,56] menggunakan metode pemecah iteratif.
Sebagai rangkuman, kami menghitung kerapatan angka kesetimbangan di lingkungan matahari untuk
setiap populasi pelacak, yaitu bintang A, F, dan G awal, dengan mengintegrasikan distribusi kecepatan bidang
tengahnya (dibangun dari data) sebagai fungsi dari parameter model massa kami menggunakan persamaan (
3.4). Kami juga menerapkan penghalusan kernel Gaussian pada hasilnya untuk memperkirakan efek
ketidakpastian paralaks yang mengotori posisi tepat bintang. Namun, karena ketidakpastian paralaks di DR2
berkurang secara signifikan dibandingkan dengan TGAS, prosedur ini hanya memiliki efek yang dapat
diabaikan pada kepadatan yang diprediksi.
3.3 Kemungkinan, ketidakpastian model, dan prior

Model kamiMditandai denganθ={ψ, ξ}, seperti yangψ={ρDM,ΣDD, hDD}adalah parameter
minat kami, danξadalah parameter gangguan yang meliputi: kepadatan midplane,
– 11 –
ρk(0), dan dispersi kecepatan,σz;k, untuk setiap komponen barion dalam model Bahcall; normalisasi
keseluruhan untuk setiap populasi bintang,Nν; ketinggian matahari di atas bidang tengah,z.
Untuk setiap populasi pelacak, kami menggunakan kemungkinan,pν(d|M,θ), agar sesuai dengan
kepadatan angka yang dibangun dari data dengan prediksi model kami di hadapan ketidakpastian
statistik dan sistematis. Karena setiap nampan kerapatan angka berisi sejumlah besar bintang (HAI
(1000) untuk bintang F dan G awal), kemungkinannya dapat didekati secara wajar dengan distribusi
Gaussian,8
Nz
( )
∏ 1 2
saya )
mod (θ))−diνdata
(dalam(Nννsaya
pν(d|M,θ) = √ exp− , (3.9)
2ν
2πσdi 2σ2diν(saya
θ)
JCAP04(2019)026
saya=1
saya
di manaNzadalah jumlahztempat sampah,νmod saya adalah prediksi model dengan parameterθ, dan
νdata
sayaadalahvolume selesai kepadatan nomor dibangun dari data, seperti yang dijelaskan pada bagian2.2. Berbeda
dengan ref. [56], kami melakukannyabukanmengalikan fungsi kemungkinan untuk populasi bintang yang berbeda
dalam analisis kami karena hal itu mengasumsikan semua populasi serupa dan melacak potensi galaksi yang sama
secara mandiri. Ini adalah asumsi yang agak disederhanakan yang mengabaikan sejarah evolusi berbagai jenis
bintang. Kami mengomentari lebih lanjut tentang ini di bagian4.1.
Ketidakpastian total,σ2 diν,diperoleh
saya
dengan menambahkan kuadratur data dan
ketidakpastian prediksi,
( ) Hai ( 2
) data.
σdi θ) =σ2
2 ν(saya diν(θ)md+σdiνsaya
saya
(3.10)
Ketidakpastian data dibahas di bagian ini2.2, sedangkan ketidakpastian model berasal dari
ketidakpastian pada profil kecepatanfz=0(|w|). Ini terdiri dari dua sumber:sebuah)
ketidakpastian statistik karena ukuran sampel yang terbatas, danb)ketidakpastian sistematis
karena kemungkinan efek non-ekuilibrium, yang kami cirikan dengan perbedaan antarafz=0(w
>0) dan fz=0(w <0) mengikuti perawatan di ref. [56].
Propagasi kesalahan langsung dari ketidakpastianfz=0(|w|) sulit karena banyaknya parameter dan
korelasinya yang terlibat. Sebagai gantinya, kami memperkirakan kesalahan dengan resampling
bootstrap. Bootstrap adalah teknik yang mengekstrak perkiraan untuk rata-rata dan standar deviasi
dari kumpulan data tertentu dengan pengambilan sampel acak berulang dengan penggantian. Untuk
setiap tipe bintang, kumpulan data bintang midplane mentah di-bootstrap berkali-kali
menghasilkan rangkaian distribusi kecepatan. Untuk setiap distribusi kecepatan, kami menggunakan persamaan. (3.4) ke
( ) modsa
,tt
mendapatkan distribusi kepadatan, dan memperkirakan ketidakpastian statistik,σ2 (z)
νsaya , sebagai
varian bin-by-bin dalam rangkaian distribusi kepadatan. Rincian lebih lanjut dari prosedur ini adalah
ditunda ke lampiranD.
( ) mo,y
(z)
Kami memperkirakan ketidakpastian sistematis,σ2 νsaya dss, dengan menghitung selisihnya
z=0 f(w>0)danfz(=0
antara jumlah kepadatan diprediksi menggunakan distribusi kecepatan w<0)
untuk setiap nilai potensial gravitasi yang unik,
(σν)mod,sys≈ |diν(w>0)(z)−diν(w<0)(z)|. (3.11)
8Kami mencatat bahwa survei sepertiGaia(SDSS-SEGUE) mengukur parameter astrometri (spektrofotometri) dari masing-
masing bintang. Dengan demikian, analisis kemungkinan yang ideal harus melibatkan prediksi bintang demi bintang untuk
parameter ini yang diambil dari proses generatif yang memperhitungkan fungsi pemilihan survei. Pendekatan pemodelan
maju referensi. [11,28,70], misalnya, menyelesaikan ini untuk beberapa skenario berbeda. Untuk DR2, analisis semacam itu
telah dilakukan oleh ref. [71] setelah karya ini muncul di arXiv, dan hasilnya sesuai dengan hasil kami.
– 12 –
Jenis Sumber Perawatan
√
Poisson Nkdalamk-th bin
νdata 3% kepunahan debu 0.03× νdata
Gaiaketidakpastian sistematis ±0.1 mas masuk$;±0.1 mas/th diμα̃, μδ
kesalahan statistik darifz=0(|w|) resampling bootstrap
νmod fz=0(w >0)−fz=0(w <0) |diν(+)(z)−diν(−)(z)|
ketidakpastian paralaks Penghalusan kernel Gaussian
Tabel 3.Berbagai sumber ketidakpastian dan penanganannya.
JCAP04(2019)026
Parameter Tipe sebelumnya Jarak Total
ρk(0),σz;k Gaussian Persamaan. (3.13) 24
Nν Seragam [0.9,2.0] 3
z Seragam [−30.0,30.0] buah 1
hDD Seragam [0.0,100.0] buah 1
[0.0,0.06] M/pc 3 1
ρDM Seragam
ΣDD Seragam [0.0,30.0] M/pc2 1
Tabel 4.Distribusi parameter model sebelumnya.
Ketidakpastian total untuk kerapatan angka yang diprediksi, di setiapzbin, kemudian diberikan oleh,
() ( σ2(z)mod
) ,stat ( ) od,sys.
σν2(saya
z)mod = νsaya
+ σν2(saya
z)m (3.12)
Kami menemukan bahwa ketidakpastian sistematis mendominasi ketidakpastian statistik dalam analisis
kami. Berbagai sumber ketidakpastian dalam analisis kami dan perlakuan yang sesuai dirangkum
dalam tabel3.
Analisis statistik kami mengikuti dengan cermat ref. [56] dengan satu perbedaan utama: perlakuan
ketidakpastian kecepatan. Dalam ref. [56], normalisasi setiap bin kecepatan juga diperlakukan sebagai
parameter gangguan, yang menambahkan 20-30 parameter tambahan untuk analisis. Dalam pendekatan
kami, kami menyebarkan ketidakpastian kecepatan, baik secara statistik, diperkirakan menggunakan
resampling bootstrap, dan sistematis, ke dalam ketidakpastian prediksi. Kami memeriksa apakah kedua
metode ini menghasilkan hasil yang serupa untuk data TGAS.
Akhirnya, untuk mendapatkan distribusi posterior, kami mengasumsikan distribusi sebelumnya yang seragam
untuk semua parameter kecuali yang barionik; prior mereka mengikuti distribusi Gaussian,
- -- ( )-
∏N b ( ) 2
- √ 1 (ρk − ρ̄)k2 --√ 1 (σ z,k− σ̄z,k) -,
pb(ζ|M) = exp − exp−
2πσρ2k 2σ2ρk 2πσσ2z;k 2σ2σz,k
k=1
(3.13)
di mana rata-rata dan varians untuk setiap komponen diambil dari tabel2. Kami meringkas detail dan
rentang asumsi distribusi sebelumnya untuk semua parameter,θ, digunakan dalam analisis kami dalam
tabel4.
– 13 –
3.4 Pengambilan sampel posterior
Fungsi kerapatan probabilitas posterior (selanjutnya hanya posterior) dari parameter dapat
didefinisikan menggunakan teorema Bayes,
p(d|M,θ)p(θ|M)
p(θ|M,d) = , (3.14)
p(d|M)
di mana pembilang diberikan oleh persamaan. (3.13) dan (3.9) dan penyebut, disebut dalam literatur
sebagai 'kemungkinan marjinal' atau 'bukti', didefinisikan sebagai
∫
JCAP04(2019)026
p(d|M) = p(d|M,θ)p(θ|M)dθ. (3.15)
Kami mengambil sampel posterior dalam persamaan. (3.14) dengan sampel Markov Chain Monte Carlo
(MCMC).pembawa acara9untuk memperkirakan nilai parameter dan menentukan korelasi antara mereka. Untuk
mengambil sampel dari ad-ruang parameter dimensi,pembawa acaramengimplementasikan algoritme sampling
ansambel affineinvarian dari ref. [72] yang didasarkan pada pengembangan ansambel secara bersamaanNpejalan
kaki. Karena setiap walker dalam ansambel secara independen mengambil sampel posterior,pembawa acarasecara
alami cocok untuk komputasi paralel pada sistem multicore (lihat referensi [73] untuk lebih jelasnya).
Dalam implementasi kami, kami membiarkan (100–300) walker berjalan untuk (15.000–25.000) langkah
tergantung pada jenis dan komponen bintang (ρDMatauρDM+DD tipis) dari konten DM lokal. Angka-angka ini
dipilih untuk mencapai fraksi penerimaansebuahf≈0.3 [74] untuk setiap pejalan kaki. Setelah
memperhitungkan waktu 'pemanasan',∼4000 langkah, dari ansambel, kami memperoleh & 2×106sampel rata-
rata untuk setiap iterasi analisis kami.
4 Hasil
4.1 Kepadatan DM lokal
Kami merangkum hasil dari pengambilan sampel posterior untuk analisis dengan baryon dan kepadatan DM
halo yang konstanρDMdi meja5. Nilai median dariρDMdiperoleh melalui analisis kinematik kami dari bintang A
dan G awal mirip satu sama lain, sementara menggunakan bintang F menghasilkan nilai yang jauh lebih
tinggi. Kami juga mencatat bahwa nilai kami dariρDMditentukan menggunakan bintang A dan G awal
konsisten dengan pengukuran sebelumnya yang dilakukan menggunakan bintang SDSS/SEGUE G
data [75],ρDM=0.012+0.001
− 0.002M/pc3(dalam 1σ) danρDM=0.008+0.025 − 0.025M/pc3(di dalam
2σ), oleh referensi. [26] dan [11] masing-masing.
Sedangkan wilayah kredibel (CR) 95% untuk pengukuranρDMdengan bintang A, F, dan G awal15
tumpang tindih dan tampak konsisten satu sama lain di 2σtingkat, kami menekankan bahwa setiap
populasi pelacak tidak serta merta menyelidiki lingkungan galaksi yang sama karena perbedaan usia
dan sejarah pembentukan bintang.10Akibatnya, tanpa pemodelan yang tepat dari semua informasi
sebelumnya dalam kerangka Bayesian (hierarkis), hasil yang diperoleh dari pelacak yang berbeda harus
dibandingkan dengan hati-hati.
9http://dfm.io/emcee/current/.
10Misalnya,
setiap jenis pelacak dapat memiliki sensitivitas yang berbeda terhadap fitur non-ekuilibrium MW [60].
Menyebarkan ketidakpastian ini ke perkiraan kami untuk kepadatan baryon dan DM memerlukan studi terperinci
menggunakan simulasi, yang berada di luar cakupan makalah ini.
– 14 –
Tipe bintang ρDM[M/pc3] ρDM[GeV/cm3] ρb[M/pc3] z[komputer]
0.016+0.010 0.608+0.380 0.088+0.007 8.80+3.74

Sebuah bintang
− 0.010 − 0.380 − 0.007 − 4.23
bintang F
0.039+0.008 1.482+0.304 0.089+0.007 2.04+2.84
− 0.008 − 0.304 − 0.007 − 3.13
bintang G
0.011+0.010 0.418+0.380 0.087+0.007 − 8.82+5.32
− 0.009 − 0.342 − 0.007 − 4.64
Tabel 5.Nilai median posterior dengan 1σkesalahan untuk kepadatan lokal baryonρbdan Halo DM
ρDM, dan tinggi matahari di atas bidang tengahz.Kepadatan halo DMρDMdinyatakan dalam kedua
M/pc3(satuan astronomi) dan GeV/cm3(satuan fisika partikel), di mana 1 M/pc3≈38 GeV/cm3.
JCAP04(2019)026
DR2
20.0 0.025
17.5
0.020
15.0
12.5
0.015
F
SEBUAH
ΣDD[M/pc2]
εDD
10.0
G
0.010
7. 5
5. 0
0.005
2. 5
0. 0
20 40 60 80 100
hDD[komputer]
Gambar 7.Kontur batas atas 95% CR untuk kerapatan permukaan ΣDDdan tinggi skalahDDdari DD tipis
untuk bintang A (biru), F (hijau), dan G (oranye) menggunakan data dari DR2 (panel kiri) dan TGAS
(kanan). Batas atas untuk sebagian kecil dari total massa DM dalam MW yang bisa ada dalam DD,εDD,
juga ditampilkan di sisi kanan setiap plot untuk referensi.
4.2 Kendala pada DD tipis

Kami melakukan pemindaian MCMC penuh posterior setelah memasukkan komponen DD
tipis bersama dengan kepadatan lokal halo DMρDM, dan plot posterior terpinggirkan untuk
parameter DD tipis,ρDM, dan kerapatan baryon bidang tengah totalρbdalam angka16–18. Di
sisi lain, angka7memberikan kendala pada parameter DD tipis setelah meminggirkan
ketidakpastian model massa baryon dan asimetri dalam distribusi kecepatan. Mengingat sifat
eksplorasi dari analisis kami, ini dapat ditafsirkan, paling banter, sebagaiperkiraan batas atas
pada parameter DD tipis.
Kami juga menggunakan kendala pada ΣDDuntuk memperkirakan jumlah DM disipatif di galaksi.
Mengikuti ref. [33], kami menghubungkan kerapatan permukaan DD tipis yang diukur secara lokal
dengan εDD, fraksi dari total massa DM dalam MW yang memiliki interaksi diri disipatif dan membentuk
DD,
εDDMcewek
ΣDD(R) = DMexp (−R / RDD) (4.1)
2πRDD
2
DM∼1012Madalah
di manaMcewek total massa DM dalam MW,R∼8.1 kpc adalah jarak Matahari
– 15 –
dari pusat galaksi, dan jari-jari skala DD tipis diasumsikan sama dengan baryon,RDD=2.15 kpc
[11]. Seperti yang ditunjukkan pada gambar7, hanya∼1% dari total massa DM dapat berada
dalam DD yang tipis.
5 Diskusi
Hasil utama kami dari pengambilan sampel MCMC posterior, misalnya untuk bintang A, menyiratkan
bahwa konten DM lokal dapat mengakomodasi kerapatan yang konstan.ρDM=0.016±0.010 M/pc3,
.008M/pc3dan DD tipis dengan ΣDD=2.99+3.75
atauρDM=0.008+0−.0011 − 2.18M/pc2, tepatnya
nilai tergantunghDD. Kami mengamati bahwa 1σketidakpastian cukup besar dalam kedua kasus dan
JCAP04(2019)026
menunjukkan kebisingan sistematis yang tinggi dalam penentuan kami. Kami membahas berbagai sumber
ketidakpastian dalam beberapa bagian5.1–5.3dan mengomentari kekokohan analisis dinamis kami. Terakhir,
kami memvalidasi silang pengaturan statistik kami dengan mengulangi analisis kami dengan data TGAS
dalam volume galaksi yang sama, dan membandingkan hasilnya dengan hasil dari DR2 di bagian5.4.
5.1 Pengaruh pemotongan volume
Kami memvariasikan radius silinderRdan temukan bahwa distribusi kerapatan vertikal pelacak tidak banyak berbeda
untukR.200 pcs. MeningkatRdari 150 pc menjadi 250 pc, bagaimanapun, menghasilkan perluasan distribusi
kepadatan secara keseluruhan. referensi [56] mengaitkan tren serupa dalam data TGAS dengan apa yang disebut
bias 'Eddington',yaitu:ketidakpastian paralaks yang lebih tinggi dari bintang-bintang jauh dapat menyebabkan noda
distribusi kerapatan pada umumnya|z|. Namun, seperti yang ditunjukkan pada gambar13, ketidakpastian paralaks
berkurang secara signifikan di DR2 dan tetap kecil pada umumnya|z|bahkan ketikaRmeningkat menjadi 250 pc.
Dengan demikian, tampaknya tidak mungkin perluasan distribusi kerapatan disebabkan oleh bias 'Eddington'.
Pilihan yang lebih masuk akal adalah adanya efek disekuilibrium lokal seperti yang akan kita bahas pada bagian
berikut. Kami mencatat bahwa prosedur kami akan menghasilkan perkiraan kepadatan DM lokal yang lebih rendah
untuk distribusi kepadatan yang lebih luas, karena materi tambahan cenderung mencubit profil kepadatan yang
diprediksi seperti yang ditunjukkan pada gambar6.
5.2 Ketidakseimbangan di lingkungan surya?

Asumsi implisit dalam pemodelan kami tentang profil kerapatan pelacak adalah bahwa lingkungan lokal
bersifat simetris dan piringan bintang berada dalam kesetimbangan dinamis. Namun, semakin banyak bukti
dalam data DR2 untuk: asimetri dalam angka vertikal diperhitungkan [76,77]; gelombang vertikal dalam
piringan pada posisi Matahari [78–80]; substruktur kinematik [81–83], menjamin melihat lebih dekat pada
sumber ketidakseimbangan di lingkungan surya. Kami menunda pencarian ketidakseimbangan lokal dan
revisi yang sesuai dari metode kinematik tradisional kami yang diuraikan di bagian ini3.1ke pekerjaan masa
depan. Saat ini, kami hanya memperkirakan efek perilaku non-ekuilibrium dengan menyebarkan asimetri
dalam distribusi kecepatan bidang tengah ke kesalahan dalam kepadatan yang diprediksi.
5.3 Degenerasi antaraρDMdanρb

Posterior yang terpinggirkan untuk setiap pelacak dalam gambar15menunjukkan degenerasi yang kuat
antara pengukuranρbdanρDM. Seperti yang diusulkan oleh ref. [66], dan baru-baru ini diimplementasikan pada
data simulasi oleh ref. [64], degenerasi ini hanya dapat dipatahkan jika analisis kinematik apa pun
menyertakan penurunan densitas lebih besar|z|jauh dari midplan. Karena sebagian besar materi barionik
terbatas pada piringan bintang dengan skala tinggiHAI(kpc), setiap materi berlebih yang menyebabkan
penurunan dapat dikaitkan dengan (setidaknya pada urutan terdepan) ke DM, memungkinkan pengukuran
yang lebih tepat dariρDMdengan bilah kesalahan yang lebih kecil. Di sisi lain, ini memperkenalkan lapisan lain
– 16 –
TGA
20.0 0.025
17.5
0.020
15.0
12.5 0.015
ΣDD[M/pc2]
SEBUAH
εDD
10.0
7.5 F 0.010
G
5.0
0.005
JCAP04(2019)026
2.5
0.0
20 40 60 80 100
hDD[komputer]
Angka 8.Sama seperti figur7tetapi menggunakan data TGAS.
kompleksitas karena kopling antara gerakan radial dan vertikal tidak lagi dapat diabaikan|z|&0.5
kpc dan harus dimodelkan secara bersamaan sesuai dengan data kecepatan [25,84].
Sementara itu, posterior yang sangat diagonal diρDM–ΣDDpesawat dikombinasikan dengan identik datar
posterior diρDM–ρbdan ΣDD–ρbpesawat angka16–18menyiratkan bahwa memperkenalkan DD tipis dalam
analisis kami hanya menggeser beberapa kepadatan DM dariρDMsambil meningkatkan kesalahan relatifnya.
Jadi, untuk menetapkan kendala realistis pada, atau mencari bukti, kepadatan DM dalam DD tipis (atau setara
dengan beberapa bentuk substruktur yang diperluas di dekat bidang tengah) menggunakan prosedur kami,
kami memerlukan lebih banyak wawasan fisik untuk memecah degenerasi antara distribusi DM yang
berbeda. .
Seperti yang ditunjukkan oleh diskusi di atas, hasil kami didominasi oleh kesalahan sistematis
yang berasal dari pemodelan perkiraan perilaku non-ekuilibrium dan degenerasi yang kuat antara
komponen materi yang berbeda di dekat bidang tengah.Kami mencatat bahwa kesalahan ini, dalam
konteks metode fungsi distribusi 1D, mungkin tidak akan berkurang secara signifikan di masa
mendatang Gaiarilis data.
5.4 Perbandingan kendala antara DR2 dan TGAS

Kami memplot kontur batas atas 95% CR untuk parameter DD tipis menggunakan data dari DR2
dan TGAS pada gambar7dan angka8masing-masing. Kedua set kurva eksklusi secara signifikan
lebih kuat dari hasil sebelumnya berdasarkanHipparcoskatalog [45]. Namun, ada perbedaan yang
jelas antara hasil kami yang diperoleh dengan menggunakan data DR2 dan TGAS.11
Menggunakan data TGAS, bintang G awal mengecualikan ΣDD≈5 M/pc3bergantung kepadahDDsementara
bintang A menetapkan kendala terlemah. Sebaliknya, dengan menggunakan data DR2, bintang A mengecualikan Σ
DD& (5−12) M/pc3sedangkan kendala terlemah adalah karena F bintang.
Secara naif, kami berharap bahwa akan ada peningkatan (sedang) dalam kendala dari data DR2
dibandingkan dengan data dari TGAS karena peningkatan statistik (sekitar faktor ∼2.5) dan penurunan
ketidakpastian paralaks (karena pilihan binning kami, ini hanya memengaruhi tinggiztempat sampah).
Kami memeriksa secara numerik bahwa jika kami mengambil nilai sentral dari TGAS dan ketidakpastian
dari DR2 untuk menghasilkan distribusi tiruan untuk pelacak, batasan yang diturunkan
11Hasil TGAS kami diperoleh dengan menggunakan analisis Bayesian sepenuhnya yang secara kasar setuju dengan hasil ref. [56]; lihat panel
kiri gambar mereka S17 khususnya.
– 17 –
bintang F
T GA S
0.0 Gsebuah
ia DR2
0.08
− 0.2
0.06
− 0.4
dalam(ν/ν0)
f0(|w|)
− 0.6 0.04
− 0.8 0.02
JCAP04(2019)026
TG S SEBUAH
− 1.0 Gaia DR2

0.00
− 200 − 100 0 100 200 0 10 20 30 40
z[komputer] w[km/s]
Gambar 9.Bintang F: (kiri) volume profil kerapatan nomor lengkap yang dilapisi dengan kerapatan yang diprediksi diperoleh
dengan menggunakan rata-rata distribusi kecepatan TGAS dan DR2 dengan asumsi nilai fidusia untuk baryon danρDM=0.02
M/pc3; (kanan) distribusi kecepatan bidang tengah dengan kecocokan interpolasi dengan data. Perhatikan bahwa distribusi
kecepatan TGAS memiliki ukuran bin 2 km/dtk sedangkan ukuran bin DR2 adalah 1,5 km/dtk.
pada DD tipis memang mirip dengan data TGAS dengan sedikit perbaikan. Mengingat
harapan ini, tampaknya berlawanan dengan intuisi bahwa batasan DR2 kami berbeda dari
batasan TGAS.
Sebelum membahas kemungkinan asal-usul perbedaan untuk setiap populasi pelacak, kami mencatat
bahwa menambahkan lebih banyak materi akan mengurangi profil kerapatan bintang pelacak, seperti efek
DD tipis yang dibahas di bagian ini.3.1. Dengan demikian, semakin sempit profil dari data atau semakin luas
kepadatan yang diprediksi, semakin banyak materi yang dapat dimasukkan, dan semakin lemah batasan
konten DM lokal.
Pelemahan kendala yang signifikan untuk bintang F berasal dari perbedaan kecil dalam distribusi
kecepatan bidang tengah, seperti yang ditunjukkan pada panel kanan gambar9. Distribusi kecepatan
DR2 sedikit lebih luas, dan kami memverifikasi bahwa tren dalam distribusi kecepatan ini bukanlah
artefak dari potongan garis lintang midplane pilihan kami atau binning data kecepatan. Meskipun profil
kecepatan (dan kerapatan vertikal) dari TGAS dan DR2 konsisten satu sama lain dalam ketidakpastian,
distribusi kerapatan yang diprediksi dengan data DR2 lebih luas dibandingkan dengan data TGAS
dengan parameter model tetap (satu contoh ditunjukkan di panel kiri gambar9). Akibatnya, kerapatan
yang lebih tinggi dalam komponen DM diperlukan untuk mencocokkan kerapatan bintang F yang
diprediksi dengan profil kerapatan nomor DR2 untuk model massa baryon fidusia.
Kami juga menyajikan profil kerapatan jumlah lengkap volume dan distribusi kecepatan bidang
tengah untuk bintang A dan G awal dalam gambar10dan angka11. Dari plot, kami mencatat bahwa
semua distribusi berdasarkan data TGAS dan DR2 untuk kedua pelacak ini juga konsisten dalam
ketidakpastian, namun terdapat perbedaan yang halus. Distribusi kecepatan menggunakan data DR2
lebih halus dibandingkan dengan TGAS dengan ketidakpastian sistematis yang lebih kecil dari asimetri
antara data kecepatan negatif dan positif.
Kendala dari bintang G awal dalam kumpulan data DR2 menjadi lebih lemah karena profil kepadatan
yang sedikit lebih sempit, dan perkiraan kepadatan yang sedikit lebih luas. Namun, dalam kasus
– 18 –
Sebuah bintang Bintang G awal
0.0 0.0
− 0.5 − 0.1
− 1.0 − 0.2
dalam(ν/ν0)
dalam(ν/ν0)
− 1.5 − 0.3
− 0.4
− 2.0
JCAP04(2019)026
TG S TG S
− 0.5
SEBUAH SEBUAH
− 2.5 Gaia DR2 Gaia DR2
− 200 − 100 0 100 200 − 200 − 100 0 100 200

z[komputer] z[komputer]
Gambar 10.Perbandingan profil kepadatan jumlah volume lengkap dalam data TGAS dan DR2 untuk bintang A
(kiri) dan G (kanan).
Sebuah bintang Bintang G awal

0.08
0.20 T GA S T GA S
Gsebuah
ia DR2 0.07 Gsebuah
ia DR2
0.06
0.15
0.05
f0(|w|)
f0(|w|)
0.10 0.04
0.03
0.05 0.02
0.01
0.00 0.00
0 10 20 30 40 0 10 20 30 40
w[km/s] w[km/s]
Gambar 11.Perbandingan distribusi kecepatan bidang tengah dalam data TGAS dan DR2 untuk bintang A (kiri) dan G
(kanan). Perhatikan bahwa distribusi kecepatan TGAS memiliki ukuran bin 2 km/s.
Seorang bintang, kendala menjadi jauh lebih kuat di tempat tinggihDDkarena pengurangan
kesalahan sistematis dari asimetri dalam distribusi kecepatan midplane.
Kami ulangi ituGaiaDR2 harus dianggap sebagai katalog data yang berbeda dari TGAS,
bukan hanya peningkatan statistik di atasnya [2]. DR1 menggabungkan posisi dari katalog
Tycho-2 untuk menghasilkan solusi astrometrik lima parameter dalam katalog TGAS,
sedangkan katalog DR2 independen dari katalog eksternal lainnya dengan solusi astrometrik
mandirinya sendiri. Setiap perbandingan antara batasan pada konten DM lokal dari TGAS dan
DR2 harus dibuat dengan mempertimbangkan perbedaan ini.
– 19 –
6 Kesimpulan dan pandangan
Kami menerapkan metode fungsi distribusi 1D keGaiaDR2 dan gunakan kinematika bintang di
lingkungan matahari untuk membatasi kerapatan DM lokal dan properti DD tipis yang selaras dengan
cakram barionik dengan melakukan analisis kami dalam kerangka kerja Bayesian. Kami mengadopsi
bintang muda A, F, dan G awal sebagai pelacak karena mereka memiliki rentang waktu kesetimbangan
yang lebih pendek dan akibatnya diharapkan tidak terlalu terpengaruh oleh disekuilibria. Menggunakan
A bintang memberikan perkiraanρDM=0.016±0.010 Jt/buah3dan menetapkan kendala terkuat pada DD
tipis, tidak termasuk ΣDD& (5–12) M / buah2tergantung pada tinggi skala dengan kepercayaan 95%.
Batas atas ini digunakan untuk membatasi jumlah DM disipatif di galaksi: DD tipis dengan ΣDD.12 jt/
buah2dan radius skala∼3 kpc berisi . 1% dari total massa DM di Bima Sakti [33]. Sementara kami
JCAP04(2019)026
memperoleh hasil serupa dari bintang G awal, bintang F tampaknya lebih memilih nilai konten DM lokal
yang lebih tinggi. Meskipun distribusi yang diturunkan dari DR2 konsisten dengan distribusi dari data
TGAS dalam ketidakpastian, densitas DM yang diperbolehkan dan parameter model DD sangat berbeda
untuk semua pelacak. Mengingat hasil ini, kami membahas asal-usul perbedaan dan mendiskusikan
kekokohan analisis kinematik kami.
Hasil kami juga menunjukkan bahwa kami memerlukan pemahaman yang lebih baik tentang asal usul
fisik dari ketidakpastian sistematis, yang kami sertakan dalam analisis kami untuk memperhitungkan asimetri
dalam distribusi kecepatan bidang tengah pelacak. Salah satu kemungkinannya adalah dengan data lengkap
untuk kecepatan radial, kita dapat menentukan daerah bidang tengah menggunakanz-potong bukanb
-potong dan dapatkan penentuan distribusi kecepatan yang lebih tepat. Kemungkinan lain adalah melihat
lebih dekat ketidakseimbangan lokal dan pengaruhnya terhadap metode kinematik tradisional. Meskipun
kami tidak menemukan bukti yang signifikan secara statistik untuk ketidaksetimbangan dalam kerapatan
vertikal dan distribusi kecepatan dalam sampel kami, beberapa analisis berdasarkan DR2 tampaknya
menunjukkan berbagai sumber disekuilibria pada jarak yang lebih besar daripada silinder heliosentris yang
kami pertimbangkan. Dalam hal pemodelan baryon, akan berguna untuk menemukan pendekatan berbasis
data yang konsisten sendiri untuk menentukan distribusi baryon alih-alih mengasumsikan model Bahcall
isotermal. Salah satu cara untuk mencapainya adalah dengan menyusun kerapatan massa bintang secara
langsung dari data, bukannya memperlakukannya sebagai piringan isotermal.
Untuk penentuan kepadatan DM lokal yang lebih tepat, analisis dinamis dapat dilakukan dengan
menggunakan pelacak pada ketinggian yang lebih tinggi dari ketinggian skala cakram bintang untuk
meminimalkan degenerasi laten antara baryon dan DM. Namun, selain memodelkan efek disekuilibria,
analisis pada ketinggian skala yang lebih besar harus melampaui metode 1D dan harus menyertakan
istilah yang menggabungkan gerakan pelacak dalam arah yang berbeda. Kami juga melihat degenerasi
antara parameter DM biasa dan DD tipis pada posterior terpinggirkan yang diperoleh melalui
pengambilan sampel MCMC. Untuk mematahkan degenerasi, kita perlu membedakan antara efeknya
pada pelacak dengan mengembangkan pengamatan baru dan model sebelumnya yang mencerminkan
perbedaan ini.
Terima kasih
Kami berterima kasih kepada Ian Dell'Antonio, Eric Kramer, Tongyan Lin, Matt Reece, Ben Safdi, dan
Chih-Liang Wu untuk diskusi yang bermanfaat. JB ingin berterima kasih kepada Nicolas Garcia-Trillos
dan Alexander Fengler untuk percakapan panjang tentang metode pengambilan sampel MCMC dan
statistik Bayesian. Kami juga berterima kasih kepada wasit anonim atas banyak komentar mendalam
mereka yang sangat memperkaya naskah. Proyek ini diselesaikan sebagian di Santa Barbara Gaia Sprint
2019, diselenggarakan oleh Kavli Institute for Theoretical Physics (KITP) di University of California, Santa
Barbara.
– 20 –
Karya ini memanfaatkan data dari misi European Space Agency (ESA).Gaia (https://
www.cosmos.esa.int/Gaia), diproses olehGaiaKonsorsium Pengolahan dan Analisis Data
(DPAC,https://www.cosmos.esa.int/web/Gaia/dpac/consortium). Pendanaan untuk DPAC telah
disediakan oleh lembaga nasional, khususnya lembaga yang berpartisipasi dalamGaia
Perjanjian Multilateral. Itu juga memanfaatkan produk data dari Two Micron All Sky Survey (
2MASS),yang merupakan proyek bersama University of Massachusetts dan Pusat Pemrosesan
dan Analisis Inframerah/Institut Teknologi California, yang didanai oleh National Aeronautics
and Space Administration (NASA) dan National Science Foundation (NSF). Hasil dalam
pekerjaan ini dihitung menggunakan perangkat lunak sumber terbuka berikut:IPython [85],
matplotlib [86],scipy [87],mati rasa [88],astropi [89],pesta [90], alat gaia [58], danpembawa
acara [73].
JCAP04(2019)026
Penelitian ini didukung sebagian di KITP oleh Heising-Simons Foundation dan
National Science Foundation di bawah Hibah No. NSF PHY-1748958. JF didukung oleh
hibah DOE DE-SC-0010010 dan hibah NASA 80NSSC18K1010.
A Membangun kepadatan volume lengkap
Kami menggunakanalat gaiapaket untuk menentukan: a) fungsi pemilihan dengan membandingkan jumlah
hitunganGaiaDR2 untuk mereka yang masuk2MASS, dan b) kelengkapan volume yang efektif di masing-
masingzbin menggunakan pendekatan kemungkinan Poisson yang diperkenalkan oleh ref. [58]. Kami
memodifikasi pemodelan besaran warna default dialat gaia,dan diskusikan, dalam lampiranA.1, pengaruhnya
terhadap kelengkapan fungsi pemilihan DR2. Kami menyoroti bagian penting dari pendekatan kemungkinan
Poisson dalam lampiranA.2.
A.1 Pemodelan besaran warna

Kelengkapan untuk bintang TGAS memiliki ketergantungan warna yang kuat dan menurun tajam pada
magnitudo yang redup,J&12. Untuk memperhitungkan efek ini,alat gaiamenghitung kelengkapan di
setiap nampan sebagai fungsi dari besaran yang bergantung pada warna,JG. Namun, karena ujung
samar DR2 jauh melampauiJ∼12, kami menggunakanJbesarnya bukannyaJGdalam perhitungan kami.
Sebagai pemeriksaan konsistensi, kami juga memvariasikanJ−Kswarna dalam jangkauan−0.05<J−Ks<1.05
dari default 3 nampan menjadi 20 nampan, seperti yang ditunjukkan pada gambar12, dan temukan bahwa
variasi pada profil kerapatan angka kita (melalui kelengkapan volume efektif) adalah . 2%. Dengan demikian,
kami menyimpulkan bahwa pemilihan binning memiliki efek yang dapat diabaikan pada kelengkapan fungsi
pemilihan.
A.2 kemungkinan proses Poisson

Mengingat fungsi seleksi survei,S(J, J - Ks, α, δ), yang menunjukkan fraksi bintang yang diamati
pada (J, J−Ks, α, δ), kami tertarik untuk menentukan kerapatan bilangan lengkap volume,ν?(X,
Y, Z), untuk populasi bintang tertentu. Unsur penting yang menghubungkan kelengkapan
dalam (J, J−Ks, α, δ) ruang ke nyata (X, Y, Z) ruang adalah (de-reddened) color-(absolute)
magnitude density (CMD),ρCMD(MJ,[J−Ks]0|X, Y, Z). Dalam kasusGaia, CMD dapat ditentukan
secara empiris menggunakan survei eksternal seperti2MASSyang (hampir) lengkap di seluruh
langit dan peta kepunahan tiga dimensi (SEBUAHJ,E(J−Ks))[X, Y, Z].
Kepadatan nomor,ν?(X, Y, Z), ditentukan dengan mengasumsikan bahwa bintang yang diamati adalah
sampel independen dari proses Poisson yang tidak homogen. Proses ini ditandai dengan fungsi
kecepatannya,λ(O|θ), yang menghubungkan hal-hal yang dapat diamati,HAI≡ {X, Y, Z, J, J −Ks}, diukur oleh
– 21 –
Kelengkapan yang efektif Kelengkapan yang efektif
1.0
12 12
0.8 0.8
10 10
8 0.6 8 0.6
J
J
6 6
0.4 0.4
4 4
0.2 0.2
2 2
JCAP04(2019)026
0 0.0 0 0.0
0.0 0.5 1.0 0.0 0.5 1.0
J−Ks J−Ks
Gambar 12.Kelengkapan efektif dalam ruang besaran warna. Kiri: 3J − Kstempat sampah. Kanan: 20 J−Ks
tempat sampah.
survei ke parameter modelθ,

λ(O|θ) =ν?(X, Y, Z|θ)×|J(X, Y, Z;α, δ,D)|
(A.1)
ρCMD(MJ,[J−Ks]0|X, Y, Z)S(J, J−Ks, α, δ),
di mana|J(X, Y, Z;α, δ,D)|=D2cosδadalah Jacobian untuk transformasi koordinat. Menjatuhkan
semua istilah independen dariθ, kemungkinan proses ini,L(θ), dapat ditulis sebagai,
∑ ∫
diL(θ) = λ(HAIsaya|θ)− doλ(O|θ)
saya
∑ ∫ (A.2)
= ν?(Xsaya, Ysaya,Zsaya|θ)− dDD2ayahcosδν?(X, Y, Z|θ)S(α, δ,D),
saya
di manaS(α, δ,D) adalah fungsi pemilihan yang efektif seperti yang didefinisikan oleh ref. [58],
∫
S(α, δ,D) = dj d(J−Ks)ρCMD(MJ,[J−Ks]0|X, Y, Z)S(J, J−Ks, α, δ). (A.3)
Kita dapat menginterpretasikan fungsi seleksi efektif sebagai fraksi bintang dari populasi
bintang di kejauhanDdan posisi (α, δ) diamati oleh survei.
Dengan bahan-bahan ini, kita dapat memperkirakanBENARkepadatan bintang yang mendasari
(binned),nk, dari jumlah bintang yang diamati,Nk, di tempat sampah yang tidak tumpang tindih,
Πk(X, Y, Z). Dengan demikian, memasukkan hukum kerapatan parametrik,
∑
ν?(X, Y, Z|θ) = nkΠk(X, Y, Z) (A.4)
k
ke dalam ekspresi untuk log-kemungkinan dalam eq. (A.2), kami memperoleh,
diL({nk}k)
∑ ∑ ∫ ∑
= di nkΠk(X, Y, Z)− dDD2ayahcosδ nkΠk(X, Y, Z)S(α, δ,D)
saya k k (A.5)
∑[ ∫ ]
= Nkdink− nk dDD2ayahcosδΠk(X, Y, Z)S(α, δ,D),
k
– 22 –
R=150 pcs R=200 pcs R=250 pcs
10 10 10
stars
SEBUAH stars
SEBUAH stars
SEBUAH
F stars F stars F stars

8 8 8
e rly G stars
sebuah e rly G stars
sebuah e rly G stars
sebuah
6 6 6
σ|z|[komputer]
σ|z|[komputer]
σ|z|[komputer]
4 4 4
2 2 2
0 0 0
50 100 150 200 50 100 150 200 50 100 150 200
|z|[komputer] |z|[komputer] |z|[komputer]
JCAP04(2019)026
Gambar 13.1σmenyebar dalam ketidakpastian (di urutan terdepan).zsebagai fungsi darizuntuk potongan radial yang
berbeda.
di mana persamaan kedua mengikuti dari mempertimbangkan semua kemungkinan kombinasi darisayabintang
didistribusikan diktempat sampah yang identik. Estimasi kemungkinan maksimum (MLE) dapat dihitung secara
analitik dengan membedakan persamaan di atas sehubungan dengannkdan mengaturkturunan menjadi nol. Kami
menemukan itu
Nk
nk= ∫ , (A.6)
dDD2ayahcosδΠk(X, Y, Z)S(α, δ,D)
yang dapat ditulis lebih co∫secara efektif dengan mendefinisikan Ξ(Πk) sebagaikelengkapan volume
yang efektif per bin dan Ξ(Πk)V(Πk) =Πd3xS(α, δ,D) sebagai volume efektif,
k
Nk
nk= . (A.7)
Ξ(Πk)V(Πk)
Ketidakpastian dalam perkiraan kami mudah dievaluasi dengan menghitung informasi Fisher,
√
∂2diL({nk}k) n
− ≡ σ nk =√k. (A.8)
∂({nk}k)2 Nk
B. Analisis ketidakpastian
Pada bagian ini, kita membahas pilihan ukuran tempat sampah pada ketinggian vertikalzdan kecepatanw
untuk membangun kepadatan nomor dan distribusi kecepatan midplane masing-masing.
Ketidakpastian dizdiberikan oleh,
( ) 2
dosab (karenab)2 (2 dosabcosb)
δz2(kpc2) = σ$2+ σ2b+ σ$b
2 (B.1)
$2 $ $3
yang didominasi oleh ketidakpastian paralaks akibat faktor tambahan dari$dalam satuan mas≈10−9dalam jangka
waktu pertama. Kami merencanakan ketidakpastianz(di urutan terdepan) sebagai fungsi dari zuntuk semua pelacak
dalam gambar13. Meskipun ketidakpastian maksimum adalah≈10 pc, kami secara konservatif mengadopsi 20 pc
sebagai ukuran bin untuk memperhitungkan perkiraan yang terlalu rendah dari ketidakpastian yang dilaporkan
dalam DR2 [3].
Begitu pula dengan ketidakpastian diwadalah
(σ) w2 (σ) $2 (σ)2μb

= + + istilah subleading, (B.2)
w $ μb
– 23 –
Sebuah bintang bintang F bintang G
0.20 z− cut z− cut z− cut

b− cut b− cut b− cut
0.08 0.06
0.15
0.06
0.04
f0(|w|)
f0(|w|)
f0(|w|)
0.10
0.04
0.05 0.02
0.02
0.00 0.00 0.00

0 10 20 30 40 0 10 20 30 40 0 10 20 30 40
w[km/s] w[km/s] w[km/s]
JCAP04(2019)026
Gambar 14.Distribusi kecepatan midplanef0(|w|) untuk bintang A (kiri), F (tengah) dan awal G (kanan). Distribusi
yang diperoleh dengan menggunakan|b| <5Haipotong (hijau) dan|z| <20 potongan pc (biru) konsisten dalam bilah
kesalahan.
di mana istilah yang dihilangkan ditekan oleh 10−2Kapan|b| <5◦. Di sekitar bidang tengah, σμ/μb.0.2, yang
diterjemahkan
b menjadiσw≈1.5 km/dtk. Oleh karena itu, kami memilih 1,5 km/dtk sebagai ukuran wadah untuk
memperolehnyaf0(w) Profil.
C Variasi potongan midplane
Profil kecepatan midplane diperlukan dalam persamaan. (3.4) untuk memprediksi kepadatan pelacak untuk model
massa tertentu. Dengan kecepatan radial parsial diukur denganGaia, kami mendefinisikan bidang tengah dengan
dua cara: yang pertama memotong garis lintang galaksi|b| <5Haisedangkan yang lain membutuhkan |z| <(20−50)
buah [64]. Untuk kedua sampel, kami memperkirakanayrdengan nilai rata-ratanya〈ayr〉dalam persamaan (2.4) bila
tidak adaayrdata yang tersedia untuk bintang. Namun, untukz-potong sampel, kami membuang bintang dengan|b|
>5Haiyang tidak memiliki apapunayrdata.
Distribusi kecepatan midplane dariz- danbsampel -cut disajikan pada gambar14 dan setuju
satu sama lain dalam 1σketidakpastian. Kami mencatat bahwa ketidakpastian dalam data
kecepatan midplane menggunakanz-cut lebih kecil dari yang menggunakanb-memotong.
Ketidakpastian didominasi oleh sistematika karena perbedaan antaraf(w >0) danf(w <0). Ternyataz
-potong data lebih simetrisz=0 dan dengan demikian memiliki ketidakpastian yang lebih kecil.
Dalam analisis kami, kami masih menggunakanb-potong sampel, karena mungkin ada bias seleksi
potensial diz-cut sample, di mana kita membuang sebagian besar bintang dengan solusi
astrometrik lima parameter karena kita tidak mengetahui kecepatan radialnya.
Kami juga memeriksa isotermal pelacak dengan menyesuaikan data bidang tengah dengan distribusi
Gaussian. Dari kecocokan, kami menemukan bahwa dispersi kecepatanσzmasing-masing adalah 5,7, 11,2,
15,0 km/s untuk bintang A, F, dan G awal. Ituχ2yang cocok adalah 11,9, 20,3 dan 35,4 untuk masing-masing
16, 28, dan 28 derajat kebebasan. Distribusi Gaussian (isotermal) memberikan kecocokan yang masuk akal
untuk bintang A dan G awal, tetapi tidak cocok untuk bintang F. Dalam analisis kami, kami selalu
menggunakan distribusi dari data dan tidak pernah cocok dengan Gaussiannya.
D Statistik bootstrap
Resampling bootstrap adalah teknik statistik standar untuk memperoleh rata-rata dan ketidakpastian ketika
hanya ada satu kumpulan data yang tersedia dan propagasi analitik ketidakpastian tidak dapat dilakukan
dengan mudah. Ide dasar dari metode ini dijelaskan di bawah ini.
– 24 –
Misalkan kita memiliki satu setNbintang diberi label sebagaiSN={X1,X2,··· ,XN}. Setiap bintang Xkdikaitkan
dengan koordinat ruang fase 6 dimensi yang dilambangkan denganθk. Dalam resampling bootstrap, kami
membuat undian acakdengan penggantianbintang-demi-bintang dari kumpulan bintang asliSN. Ini
menghasilkan kumpulan data baruSNdengan ukuran yang samaN, dengan setiap bintang diberi label sebagai
Xk. Karena pengundian dilakukan dengan penggantian, kami mengharapkan (banyak) nilai koordinat duplikat
dalam kumpulan data baru, sepertiXk=θkdanXk+1=θk, untuk besarN. Karena itu,SN6=SNsecara umum.
(2) (̃B)
Kami sampel ulangBkali kumpulan data asliSN, melabeli mereka sebagaiS(1) N,SN, . . . ,SN.
Varians dari distribusi yang mendasari di masing-masingzbin dapat diperkirakan sebagai berikut,
B 1∑ B
1∑
σ̃ν2(z) = (ν̃(k)(z)− ν̃(z))2, di mana ν̃(z) = ν̃(k)(z). (D.1)
JCAP04(2019)026
B B
k=1 k=1
Untuk cukup besarB, dapat dibuktikanσ̃2 ν→ σ2 ν[91].

Dalam menyebarkan ketidakpastian kecepatan menjadi ketidakpastian prediksi melalui
metode bootstrap, kami memilihB=1000 sebagai kompromi antara waktu komputasi dan statistik
presisi. Kami mengambil varian bin-by-bin dari semua prediksi berdasarkan 1000 sampel ulang
()
kecepatan ditetapkan sebagai estimator untuk ketidakpastian statistik,σ2νmod,stat, dari profil yang
diprediksiνmod.
– 25 –
Sebuah bintang bintang F
0.12 0.12
0.11 0.11
JCAP04(2019)026
0.10 0.10
ρb[M/pc3]
ρb[M/pc3]
0.09 0.09
0.08 0.08
0.07 0.07
0.06 0.06
0.01 0.02 0.03 0.04 0.05 0.02 0.04 0.06 0.08
ρDM[M/pc3] ρDM[M/pc3]
Bintang G awal
0.12
0.11
0.10
ρ [M/komputer]3
0.09
b
0.08
0.07
0.06
0.01 0.02 0.03 0.04 0.05
ρDM[M/pc3]
Gambar 15.Posterior yang terpinggirkan menunjukkan degenerasi antara kepadatan baryon lokal ρb
dan Halo DMρDM.
– 26 –
hDD[pc] = 67.435+22 .848
− 32 .718
JCAP04(2019)026
ΣDD[M/pc2] = 2.993+3.753
− 2.177
24
ΣDD[M/pc2]
18
12
6
ρDM[ M/pc3] = 0.008+0.−011

0.008
5
.
04
0
ρDM[M/pc3]
.
03
0
5
.
01
0
ρb[M/pc3] = 0.087+0.−007
0.007
0
.
00
0
5
.
10
ρb[M /pc3]
0
0
.
09
0
5
.
07
0
0
.
06
0
0
20
40
60
80
12
18
24
6
5
10
. . . . . . . .
00
01
03
04
06
07
09
10
0
hDD[komputer] ΣDD[M/pc2] ρDM [M / pc3] ρb[M/p c3]
Gambar 16.Terpinggirkan podistribusi sterior ensitas DD tipis pparameter, materi gelap lokal de ars. nsity
ρDM, dan total baryon ddi bidang tengahρbuntuk daerah stReg es yang diarsir gelap (terang) ion
menunjukkan nilai kuantil diAble, sedangkan l putus-putus dimewakili tanggal 16, 50, dan 84th
persen 68% (95%) dari t diadistribusi posterior.
– 27 –
hDD[pc] = 63.457+25− .33
615.438
JCAP04(2019)026
ΣDD[M/pc2] = 6.231+5.995− 4.326
24
ΣDD[M/pc2]
18
12
6
ρDM[M /pc3] = 0.019+0−.015

0.015
5
.
04
0
ρDM[M/pc3]
.
03
0
5
.
01
0
ρb[M/pc3] = 0.088+0.007
− 0.007
0 0
.
12 00
0
.
0
5
.
ρb[M /pc3]
10
0
0
.
09
0
5
.
07
0
0
20
40
60
80
12
18
24
6
0
10
. . . . . . . .
00
01
03
04
07
09
10
12
0
hDD[komputer] ΣDD[M/pc2] ρDM [M /pc3] ρb[M/pc3]
Gambar 17.Terpinggirkan podistribusi sterior ensitas DD tipis di pparameter, materi gelap lokal de ars. nsity
ρDM, dan total baryon dbidang tengahρbuntuk daerah F stReg es yang diarsir gelap (terang) ion
menunjukkan nilai kuantil dible, sedangkan garis putus-putus l dimewakili tanggal 16, 50, dan 84th
persen 68% (95%) dari t he distribusi posterior.
– 28 –
hDD[pc] = 57.314+30 .191
− 36 .546
JCAP04(2019)026
ΣDD[M/pc2] = 3.070+3.425
− 2.162
24
ΣDD[M/pc2]
18
12
6
ρDM[ M/pc3] = 0.005+0.−010

0.006
5
.
04
0
ρDM[M/pc3]
.
03
0
5
.
01
0
ρb[M/pc3] = 0.087+0.−007
0.007
0
.
00
0
5
.
10
ρb[M /pc3]
0
0
.
09
0
5
.
07
0
0
.
06
0
0
20
40
60
80
12
18
24
6
5
10
. . . . . . . .
00
01
03
04
06
07
09
10
0
hDD[komputer] ΣDD[M/pc2] ρDM [M /pc3] ρb[M/p c3]
Gambar 18.Terpinggirkan podistribusi sterior ensitas DD tipis di pparameter, materi gelap lokal de ars. nsity
ρDM, dan total baryon dbidang tengahρbuntuk daerah G stReg es yang diarsir gelap (terang) ion
menunjukkan nilai kuantil dible, sedangkan garis putus-putus l dimewakili tanggal 16, 50, dan 84th
persen 68% (95%) dari t diadistribusi posterior.
– 29 –
Referensi
[1]Gaiakolaborasi,Misi Gaia,Astron. Astronomi.595 (2016) A1[arXiv:1609.04153]
[DIPUNCAK MENARA].
[2]Gaiakolaborasi,Rilis Data Gaia 2,Astron. Astronomi.616 (2018) A1 [

arXiv:1804.09365] [DIPUNCAK MENARA].
[3] L. Lindegren dkk.,Rilis Data Gaia 2: Solusi astrometrik,Astron. Astronomi.616 (2018) A2[
arXiv:1804.09366].
[4] DW Evans dkk.,Rilis Data Gaia 2: Konten dan validasi fotometrik,Astron. Astronomi.
616 (2018) A4[arXiv:1804.09368].
JCAP04(2019)026
[5] M. Riello dkk.,Rilis Data Gaia 2: pemrosesan data fotometrik,Astron. Astronomi. 616 (2018)
A3[arXiv:1804.09367].
[6] P. Sartoretti dkk.,Rilis Data Gaia 2: Memproses data spektroskopi,Astron. Astronomi. 616 (
2018) A6[arXiv:1804.09371].
[7] M. Cropper dkk.,Spektrometer Kecepatan Radial Gaia,arXiv:1804.09369.
[8] D. Katz dkk.,Rilis Data Gaia 2: Properti dan validasi kecepatan radial,Astron. Astronomi.622 (
2019) A205[arXiv:1804.09372].
[9] X. Luri dkk.,Rilis Data Gaia 2: menggunakan paralaks Gaia,Astron. Astronomi.616 (2018) A9 [
arXiv:1804.09376].
[10] C. Flynn, J. Holmberg, L. Portinari, B. Fuchs dan H. Jahreiss,Tentang rasio massa-terhadap-cahaya
cakram Galaksi lokal dan luminositas optik Galaksi,Sen. Bukan. Roy. Astron. Soc.372 (2006) 1149[
astro-ph/0608193] [DIPUNCAK MENARA].
[11] J. Bovy dan H.-W. Rix,Pengukuran Dinamis Langsung dari Profil Kepadatan Permukaan Piringan
Bima Sakti, Panjang Skala Disk, dan Profil Materi Gelap pada 4 kpc.R.9kpc,Astronomi. J. 779 (2013)
115[arXiv:1309.0809] [DIPUNCAK MENARA].
[12] CF McKee, A. Parravano dan DJ Hollenbach,Bintang, Gas, dan Materi Gelap di Lingkungan
Surya,Astronomi. J.814 (2015) 13[arXiv:1509.05334] [DIPUNCAK MENARA].
[13] ED Kramer dan L. Randall,Gas Antarbintang dan Disk Gelap,Astronomi. J.829 (2016) 126 [
[14] JH Oort,Gaya yang diberikan oleh sistem bintang dalam arah tegak lurus terhadap bidang galaksi
dan beberapa masalah terkait,Banteng. Astron. Inst. Belanda6 (1932) 249.
[15] K. Kuijken dan G. Gilmore,Distribusi massa dalam cakram galaksi. I — Sebuah teknik untuk
menentukan densitas massa permukaan integral dari piringan di dekat matahari,Sen. Bukan. Roy.
Astron. Soc.239 (1989) 571.
[16] K. Kuijken dan G. Gilmore,Distribusi Massa dalam Cakram Galaksi — Bagian Dua — Penentuan
Kepadatan Massa Permukaan Cakram Galaksi di Dekat Matahari,Sen. Bukan. Roy. Astron. Soc.239 (
1989) 605 [DIPUNCAK MENARA].
[17] K. Kuijken dan G. Gilmore,Distribusi Massa dalam Cakram Galaksi — Bagian III —
Kepadatan Massa Volume Lokal,Sen. Bukan. Roy. Astron. Soc.239 (1989) 651.
[18] B. Fuchs dan R. Wielen,Kendala kinematis pada kepadatan massa lokal Galaxy yang ditentukan
secara dinamis, diKembali ke GalaksiSS Holt dan F. Verter eds.,Konferensi AIP. Proses278 (1993)
580.
[19] C. Flynn dan B. Fuchs,Kepadatan materi gelap di cakram Galaksi,Sen. Bukan. Roy. Astron. Soc.
270 (1994) 471.
[20] J. Holmberg dan C. Flynn,Kepadatan materi lokal yang dipetakan oleh hipparcos,Sen. Bukan. Roy.
Astron. Soc.313 (2000) 209[astro-ph/9812404] [DIPUNCAK MENARA].
– 30 –
[21] J. Holmberg dan C. Flynn,Kepadatan permukaan lokal materi cakram dipetakan oleh Hipparcos,Sen.
Bukan. Roy. Astron. Soc.352 (2004) 440[astro-ph/0405155] [DIPUNCAK MENARA].
[22] F. van Leeuwen dan E. Fantino,Pengurangan baru dari data mentah Hipparcos,Astron. Astronomi. 439 (
2005) 791[astro-ph/0505432] [DIPUNCAK MENARA].
[23] S. Garbari, C. Liu, JI Read dan G. Lake,Penentuan baru kerapatan materi gelap lokal dari
kinematika katai K,Sen. Bukan. Roy. Astron. Soc.425 (2012) 1445 [arXiv:1206.0015] [DI
PUNCAK MENARA].
[24] J. Bovy dan S. Tremaine,Kepadatan materi gelap lokal,Astronomi. J.756 (2012) 89 [

[25] H. Silverwood, S. Sivertsson, P. Steger, JI Read dan G. Bertone,Metode non-parametrik untuk mengukur
JCAP04(2019)026
kepadatan materi gelap lokal,Sen. Bukan. Roy. Astron. Soc.459 (2016) 4191 [arXiv:1507.08581] [DIPUNCAK
MENARA].
[26] S. Sivertsson, H. Silverwood, JI Baca, G. Bertone dan P. Steger,Kepadatan materi gelap lokal dari
SDSS-SEGUE G-dwarfs,Sen. Bukan. Roy. Astron. Soc.478 (2018) 1677 [arXiv:1708.07836] [DIPUNCAK
MENARA].
[27] Y.-S. Ting, H.-W. Rix, J. Bovy dan G. van de Ven,Pada studi potensi Galaksi melalui fungsi
distribusi bintang mono-keberlimpahan berbasis aksi,Sen. Bukan. Roy. Astron. Soc.434 (2013)
[28] J. Bovy, H.-W. Rix, C. Liu, DW Hogg, TC Beers dan YS Lee,Struktur spasial sub-populasi
mono-kelimpahan dari piringan Bima Sakti,Astronomi. J.753 (2012) 148 [arXiv:1111.1724]
[DIPUNCAK MENARA].
[29] P. Salucci, F. Nesti, G. bukan Yahudi dan CF Martins,Kepadatan materi gelap di lokasi Matahari,
Astron. Astronomi.523 (2010) A83[arXiv:1003.3101] [DIPUNCAK MENARA].
[30] M. Pato, F. Iocco dan G. Bertone,Kendala dinamis pada distribusi materi gelap di Bima Sakti,
JCAP12 (2015) 001[arXiv:1504.06324] [DIPUNCAK MENARA].
[31] LE Strigari,Pencarian Galaksi untuk Materi Gelap,Fisika. Rep.531 (2013) 1[arXiv:1211.7090]
[DIPUNCAK MENARA].
[32] JI Baca,Kepadatan Materi Gelap Lokal,J.Fis.G 41 (2014) 063101[arXiv:1404.1938]

[DIPUNCAK MENARA].
[33] J. Fan, A. Katz, L. Randall dan M. Reece,Dark-Disk Universe,Fisika. Pendeta Lett.110 (2013) 211302[
[34] J. Fan, A. Katz, L. Randall dan M. Reece,Materi Gelap Disk Ganda,Fisika. Universitas Gelap2 (2013)
[35] F.-Y. Cyr-Racine dan K. Sigurdson,Kosmologi materi gelap atom,Fisika. Putaran.D 87 (2013) 103515[
[36] M. McCullough dan L. Randall,Materi Gelap Disk Ganda Eksotermik,JCAP10 (2013) 058 [
[37] J. Fan, A. Katz dan J. Shelton,Deteksi langsung dan tidak langsung dari materi gelap disipatif,JCAP 06 (
2014) 059[arXiv:1312.1336] [DIPUNCAK MENARA].
[38] L. Randall dan M. Reece,Materi Gelap sebagai Pemicu Dampak Komet Berkala,Fisika. Pendeta Lett.112
(2014) 161301[arXiv:1403.0576] [DIPUNCAK MENARA].
[39] W. Fischler, D. Lorshbough dan W. Tangarife,Materi Gelap Berinteraksi Sebagian Supersimetris,

Fisika. Putaran.D 91 (2015) 025010[arXiv:1405.7708] [DIPUNCAK MENARA].
[40] R. Foot dan S. Vagnozzi,Materi gelap sektor tersembunyi disipatif,Fisika. Putaran.D 91 (2015) 023512[
– 31 –
[41] L. Randall dan J. Scholtz,Materi Gelap Dissipatif dan Bidang Satelit Andromeda, JCAP09 (
2015) 057[arXiv:1412.1839] [DIPUNCAK MENARA].
[42] M. Reece dan T. Roxlo,Produksi radiasi gelap dan materi gelap nontermal,JHEP09 (2016) 096[
[43] R. Foot dan S. Vagnozzi,Memecahkan teka-teki struktur skala kecil dengan materi gelap disipatif, JCAP07
(2016) 013[arXiv:1602.02467] [DIPUNCAK MENARA].
[44] NJ Shaviv,Bukti paleoklimatik untuk Materi Gelap yang Sangat Berinteraksi Hadir di Piringan
Galaksi,arXiv:1606.02851[DIPUNCAK MENARA].
[45] ED Kramer dan L. Randall,Batasan Kinematik yang Diperbarui pada Disk Gelap,Astronomi. J. 824 (2016)
JCAP04(2019)026
[46] P. Agrawal, F.-Y. Cyr-Racine, L. Randall dan J. Scholtz,Katalisis Gelap,JCAP08 (2017) 021 [
[47] P. Agrawal dan L. Randall,Sumber Titik dari Materi Gelap Disipatif,JCAP12 (2017) 019 [
[48] MR Buckley dan A. DiFranzo,Struktur Materi Gelap yang Runtuh,Fisika. Pendeta Lett.120 (2018) 051102[
[49] G. D'Amico, P. Panci, A. Lupi, S. Bovino dan J. Silk,Lubang Hitam Masif dari Disipative Dark
Matter,Sen. Bukan. Roy. Astron. Soc.473 (2018) 328[arXiv:1707.03419] [DIPUNCAK MENARA].
[50] A. Caputo, J. Zavala dan D. Blas,Pulsar biner sebagai probe piringan materi gelap Galaksi, Fisika.
Universitas Gelap19 (2018) 1[arXiv:1709.03991] [DIPUNCAK MENARA].
[51] K. Vattis dan SM Koushiappas,Batasan materi gelap yang berinteraksi sendiri dalam skenario cakram gelap yang
tebal,Fisika. Putaran.D 97 (2018) 103003[arXiv:1801.06556] [DIPUNCAK MENARA].
[52] NJ Outmezguine, O. Slone, W. Tangarife, L. Ubaldi dan T. Volansky,Akresi Materi Gelap

Dissipatif ke Inti Galaksi Aktif,JHEP11 (2018) 005[arXiv:1807.04750] [DIPUNCAK MENARA].
[53] S. Alexander dan L. Smolin,Prinsip Kesetaraan dan Munculnya Kurva Rotasi Datar,
arXiv:1804.09573[DIPUNCAK MENARA].
[54] A. Ghalsasi dan M. McQuinn,Menjelajahi astrofisika atom gelap,Fisika. Putaran.D 97 (2018)
[55] E. Rosenberg dan J. Fan,Pendinginan di Sektor Gelap Disipatif,Fisika. Putaran.D 96 (2017) 123001 [
[56] K. Schutz, T. Lin, BR Safdi dan C.-L. Wu,Membatasi Disk Materi Gelap Tipis dengan Gaia, Fisika.
Pendeta Lett.121 (2018) 081101[arXiv:1711.03103] [DIPUNCAK MENARA].
[57] MF Skrutskie dkk.,Survei Dua Mikron Semua Langit (2MASS),Astron. J.131 (2006) 1163
[DIPUNCAK MENARA].
[58] J.Bovy,Inventaris Stellar dari lingkungan surya menggunakan Gaia DR1,Sen. Bukan. Roy. Astron.
Soc.470 (2017) 1360[arXiv:1704.05063].
[59] JC Zinn, MH Pinsonneault, D. Huber dan D. Stello,Konfirmasi titik nol offset dalam paralaks
Rilis Data Gaia 2 menggunakan asteroseismologi dan spektroskopi APOGEE di
lapangan Kepler,arXiv:1805.02650.
[60] N. Banik, LM Janda dan S. Dodelson,Galactoseismology dan Kepadatan Lokal Dark Matter,Sen.
Bukan. Roy. Astron. Soc.464 (2017) 3775[arXiv:1608.03338] [DIPUNCAK MENARA].
[61] JN Bahcall, C. Flynn dan A. Gould,Materi gelap lokal dari sampel yang dipilih dengan cermat, Astronomi. J.
389 (1992) 234[DIPUNCAK MENARA].
[62] MJ Pecaut dan EE Mamajek,Warna Intrinsik, Temperatur, dan Koreksi Bolometrik Bintang
Urutan Pra-Utama,Astronomi. J. Suppl.208 (2013) 9[arXiv:1307.2657] [DIPUNCAK MENARA].
– 32 –
[63] R. Schoenrich, J. Binney dan W. Dehnen,Kinematika Lokal dan Standar Istirahat Lokal, Sen.
Bukan. Roy. Astron. Soc.403 (2010) 1829[arXiv:0912.3693] [DIPUNCAK MENARA].
[64] S. Garbari, JI Read dan G. Lake,Batas kepadatan materi gelap lokal,Sen. Bukan. Roy. Astron. Soc.
416 (2011) 2318[arXiv:1105.6339] [DIPUNCAK MENARA].
[65] J.Bovy,Rotasi galaksi di Gaia DR1,Sen. Bukan. Roy. Astron. Soc.468 (2017) L63 [
arXiv:1610.07610].
[66] JN Bahcall,Penentuan Konsisten Sendiri Jumlah Total Materi di Dekat Matahari, Astronomi. J.
276 (1984) 169[DIPUNCAK MENARA].
[67] JN Bahcall,Distribusi bintang tegak lurus terhadap piringan galaksi,Astronomi. J.276 (1984) 156[DI
PUNCAK MENARA].
JCAP04(2019)026
[68] JN Bahcall,K raksasa dan jumlah total materi di dekat matahari,Astronomi. J.287 (1984) 926.
[69] L.Spitzer Jr.,Dinamika Medium Antarbintang. 3. Distribusi Galaksi,Astronomi.

J.95 (1942) 329[DIPUNCAK MENARA].
[70] J. Bovy, H.-W. Rix, GM Hijau, EF Schlafly dan DP Finkbeiner,Pada Pemodelan Kepadatan
Galaksi di Kehadiran Kepunahan Debu,Astronomi. J.818 (2016) 130 [arXiv:1509.06751].
[71] A. Widmark,Mengukur densitas materi lokal menggunakan Gaia DR2,arXiv:1811.07911

[DIPUNCAK MENARA].
[72] J. Goodman dan J. Weare,Ensemble sampler dengan affine invariance,Kom. Aplikasi. Matematika.
Komp. Sains.5 (2010) 65.
[73] D. Foreman-Mackey, DW Hogg, D. Lang dan J. Goodman,pembawa acara: Palu MCMC, Pub.
Astron. Soc. Pak.125 (2013) 306[arXiv:1202.3665] [DIPUNCAK MENARA].
[74] GO Roberts, A. Gelman dan WR Gilks,Konvergensi yang lemah dan penskalaan optimal dari algoritma
random walk metropolis,Annals Appl. Mungkin.7 (1997) 110.
[75]SEGUE SDSS-IIkolaborasi,SEGUE: Survei Spektroskopi 240.000 bintang dengan g=14–
20,Astron. J.137 (2009) 4377[arXiv:0902.1781] [DIPUNCAK MENARA].
[76] LM Janda, S. Gardner, B. Yanny, S. Dodelson dan H.-Y. Chen,Galactoseismology:
Penemuan Gelombang Vertikal di Galaksi Disk,Astronomi. J.750 (2012) L41 [
[77] M. Bennett dan J. Bovy,Gelombang vertikal di lingkungan surya di Gaia DR2,Sen. Bukan.
Roy. Astron. Soc.482 (2019) 1417[arXiv:1809.03507].
[78] FA Gómez, I. Minchev, BW O'Shea, TC Beers, JS Bullock dan CW Purcell,Gelombang kerapatan
vertikal di cakram Bima Sakti yang diinduksi oleh Galaksi Katai Sagitarius,Sen. Bukan. Roy. Astron.
Soc.429 (2013) 159[arXiv:1207.3083] [DIPUNCAK MENARA].
[79] JL Carlin dkk.,Substruktur dalam kecepatan massal bintang cakram Bima Sakti,Astronomi. J.777 (2013)
L5[arXiv:1309.6314] [DIPUNCAK MENARA].
[80] LM Widrow, J. Barber, MH Checkers dan E. Cheng,Mode pembengkokan dan pernapasan cakram
Galaksi,Sen. Bukan. Roy. Astron. Soc.440 (2014) 1971[arXiv:1404.4069] [DIPUNCAK MENARA].
[81] T. Antoja dkk.,Kerutan dalam data Gaia menyingkap piringan Bima Sakti muda yang dinamis
dan gelisah,Alam561 (2018) 360[arXiv:1804.10196].
[82] GC Myeong, NW Evans, V. Belokurov, JL Sanders and SE Koposov,Gugus Bola Sosis,
Astronomi. J.863 (2018) L28[arXiv:1805.00453] [DIPUNCAK MENARA].
[83] L. Necib, M. Lisanti dan V. Belokurov,Materi Gelap dalam Ketidakseimbangan: Distribusi Kecepatan
Lokal dari SDSS-Gaia,arXiv:1807.02519[DIPUNCAK MENARA].
– 33 –
[84] A. Büdenbender, G. van de Ven dan LL Watkins,Kemiringan ellipsoid kecepatan dalam cakram Bima Sakti,
Sen. Bukan. Roy. Astron. Soc.452 (2015) 956[arXiv:1407.4808] [DIPUNCAK MENARA].
[85] F. Perez dan BE Granger,IPython: Sistem Komputasi Ilmiah Interaktif,Komputer. Sains. Eng.9 (
2007) 21[DIPUNCAK MENARA].
[86] Pemburu JD,Matplotlib: Lingkungan Grafik 2D,Komputer. Sains. Eng.9 (2007) 90
[DIPUNCAK MENARA].
[87] E. Jones dkk.,SciPy: Alat ilmiah open source untuk Python,http://www.scipy.org.

[88] S. van der Walt, SC Colbert dan G. Varoquaux,Array NumPy: Struktur untuk Komputasi Numerik
yang Efisien,Komputer. Sains. Eng.13 (2011) 22[arXiv:1102.1523] [DIPUNCAK MENARA].
[89]Astropikolaborasi,Astropy: Paket Python Komunitas untuk Astronomi,Astron. Astronomi.
JCAP04(2019)026
558 (2013) A33[arXiv:1307.6212] [DIPUNCAK MENARA].
[90] Harga AM-Whelan,Gala: Paket python untuk dinamika galaksi,J. Perangkat Lunak Sumber Terbukaw.2 (2017)
388.
[91] Z. Ivezic, AJ Connolly, JT VanderPlas dan A. Gray,Statistik, Penambangan Data, dan

Pembelajaran Mesin dalam Astronomi: Panduan Praktis Python untuk Analisis Data Survei,
Princeton University Press, Princeton, NJ, AS, (2014).
– 34 –

Buch 2019 Terjemahan

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Buch 2019 Terjemahan

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Jurnal Kosmologi dan

- Uji tata surya terhadap materi gelap yang berinteraksi

MenggunakanGaiaDR2 untuk membatasi densitas

Diterima 5 September 2018

Kata kunci:teori materi gelap, dinamika galaksi, morfologi galaksi

6 Kesimpulan dan pandangan 20

A Membangun kepadatan volume lengkap 21

C Variasi potongan midplane 24

Kami memintaGaiaarsip1untuk DR2 cocok silang dengan2MASSkatalog, membutuhkan

2.1 Pendahuluan: fungsi pemilihan, pemotongan warna dan volume

(i) Rata-rata jumlah observasi sepanjang pemindaian (AL).≥8.5;

(ii) Sebaran jumlah pengamatan AL≤10.

Jt+5 log10($t(mas))−10∈ {MJt,min,MJt,maks}

2.2 Distribusi kerapatan angka vertikal

Kelengkapan volume yang efektif 0.8

− 200 − 150 − 100 − 50 0 50 100 150 200

Himpunan data GaiaDR2 TGA

SEBUAH A0–A9 4445 321 1729 182

− 200 − 150 − 100 − 50 0 50 100 150 200

2.3 Distribusi kecepatan midplane

〈ayR〉=−kamucoslcosb − v dosaldosab −wdosab, (2.4)

3.1 Pemodelan kerapatan kesetimbangan

f(x,v)≡fr,φ(r, vr, φ, vφ)fz(z, vz). (3.2)

Keterpisahan DF menyiratkan bahwa pergerakan populasi bintangsayadalamz-arah tidak

yang menggabungkan gerakan vertikal dan radial.

3.2 Konten materi lokal: baryon, DM halo, dan DD tipis

− 200 − 150 − 100 − 50 0 50 100 150 200

3.3 Kemungkinan, ketidakpastian model, dan prior

(σν)mod,sys≈ |diν(w>0)(z)−diν(w<0)(z)|. (3.11)

Tabel 3.Berbagai sumber ketidakpastian dan penanganannya.

ΣDD Seragam [0.0,30.0] M/pc2 1

Tabel 4.Distribusi parameter model sebelumnya.

4.1 Kepadatan DM lokal

0.016+0.010 0.608+0.380 0.088+0.007 8.80+3.74

4.2 Kendala pada DD tipis

5.1 Pengaruh pemotongan volume

5.2 Ketidakseimbangan di lingkungan surya?

5.3 Degenerasi antaraρDMdanρb

Angka 8.Sama seperti figur7tetapi menggunakan data TGAS.

5.4 Perbandingan kendala antara DR2 dan TGAS

− 1.0 Gaia DR2

− 2.5 Gaia DR2 Gaia DR2

− 200 − 100 0 100 200 − 200 − 100 0 100 200

Sebuah bintang Bintang G awal

A Membangun kepadatan volume lengkap

A.1 Pemodelan besaran warna

A.2 kemungkinan proses Poisson

survei ke parameter modelθ,

F stars F stars F stars

(σ) w2 (σ) $2 (σ)2μb

0.20 z− cut z− cut z− cut

0.00 0.00 0.00

C Variasi potongan midplane

Untuk cukup besarB, dapat dibuktikanσ̃2 ν→ σ2 ν[91].

ρDM[ M/pc3] = 0.008+0.−011

hDD[komputer] ΣDD[M/pc2] ρDM [M / pc3] ρb[M/p c3]

ρDM[M /pc3] = 0.019+0−.015

hDD[komputer] ΣDD[M/pc2] ρDM [M /pc3] ρb[M/pc3]

ρDM[ M/pc3] = 0.005+0.−010

hDD[komputer] ΣDD[M/pc2] ρDM [M /pc3] ρb[M/p c3]

[2]Gaiakolaborasi,Rilis Data Gaia 2,Astron. Astronomi.616 (2018) A1 [

[24] J. Bovy dan S. Tremaine,Kepadatan materi gelap lokal,Astronomi. J.756 (2012) 89 [

[32] JI Baca,Kepadatan Materi Gelap Lokal,J.Fis.G 41 (2014) 063101[arXiv:1404.1938]