Résumé - Baryonification II : Contrainte des rétroactions avec des observations X et kinamatiques de Sunyaev-Zel'dovich

Titre
Baryonification II : Contrainte des rétroactions avec des observations X et kinamatiques de Sunyaev-Zel'dovich

Temps
2025-07-10 17:59:06

Auteur
{"Michael Kovač","Andrina Nicola","Jozef Bucko","Aurel Schneider","Robert Reischke","Sambit K. Giri","Romain Teyssier","Matthieu Schaller","Joop Schaye"}

Catégorie
{astro-ph.CO}

Lien
http://arxiv.org/abs/2507.07991v1

PDF Lien
http://arxiv.org/pdf/2507.07991v1

Résumé

Cette étude explore les effets du retour de feedback baryonique sur la distribution de la matière dans l'univers et vise à restreindre ces effets à l'aide d'observations. Les auteurs utilisent une approche de baryonification composante (BFC), qui modélise les effets de retour sur différents observables, et la combine avec des observations cinématiques de Sunyaev-Zel'dovich (kSZ) du télescope de cosmologie d'Atacama (ACT) et des fractions de gaz halaux de la mission eROSITA. Le papier commence par expliquer les défis posés par le retour de feedback baryonique, qui peut altérer la distribution de la matière sur des échelles petites et intermédiaires et affecter la cosmologie de haute précision. Il présente ensuite l'approche BFC, qui modélise les effets de retour en déplaçant les particules dans des simulations à matière noire unique selon les profils gazeux et stellaire pour imiter les effets des baryons. Les auteurs utilisent le modèle BFC mis à jour pour ajuster les observations kSZ de l'ACT et les mesures des fractions de gaz halaux de l'eROSITA, étudiant le retour baryonique dans un contexte cosmologique. Ils trouvent que les données kSZ de l'ACT sont cohérentes avec les fractions de gaz de l'eROSITA, suggérant un modèle de retour plus fort que celui admis dans la plupart des simulations hydrodynamiques. Cela contraste avec des mesures de fractions de gaz plus anciennes, avant l'eROSITA, qui indiquent un retour plus faible, que les auteurs attribuent à un biais de sélection ou à des différences dans l'estimation de la masse halaux entre les deux ensembles de données. À l'aide du modèle BFC, les auteurs prédisent la suppression baryonique du spectre de puissance de la matière et trouvent que la suppression dépasse le pourcentage au-delà des modes k = 0,3 − 0,6 hMpc−1, augmentant à 2-8 pour cent à k = 1 hMpc−1 et à 20-25 pour cent à k = 5 hMpc−1, ce qui est cohérent avec des simulations hydrodynamiques de fort retour. Enfin, les auteurs comparent leur modèle ajusté optimal aux profils observés de densité et de pression gazeuse des amas de galaxies massifs de l'échantillon X-COP, trouvant une concordance excellente. Ces résultats montrent que l'approche BFC fournit une image cohérente du retour sur des échelles de masse et de longueur ainsi que sur différents observables cosmologiques, ce qui en fait prometteur pour les applications aux études à plusieurs longueurs d'onde pour restreindre conjointement la cosmologie et les effets baryoniques.


Articles Recommandés

3DGauCIM : Accélération du splatting gaussien statique/dynamique 3D via CIM numérique pour le rendu en temps réel haute fréquence des bords

FormulaOne : Mesurer la profondeur de la raison algorithmique au-delà de la programmation compétitive

Résilience aux attaques actives dans la 5G : une nouvelle approche de l'authentification et de l'accord sur les clés

Un modèle semi-analytique pour les effets des perturbations granulaires de matière noire floue sur le mouvement orbital

Flattening en $L^2$ des mesures auto-similaires sur des courbes non-dégénérées

Réseau de neurones convolutifs quantiques hybrides assisté par l'assignation de pilotes dans les systèmes Cell-Free Massive MIMO

Dynamique Keplerienne Linéaire et Régulière par des Transformations Projectives : Une Perspective Géométrique

Oscillationsphasiques à multiples échelles induites par la synchronisation en grappe dans le réseau cérébral central humain

L'halo miniature particulier de l'Abell 3558, membre du superamas de Shapley

Réseau Cerveau Profond : Un Modèle de Learning Profond Optimisé pour la Détection de Tumeurs Cérébrales dans les Images d'IRM en Utilisant EfficientNetB0 et ResNet50 avec Apprentissage Transfer Learning