We present diffuse Lyman-alpha halos (LAHs) identified in the composite Subaru narrowband images of 100-3600 Lyman-alpha emitters (LAEs) at z=2.2, 3.1, 3.7, 5.7, and 6.6. First, we carefully examine potential artifacts mimicking LAHs that include a large-scale point-spread function (PSF) made by instrumental and atmospheric effects. Based on our critical test with composite images of non-LAE samples whose narrowband-magnitude and source-size distributions are the same as our LAE samples, we confirm that no artifacts can produce a diffuse extended feature similar to our LAHs. After this test, we measure the scale lengths of exponential profile for the LAHs estimated from our z=2.2-6.6 LAE samples of L(Lyman-alpha) > 2 x 10^42 erg s^-1. We obtain the scale lengths of ~ 5-10 kpc at z=2.2-5.7, and find no evolution of scale lengths in this redshift range beyond our measurement uncertainties. Combining this result and the previously-known UV-continuum size evolution, we infer that the ratio of LAH to UV-continuum sizes is nearly constant at z=2.2-5.7. The scale length of our z=6.6 LAH is larger than 5-10 kpc just beyond the error bar, which is a hint that the scale lengths of LAHs would increase from z=5.7 to 6.6. If this increase is confirmed by future large surveys with significant improvements of statistical and systematical errors, this scale length change at z > 6 would be a signature of increasing fraction of neutral hydrogen scattering Lyman-alpha photons, due to cosmic reionization.


翻译:我们用100-3600 Lyman-alpha排放物(LAEs)的复合Subaru窄带窄带图像中发现的100-3600 Lyman-alpha排放物(LAEs),在z=2.2、3.1、3.7、5.7和6.6.中,我们展示了分散的Lyman-alpha Harlos(LAHs)。首先,我们仔细检查了模拟LAH(LAH)的潜在文物,其中包括由工具效应和大气效应产生的大型点扩张功能。根据我们用非LAE样本的合成图像进行的关键测试,这些样本的窄带中和源级分布与我们的LAE样本相同,我们确认没有任何超出我们LAAH(LAE)的扩展扩展范围。 在这次测试之后,L(Lyman-alpha) 的扩展范围估计L(Lyman-alpha) > 2 x10°42 秒 s &-1。我们通过 z=2.2-5.7号的缩比LAH6 的缩缩缩缩图变。我们通过 5的缩缩 的缩变。我们发现这种变的缩的缩的缩的缩幅的变的变的变。

0
下载
关闭预览

相关内容

Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
155+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
51+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
10+阅读 · 2019年1月29日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Arxiv
4+阅读 · 2019年12月2日
Learning to Weight for Text Classification
Arxiv
8+阅读 · 2019年3月28日
Arxiv
15+阅读 · 2018年4月3日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
10+阅读 · 2019年1月29日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
RL 真经
CreateAMind
5+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Top
微信扫码咨询专知VIP会员