The velocity distribution of stars in the Solar neighbourhood is inhomogeneous and rich with stellar streams and kinematic structures. These may retain important clues of the formation and dynamical history of the Milky Way. However, the nature and origin of many of the streams and structures is unclear, hindering our understanding of how the Milky Way formed and evolved. We aim to study the velocity distribution of stars of the Solar neighbourhood and investigate the properties of individual kinematic structures in order to improve our understanding of their origins. Using the astrometric data provided by Gaia DR1/TGAS and radial velocities from RAVE DR5 we perform a wavelet analysis with the `a trous algorithm to 55831 stars that have U and V velocity uncertainties less than 4 km/s. An auto-convolution histogram method is used to filter the output data, and we then run Monte Carlo simulations to verify that the detected structures are real due to velocity uncertainties. Additionally we analysed our stellar sample by splitting all stars into a nearby sample (<300 pc) and a distant sample (>300 pc), and two chemically defined samples that to a first degree represent the thin and the thick disks. With the much enlarged stellar sample and much increased precision in distances, proper motions, provided by Gaia DR1 TGAS we have shown that the velocity distribution of stars in the Solar neighbourhood contains more structures than previously known. A new feature is discovered and three recently detected groups are confirmed at high confidence level. Dividing the sample based on distance and/or metallicity shows that there are variety of structures which are as large-scale and small-scale groups, some of them have clear trends on metallicities, others are a mixture of both disk stars and based on that we discuss possible origin of each group.


翻译:太阳附近地区恒星的高速分布不尽人意,且富含恒星流和运动结构,它们可能保留着银河形成和动态史的重要线索。然而,许多流星和结构的性质和起源并不明确,妨碍了我们对银河系如何形成和演变的理解。我们的目标是研究太阳邻近地区恒星的高速分布,并调查个别运动结构的特性,以增进我们对其起源的理解。利用Gaia DD1/TGAS和RAV DR5的辐射速度提供的天体测量数据,我们可以对银河系的形成和动态史进行波状分析。然而,许多流星体和结构的性质和起源并不十分明确,从而妨碍了我们对银河系星体的快速分布分布,我们随后对蒙特卡洛的模拟进行了核查,以核实所测到的结构是否真实存在速度不确定性。 此外,我们通过将所有恒星的垂直样本分解成一个小样本( < 300 pc) 直径直径直径直径,而远的恒星体结构也显示一个更深的样本。

0
下载
关闭预览

相关内容

【SIGIR2020】学习词项区分性,Learning Term Discrimination
专知会员服务
15+阅读 · 2020年4月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】深度学习的数学解释
机器学习研究会
10+阅读 · 2017年12月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Arxiv
5+阅读 · 2019年6月5日
Learning to Importance Sample in Primary Sample Space
Arxiv
4+阅读 · 2018年3月14日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关资讯
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】深度学习的数学解释
机器学习研究会
10+阅读 · 2017年12月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Top
微信扫码咨询专知VIP会员