Supernovae shape the interstellar medium, chemically enrich their host galaxies, and generate powerful interstellar shocks that drive future generations of star formation. The shock produced by a supernova event acts as a type of time machine, probing the mass loss history of the progenitor system back to ages of $\sim$ 10 000 years before the explosion, whereas supernova remnants probe a much earlier stage of stellar evolution, interacting with material expelled during the progenitor's much earlier evolution. In this chapter we will review how observations of supernova remnants allow us to infer fundamental properties of the progenitor system. We will provide detailed examples of how bulk characteristics of a remnant, such as its chemical composition and dynamics, allow us to infer properties of the progenitor evolution. In the latter half of this chapter, we will show how this exercise may be extended from individual objects to SNR as classes of objects, and how there are clear bifurcations in the dynamics and spectral characteristics of core collapse and thermonuclear supernova remnants. We will finish the chapter by touching on recent advances in the modeling of massive stars, and the implications for observable properties of supernovae and their remnants.


翻译:超新星形成星际介质, 化学地丰富其宿主星系, 并产生强大的星际震荡, 驱动未来恒星形成后代。 超新星事件产生的冲击将作为一种时间机器, 预示子子体系统在爆炸前10000年的巨大损失历史, 将远为10000美元的年代, 而超新遗留物探测星进化的较早阶段, 与远早于子体进化过程中排出的材料相互作用。 在本章中, 我们将审查对超新星残余物的观测如何使我们能够推断出后代系统的基本特性。 我们将提供详细的例子, 说明留生体的大规模特性, 如其化学构成和动态, 使我们能够推断出原体进化的特性。 在本章的后半部分, 我们将展示这种演练如何从单个物体到作为天体级的SNR, 以及核心崩溃和热核超新残余物的动态和光谱特性的清晰度特征是如何有清晰的分解作用。 我们将通过对恒星的最近进展和超新星的模型影响进行总结, 结束这一章。

0
下载
关闭预览

相关内容

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
153+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
12+阅读 · 2018年4月27日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
19+阅读 · 2019年4月5日
A Probe into Understanding GAN and VAE models
Arxiv
9+阅读 · 2018年12月13日
Arxiv
6+阅读 · 2018年11月29日
Video-to-Video Synthesis
Arxiv
9+阅读 · 2018年8月20日
VIP会员
相关资讯
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
12+阅读 · 2018年4月27日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】深度学习目标检测概览
机器学习研究会
10+阅读 · 2017年9月1日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员