We present a quantitative measurement of the amount of clustering present in the inner $\sim30$ kpc of the stellar halo of the Andromeda galaxy (M31). For this we analyse the angular positions and radial velocities of the carefully selected Planetary Nebulae (PNe) in the M31 stellar halo. We study the cumulative distribution of pair-wise distances in angular position and line of sight velocity space, and find that the M31 stellar halo contains substantially more stars in the form of close pairs as compared to that of a featureless smooth halo. In comparison to a smoothed/scrambled distribution we estimate that the clustering excess in the M31 inner halo is roughly $40\%$ at maximum and on average $\sim 20\%$. Importantly, comparing against the 11 stellar halo models of \cite{2005ApJ...635..931B}, which were simulated within the context of the $\Lambda{\rm CDM}$ cosmological paradigm, we find that the amount of substructures in the M31 stellar halo closely resembles that of a typical $\Lambda{\rm CDM}$ halo.


翻译:我们展示了安卓美达星系(M31)星际光环内部30美元Kpc 的组合量的定量测量。 为此,我们分析了M31星际光圈中精心选择的星云星云(Pne)的角位置和射线速度。我们研究了在角位置和视速空间线上双向距离的累积分布,发现M31星际光圈中以近对形式所含的恒星数量大大多于光滑的光宽光环。与光滑的分布相比,我们估计M31星际光圈中超载的阵形位置和射线速度最多和平均约为40美元20美元。我们比较了11个星际光圈模型(cite{2005ApJ...635.931B},这些模型是在美元/Lamda_rmrm CDM}的范围内模拟的。与光滑/cramble分布模型相比,我们估计M31 内光环光球中超值大约40美元,平均为20美元。 重要的是,我们发现在M31号空间模型中具有典型的亚结构。

0
下载
关闭预览

相关内容

Andromeda 是Google在2016年10月4日发布的融合了Android与ChromeOS的操作系统。
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
106+阅读 · 2020年6月10日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
59+阅读 · 2019年10月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
9+阅读 · 2019年4月19日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
6+阅读 · 2018年6月18日
Arxiv
9+阅读 · 2018年1月4日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6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