There is a vast menagerie of plausible candidates for the constituents of dark matter, both within and beyond extensions of the Standard Model of particle physics. Each of these candidates may have scattering (and other) cross section properties that are consistent with the dark matter abundance, BBN, and the most scales in the matter power spectrum; but which may have vastly different behavior at sub-galactic "cutoff" scales, below which dark matter density fluctuations are smoothed out. The only way to quantitatively measure the power spectrum behavior at sub-galactic scales at distances beyond the local universe, and indeed over cosmic time, is through probes available in multiply imaged strong gravitational lenses. Gravitational potential perturbations by dark matter substructure encode information in the observed relative magnifications, positions, and time delays in a strong lens. Each of these is sensitive to a different moment of the substructure mass function and to different effective mass ranges of the substructure. The time delay perturbations, in particular, are proving to be largely immune to the degeneracies and systematic uncertainties that have impacted exploitation of strong lenses for such studies. There is great potential for a coordinated theoretical and observational effort to enable a sophisticated exploitation of strong gravitational lenses as direct probes of dark matter properties. This opportunity motivates this white paper, and drives the need for: a) strong support of the theoretical work necessary to understand all astrophysical consequences for different dark matter candidates; and b) tailored observational campaigns, and even a fully dedicated mission, to obtain the requisite data.


翻译:光学粒子物理学标准模型的扩展范围内外,暗物质成分的可信候选者都有大量的推断。这些候选者中每一个都可能具有与暗物质丰度、BBN和物质能量谱中大多数比例相符合的分布(和其他)截面特性;但在亚银级“切开”尺度上,暗物质密度波动平滑,在暗物质密度波动下,暗物质“切开”尺度上的行为可能大相径庭。在数量上测量亚星系在离当地宇宙很远的亚星系范围内,甚至在整个宇宙时间范围内的动力谱系行为的唯一方法就是通过成倍的图像强重重重重重力镜观测中提供的探测器。 由暗物质子结构分层结构对观察到的相对放大、位置和时间延迟在强烈的镜层信息进行编码。 每一个这些都对亚星系下层结构质量功能的不同时刻敏感,特别是时间推移对白星系和系统不确定性的探测,从而影响对精密透面观察结果的利用。

0
下载
关闭预览

相关内容

MASS:IEEE International Conference on Mobile Ad-hoc and Sensor Systems。 Explanation:移动Ad hoc和传感器系统IEEE国际会议。 Publisher:IEEE。 SIT: http://dblp.uni-trier.de/db/conf/mass/index.html
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1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
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
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
4+阅读 · 2019年12月2日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1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
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
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
4+阅读 · 2019年12月2日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
4+阅读 · 2018年1月15日
Top
微信扫码咨询专知VIP会员