ERGO-ML e como inferir diretamente a natureza multitemperatura do gás intra-cluster: inferência baseada em simulação com TNG-Cluster

Embora os aglomerados de galáxias sejam virializados e principalmente em equilíbrio termodinâmico, a termodinâmica interna dos gases é complexa. O gás quente é multifásico e espacialmente não homogêneo.

O estado exato do gás contém informações importantes sobre a física interna que governa os aglomerados. No entanto, medir a distribuição multifásica do gás emissor de raios X é difícil, senão impossível, com os métodos observacionais atuais.

Neste trabalho (parte da série ERGO-ML), apresentamos um método de inferência direta da distribuição multifásica de temperatura do gás no meio intra-cluster (ICM), aplicável em uma ampla gama de escalas espaciais e de massa. Ele funciona usando diferentes resoluções espectrais (semelhante ao XRISM e semelhante ao Chandra) e ruído de fóton realista.

Nosso método é uma aplicação de inferência baseada em simulação. Treinamos uma rede neural em espectros de raios X na faixa de 0, 1-10 keV, gerados para $\approx 10^5$ linhas de visão de aglomerados massivos ($M_{\rm 200c} = 10^{14, 2-15, 2}~\mathrm{M_\odot}$) da simulação cosmológica de galáxia MHD TNG-Cluster.

Mostramos que nosso método recupera a temperatura ponderada em massa de linhas de visão individuais e de clusters inteiros com um erro de previsão médio de $<0, 01 ~\mathrm{dex}$, e a massa total de gás dentro de $0, 04 ~\mathrm{dex}$. Fornece medidas precisas da fração de gás sub e supervirial.

Nosso método é capaz de extrair a fase gasosa mais fria mesmo que a contribuição do fluxo seja 3 ordens de grandeza inferior à da fase gasosa virial.

Fonte