NASA的费米探测器首次从蜘蛛系统探测到伽马射线日食

科学家利用NASA费米伽马射线太空望远镜的数据,首次发现了来自一种特殊类型双星系统的伽马射线日食。这些所谓的蜘蛛系统中,每一个都包含一颗脉冲星——一颗在超新星中爆炸的恒星的超高密度、快速旋转的残骸——它会慢慢侵蚀它的伴星。

一个国际科学家团队通过费米望远镜的十多年观测,找到了七只经历日食的蜘蛛系统,从我们的角度来看,当低质量伴星经过脉冲星前时,就会发生日食。这些数据使他们能够计算出蜘蛛系统相对于我们视线和其他信息的倾斜程度。

“研究蜘蛛系统最重要的目标之一是尝试测量脉冲星的质量。”领导这项工作的德国汉诺威马克斯普朗克引力物理研究所天体物理学家科林·克拉克说。“脉冲星基本上是我们所能测量到的密度最大的物质球体。它们所能达到的最大质量限制了这些极端环境中的物理现象,这在地球上是无法复制的。”

有关这项研究的论文发表在1月26日的《自然天文学》杂志上。

在这张图中,一颗绕轨道运行的恒星开始遮蔽它的伴星,一颗快速旋转的超高密度恒星残骸,被称为脉冲星。脉冲星发出多波长光束,旋转进出视野,并产生外流,加热恒星的正面,吹走物质并侵蚀其伴星。
影像来源:NASA/Sonoma State University, Aurore Simonnet

蜘蛛系统的发展是因为双星中的一颗恒星比它的另一颗恒星进化得更快。当质量更大的恒星变成超新星时,就会留下一颗脉冲星。这颗恒星残骸发出包括伽马射线在内的多波长光束,这些光束在我们的视野中进进出出,产生的脉冲如此规律,足以媲美原子钟的精度。

在早期,蜘蛛脉冲星通过吸走一股气体流来“喂养”它的伴星。随着系统的发展,当脉冲星开始更快地旋转时,供给停止,产生粒子外流和辐射,使伴星的正面过热并侵蚀它。

科学家将蜘蛛系统分为两种类型,以蜘蛛种类命名,其雌性有时会吃掉较小的配偶。黑寡妇蜘蛛系统中的伴星质量不到太阳质量的5%。红背蜘蛛系统中有更大的伴星,无论是大小还是质量,重量都在太阳的10%到50%之间。

“在费米项目之前,我们只知道少数几个发出伽马射线的脉冲星。”NASA马里兰州格林贝尔特戈达德太空飞行中心的费米项目科学家伊丽莎白·海斯说。“经过十多年的观察,该任务已经确定了300多个,并收集了一个长期的、几乎不间断的数据集,使社区能够进行开创性的科学研究。”

研究人员可以通过测量蜘蛛系统的轨道运动来计算它们的质量。可见光观测可以测量伴星的速度,而无线电测量可以揭示脉冲星的速度。然而,这些变化依赖于朝向和远离我们的运动。对于一个几乎面对面的系统来说,这样的变化是十分微小,并且可能会令人困惑。从侧面看,同样的信号也可以由一个更小、更慢的轨道系统产生。了解蜘蛛系统相对于视线的倾角对测量质量至关重要。

倾斜角度通常使用可见光测量,但这些测量会带来一些潜在的复杂性。当伴星环绕脉冲星运行时,其过热的一面会出现在视野之外,从而造成可见光的波动,这种波动取决于倾斜程度。然而,天文学家仍在研究过热过程,具有不同加热模式的模型有时会预测不同的脉冲星质量。

然而,伽马射线仅由脉冲星产生,能量巨大,它们沿直线传播,不受碎片的影响,除非被伴星阻挡。如果伽马射线从蜘蛛系统的数据集中消失,科学家可以推断伴星遮蔽了脉冲星。从那里,他们可以计算出系统进入我们视线的倾角、恒星的速度和脉冲星的质量。

PSR B1957+20,简称B1957,是1988年发现的第一个已知的黑寡妇蜘蛛系统。该系统的早期模型是根据可见光观测建立,确定它向我们的视线倾角约65度,脉冲星的质量是太阳的2.4倍。这将使B1957成为已知最重的脉冲星,跨越了脉冲星和黑洞之间的理论质量极限。

通过研究费米望远镜的数据,克拉克和他的团队发现了15个缺失的伽马射线光子。来自这些物体的伽马射线脉冲的时间是如此可靠,以至于10年内丢失15个光子足以让研究小组确定该系统正在发生日食。然后他们计算出双星倾斜84度,脉冲星的重量只有太阳的1.8倍。

“人们正在寻找巨大的脉冲星,而这些蜘蛛系统被认为是找到它们的最佳途径之一。”这篇新论文的合著者、华盛顿美国海军研究实验室的研究物理学家马修·科尔表示。“它们经历了从伴星到脉冲星的一个非常极端的质量转移过程。一旦我们真的对这些模型进行了微调,我们就能确定这些蜘蛛系统是否比脉冲星的其他部分质量更大。”

费米伽马射线太空望远镜是由戈达德管理的天体物理学和粒子物理学合作项目。费米项目是与美国能源部合作开发,法国、德国、意大利、日本、瑞典和美国的学术机构和合作伙伴做出了重要贡献。

参考来源:

https://www.nasa.gov/feature/goddard/2023/nasa-s-fermi-detects-first-gamma-ray-eclipses-from-spider-star-systems

发表回复

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据