가이아 미션의 데이터를 사용하여 우리 은하의 진화에 대한 놀라운 발견은 우리 태양과 비슷한 궤도를 도는 수많은 고대 별을 발견했습니다. 오늘은 우리 은하의 진화에 대해 이야기를 나눠보려고 합니다.
은하수가 시작된 이야기
이 별들은 빅뱅 후 10억 년이 채 지나지 않아 은하수의 얇은 원반을 형성했는데, 이는 이전에 생각했던 것보다 수십억 년이나 빠른 것입니다.
우리 은하에는 큰 후광, 중앙의 돌출부와 막대, 두꺼운 원반과 얇은 원반이 있습니다. 대부분의 별은 우리 은하의 얇은 원반에 위치하며 은하 중심을 중심으로 조직적인 자전을 따릅니다. 46억 년 된 태양과 같은 중년 별은 얇은 원반에 속하며, 일반적으로 약 80억~100억 년 전에 형성되기 시작한 것으로 여겨집니다.
은하수가 어떻게 형성되었는지를 이해하는 것은 은하 고고학의 주요 목표입니다. 이를 위해서는 별의 나이, 화학 성분, 움직임을 보여주는 은하계의 상세한 지도가 필요합니다. 연대-화학-운동학 지도라고 알려진 이러한 지도는 우리 은하의 역사를 종합하는 데 도움이 됩니다. 이러한 상세한 지도를 만들려면 나이가 정확히 알려진 별의 대규모 데이터 세트가 필요하기 때문에 어려운 작업입니다.
이 문제를 극복하기 위한 한 가지 일반적인 접근법은 금속이 매우 부족한 별, 즉 오래된 별을 연구하여 초기 은하수를 들여다보는 창을 제공하는 것입니다. 금속이 매우 부족한 별은 우주가 아직 수소와 헬륨으로 주로 구성되었을 때 가장 먼저 형성된 별 중 하나이며, 이후 여러 세대에 걸쳐 더 무거운 원소들이 생성되고 분포되기 전에 형성된 별이기 때문에 오래된 것으로 알려져 있습니다.
천채물리학 연구소의 연구결과
포츠담 라이프니츠 천체물리학 연구소(AIP)의 천문학자들이 이끄는 국제 연구팀은 유럽우주국(ESA) 가이아 미션의 데이터 세트를 사용하여 태양 주변 약 3,200광년 거리에 있는 별들을 연구했습니다. 그들은 얇은 원반 궤도에서 매우 오래된 별을 놀랍게도 많이 발견했는데, 이들 대부분은 100억 년이 넘었으며 일부는 130억 년이 넘었습니다.
이 고대 별들은 다양한 금속 성분을 보여줍니다. 예상대로 금속이 매우 부족한 별도 있고 훨씬 젊은 태양의 두 배에 달하는 금속 함량을 가진 별도 있는데, 이는 은하계 진화의 초기 단계에서 급격한 금속 농축이 일어났음을 나타냅니다.
“원반의 이러한 고대 별들은 은하수의 얇은 원반의 형성이 이전에 믿었던 것보다 약 40 ~ 50 억 년 더 일찍 시작되었음을 시사합니다."라고 AIP의 사미르 네팔이자이 연구의 첫 번째 저자 인 천문학 및 천체 물리학에 게재가 승인되었으며 arXiv 사전 인쇄 서버에서 사용할 수 있다고 설명합니다.
“이 연구는 또한 우리 은하가 초기 시대에 강렬한 별 형성을 통해 내부 영역에서 매우 빠른 금속 농축과 원반 형성으로 이어졌다는 점을 강조합니다. 이 발견은 제임스 웹 우주 망원경(JWST)과 아타카마 대형 밀리미터 어레이(ALMA) 전파 망원경으로 관측된 고적분 은하의 원반 형성 연대와 우리 은하의 원반 형성 연대를 일치시킵니다.
“이것은 콜드 디스크가 우주 역사 초기에 형성되고 안정화 될 수 있음을 나타내며 은하의 진화에 대한 새로운 통찰력을 제공합니다.”
은하수의 얇은 원반
“우리의 연구는 은하수의 얇은 원반이 우리가 생각했던 것보다 훨씬 일찍 형성되었을 수 있으며 그 형성은 우리 은하 가장 안쪽 영역의 초기 화학적 농축과 밀접한 관련이 있음을 시사합니다."라고 설명합니다.
“다양한 출처의 데이터를 결합하고 고급 머신러닝 기술을 적용함으로써 고품질 항성 파라미터를 가진 별의 수를 늘릴 수 있었고, 이는 우리 팀이 이러한 새로운 통찰력을 얻는 데 핵심적인 단계였습니다.”
이번 결과는 가이아 미션의 세 번째 데이터 공개를 통해 가능했습니다. 연구팀은 다양한 유형의 데이터에서 얻은 정보를 결합하여 높은 정밀도로 향상된 항성 파라미터를 제공하는 새로운 기계 학습 방법을 사용하여 80만 개 이상의 별의 항성 파라미터를 분석했습니다. 이러한 정밀한 측정에는 중력, 온도, 금속 함량, 거리, 운동학, 별의 나이 등이 포함됩니다.
향후에는 2025년에 가동을 시작하는 4미터 다물체 분광 망원경(4MOST)으로조사에서 수집한 수백만 개의 스펙트럼을 분석하는 데 유사한 머신러닝 기법을 사용할 예정입니다.