Frekuensi deteksi gelombang gravitasi

Anda mungkin pernah mendengar di berita bahwa percobaan LIGO baru-baru ini mendeteksi gelombang gravitasi.

Meskipun saya bukan seorang astronom, makalah ini baik dibaca dan sebagian besar dapat diakses. Deteksi gelombang gravitasi adalah satu hal, tetapi penggabungan lubang hitam cukup baru bagi saya. Dari data yang saya dapat kumpulkan di koran dan situs ini, sumbernya diperkirakan 1,3 miliar tahun, dan kicauan hanya berlangsung beberapa milidetik.

Pertanyaan saya: berapa frekuensi acara pesanan ukuran ini? Adakah estimasi kepadatan peristiwa semacam itu di alam semesta?

Harry (2009) mengutip beberapa sumber yang berbeda menyatakan bahwa, sejauh yang kita tahu, tingkat kejadian yang dapat dideteksi akan menjadi

• 40 merger bintang neutron per tahun
• 30 10 M ⊙ merger lubang hitam per tahun$_\odot$
• 10 merger bintang neutron / lubang hitam per tahun

Ini berada dalam radius sekitar 200 Mpc. Ini tidak bisa, bagaimanapun, digunakan untuk memperkirakan tingkat total peristiwa seperti itu, karena bias deteksi - semakin besar objek, semakin mudah mereka mendeteksi. Hal yang sama terjadi dengan exoplanet, tetapi karena berbagai alasan (mis. Planet yang lebih masif atau lebih dekat dengan bintang-bintangnya lebih mudah dideteksi melalui transit atau dengan metode kecepatan radial).

Laju gelombang gravitasi yang terdeteksi dari amplitudo ini atau deteksi gelombang gravitasi akibat penggabungan biner lubang hitam keduanya merupakan jumlah yang tidak diketahui untuk saat ini. Mengukur ini adalah sebagian dari tujuan percobaan.

Tingkat deteksi dapat dikonversi menjadi tingkat merger per satuan volume dalam ruang dan ini dapat dibandingkan dengan model dan prediksi. Kolaborasi aLIGO telah merilis makalah pasca-deteksi pertama mereka tentang topik itu - Abbott et al. (2016) .

Massa tinggi dari lubang hitam yang ditemukan menyiratkan bahwa mereka terbentuk di lingkungan yang miskin logam dari keruntuhan inti bintang-bintang masif atau bahwa mereka terbentuk dari penggabungan lubang hitam yang lebih kecil dalam kelompok padat. Kisaran tingkat yang sebelumnya diprediksi untuk penggabungan benda-benda tersebut mencakup rentang yang sangat besar karena ketidakpastian besar dalam tingkat produksi dan mekanisme untuk pembentukan biner dari objek-objek ini, dan berada dalam kisaran dari 0 hingga sekitar 1000 per tahun per kubik Gigaparsec.

$z=0.09$

Seperti yang sudah Anda duga, pertanyaan ini sangat menarik bagi tim LIGO. Bersamaan dengan publikasi makalah yang Anda sebutkan mengumumkan penemuan, tim LIGO menyerahkan sejumlah makalah pendamping dengan rincian lebih lanjut tentang penemuan, dan prediksi. Salah satu dari ini menjawab pertanyaan Anda:

Tingkat Penggabungan Lubang Hitam Biner yang Disimpulkan dari Pengamatan LIGO Lanjutan Di Sekitar GW150914

Metode estimasi tingkat kejadian mereka mempertimbangkan GW150914, dan peristiwa lain yang secara signifikan lebih lemah (dan kurang signifikan secara statistik). Mereka mempertimbangkan sejumlah model untuk bagaimana tingkat kejadian mungkin tergantung pada sifat sistem, dan bertanya apa pengamatan GW150914 dan acara kandidat lainnya menyiratkan tingkat keseluruhan. Hasilnya bervariasi dari satu model ke model lainnya, tetapi mereka memilih model yang menurut mereka dapat secara kasar menunjukkan perilaku yang masuk akal secara astrofisika. Seperti yang dirangkum dalam abstraknya:

$2-53 \, \mathrm{Gpc}^{-3} \, \mathrm{yr}^{-1}$$6-400 \, \mathrm{Gpc}^{-3} \, \mathrm{yr}^{-1}$$2-400 \, \mathrm{Gpc}^{-3} \, \mathrm{yr}^{-1}$

Perhatikan bahwa makalah disampaikan, tidak dipublikasikan, yaitu masih dalam peninjauan rekan. Berbicara sebagai seseorang yang ahli dalam perhitungan seperti itu, beberapa aspek dari metode ini terlihat mencurigakan bagi saya, jadi saya pikir ada baiknya memeriksa kembali artikel dalam beberapa minggu untuk revisi. Tidak perlu metodologi mewah untuk melihat bahwa urutan besarnya di sini (beberapa hingga ~ 100 per kubik gigaparsec per tahun) ada di stadion baseball yang tepat. Tetapi makalah ini menyajikan metodologi yang dapat membuat perkiraan dan prediksi yang lebih rinci dan lebih tepat ketika data terakumulasi, jadi penting untuk memastikan metodologi tersebut benar.