🔭 astrophysics

The dark matter halo mass function in the $\Lambda\mathrm{CDM}$ cosmology at all times and over all scales -- from planetary to galaxy cluster masses

Este artículo presenta una fórmula de ajuste exhaustiva para la función de masa de los halos de materia oscura en la cosmología $\Lambda$ CDM, derivada de una combinación de simulaciones VVV de alta resolución y ejecuciones cosmológicas de gran volumen, la cual predice con precisión las abundancias de halos a través de un vasto rango dinámico desde masas planetarias hasta cúmulos de galaxias y desde el desplazamiento al rojo $z=30$ hasta el presente con desviaciones de solo un 2–7%.

Autores originales: Haonan Zheng, Sownak Bose, Carlos S. Frenk, Liang Gao, Adrian Jenkins, Shihong Liao, Yizhou Liu, Volker Springel, Jie Wang, Simon D. M. White

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Haonan Zheng, Sownak Bose, Carlos S. Frenk, Liang Gao, Adrian Jenkins, Shihong Liao, Yizhou Liu, Volker Springel, Jie Wang, Simon D. M. White

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el universo como un gigantesco océano cósmico. En este océano, islas invisibles de "materia oscura" se están formando, creciendo y fusionando constantemente. Estas islas se llaman halos de materia oscura. Algunas son diminutas, como guijarros del tamaño de un planeta; otras son masivas, como archipiélagos enteros que sostienen miles de galaxias.

Durante décadas, los científicos han intentado escribir un único "libro de reglas" para predecir exactamente cuántas de estas islas existen en cualquier momento dado, desde el principio del universo (cuando era un bebé) hasta hoy. Este libro de reglas se llama la Función de Masa de los Halos.

Aquí se explica lo que hace este artículo, de forma sencilla:

1. El Problema: Los viejos libros de reglas eran defectuosos

Anteriormente, los científicos tenían dos libros de reglas principales:

El Libro de Reglas "Simple" (Press-Schechter): Era como un boceto tosco. Funcionaba aceptablemente para las islas grandes, pero era muy erróneo para las más pequeñas y las más antiguas. Era demasiado simple para capturar la realidad desordenada de cómo crece el universo.
El Libro de Reglas "Mejor" (Reed et al. 2007): Era un mapa mucho más detallado. Funcionaba de maravilla para las islas que vemos hoy (como nuestra galaxia y sus vecinas). Sin embargo, cuando los científicos intentaban usarlo para mirar hacia atrás en el tiempo, al universo temprano, o para mirar las islas más diminutas, del tamaño de un planeta, el mapa empezaba a volverse borroso. Predecía demasiadas islas diminutas en el universo temprano, lo que provocaba errores de hasta un 50% o incluso el doble de la cantidad real.

2. El Desafío: Ver lo invisible

Para solucionar esto, los autores necesitaban contar estas islas de materia oscura a través de un rango masivo:

Tamaño: Desde la masa de un solo planeta (diminuto) hasta la masa de un gigante cúmulo de galaxias (enorme).
Tiempo: Desde hace 30.000 millones de años (el amanecer de los tiempos) hasta el presente.

El problema es que no puedes ejecutar una única simulación por computadora que sea lo suficientemente detallada como para ver una isla del tamaño de un planeta y al mismo tiempo lo suficientemente grande como para ver un cúmulo de galaxias. Es como intentar usar un único microscopio que pueda hacer zoom para ver una sola célula y también hacer zoom hacia afuera para ver toda la Tierra. La potencia de cómputo requerida sería imposible.

3. La Solución: El truco del "Submuestreo"

Los autores utilizaron un truco ingenioso llamado submuestreo (subsampling).

Imagina que tienes una habitación gigante, ligeramente vacía (una simulación de un "vacío" en el universo). Está mayormente compuesta de espacio vacío, por lo que no hay muchas islas en ella.

El Truco: En lugar de mirar toda la habitación vacía, tomaron una lupa y miraron rincones diminutos y específicos de esa habitación.
El Resultado: Aunque toda la habitación estaba vacía, esos rincones diminutos tenían una densidad de islas que se parecía al universo "promedio". Al tomar cientos de estas pequeñas instantáneas de diferentes partes de la habitación vacía, pudieron unirlas para crear una imagen perfecta de todo el universo.

Esto les permitió usar sus simulaciones de "habitaciones pequeñas" para contar con precisión las islas diminutas, del tamaño de un planeta, que normalmente se perderían en el ruido.

4. El Nuevo Libro de Reglas

Utilizando este nuevo método, los autores combinaron datos de varias simulaciones por computadora masivas para crear un nuevo libro de reglas universal.

Lo que hace: Predice el número de islas de materia oscura con una precisión increíble (dentro de un margen del 2–3% para el universo reciente y de aproximadamente un 7% para el universo muy temprano).
La Solución: Tomaron el "Mejor" libro de reglas (Reed et al.) y le añadieron algunos "ajustes" o "perillas de corrección".
- Una perilla reduce el número de islas diminutas en el universo temprano (corrigiendo la sobreestimación).
- Otra perilla ajusta el conteo de las islas gigantes para asegurar que los bordes del mapa sean suaves.

5. Por qué es importante (según el artículo)

El artículo afirma que tener este libro de reglas preciso es crucial para:

Comprender las primeras estrellas: Saber cuántas islas diminutas existieron ayuda a explicar cómo se formaron las primeras estrellas y galaxias.
Señales de materia oscura: Ayuda a predecir las señales de las partículas de materia oscura (como la aniquilación o el decaimiento), que ocurren con mayor frecuencia en las islas más pequeñas y densas.
Cúmulos de galaxias: Ayuda a los astrónomos a comprender las estructuras más grandes del universo, que se utilizan para medir la expansión del universo.

Resumen

Piensa en este artículo como el equipo que finalmente terminó de completar el atlas definitivo de las islas invisibles del universo. Utilizaron un ingenioso truco de "zoom" para contar simultáneamente los guijarros más pequeños y las montañas más grandes, y escribieron una nueva guía que nos dice exactamente cuántas de estas islas existen de cualquier tamaño, en cualquier momento, desde el amanecer de la creación hasta el presente.

Resumen Técnico: La Función de Masa de los Halos de Materia Oscura en $\Lambda$ CDM

Planteamiento del Problema
La función de masa de los halos de materia oscura (HMF, por sus siglas en inglés) es una estadística fundamental que vincula la física teórica de la materia oscura con las poblaciones de galaxias observadas. Si bien los modelos analíticos como Press-Schechter (PS) y Sheth-Tormen (ST) proporcionan predicciones base, y los ajustes empíricos como Reed et al. (2007, R07) mejoran la precisión para halos masivos a bajos desplazamientos al rojo, persisten brechas significativas. Las fórmulas existentes no han sido probadas rigurosamente en todo el rango dinámico de masa (desde escalas planetarias hasta cúmulos de galaxias) y desplazamiento al rojo ( $z=0$ a $z=30$ ), particularmente en entornos subdensos o en altos desplazamientos al rojo donde se sospechan desviaciones de las formas "universales". Además, el costo computacional extremo de resolver halos de masa planetaria ( $10^{-6} M_\odot$ ) junto con halos de masa de cúmulo ( $10^{15.5} M_\odot$ ) en una sola simulación ha impedido históricamente una calibración unificada.

Metodología
Para abordar estas limitaciones, los autores combinan tres conjuntos de datos de simulaciones de $N$ -cuerpos dentro de la cosmología $\Lambda$ CDM (parámetros de Planck 2014):

VVV (Voids-within-Voids-within-Voids): Una simulación de zoom anidada (Wang et al. 2020) dirigida a regiones subdensas, que resuelve halos hasta masas planetarias ( $10^{-6} M_\odot$ ) pero limitada en volumen en el extremo de alta masa.
P-Millennium (PMILL): Una simulación de gran volumen y menor resolución que proporciona estadísticas para halos masivos.
VVV2.8: Una simulación personalizada de gran caja ( $2.8 \text{ Gpc}^3$ ) para aumentar el tamaño de la muestra en el extremo de alta masa y bajo desplazamiento al rojo.

Una innovación metodológica crítica es la técnica de submuestreo. Dado que las simulaciones VVV se centran en vacíos subdensos, la abundancia global de halos es artificialmente baja. Los autores extraen subvolúmenes esféricos más pequeños de los niveles de alta resolución de VVV (L1–L7) con densidades objetivo específicas (que van desde la media cósmica hasta altamente subdensas). Al aplicar la transformación de Extended Press-Schechter (EPS) para mapear las mediciones locales al espacio global de $f(\nu)$ , reconstruyen la HMF global a partir de estas regiones sesgadas. Para manejar la varianza cósmica y los subvolúmenes superpuestos, se emplea un enfoque de mediana ponderada.

Contribuciones Clave y Resultados

Rango Dinámico Unificado: El estudio presenta la primera HMF que cubre un rango de masa desde $10^{-6} M_\odot$ (masa planetaria, establecida por el corte térmico para WIMPs de 100 GeV) hasta $10^{15.5} M_\odot$ (cúmulos ricos), abarcando desplazamientos al rojo desde $z=30$ hasta el presente.
Validación del Submuestreo: Los autores demuestran que la HMF derivada de regiones subdensas submuestreadas converge con los resultados de simulaciones de volumen completo (como PMILL) en los rangos de masa superpuestos, con desviaciones de aproximadamente $\sim 0.05$ dex. Esto confirma la validez del uso de submuestreo motivado por EPS para recuperar estadísticas globales a partir de vacíos locales.
Evaluación de Fórmulas Existentes:
- La fórmula de Press-Schechter (PS) sobreestima significativamente la abundancia en bajas masas y la subestima en altas masas, con desviaciones que superan el 30% en $z=0$ .
- La fórmula de Reed et al. (2007, R07) funciona bien en bajos desplazamientos al rojo, pero se desvía cada vez más en altos desplazamientos al rojo ( $z \gtrsim 5$ ) y bajas masas, subestimando la abundancia por factores de hasta $\sim 2$ en $z=30$ .
Nueva Fórmula de Ajuste Empírico: Los autores proponen una fórmula R07 modificada con correcciones dependientes del desplazamiento al rojo:
- Un término de supresión, $\Gamma(\nu, z)$ , que utiliza una función tangente hiperbólica para reducir la abundancia predicha de halos de baja masa en altos desplazamientos al rojo ( $z \gtrsim 2$ ).
- Ajustes en el término de corrección Gaussiana, $G(\nu, z)$ , y en el parámetro $c$ para ajustar mejor el extremo de alta masa.
- Precisión: La nueva fórmula logra desviaciones de $\sim 2-3\%$ para $z < 2$ y $\sim 7\%$ para $z \gtrsim 5$ en todo el rango de masa.
Implicaciones Cosmológicas: Los autores señalan que, aunque la fórmula está calibrada para $\Lambda$ CDM, pruebas preliminares sugieren que sigue siendo precisa para modelos con desviaciones modestas en los parámetros cosmológicos. Discuten cómo la no-gaussianidad o los cortes de materia oscura cálida podrían incorporarse mediante extensiones teóricas existentes (por ejemplo, cambiando las funciones de ventana) en lugar de requerir una reescritura fundamental del ajuste.

Significancia
El artículo afirma proporcionar una "herramienta práctica y precisa" para los estudios de formación de estructuras que cierra la brecha entre la formación de los primeros mini-halos y los cúmulos de galaxias actuales. La fórmula de ajuste derivada está destinada a aplicaciones que requieren alta precisión a través de diversas escalas y épocas, incluyendo:

Pronóstico de señales de aniquilación o decaimiento de materia oscura (dominadas por halos pequeños y de alta concentración).
Interpretación de las restricciones de los sondeos de abundancia de cúmulos de galaxias (ej. LSST, eROSITA).
Modelado de la función de luminosidad de las primeras galaxias UV y el tiempo de reionización.
Análisis de lentes gravitacionales fuertes y brechas en corrientes estelares para restringir la demografía de los mini-halos.

Los autores enfatizan que su trabajo calibra la HMF dentro del marco convencional de EPS, tratando las correcciones empíricas como descripciones efectivas de caminatas aleatorias no markovianas e impactos ambientales que se vuelven significativos en escalas y desplazamientos al rojo extremos. Una implementación en Python de la fórmula se encuentra disponible públicamente.