Mapping the star formation peak with LIGO A# and Next-Generation detectors

这项研究表明，通过分析双黑洞并合的红移演化，升级后的 LIGO 检测器网络（A#）以及下一代天文台（Cosmic Explorer 和 Einstein Telescope）可以分别以 $\pm 0.1$ 和 $\pm 0.02$ 的精度独立约束恒星形成率的峰值红移。

要点

想象一下，宇宙就像一座巨大的、繁忙的城市，在数十亿年的时间里不断扩张和变化。天文学家最想了解的事情之一是：这座城市何时经历了规模最大的“建筑热潮”？ 用宇宙术语来说，这就是“恒星形成高峰期”——即宇宙创造新恒星最多的那个时刻。

目前，天文学家试图通过观察来自遥远星系的光（电磁波）来寻找这个高峰。但观察光就像是通过一层厚厚的雾气窗户去数拥挤房间里的人。光会被尘埃扭曲，很难准确判断到底有多少颗恒星正在诞生，还是它们仅仅看起来比较亮。

新工具：倾听“碰撞声”
这篇论文提出了一种解决谜题的新方法：引力波。

把引力波想象成两个沉重物体（如黑洞）相互撞击时发出的“声音”。与光不同，这些“声音”在穿过宇宙时不会被尘埃或雾气阻挡。通过倾听这些碰撞，科学家可以确定它们发生的精确时间、地点，从而在没有“雾气窗户”问题的情况下，直接统计恒星形成的演化史。

实验：两种不同的“麦克风”
研究人员模拟了一年时间的黑洞碰撞，以测试不同的“麦克风”（探测器）在寻找建筑热潮高峰时表现如何。他们测试了两种设置：

1. “升级版”麦克风 (LIGO-A#)： 这是对现有探测器的重大升级。这就像是将标准麦克风更换为高端录音室麦克风。
2. “超级”麦克风 (下一代)： 这代表了未来的探测器（宇宙探险者 Cosmic Explorer 和 爱因斯坦望远镜 Einstein Telescope），其灵敏度是现在的十倍。这就像拥有一个能听到跨越星系微弱耳语的麦克风。

结果：寻找高峰
团队使用了三种关于恒星形成高峰发生时间的理论（分别在红移 1.2、1.5 或 2.0 左右）进行了测试。以下是他们的发现：

• 使用“升级版”麦克风 (LIGO-A#)： 他们能够以约 ±0.1 的精度定位恒星形成热潮的高峰。
  • 类比： 如果高峰发生在某个特定的年份，升级后的探测器可以告诉你在一个 6 个月的窗口期内发生。这是一个非常好的猜测。
• 使用“超级”麦克风 (下一代)： 他们可以将高峰定位的精度提升至 ±0.02。
  • 类比： 这相当于将窗口缩小到仅仅几周之内。这种测量是非常精准的。

“重型”与“轻型”黑洞
研究人员还观察了碰撞黑洞的“大小”是否重要。

• 小型黑洞： 数量很多，但发出的“声音”很微弱。
• 大型黑洞： 数量较少，但发出的“声音”非常响亮。

他们发现，对于升级版麦克风来说，响亮的碰撞（大黑洞）对于寻找高峰至关重要，因为微弱的碰撞太安静了，无法被清晰地听到。然而，对于超级麦克风来说，这并不太重要；它既能听清响亮的碰撞，也能完美捕捉微弱的碰撞，从而利用小型黑洞庞大的“数量”来获得更精确的答案。

底线结论
这篇论文声称，我们不必等待未来的“超级麦克风”才能得到答案。即使是使用即将到来的 LIGO-A# 升级版，我们也能够高精度地测量宇宙恒星形成历史的高峰。这提供了一种全新的、独立的途径，来验证我们对星系和恒星如何演化的理解，且不受困扰当前基于光的观测中的尘埃和混乱的影响。

技术摘要

技术摘要：利用 LIGO A# 与下一代探测器绘制恒星形成峰值图谱

问题陈述
测量恒星形成率密度（SFRD）的红移演化对于理解星系的起源、演化及大尺度结构至关重要。目前，SFRD 主要通过电磁（EM）探针（如 UV 和 IR 光度）进行约束，但这依赖于受尘埃消光、初始质量函数和光度函数外推不确定性影响的“光度-恒星形成率”转换关系。这些不确定性在极高红移（$z > 1$）处尤为显著，使得精确确定 SFRD 峰值（$\Delta z \approx 1$）仍然困难。虽然来自双黑洞（BBH）并合的引力波（GW）提供了通过追踪并合率演化来约束 SFRD 的独立方法，但目前的引力波网络（LIGO-Virgo-Kagra）受限于 $z \lesssim 1.5$，无法提供足够的数据来紧密约束并合率分布的峰值。本研究探讨了升级后的 LIGO 探测器（LIGO-A#）以及未来的下一代（XG）网络（Cosmic Explorer 和 Einstein Telescope）是否能够精确绘制 BBH 并合的红移分布，从而推断恒星形成历史的峰值。

方法论
作者使用三种基于 Madau-Dickinson (MD) 星形成率与反时间延迟分布（$p(\tau) \propto 1/\tau$）卷积的模型，模拟了一年的 BBH 并合数据：

1. MD： 标准模型，其星形成峰值位于 $z_p \approx 1.9$，导致并合率峰值位于 $z_{\text{peak}} \approx 1.5$。
2. MDlow： 修改后的模型，其星形成峰值移动至 $z_p \approx 1.54$，产生 $z_{\text{peak}} \approx 1.2$。
3. MDhigh： 修改后的模型，其星形成峰值移动至 $z_p \approx 2.53$，产生 $z_{\text{peak}} \approx 2.0$。

模拟采用了 $22 \, \text{Gpc}^{-3} \text{yr}^{-1}$ 的局部并合率，以及源自 GWTC-3 的幂律+峰值质量分布。分析了两种探测器网络配置：

• A# 网络： 一个由 3 个探测器组成的网络（LIGO-Livingston、LIGO-Hanford、LIGO-India），具备 A# 应变灵敏度，且低频截止频率为 10 Hz。
• XG 网络： 一个由 4 个探测器组成的网络（两个 Cosmic Explorer 变体和一个 Einstein Telescope），具有高出一个数量级的灵敏度，且低频截止频率为 5 Hz。

分析采用了两步法：

1. 参数估计 (PE)： 使用 Fisher 矩阵分析来估计单个事件的参数不确定性。为确保符合真实的噪声效应并避免偏差，作者通过从以真实参数为中心的高斯分布中采样来模拟“探测到”的参数，并应用了网络信噪比（SNR）阈值 $\rho \geq 12$。
2. 总体性质推断： 应用层次贝叶斯推断框架（使用 gwpopulation 包）处理模拟的事件后验分布，以重建底层天体物理分布 $R_m(z)$ 并约束峰值红移 $z_{\text{peak}}$。通过检测概率归一化因子对选择效应进行了处理。

关键结果

• $z_{\text{peak}}$ 的精度：
  • LIGO-A#： 对于标准 MD 总体（$z_{\text{peak}} \approx 1.5$），A# 网络在一年观测期内将并合峰值的约束精度控制在 $\pm 0.1$（具体为 $1.53^{+0.12}_{-0.10}$）。
  • 下一代 (XG)： 对于同一总体，XG 网络实现了显著更紧密的约束，精度为 $\pm 0.02$（即 $1.49^{+0.02}_{-0.02}$）。即使在将 XG 的数据缩放到与 A# 一年内探测到的事件数相匹配的情况下，这种提升依然存在，这表明 XG 单个事件卓越的测量质量是驱动改进的关键，而非仅仅依靠事件数量。
• 红移分布重建：
  • XG 网络能够以高保真度成功重建高达 $z \approx 10$ 的并合率分布全貌。
  • A# 网络可以正确识别峰值的位置，但在约束高红移处的曲线下降趋势（$z > z_{\text{peak}}$）方面表现挣扎，这是由于在峰值之外缺乏可探测的源，导致控制高红移衰减的参数 $\kappa'$ 具有较大的不确定性。
• 质量依赖性：
  • 研究将总体分为三个质量区间（$M < 40 M_\odot$、$40 \leq M \leq 80 M_\odot$、$M > 80 M_\odot$）。
  • 对于 A#，低质量区间（$M < 40$）的可探测性较差（7.5%），限制了该子集的 $z_{\text{peak}}$ 约束精度。然而，尽管高质量区间（$M > 80$）事件较少，但由于其高 SNR，仍能提供紧密的约束。
  • 对于 XG，所有质量区间的探测效率均超过 95%。因此，$z_{\text{peak}}$ 的精度主要由事件数量驱动，其中低质量区间因其在总体中的主导地位而提供了最紧密的约束。

意义与主张
本文声称，虽然下一代探测器将提供极其精确的宇宙星形成史测量，但 LIGO-A# 网络代表了一个关键的中间步骤。作者证明，A# 足以将 BBH 并合率分布的峰值约束在 $\sim 0.1$ 的精度内，这相比目前的能力是一个显著的进步。

这些发现的意义在于：

1. 独立验证电磁观测： 由引力波推导出的 $z_{\text{peak}}$ 约束可以作为基于电磁观测的 SFRD 估值的交叉检查，有望解决高红移处关于尘埃修正和光度函数的争议。
2. 完善形成模型： 如果引力波推断的峰值与电磁观测的 SFR 峰值不同，则可能暗示特定的天体物理情景，例如在高低金属丰度环境下优先形成高质量黑洞（使峰值向更高 $z$ 移动）或特定的时间延迟分布。
3. 探测形成通道： 重建完整红移分布的能力可以区分孤立双星演化（追踪 SFR）与动力学形成通道或原初黑洞，后者可能表现出不同的红移演化特征。

作者总结道，引力波观测将提供一个互补且独立的手段，用于探测宇宙的星形成及早期富集历史，且不受电磁巡天中固有系统误差的影响。