چطور می‌توان یک ققنوس را خنک کرد؟ منظور من از ققنوس نه پرندگان افسانه‌ای از جنس شعله و تولد دوباره، بلکه یک نام‌گذاری کیهانی با طبیعتی به طور شگفت‌انگیز آتشین است.
با استفاده از تلسکوپ فضایی جیمز وب (JWST)، اخترشناسان شاید در نهایت جواب این سوال را پیدا کرده باشند. آن‌ها از این ابزار قدرتمند برای بررسی خنک شدن شدید گاز در خوشه ققنوس استفاده کردند، خوشه‌ای از کهکشان‌ها که با گرانش به هم پیوسته‌اند و حدود ۵.۸ میلیارد سال نوری از زمین فاصله دارند.
ستارگان تنها زمانی می‌توانند شکل بگیرند که گاز به اندازه کافی خنک شده باشد تا بتواند در نواحی بسیار متراکم تجمع کند، به همین دلیل است که دانشمندان به ویژه علاقه‌مندند بدانند خوشه ققنوس چگونه ستارگان را شکل می‌دهد. در واقع، این بخش از کیهان ستارگان را با سرعتی شگفت‌انگیز تشکیل می‌دهد.
این سرعت شگفت‌انگیز با وجود این که در مرکز خوشه ققنوس یک سیاه‌چاله ابرسنگین قرار دارد که ۱۰ میلیارد برابر بزرگتر از خورشید است، همچنان ادامه دارد. این سیاه‌چاله غول‌پیکر به عنوان یک شتاب‌دهنده ذرات طبیعی عمل کرده و گاز را از خود دور می‌کند و آن را داغ نگه می‌دارد — طبق تئوری، این باید تشکیل ستارگان را محدود کند.
این تناقض ظاهری باعث شده است تا خوشه ققنوس به یک معمای بزرگ تبدیل شود.
اما بررسی جدید توسط تلسکوپ جیمز وب ممکن است در نهایت به این سردرگمی پایان دهد، با استناد به یک دهه مطالعه قبلی که با استفاده از تلسکوپ فضایی هابل، رصدخانه اشعه ایکس چاندرا و تعداد زیادی رصدخانه‌های زمینی انجام شده است.
“ما می‌توانیم مطالعات قبلی خود از خوشه ققنوس را که نرخ‌های مختلف خنک شدن در دماهای مختلف یافته بودند، به یک شیب اسکی مقایسه کنیم”، مایکل مک‌دانلد از مؤسسه فناوری ماساچوست در کمبریج و سرپرست این برنامه در یک بیانیه گفت. “خوشه ققنوس بزرگ‌ترین مخزن گاز داغ و در حال خنک شدن در میان تمام خوشه‌های کهکشانی را دارد — مشابه به داشتن شلوغ‌ترین تله‌کابین که بیشترین اسکی‌بازان را به بالای کوه می‌آورد. با این حال، همه آن اسکی‌بازان به پایین نمی‌رسیدند، به این معنی که همه گازها به دماهای پایین خنک نمی‌شدند.
“اگر یک شیب اسکی داشتید که در آن تعداد بیشتری از مردم از تله‌کابین در بالای کوه پیاده می‌شدند نسبت به تعداد افرادی که به پایین می‌رسیدند، این یک مشکل می‌شد!” این تیم معتقد است که تلسکوپ جیمز وب بالاخره این “اسکی‌بازان گمشده” را که در نیمه راه دمای “کوه” خوشه ققنوس گیر کرده‌اند، پیدا کرده است.
سرنوشت اسکی‌بازان گمشده در شیب خوشه ققنوس
با استفاده از ابزار میانه‌مادون قرمز (MIRI) تلسکوپ جیمز وب، این تیم داده‌های طیف‌سنجی دو بعدی از منطقه‌ای در آسمان که شامل خوشه ققنوس می‌شود جمع‌آوری کرد و به این ترتیب هسته این خوشه کهکشانی را با جزئیات بی‌سابقه‌ای مطالعه کردند.
این به پژوهشگران کمک کرد تا گاز “گمشده” که به تشکیل ستارگان کمک می‌کند را شناسایی کنند. آن‌ها همچنین متوجه شدند که این گاز با دمای حدود ۵۴۰,۰۰۰ درجه فارنهایت (۳۰۰,۰۰۰ درجه سلسیوس) در داخل حفره‌هایی در خوشه ققنوس قرار دارد.
این حفره‌ها هم گاز بسیار داغ با دمای ۱۸ میلیون درجه فارنهایت (۱۰ میلیون درجه سلسیوس) و هم گاز خنک‌شده با دمای ۱۸,۰۰۰ درجه فارنهایت (۱۰,۰۰۰ درجه سلسیوس) را نشان می‌دهند.
“مطالعات قبلی فقط گاز را در انتهای دمایی بسیار سرد و داغ توزیع دما در مرکز خوشه اندازه‌گیری کرده بودند”، مک‌دانلد گفت . “ما محدود بودیم — نمی‌توانستیم گاز ‘گرم’ که به دنبالش بودیم را شناسایی کنیم. با استفاده از تلسکوپ جیمز وب، برای اولین بار توانستیم این کار را انجام دهیم.” حساسیت MIRI در این تحقیق از یک پدیده طبیعی در خوشه ققنوس بهره برد که در آن اتم‌های نئون و اکسیژن در محیط‌های مشابه یونیزه می‌شوند، یا از الکترون‌های خود جدا می‌شوند.
اگرچه اکسیژن یونیزه شده بسیار درخشان‌تر است، فقط در طول‌موج‌های فرابنفش قابل مشاهده است. نئون، اگرچه کم‌نورتر است، نور مادون قرمز تولید می‌کند که تلسکوپ جیمز وب قادر به مشاهده آن است.
“در طول‌موج‌های مادون قرمز میانه‌ای که توسط تلسکوپ جیمز وب شناسایی شد، اثر نئون VI به طور قابل توجهی بلند بود”، مایکل ریف، رهبر تیم و محقق مؤسسه فناوری ماساچوست در بیانیه گفت. “اگرچه این تابش معمولاً شناسایی آن سخت‌تر است، حساسیت تلسکوپ جیمز وب در مادون قرمز میانه تمام نویزها را کنار می‌زند.” اگرچه خوشه ققنوس از نظر ویژگی‌های زیادی یک مجموعه منحصر به فرد از کهکشان‌ها است، تیم حالا قصد دارد از این تکنیک “اثبات مفهومی” و حساسیت MIRI برای مطالعه خوشه‌های کهکشانی دیگر نیز استفاده کند.
![import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")](https://spacenota.ir/wp-content/uploads/2025/05/big-ring-body-420x280.webp)
