STOCHASTIC SELF-ENRICHMENT, PRE-ENRICHMENT, AND THE FORMATION OF GLOBULAR CLUSTERS
Notice bibliographique
Résumé
We develop a model for stochastic pre-enrichment and self-enrichment in globular clusters (GCs) during their formation process. GCs beginning their formation have an initial metallicity determined by the pre-enrichment of their surrounding protocloud, but can also undergo internal self-enrichment during formation. Stochastic variations in metallicity arise because of the finite numbers of supernova. We construct an analytic formulation of the combined effects of pre-enrichment and self-enrichment and use Monte Carlo models to verify that the model accurately encapsulates the mean metallicity and metallicity spread among real GCs. The predicted metallicity spread due to self-enrichment alone, a robust prediction of the model, is much smaller than the observed spread among real GCs. This result rules out self-enrichment as a significant contributor to the metal content in most GCs, leaving pre-enrichment as the viable alternative. Self-enrichment can, however, be important for clusters with masses well above 10^6 Msun, which are massive enough to hold in a significant fraction of their SN ejecta even without any external pressure confinement. This transition point corresponds well to the mass at which a mass-metallicity relationship ("blue tilt") appears in the metal-poor cluster sequence in many large galaxies. We therefore suggest that self-enrichment is the primary driver for the mass-metallicity relation. Other predictions from our model are that the cluster-to-cluster metallicity spread decreases amongst the highest mass clusters; and that the red GC sequence should also display a more modest mass-metallicity trend if it can be traced to similarly high mass.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».