Reconstructing the galactic magnetic field

Diese Dissertation befasst sich mit der Rekonstruktion des Magnetfeldes der Milchstrase (GMF fur Galaktisches Magnetfeld). Eine genaue Beschreibung des Magnetfeldes ist fur mehrere Fragestellungen der Astrophysik relevant. Erstens spielt es eine wichtige Rolle dabei, wie sich die Struktur der Milchstrase entwickelt, da die Strome von interstellarem Gas und kosmischer Strahlung durch das GMF abgelenkt werden. Zweitens stort es die Messung und Analyse von Strahlung extra-galaktischer Quellen. Drittens lenkt es ultra-hoch-energetische kosmische Strahung (UHECR) derartig stark ab, dass die Zuordnung von gemessenen UHECR zu potentiellen Quellen nicht ohne Korrekturrechnung moglich ist. Viertens kann mit dem GMF ein kosmischer Dynamo-Prozess inklusive dessen innerer Strukturen studiert werden. Im Gegensatz zum GMF ist bei Sternen und Planeten nur das ausere Magnetfeld zuganglich und messbar. So grosen Einfluss das GMF auf eine Vielzahl von Effekten hat, genauso schwer ist es auch zu ermitteln. Der Grund dafur ist, dass das Magnetfeld nicht direkt, sondern nur durch seinen Einfluss auf verschiedene physikalische Observablen messbar ist. Messungen dieser Observablen liefern fur eine konkrete Sichtlinie ihren gesamt-akkumulierten Wert. Aufgrund der festen Position des Sonnensystems in der Milchstrase ist es daher eine Herausforderung der gemessenen Wirkung des Magnetfelds einer raumlichen Tiefe zuzuordnen. Als Informationsquelle dienen vor allem Messungen der Intensitat und Polarisation von Radiound Mikrowellen, sowohl fur den gesamten Himmel, als auch fur einzelne Sterne, deren Position im Raum bekannt ist. Durch die Betrachtung der zugrunde liegenden physikalischen Prozesse wie Synchrotronemission und Faraday Rotation kann auf das GMF ruckgeschlossen werden. Voraussetzung dafur sind jedoch dreidimensionale Dichte-Karten anderer Konstituenten der Milchstrase, beispielsweise der thermischen Elektronen oder des interstellaren Staubes. Fur die Erstellung dieser Hilfskarten sind physikalische Prozesse wie Dispersion und Staubabsorption von entscheidender Bedeutung. Um das GMF anhand der vorhandenen Messdaten zu rekonstruieren, gibt es im Wesentlichen zwei Herangehensweisen. Zum einen benutzt man den phanomenologischen Ansatz parametrischer Magnetfeld-Modelle. Dabei wird die Struktur des Magnetfeldes durch analytische Formeln mit einer begrenzten Anzahl von Parametern festgelegt. Diese Modelle beinhalten die generelle Morphologie des Magnetfeldes, wie etwa Galaxie-Arme und Feld-Umkehrungen, aber auch lokale Charakteristika wie Nebel in der Nachbarschaft des Sonnensystems. Gegeben einem Satz Messdaten versucht man nun, jene Modellparameter zu finden, die eine moglichst gute Ubereinstimmung mit den Observablen ergeben. Zu diesem Zweck wurde im Rahmen dieser Doktorarbeit Imagine, die Interstellar MAGnetic field INference Engine, entwickelt. Aufgrund der verhaltnismasig geringen Anzahl an Parametern ist eine Parameteranpassung auch mit robusten all-sky maps moglich, auch wenn diese keine Tiefen-Information enthalten. Allerdings gibt es bei der Herangehensweise uber parametrische Modelle das Problem der Beliebigkeit: es gibt eine Vielzahl an Modellen verschiedenster Komplexitat, die sich daruber hinaus haufig gegenseitig widersprechen. In der Vergangenheit wurden dann meist auch noch die Unsicherheit der Parameter-Rekonstruktionen unterschatzt. Im Gegensatz dazu ermoglicht eine rigorose Bayes’sche Analyse, beispielsweise mit dem in dieser Doktorarbeit entwickelten Imagine, eine verlassliche Bestimmung der Modellparameter. Neben parametrischen Modellen kann das GMF auch uber einen nicht-parametrischen Ansatz rekonstruiert werden. Dabei hat jedes Raumvoxel zwei unabhangige Freiheitsgrade fur das Magnetfeld. Diese Art der Rekonstruktion stellt deutlich hohere Anspruche an die Datenmenge und -qualitat, die Algorithmik, und die Rechenkapazitat. Aufgrund der hohen Anzahl an Freiheitsgraden werden Messdaten benotigt, die direkte (Parallax-Messungen) oder indirekte (uber das Hertzsprung Russel Diagramm) Tiefeninformation beinhalten. Zudem sind starke Prior fur jene Raumbereiche notwendig, die von den Daten nur schwach abgedeckt werden. Einfache Bayes’sche Methoden reichen hierfur nicht mehr aus. Vielmehr ist nun Informationsfeldtheorie (IFT) notig, um die verschiedenen Informationsquellen korrekt zu kombinieren, und verlassliche Unsicherheiten zu erhalten. Fur diese Aufgabe ist das Python Framework NIFTy (Numerical Information Field Theory) pradestiniert. In seiner ersten Release-Version war NIFTy jedoch noch nicht fur Magnetfeldrekonstruktionen und die benotigten Grosenordnungen geeignet. Um die Datenmengen verarbeiten zu konnen wurde daher zunachst d2o als eigenstandiges Werkzeug fur Daten-Parallelisierung entwickelt. Damit kann parallelisierter Code entwickelt werden, ohne das die eigentliche Entwicklungsarbeit behindert wird. Da im Grunde alle numerischen Disziplinen mit grosen Datensatzen, die sich nicht in Teilmengen zerlegen lassen davon profitieren konnen, wurde d2o als eigenstandiges Paket veroffentlicht. Daruber hinaus wurde NIFTy so umfassend in seinem Funktionsumfang und seiner Struktur uberarbeitet, sodass nun unter anderem auch hochaufgeloste Magnetfeldrekonstruktionen durchgefuhrt werden konnen. Auserdem ist es jetzt mit NIFTy auch moglich Karten der thermischen Elektronendichte und des interstellaren Staubes auf Basis neuer und gleichzeitig auch sehr groser Datensatze zu erstellen. Damit wurde der Weg zu einer nicht-parametrischen Rekonstruktionen des GMF geebnet.