The  Spitzer  IRS  Debris  Disk  Catalog  

Chris4ne  H.  Chen  (STScI),  Tushar  Mi>al  (Berkeley),    P.  Manoj  (TIFR),  B.  Sargent  (RIT),    

D.  M.  Watson,  W.  J.  Forrest  (U  Rochester),  &    C.  M.  Lisse  (JHU-­‐APL)    

Spitzer  IRS  Spectrograph  (IRS)  

Dust  Spa)al  Distribu)on  

•  Typically  well-­‐fit  assuming  black  bodies  consistent  with  dust  located  in  rings  (Chen  et  al.  2006)  

Dust  Composi)on  

•  Typically  includes  silicates  and  trace  species  indica4ng  how  processed  parent  bodies  are  and  therefore  their  origin  

HD  172555:  glassy  silicas  (Obsidian  and  Tek4te),  steep  grain  size  distribu4on  with  large  quan44es  of  fine  dust  and  possible  fundamental  and  first  overtone  emission  from  SiO  -­‐>  Hypervelocity  Collision  (Lisse,  Chen  et  al.  2009)  

Eta  Crv:  warm,  water-­‐  and  carbon-­‐rich  dust  in  the  terrestrial  habitable  zone  -­‐>  Period  of  Late  Heavy  Bombardment  (Lisse,  Wya>,  Chen  et  al.  2012)  

Two  Dust  Components?  

Morales  et  al.  (2011)  

IRS  Observa4ons  of  Debris  Disks  

•  Approximately  571  debris  disks  observed  by  Spitzer  GTOs,  Legacy  Teams,  and  GOs  during  the  cryogenic  mission  

•  Spectral  Types:  typically  B9  –  K5,  corresponding  to  es4mated  masses  0.5-­‐5.5  M¤    

•  Ages:  evenly  divided  amongst  logarithmic  age  bins:  10  Myr  –  100  Myr,  100  Myr  –  1  Gyr,  1  Gyr  –  10  Gyr  

•  Distance:  typically  <300  pc  

Spectral  Energy  Distribu4ons  

•  Stellar  Photosphere  Modeling  –  Hipparcos  BV  –  2MASS  JHKs  

•  Infrared  Excess  Modeling  –  IRS  –  MIPS  –  Herschel,  where  

available  –  Submm,  where  

available  •  Consistency  Checking  

–  Akari  –  WISE  

Spectral  Energy  Distribu4on  Analysis  

Black  Body  Fi8ng  •  Full  sample:  571  targets  •  Assume  SED  is  well  fit  using  

zero,  one,  or  two  black  bodies  •  Calculate  average  probability  

for  each  model  over  assumed  parameter  space  

•  Select  model  with  lowest  average  probability  

•  Search  for  trends  in  disk  proper4es  (number  of  belts,  LIR/L*,  Tdust)  as  a  func4on  of  stellar  proper4es  (M*,  tage)  

Silicate  Emissivity  Fi8ng  •  Subset:  120  targets  •  Assume  SED  is  well  fit  using  

spherical  silicate  grains  (e.g.  olivine,  pyroxene,  forsterite,  ensta4te)  

•  Use  Par4cle  Swarm  Op4miza4on  (PSO)  algorithm  to  search  phase  space  for  absolute  minima  

•  Use  Markov  Chain  Monte  Carlo  (MCMC)  to  trace  out  prior  Probability  Distribu4on  Func4ons  (PDFs)  

•  Search  for  trends  in  grain  (size  distribu4on,  crystalline  frac4on)  and  disk  proper4es  as  a  func4on  of  stellar  proper4es  

Black  Body  Models  

•  Assume  grain  temperature  grid  30  K  <  Tgr,1  <  500  K  (5  K)  

•  Select  model  with  maximum  probability  

•  Es4mate  uncertainty  in  fihng  parameters  from  fihng  confidence  levels  

•  Select  among  zero,  one,  and  two  black  body  models  by  calcula4ng  the  average  χ2  for  model  phase  space  

Fihng  Parameter  Distribu4ons  

Approximately  167  disks  are  be>er  fit  using  a  single  temperature  black  body  and  333  disks  are  be>er  fit  using  two  black  bodies  

Radia4ve  Equilibrium  

•  Dust  grains  in  radia4ve  equilibrium  are  expected  to  have  a  grain  temperature  

•  We  perform  a  linear  regression:    log  Tgr  =  α  +  β  log  L*  

Tgr = (L*

16πD2σ)1p+4

where

Qabs,ν =Qabs,νo( ννo

)p

α   β  

Single   2.08±0.04   0.17±0.03  

Hot   2.43±0.02   0.05±0.02  

Cold   1.78±0.02   0.13±0.01  

Silicate  Feature  Source  Selec4on  

•  Integrated  Flux:  

•  Uncertainty  in  Integrated  Flux:    

•  Select  targets  with  SNR10  and/or  SNR20  =  Fint/σint  >  4  

Dust  Models  

Con)nuous  Disk    

•  Grain  Size  Distribu4on      dn/da  ~  a-­‐q    

•  Surface  Density  Profile      Σ  ~  D-­‐r  

•  Parameters  –  amin,  amax,  q  –  Din,  Dout,  r  –  Number  of  Olivine,  Pyroxene,  

Forsterite,  and  Ensta4te  grains  

Two  Dust  Grain  •  Parameters  

–  Temperature,  T  –  Grain  size,  a  –  Number  of  Olivine,  

Pyroxene,  Forsterite,  and  Ensta4te  

Mi>al  et  al.,  ApJ  submi>ed  

Fihng  Parameter  Constraints  

Summary:  •  Con4nuous  Disk  Model  (6)  •  Two  Dust  Grain  Model  (22)  •  Either  Model  (73)  •  More  Complicated  

Emissivi4es  (19)  

Two  Step  Hybrid  Algorithm  •  Step  1:  Par4cle  Swarm  

Op4miza4on  •  Step  2:  Monte-­‐Carlo  

Markov  Chain  

Grain  Size  Distribu4on  

•  Large  varia4on  in  grain  size  distribu4on  for  disks  with  the  same  age  

Grain  Size  Distribu4on  

•  Collisional  equilibrium  predicts  dn/da  ~  a-­‐3.5  (Dohnanyi  1969)  •  Collisional  cascade  predicts  dn/da  ~  a-­‐4  (Pan  &  Schlich4ng  2012)  

Minimum  Grain  Size  The  size  at  which  the  force  due  to  radia4on  pressure  exceeds  that  of  gravity  (Artymowicz  1988)  

 Assuming  M*  ~  L*0.25,  then  we  expect  that  amin  ~  L*0.75    

Linear  regression  indicates  that  the  minimum  grain  size  is  less  strongly  dependent  on  L*  than  expected  

a =3L* <Qpr (a)>16πGM*cρ

On-­‐line  Materials  

•  “The  Spitzer  Infrared  Spectrograph  Debris  Disk  Catalog.  I.  Con4nuum  Analysis  of  Unresolved  Targets”  C.  H.  Chen,  T.  Mi>al,  M.  Kuchner,  W.  J.  Forrest,  C.  M.  Lisse,  P.  Manoj,  B.  A.  Sargent,  &  D.  M.  Watson  2014,  ApJS,  211,  25  –  Spectral  Energy  Distribu4ons,  Probability  Distribu4on  Func4ons,  Stellar  Proper4es,  Photometry,  Fit  Parameters  (ApJS)  

–  IRS  Spectra  (calibrated  and  photosphere  subtracted,  VizieR)  •  “The  Spitzer  Infrared  Spectrograph  Debris  Disk  Catalog.  II.  

Silicate  Feature  Analysis  of  Unresolved  Targets”  T.  Mi>al,  C.  H.  Chen,  H.  Jang-­‐Condell,  P.  Manoj,  B.  A.  Sarget,  D.  M.  Watson,  W.  J.  Forrest,  C.  M.  Lisse  2014,  ApJ,  submi>ed  –  Probability  Distribu4on  Func4ons,  Fit  Parameters  (ApJ)