当前位置:首页 > 文章列表 > 文章 > 常见问题 > 哈勃测算:宇宙年龄多少年?

哈勃测算:宇宙年龄多少年?

2026-02-27 09:30:59 0浏览 收藏
哈勃时间作为宇宙膨胀速率的理论时标,其数值直接由哈勃常数倒数决定,但当前本地测量(如SH0ES团队给出的H₀≈73 km·s⁻¹·Mpc⁻¹)与早期宇宙观测(如普朗克卫星给出的H₀≈67.15 km·s⁻¹·Mpc⁻¹)存在显著分歧,导致算出的哈勃时间在133.9亿年至145.6亿年之间波动,而最精确的实测宇宙年龄却稳定在137.97亿年——这一系统性偏差正是困扰当代宇宙学的“哈勃张力”在时间维度上的直观体现,暗示我们对暗能量、中微子物理或引力理论的理解可能尚存关键盲区。

1哈勃时间等于多少年?宇宙年龄与时间单位换算【天文学】

哈勃时间作为宇宙膨胀速率的理论时标,其数值直接由哈勃常数的倒数决定。当前主流测量值存在分歧,导致对应的时间结果不同。以下是基于不同哈勃常数取值得出的换算步骤:

一、基于H₀ = 73 km·s⁻¹·Mpc⁻¹的换算

该值源自本地宇宙中造父变星与Ia型超新星距离阶梯法测量,是当前高精度观测支持的本地哈勃常数典型值。其倒数即为哈勃时间,需将单位统一至秒再换算为年。

1、将H₀转换为国际单位制:1 Mpc = 3.0856×10²² m,故H₀ = 73 km·s⁻¹·Mpc⁻¹ = 73 × 10³ m·s⁻¹ / (3.0856×10²² m) ≈ 2.366×10⁻¹⁸ s⁻¹。

2、计算哈勃时间t_H = 1 / H₀ ≈ 1 / (2.366×10⁻¹⁸) s ≈ 4.226×10¹⁷ s。

3、将秒换算为年:1年 ≈ 3.15576×10⁷ s,故t_H ≈ 4.226×10¹⁷ / 3.15576×10⁷ ≈ 1.339×10¹⁰ 年(即约133.9亿年)。

二、基于H₀ = 67.4 km·s⁻¹·Mpc⁻¹的换算

该值来自普朗克卫星对宇宙微波背景辐射各向异性的全局拟合,反映早期宇宙平均膨胀率。其倒数给出更长的哈勃时间,体现标准ΛCDM模型下的理论预期。

1、H₀ = 67.4 km·s⁻¹·Mpc⁻¹ = 67.4 × 10³ m·s⁻¹ / (3.0856×10²² m) ≈ 2.184×10⁻¹⁸ s⁻¹。

2、t_H = 1 / H₀ ≈ 1 / (2.184×10⁻¹⁸) s ≈ 4.579×10¹⁷ s。

3、换算为年:t_H ≈ 4.579×10¹⁷ / 3.15576×10⁷ ≈ 1.451×10¹⁰ 年(即约145.1亿年)。

三、基于H₀ = 67.15 km·s⁻¹·Mpc⁻¹的换算

此值为普朗克2018年最终数据发布的精确哈勃常数,结合CMB功率谱低多极矩约束得出,被广泛用于当前宇宙学参数基准拟合。

1、H₀ = 67.15 km·s⁻¹·Mpc⁻¹ → H₀ ≈ 2.176×10⁻¹⁸ s⁻¹。

2、t_H = 1 / H₀ ≈ 4.595×10¹⁷ s。

3、换算为年:t_H ≈ 4.595×10¹⁷ / 3.15576×10⁷ ≈ 1.456×10¹⁰ 年(即约145.6亿年)。

四、科学记数法统一表达式

哈勃时间t_H以年为单位的通用换算公式为:t_H(年)= 9.778 × 10⁹ / H₀(km·s⁻¹·Mpc⁻¹)。该系数由单位换算常量导出,适用于任意H₀数值代入。

1、取H₀ = 70 km·s⁻¹·Mpc⁻¹,则t_H ≈ 9.778×10⁹ / 70 ≈ 1.397×10⁹ × 10 = 1.397×10¹⁰ 年。

2、取H₀ = 67.66 km·s⁻¹·Mpc⁻¹(2018年普朗克中值),则t_H ≈ 9.778×10⁹ / 67.66 ≈ 1.445×10¹⁰ 年。

3、取H₀ = 73.0 km·s⁻¹·Mpc⁻¹(SH0ES团队2023年结果),则t_H ≈ 9.778×10⁹ / 73.0 ≈ 1.339×10¹⁰ 年。

五、与宇宙年龄的数值对照

当前最精确的宇宙年龄测定值来自普朗克卫星联合BAO与SNe Ia数据,为137.97±0.02亿年。该值并非直接等于任一哈勃时间,而是通过ΛCDM模型积分膨胀历史获得。

1、哈勃时间133.9亿年对应H₀ = 73 km·s⁻¹·Mpc⁻¹,比实测宇宙年龄短约4亿年。

2、哈勃时间145.6亿年对应H₀ = 67.15 km·s⁻¹·Mpc⁻¹,比实测宇宙年龄长约7.6亿年。

3、二者差值直接体现“哈勃张力”在时标层面的表现,即本地与早期宇宙膨胀速率不一致所导致的时间尺度偏差。

好了,本文到此结束,带大家了解了《哈勃测算:宇宙年龄多少年?》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!

Golang指针与切片优化技巧分享Golang指针与切片优化技巧分享
上一篇
Golang指针与切片优化技巧分享
Golang并发请求处理方法详解
下一篇
Golang并发请求处理方法详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    347次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    410次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    411次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    369次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    193次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码