Sztuczna inteligencja ujawnia oszałamiający widok w wysokiej rozdzielczości supermasywnej czarnej dziury M87

Wykorzystaj astronomów[{” attribute=””>machine learning to improve the Event Horizon Telescope’s first black hole image, aiding in black hole behavior understanding and testing gravitational theories. The new technique, called PRIMO, has potential applications in various fields, including exoplanets and medicine.

Astronomers have used machine learning to sharpen up the Event Horizon Telescope’s first picture of a black hole — an exercise that demonstrates the value of artificial intelligence for fine-tuning cosmic observations.

The image should guide scientists as they test their hypotheses about the behavior of black holes, and about the gravitational rules of the road under extreme conditions.

Przegląd symulacji generowanych dla zbioru uczącego algorytmu PRIMO. Źródło: Medeiros i in. 2023

Obraz EHT supermasywnej czarnej dziury w centrum galaktyki eliptycznej znanej jako M87, oddalonej o około 55 milionów lat świetlnych od Ziemi, zachwycił świat nauki w 2019 roku. Obraz powstał poprzez połączenie obserwacji z globalnej sieci radioteleskopów — ale luki w danych oznaczają, że obraz był nieco niejednolity i niewyraźny.

W badaniu opublikowanym w zeszłym tygodniu w Listy z dziennika astrofizycznegoMiędzynarodowy zespół astronomów opisał, w jaki sposób wypełnił luki, analizując ponad 30 000 symulowanych obrazów czarnej dziury.

„Korzystając z nowej metody uczenia maszynowego, PRIMO, byliśmy w stanie osiągnąć maksymalną dokładność istniejącej macierzy” – powiedziała w komunikacie prasowym główna autorka badania Leah Medeiros z Institute for Advanced Study.

PRIMO zawęził i wyostrzył widok EHT na pierścień gorącej materii krążący wokół czarnej dziury, gdy wpada ona w grawitacyjną osobliwość. Medeiros wyjaśnił, że to czyni go czymś więcej niż tylko ładniejszym zdjęciem.

„Ponieważ nie możemy dokładnie badać czarnych dziur, szczegóły obrazu odgrywają ważną rolę w naszej zdolności zrozumienia ich zachowania” – powiedziała. „Szerokość pierścienia na obrazie jest teraz około dwa razy mniejsza, co będzie silnym ograniczeniem dla naszych modeli teoretycznych i testów grawitacyjnych”.

Technika opracowana przez Medeiros i jej współpracowników – tzw Modelowanie interferometrii głównych składowychlub w skrócie PRIMO — analizuje duże zbiory danych obrazów szkoleniowych, aby znaleźć najlepsze sposoby uzupełnienia brakujących danych. Jest to podobne do sposobu, w jaki badacze AI analizowali utwory muzyczne Ludwiga von Beethovena Tworzy partyturę do Niedokończonej Dziesiątej Symfonii kompozytora.

Do modelu PRIMO wprowadzono dziesiątki tysięcy symulowanych obrazów EHT, obejmujących szeroki zakres wzorców strukturalnych wirującego gazu w czarnej dziurze M87. Symulacje, które zapewniły najlepsze dopasowanie do dostępnych danych, zostały połączone w celu uzyskania wysokiej jakości rekonstrukcji brakujących danych. Powstały obraz został następnie ponownie przetworzony w celu dopasowania do rzeczywistej maksymalnej rozdzielczości EHT.

Naukowcy twierdzą, że nowy obraz powinien doprowadzić do dokładniejszego określenia masy czarnej dziury M87 oraz zasięgu jej horyzontu zdarzeń i pierścienia akrecyjnego. Decyzje te z kolei mogą prowadzić do bardziej solidnych testów alternatywnych teorii dotyczących czarnych dziur i grawitacji.

Wyraźniejszy obraz M87 to dopiero początek. PRIMO można również wykorzystać do wyostrzenia rozmytego obrazu Sagittarius A*, supermasywnej czarnej dziury w naszym centrum, wykonanej przez Teleskop Horyzontu Zdarzeń.[{” attribute=””>Milky Way galaxy. And that’s not all: The machine learning techniques employed by PRIMO could be applied to much more than black holes. “This could have important implications for interferometry, which plays a role in fields from exoplanets to medicine,” Medeiros said.

Adapted from an article originally published on Universe Today.

Reference: “The Image of the M87 Black Hole Reconstructed with PRIMO” by Lia Medeiros, Dimitrios Psaltis, Tod R. Lauer and Feryal Özel3, 13 April 2023, The Astrophysical Journal Letters.
DOI: 10.3847/2041-8213/acc32d