Искусственный интеллект показывает потрясающий вид сверхмассивной черной дыры M87 в высоком разрешении

Используйте астрономов[{» 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.

Обзор симуляций, созданных для обучающего набора алгоритма PRIMO. Предоставлено: Медейрос и др. 2023

EHT-изображение сверхмассивной черной дыры в центре эллиптической галактики, известной как M87, примерно в 55 миллионах световых лет от Земли, ошеломило научный мир в 2019 году. Изображение было получено путем объединения наблюдений с глобальной сети радиотелескопов — но пробелы в данных означают, что картина была несколько неоднородной и нечеткой.

В исследовании, опубликованном на прошлой неделе в Письма из астрофизического журналаМеждународная группа астрономов описала, как они заполнили пробелы, проанализировав более 30 000 смоделированных изображений черной дыры.

«Используя новый метод машинного обучения PRIMO, мы смогли добиться максимальной точности для существующей матрицы», — заявила в пресс-релизе ведущий автор исследования Лия Медейрос из Института перспективных исследований.

PRIMO сузил и обострил представление EHT о кольце горячей материи, вращающемся вокруг черной дыры, когда она падает в гравитационную сингулярность. Медейрос объяснил, что это делает его больше, чем просто более красивой фотографией.

«Поскольку мы не можем внимательно изучать черные дыры, детали изображения играют важную роль в нашей способности понять их поведение», — сказала она. «Ширина кольца на изображении теперь примерно в два раза меньше, что будет сильным ограничением для наших теоретических моделей и гравитационных тестов».

Техника, разработанная Медейрос и ее коллегами, известная как Моделирование интерферометрии главных компонент, или для краткости PRIMO — анализирует большие наборы обучающих изображений, чтобы выяснить, как лучше заполнить недостающие данные. Это похоже на то, как исследователи ИИ анализировали музыкальные произведения Людвига фон Бетховена. Создает партитуру к Неоконченной Десятой симфонии композитора..

В модель PRIMO были загружены десятки тысяч смоделированных EHT-изображений, охватывающих широкий спектр структурных паттернов закрученного газа в черной дыре M87. Моделирование, которое обеспечило наилучшее соответствие имеющимся данным, было объединено для получения высокоточной реконструкции отсутствующих данных. Полученное изображение затем повторно обрабатывали, чтобы оно соответствовало фактическому максимальному разрешению EHT.

Исследователи говорят, что новое изображение должно привести к более точному определению массы черной дыры M87, протяженности ее горизонта событий и аккреционного кольца. Эти решения, в свою очередь, могут привести к более надежным проверкам альтернативных теорий о черных дырах и гравитации.

Более четкая картина M87 — это только начало. PRIMO также можно использовать для повышения резкости нечеткого изображения Телескопом Горизонта Событий Стрельца А*, сверхмассивной черной дыры в нашем центре.[{» 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