Międzynarodowy zespół astronomów wyszkolił sieć neuronową z milionami syntetycznych symulacji i sztucznej inteligencji (AI), aby drażnić nowe kosmiczne ciekawości na temat czarnych dziur, ujawniając, że ta w centrum naszej Drogi Mlecznej wiruje z prawie maksymalną prędkością.
Te duże zespoły symulacji zostały wygenerowane przez możliwości obliczeń przepustowców dostarczone przez Centrum obliczeń o wysokiej przepustowości (CHTC), wspólnego podmiotu Morgridge Institute for Research i University of Wisconsin-Madison. Astronomowie opublikowali dziś swoje wyniki i metodologię w trzech artykułach w czasopiśmie Astronomy & Astrophysics.
Wysokiej przepustowości obliczeniowej, obchodząc w tym roku 40. rocznicę, był pionierem w Wisconsin Computerist Migan Livny. Jest to nowatorska forma komputerów rozproszonych, która automatyzuje zadania obliczeniowe w sieci tysięcy komputerów, zasadniczo przekształcając jedno masywne wyzwanie komputerowe w doładowaną flotę mniejszych. Ta innowacja obliczeniowa pomaga napędzać odkrycie dużych data w setkach projektów naukowych na całym świecie, w tym poszukiwania kosmicznych neutrin, cząstek subatomowych i fal grawitacyjnych, a także odkrywania oporności na antybiotyki.
W 2019 r. Współpraca Telescope Event Horizon (EHT) opublikowała pierwszy obraz supermasywnej czarnej dziury w centrum Galaxy M87. W 2022 r. Przedstawili wizerunek czarnej dziury w centrum naszej Drogi Mlecznej, Strzelca A*. Jednak dane stojące za obrazami nadal zawierały bogactwo trudnych do łamania informacji. Międzynarodowy zespół naukowców przeszkolił sieć neuronową w celu wyodrębnienia jak największej ilości informacji z danych.
Od garstki do milionów
Wcześniejsze badania przeprowadzone przez EHT Collaboration wykorzystały tylko garść realistycznych syntetycznych plików danych. Finansowany przez National Science Foundation (NSF) w ramach projektu Partnership w celu wyprzedzenia przepustowości (PATH PATH), CHTC z Madison umożliwił astronomom przekazując miliony takich plików danych do tak zwanej sieci neuronowej Bayesa, która może określić ilościowo niepewność. To pozwoliło badaczom dokonać znacznie lepszego porównania danych EHT i modeli.
Dzięki sieci neuronowej naukowcy podejrzewają teraz, że czarna dziura w centrum Drogi Mlecznej wiruje z prawie maksymalną prędkością. Jego oś obrotu wskazuje na Ziemię. Ponadto emisja w pobliżu czarnej dziury jest głównie spowodowana wyjątkowo gorącymi elektronami na otaczającym dysku akrecyjnym, a nie przez tak zwany strumień. Również pola magnetyczne na dysku akrecyjnym wydają się zachowywać inaczej niż zwykłe teorie takich dysków.
„To, że przeciwstawiamy się panującej teorii, jest oczywiście ekscytujące” – mówi główny badacz Michael Janssen z Radboud University Nijmegen, Holandia. „Widzę jednak naszą sztuczną inteligencję i uczenie maszynowe przede wszystkim jako pierwszy krok. Następnie poprawimy i rozszerzymy powiązane modele i symulacje”.
Imponujące skalowanie
„Możliwość skalowania do milionów syntetycznych plików danych wymaganych do szkolenia modelu jest imponującym osiągnięciem”, dodaje Chi-Kwan Chan, stowarzyszony astronom obserwatorium Steward na University of Arizona i długoletni współpracownik ścieżki. „Wymaga niezawodnej automatyzacji przepływu pracy i skutecznego rozkładu obciążenia w zakresie zasobów pamięci i pojemności przetwarzania”.
„Cieszymy się, że EHT wykorzystuje nasze możliwości komputerowe w celu wprowadzenia siły AI do swojej nauki”-mówi profesor Anthony Gitter, śledczy Morgridge i współtwórca ścieżki. „Podobnie jak w przypadku innych domen naukowych, możliwości CHTC pozwoliły badaczom EHT zebrać ilość i jakość danych gotowych do AI potrzebnych do wyszkolenia skutecznych modeli, które ułatwiają odkrycie naukowe”.
Otwarta pula naukowa finansowana przez NSF, obsługiwaną przez PATH, oferuje pojemność obliczeniową wniesioną przez ponad 80 instytucji w Stanach Zjednoczonych. Projekt Event Horizon Black Hole wykonał ponad 12 milionów miejsc pracy w ciągu ostatnich trzech lat.
„Obciążenie pracą, które składa się z milionów symulacji, idealnie pasuje do naszych możliwości zorientowanych na przepustowość, które zostały opracowane i dopracowane przez cztery dekady”-mówi Livny, dyrektor CHTC i główny śledczy Path. „Uwielbiamy współpracować z badaczami, którzy mają obciążenia, które podważają skalowalność naszych usług”.
Odwołane dokumenty naukowe
Głębokie uczenie się wnioskowania z teleskopem horyzontu zdarzenia I. Ulepszenia kalibracji i kompleksowa syntetyczna biblioteka danych. Przez: M. Janssen i in. W: Astronomia & Astrophysics, 6 czerwca 2025 r.
Głębokie uczenie się wnioskowania z horyzontem zdarzeń teleskopu II. Ramy zingularności dla bayesowskich sztucznych sieci neuronowych. Przez: M. Janssen i in. W: Astronomia & Astrophysics, 6 czerwca 2025 r.
Głębokie uczenie się wnioskowania z horyzontem zdarzeń teleskopu III. Zingularność wynika z obserwacji i prognoz 2017 dla przyszłych rozszerzeń tablicy. Przez: M. Janssen i in. W: Astronomia & Astrophysics, 6 czerwca 2025 r.