Ikoniczny obraz supermasywnej czarnej dziury w centrum M87 – czasami określany jako „rozmyty, pomarańczowy pączek” – otrzymał swoją pierwszą oficjalną metamorfozę z pomocą uczenia maszynowego. Nowe zdjęcie dodatkowo odsłania obszar centralny, który jest większy i ciemniejszy, otoczony jasnym akreującym gazem w kształcie „chudego pączka”. Zespół wykorzystał dane uzyskane w ramach współpracy Event Horizon Telescope (EHT) w 2017 roku i po raz pierwszy uzyskał pełną rozdzielczość macierzy.
W 2017 roku zespół EHT wykorzystał sieć siedmiu wcześniej istniejących teleskopów na całym świecie do zebrania danych o M87, tworząc „teleskop wielkości Ziemi”. Ponieważ jednak niewykonalne jest pokrycie całej powierzchni Ziemi teleskopami, w danych pojawiają się luki – jak brakujące elementy układanki.
„Dzięki naszej nowej technice uczenia maszynowego, PRIMO, byliśmy w stanie osiągnąć maksymalną rozdzielczość obecnej macierzy” – mówi główny autor Lia Medeiros z Institute for Advanced Study. „Ponieważ nie możemy badać czarnych dziur z bliska, szczegóły obrazu odgrywają kluczową rolę w naszej zdolności zrozumienia ich zachowania. Szerokość pierścienia na obrazie jest teraz mniejsza o około dwa razy, co będzie potężne ograniczenie dla naszych modeli teoretycznych i testów grawitacji”.
PRIMO, co oznacza modelowanie interferometryczne głównych komponentów, zostało opracowane przez członków EHT, Lię Medeiros (Instytut Badań Zaawansowanych), Dimitriosa Psaltisa (Georgia Tech), Toda Lauera (NOIRLab) i Feryala Özela (Georgia Tech). Ich publikacja „The Image of the M87 Black Hole Reconstructed with PRIMO” jest już dostępna w The Astrophysical Journal Letters.
„PRIMO to nowe podejście do trudnego zadania konstruowania obrazów z obserwacji EHT” – powiedział Lauer. „Zapewnia sposób na zrekompensowanie brakujących informacji o obserwowanym obiekcie, które są wymagane do wygenerowania obrazu, który można by zobaczyć za pomocą jednego gigantycznego radioteleskopu wielkości Ziemi”.
PRIMO opiera się na uczeniu słownikowym, gałęzi uczenia maszynowego, która umożliwia komputerom generowanie reguł na podstawie dużych zbiorów materiałów szkoleniowych. Na przykład, jeśli komputer otrzyma serię różnych obrazów bananów – przy odpowiednim przeszkoleniu – może być w stanie określić, czy nieznany obraz jest bananem, czy nie. Poza tym prostym przypadkiem wszechstronność uczenia maszynowego została zademonstrowana na wiele sposobów: od tworzenia dzieł sztuki w stylu renesansu po ukończenie niedokończonego dzieła Beethovena. Jak więc maszyny mogą pomóc naukowcom w renderowaniu obrazu czarnej dziury? Zespół badawczy odpowiedział właśnie na to pytanie.
Za pomocą PRIMO komputery przeanalizowały ponad 30 000 symulowanych obrazów o wysokiej wierności czarnych dziur gromadzących gaz. Zespół symulacji obejmował szeroki zakres modeli akrecji materii przez czarną dziurę, szukając wspólnych wzorców w strukturze obrazów. Różne wzorce struktury zostały posortowane według tego, jak często występowały w symulacjach, a następnie zostały połączone w celu zapewnienia bardzo dokładnej reprezentacji obserwacji EHT, zapewniając jednocześnie wysoką wierność oszacowania brakującej struktury obrazów. Artykuł dotyczący samego algorytmu został opublikowany w The Astrophysical Journal 3 lutego 2023 r.
„Wykorzystujemy fizykę do wypełniania obszarów brakujących danych w sposób, jakiego nigdy wcześniej nie robiono za pomocą uczenia maszynowego” – dodał Medeiros. „Może to mieć ważne implikacje dla interferometrii, która odgrywa rolę w dziedzinach od planet pozasłonecznych po medycynę”.
Zespół potwierdził, że nowo zrenderowany obraz jest zgodny z danymi z EHT i oczekiwaniami teoretycznymi, w tym jasnym pierścieniem emisji, który prawdopodobnie zostanie wytworzony przez gorący gaz wpadający do czarnej dziury. Wygenerowanie obrazu wymagało przyjęcia odpowiedniej formy brakujących informacji, a PRIMO zrobił to, opierając się na odkryciu z 2019 r., że czarna dziura M87 w najdrobniejszych szczegółach wyglądała zgodnie z przewidywaniami.
„Około cztery lata po tym, jak pierwszy obraz czarnej dziury w skali horyzontu został odsłonięty przez EHT w 2019 r., wyznaczyliśmy kolejny kamień milowy, tworząc obraz, który po raz pierwszy wykorzystuje pełną rozdzielczość macierzy” – powiedział Psaltis. „Nowe techniki uczenia maszynowego, które opracowaliśmy, stanowią doskonałą okazję dla naszej wspólnej pracy, aby zrozumieć fizykę czarnych dziur”.
Nowe zdjęcie powinno pozwolić na dokładniejsze określenie masy czarnej dziury M87 oraz parametrów fizycznych, które decydują o jej obecnym wyglądzie. Dane dają również naukowcom możliwość nałożenia większych ograniczeń na alternatywy dla horyzontu zdarzeń (w oparciu o ciemniejsze obniżenie centralnej jasności) i przeprowadzenie bardziej solidnych testów grawitacji (w oparciu o węższy rozmiar pierścienia). PRIMO można również zastosować do dodatkowych obserwacji EHT, w tym Sgr A*, centralnej czarnej dziury w naszej własnej galaktyce Drogi Mlecznej.
M87 to masywna, stosunkowo pobliska galaktyka w gromadzie galaktyk w Pannie. Ponad sto lat temu zaobserwowano tajemniczy strumień gorącej plazmy wydobywający się z jego centrum. Począwszy od lat pięćdziesiątych XX wieku nowa wówczas technika radioastronomiczna wykazała, że w centrum galaktyki znajduje się zwarte, jasne źródło radiowe. W latach sześćdziesiątych XX wieku podejrzewano, że M87 ma w swoim centrum masywną czarną dziurę, która napędza tę aktywność. Pomiary wykonane za pomocą teleskopów naziemnych począwszy od lat 70., a później Kosmicznego Teleskopu Hubble’a począwszy od lat 90., dostarczyły mocnych dowodów na to, że M87 rzeczywiście zawiera czarną dziurę o masie kilku miliardów mas Słońca, na podstawie obserwacji dużych prędkości gwiazdy i gaz krążący wokół jego centrum. Obserwacje EHT M87 z 2017 r. zostały wykonane w ciągu kilku dni z kilku różnych radioteleskopów połączonych ze sobą w tym samym czasie, aby uzyskać najwyższą możliwą rozdzielczość. Kultowe już zdjęcie czarnej dziury M87 w kształcie „pomarańczowego pączka”, opublikowane w 2019 r., odzwierciedla pierwszą próbę stworzenia obrazu z tych obserwacji.
„Obraz z 2019 roku to dopiero początek” – stwierdził Medeiros. „Jeśli obraz jest wart tysiąca słów, dane leżące u podstaw tego obrazu mają o wiele więcej do opowiedzenia. PRIMO nadal będzie krytycznym narzędziem do wydobywania takich spostrzeżeń”.
Opracowanie algorytmu PRIMO było możliwe dzięki wsparciu National Science Foundation Astronomy and Astrophysics Postdoctoral Fellowship.