Yapay zeka, M87’nin süper kütleli kara deliğinin çarpıcı, yüksek çözünürlüklü bir görüntüsünü ortaya koyuyor

gökbilimcileri kullanın[{” 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.

PRIMO algoritması eğitim seti için oluşturulan simülasyonlara genel bakış. Kredi bilgileri: Medeiros ve ark. 2023

Dünya’dan yaklaşık 55 milyon ışıkyılı uzaklıkta, M87 olarak bilinen eliptik bir galaksinin merkezindeki süper kütleli kara deliğin bir EHT görüntüsü, 2019’da bilim dünyasının gözlerini kamaştırdı. Görüntü, küresel bir radyo teleskop dizisinden alınan gözlemlerin birleştirilmesiyle üretildi — ancak verilerdeki boşluklar, resmin biraz düzensiz ve bulanık olduğu anlamına gelir.

Geçen hafta yayınlanan bir çalışmada, Astrofizik Dergi MektuplarıUluslararası bir gökbilimciler ekibi, bir kara deliğin 30.000’den fazla simüle edilmiş görüntüsünü analiz ederek boşlukları nasıl doldurduklarını anlattı.

Institute for Advanced Study’den çalışma baş yazarı Leah Medeiros bir basın açıklamasında, “Yeni bir makine öğrenme yöntemi olan PRIMO kullanarak, mevcut matris için maksimum doğruluk elde edebildik” dedi.

PRIMO, EHT’nin yerçekimi tekilliğine düşen kara deliğin yörüngesinde dönen sıcak madde halkasına ilişkin görüşünü daralttı ve keskinleştirdi. Medeiros, bunun kendisini daha güzel bir fotoğraftan daha fazlası yaptığını açıkladı.

“Kara delikleri yakından inceleyemeyeceğimiz için, görüntünün ayrıntıları onların davranışlarını anlama becerimizde önemli bir rol oynuyor” dedi. “Görüntüdeki halkanın genişliği şimdi yaklaşık iki kat daha küçük, bu da teorik modellerimiz ve yerçekimi testlerimiz için güçlü bir sınırlama olacak.”

Medeiros ve meslektaşları tarafından geliştirilen teknik Temel bileşen interferometri modellemesi, veya kısaca PRIMO – eksik verileri doldurmanın en iyi yollarını bulmak için eğitim görüntülerinin büyük veri kümelerini analiz eder. Yapay zeka araştırmacılarının Ludwig von Beethoven’ın müzik eserlerini analiz etmek için kullandıkları yönteme benzer. Bestecinin Bitmemiş Onuncu Senfonisi için bir partisyon üretir..

M87’nin kara deliğinde dönen gazın çok çeşitli yapısal modellerini kapsayan on binlerce simüle edilmiş EHT görüntüsü PRIMO modeline beslendi. Mevcut verilere en iyi uyumu sağlayan simülasyonlar, kayıp verilerin aslına uygun bir şekilde yeniden oluşturulmasını sağlamak için bir araya getirildi. Ortaya çıkan görüntü daha sonra EHT’nin gerçek maksimum çözünürlüğüne uyacak şekilde yeniden işlendi.

Araştırmacılar, yeni görüntünün M87’nin kara deliğinin kütlesinin ve olay ufkunun ve toplanma halkasının kapsamının daha doğru belirlenmesine yol açması gerektiğini söylüyor. Bu kararlar, sırayla, kara delikler ve yerçekimi ile ilgili alternatif teorilerin daha sağlam testlerine yol açabilir.

M87’nin daha net görüntüsü sadece başlangıç. PRIMO, Event Horizon Telescope’un merkezimizdeki süper kütleli kara delik olan Sagittarius A*’nın bulanık görüntüsünü keskinleştirmek için de kullanılabilir.[{” 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