Алгоритм ШІ покращує зображення чорної діри M87

Культове зображення надмасивної чорної діри в центрі M87, яке іноді називають «нечітким помаранчевим пончиком», було вперше офіційно змінено за допомогою машинного навчання. На новому зображенні також видно центральну область, яка є більшою та темнішою, оточена яскравим газом, що наростає, у формі «тонкого пончика». Команда використала дані, отримані за допомогою телескопа Event Horizon Telescope (EHT) у 2017 році, і вперше досягла повної роздільної здатності масиву.

У 2017 році колаборація EHT використовувала мережу з семи раніше існуючих телескопів по всьому світу, щоб зібрати дані про M87, створивши «телескоп розміром із Землю». Однак, оскільки неможливо охопити всю поверхню Землі телескопами, у даних виникають прогалини, як пропущені фрагменти в мозаїці.

«За допомогою нашої нової техніки машинного навчання PRIMO ми змогли досягти максимальної роздільної здатності поточного масиву», — каже провідний автор Ліа Медейрос з Інституту передових досліджень. «Оскільки ми не можемо досліджувати чорні діри зблизька, деталізація зображення відіграє вирішальну роль у нашій здатності зрозуміти її поведінку. Ширина кільця на зображенні тепер менша приблизно у два рази, що буде потужним обмеженням для наших теоретичних моделей і випробувань гравітації».

PRIMO, що означає інтерферометричне моделювання головних компонентів, було розроблено членами EHT Лією Медейрос (Інститут перспективних досліджень), Дімітріосом Псалтісом (Технічний університет Джорджії), Тодом Лауером (NOIRLab) і Феріалом Озелем (Технічний університет Грузії ) . Їхня публікація «Зображення чорної діри M87, реконструйоване за допомогою PRIMO» була опублікована сьогодні (13 квітня) в The Astrophysical Journal Letters .

«PRIMO — це новий підхід до важкого завдання побудови зображень зі спостережень EHT», — сказав Лауер. «Це забезпечує спосіб компенсувати відсутню інформацію про спостережуваний об’єкт, необхідну для створення зображення, яке можна було б побачити за допомогою одного гігантського радіотелескопа розміром із Землю».

PRIMO спирається на навчання за словниками, гілку машинного навчання, яка дозволяє комп’ютерам генерувати правила на основі великих наборів навчального матеріалу. Наприклад, якщо в комп’ютер надіслати серію різних зображень банана — з достатнім навчанням — він зможе визначити, чи є невідоме зображення бананом, чи ні. Крім цього простого випадку, універсальність машинного навчання була продемонстрована багатьма способами: від створення творів мистецтва в стилі Ренесансу до завершення незавершеного твору Бетховена. Отже, як машини можуть допомогти вченим відобразити зображення чорної діри? Дослідницька група відповіла саме на це питання.

За допомогою PRIMO комп’ютери проаналізували понад 30 000 високоякісних змодельованих зображень чорних дір, що накопичують газ. Ансамбль симуляцій охоплював широкий спектр моделей того, як чорна діра зрощує матерію, шукаючи спільні шаблони в структурі зображень. Різні моделі структури були відсортовані за тим, наскільки часто вони зустрічалися в симуляції, а потім були змішані, щоб забезпечити високоточне представлення спостережень EHT, одночасно забезпечуючи високу точність оцінки відсутньої структури зображень. Стаття, що стосується самого алгоритму, була опублікована в The Astrophysical Journal 3 лютого 2023 року.

«Ми використовуємо фізику, щоб заповнити області відсутніх даних у спосіб, який ніколи раніше не робили за допомогою машинного навчання», — додав Медейрос. «Це може мати важливі наслідки для інтерферометрії, яка відіграє важливу роль у полях від екзопланет до медицини».