Sieć neuronowa pomogła uzyskać najczystsze zdjęcia „cienia” czarnej dziury

Image

Źródło: EHT

Zespół Teleskopu Horyzontu Zdarzeń (EHT) zastosował nowatorski system uczenia maszynowego PRIMO, aby ponownie przeanalizować dane z obserwacji galaktyki M87 i uzyskać wyraźniejsze obrazy "cienia" supermasywnej czarnej dziury M87*. Wyniki tej pracy opublikowano w The Astrophysical Journal Letters, a informacje o nich podało amerykańskie Narodowe Laboratorium Astronomii Optycznej i Podczerwonej (NOIRLab).

 

Dzięki algorytmowi uczenia maszynowego PRIMO zespół osiągnął najwyższą teoretycznie możliwą rozdzielczość dla obecnej konfiguracji EHT, co pozwoliło na dokładniejsze przedstawienie struktury "cienia" czarnej dziury, w tym grubości jej "pierścienia ognia". To ważne odkrycie dla testowania teorii opisujących zachowanie czarnych dziur i siły grawitacji - mówi Leah Medeiros, badaczka z Institute for Advanced Study w Princeton (USA).

 

Pierwsze zdjęcia "cienia" supermasywnej czarnej dziury, będące swoistym "odbiciem" jej horyzontu zdarzeń, opublikowano w kwietniu 2019 roku. Uzyskano je obserwując centralny obszar galaktyki eliptycznej M87 w gwiazdozbiorze Panny. Obserwacje te były częścią projektu Event Horizon Telescope (EHT), wirtualnego obserwatorium interferometrycznego, łączącego osiem najczulszych mikrofalowych obserwatoriów radiowych na świecie.

 

Medeiros i jej zespół użyli systemu sztucznej inteligencji PRIMO, opartego na uczeniu się słownictwa, aby wyostrzyć obrazy "cienia" czarnej dziury. System został opracowany specjalnie do analizy danych uzyskanych przez radioteleskopy podczas obserwacji w trybie interferometrycznym. Dla jego nauki przygotowano 30 000 modeli komputerowych supermasywnych czarnych dziur, pochłaniających materię i emitujących wiązki fal radiowych oraz promieniowanie mikrofalowe.

 

Wykorzystując nowy system uczenia maszynowego, astrofizycy ponownie przeanalizowali dane zebrane przez teleskopy EHT podczas obserwacji galaktyki M87. Dzięki temu udało się znacznie poprawić jakość obrazów oraz wyjaśnić rozmiar "pierścienia ognia" otaczającego "cień" czarnej dziury. Okazało się, że jest on mniej więcej dwa razy cieńszy niż wcześniej sądzono. Nowe oszacowania grubości "pierścienia ognia" pozwolą astrofizykom teoretycznym ograniczyć liczbę teorii opisujących możliwą strukturę czarnych dziur oraz ich interakcje ze światem zewnętrznym. Odkrycia te mają istotne implikacje dla badań nad czarnymi dziurami, ponieważ lepsze zrozumienie ich struktury i oddziaływań może prowadzić do nowych odkryć w dziedzinie astrofizyki.

 

W miarę jak technologia uczenia maszynowego będzie się rozwijać, naukowcy będą mogli coraz skuteczniej analizować dane z obserwacji, co może prowadzić do dalszego udoskonalenia obrazów "cieni" czarnych dziur oraz wyjaśnienia innych zagadkowych zjawisk we wszechświecie. Badania te są ważne nie tylko dla astrofizyki, ale także dla zrozumienia fundamentalnych praw przyrody, które rządzą naszym Wszechświatem.

 

Praca zespołu EHT oraz zastosowanie nowego systemu uczenia maszynowego PRIMO to kolejny krok na drodze do pełniejszego zrozumienia tajemniczych czarnych dziur. Dalsze badania i rozwój technologii przyczynią się do rozwoju nauki i mogą prowadzić do odkryć, które obecnie wydają się być poza naszym zasięgiem.

Ocena:
Brak ocen

Dodaj komentarz

Treść tego pola jest prywatna i nie będzie udostępniana publicznie.
loading...