Kecerdasan buatan mengungkapkan tampilan resolusi tinggi yang menakjubkan dari lubang hitam supermasif M87

Gunakan astronom[{” 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.

Ikhtisar simulasi yang dihasilkan untuk set pelatihan algoritma PRIMO. Kredit: Medeiros et al. 2023

Gambar EHT dari lubang hitam supermasif di pusat galaksi elips yang dikenal sebagai M87, sekitar 55 juta tahun cahaya dari Bumi, memukau dunia sains pada tahun 2019. Gambar tersebut dihasilkan dengan menggabungkan pengamatan dari berbagai teleskop radio global — tetapi kesenjangan dalam Data berarti bahwa gambar itu agak tambal sulam dan tidak jelas.

Dalam sebuah penelitian yang diterbitkan minggu lalu di Surat Jurnal AstrofisikaTim astronom internasional menggambarkan bagaimana mereka mengisi kekosongan dengan menganalisis lebih dari 30.000 gambar simulasi lubang hitam.

“Dengan menggunakan metode pembelajaran mesin baru, PRIMO, kami dapat mencapai akurasi maksimum untuk matriks yang ada,” kata penulis utama studi Leah Medeiros dari Institute for Advanced Study dalam siaran pers.

PRIMO telah mempersempit dan mempertajam pandangan EHT terhadap cincin materi panas yang mengorbit lubang hitam saat jatuh ke dalam singularitas gravitasi. Medeiros menjelaskan bahwa ini membuatnya lebih dari sekadar foto yang lebih cantik.

“Karena kita tidak dapat mempelajari lubang hitam secara dekat, detail gambar memainkan peran penting dalam kemampuan kita untuk memahami perilakunya,” katanya. “Lebar cincin pada gambar sekarang sekitar dua kali lebih kecil, yang akan menjadi batasan kuat untuk model teoretis dan uji gravitasi kami.”

Teknik yang dikembangkan oleh Medeiros dan rekan-rekannya – dikenal sebagai Pemodelan interferometri komponen utama, atau singkatnya PRIMO – menganalisis kumpulan data besar dari gambar pelatihan untuk mengetahui cara terbaik untuk mengisi data yang hilang. Ini mirip dengan cara yang digunakan peneliti AI untuk menganalisis karya musik Ludwig von Beethoven Menghasilkan skor untuk Simfoni Kesepuluh yang Belum Selesai dari komposer.

Puluhan ribu gambar EHT yang disimulasikan telah dimasukkan ke dalam model PRIMO, mencakup berbagai pola struktur gas yang berputar-putar di lubang hitam M87. Simulasi yang memberikan kesesuaian terbaik dengan data yang tersedia digabungkan bersama untuk menghasilkan rekonstruksi data yang hilang dengan ketelitian tinggi. Gambar yang dihasilkan kemudian diproses ulang agar sesuai dengan resolusi maksimum EHT yang sebenarnya.

Para peneliti mengatakan gambar baru harus mengarah pada penentuan massa lubang hitam M87 yang lebih akurat dan luas cakrawala peristiwa dan cincin akresinya. Keputusan ini, pada gilirannya, dapat mengarah pada pengujian teori alternatif yang lebih kuat mengenai lubang hitam dan gravitasi.

Gambaran M87 yang lebih jelas hanyalah permulaan. PRIMO juga dapat digunakan untuk mempertajam pandangan kabur Sagitarius A* dari Teleskop Event Horizon, lubang hitam supermasif di pusat kita.[{” 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