به گزارش ایسنا، تصویر ابرسیاه‌چاله واقع در قلب کهکشان مسیه ۸۷ توسط یک برنامه یادگیری ماشینی آموزش دیده بر روی مدل‌های سیاه‌چاله ارتقا یافت.

در واقع این سیاه‌چاله کلان‌جرم دوردست، پس از اعمال تغییرات و اصلاحات توسط یک ابررایانه، اکنون واضح‌تر به نظر می‌رسد.

این «دونات نارنجی تار» که در اولین تصویر از یک سیاه‌چاله که تاکنون گرفته شده است، مشاهده می‌شود، حالا با کمک فناوری یادگیری ماشینی و هوش مصنوعی به یک «حلقه طلایی نازک» تبدیل شده است.

بازتعریف این تصویر از ابرسیاه‌چاله واقع در قلب کهکشان مسیه ۸۷(M۸۷) می‌تواند به درک بهتر ویژگی‌های آن کمک کند و همچنین می‌تواند به سیاه‌چاله واقع در قلب کهکشان خودمان، یعنی کهکشان راه شیری نیز تعمیم یابد.

تصویر تاریخی ابرسیاه‌چاله M۸۷ معروف به *M۸۷ توسط تلسکوپ افق رویداد (EHT) گرفته و در سال ۲۰۱۹ برای عموم رونمایی شد. داده‌های ایجاد این تصویر توسط EHT طی چند روز در سال ۲۰۱۷ جمع آوری شد.

تلسکوپ افق رویداد شبکه‌ای از هفت تلسکوپ در سراسر جهان است که یک تلسکوپ به اندازه زمین ایجاد می‌کند، اما برخلاف قدرت رصد ترکیبی آن، هنوز هم شکاف‌هایی در داده‌هایی که جمع آوری می‌کند، مانند قطعات گمشده یک پازل وجود دارد.

گروهی از پژوهشگران تحت سرپرستی لیا مدیروس، عضو شورای همکاری EHT و دانشجوی فوق‌دکتری اخترفیزیک از یک روش یادگیری ماشینی جدید به نام مدل‌سازی تداخل‌سنجی با مولفه اصلی یا پریمو (PRIMO) برای پر کردن این شکاف‌ها در تصویر این سیاه‌چاله و تقویت آرایه EHT تا حداکثر توان خود استفاده کردند تا برای اولین بار به این وضوح برسند.

مدیروس در بیانیه‌ای گفت: از آنجایی که نمی‌توانیم سیاه‌چاله‌ها را از نزدیک مطالعه کنیم، جزئیات یک تصویر، نقش مهمی در توانایی ما برای درک رفتار آن بازی می‌کند. عرض حلقه دور سیاه‌چاله در این تصویر اکنون حدوداً دو برابر کمتر شده است که مولفه و محدودیتی قدرتمند برای مدل‌های نظری و آزمایش‌های گرانشی ما خواهد بود.

هنگامی که تصویر ابرسیاه‌چاله M۸۷* که ۵۵ میلیون سال نوری از زمین فاصله دارد و جرمی معادل شش و نیم میلیارد خورشید دارد، برای اولین بار آشکار شد، دانشمندان از اینکه چقدر با پیش‌بینی‌های نظریه نسبیت عام آلبرت اینیشتین در سال ۱۹۱۵ مطابقت دارد، شگفت زده شدند.

تصویر جدید تصحیح شده توسط PRIMO از *M۸۷ به دانشمندان فرصتی می‌دهد تا مشاهدات از یک سیاه‌چاله واقعی را با پیش بینی‌های نظری بهتر مطابقت دهند.

تاد لارر(Tod Lauer) عضو شورای همکاری EHT می‌گوید: PRIMO یک رویکرد جدید برای کار دشوار ساخت تصاویر از مشاهدات EHT است. این روشی برای جبران اطلاعات از دست رفته در مورد جرم مورد مشاهده فراهم می‌کند که برای تولید تصویری که با استفاده از یک تلسکوپ رادیویی غول پیکر به اندازه زمین دیده می‌شود، مورد نیاز است.

آموزش PRIMO برای ایجاد تصویری بهتر از سیاه‌چاله

مؤسسه مطالعات پیشرفته پرینستون توضیح داد که PRIMO با استفاده از یادگیری فرهنگ لغت، در شاخه‌ای از یادگیری ماشینی کار می‌کند که رایانه‌ها را قادر می‌سازد تا قوانینی را بر اساس مجموعه‌های بزرگی از داده‌های آموزشی تولید کنند. به عنوان مثال، اگر به برنامه‌ای مانند این تعدادی تصویر از یک موز داده شود، می‌تواند یاد بگیرد که آیا تصویر یک شیء ناشناخته موز است یا خیر.

دانشمندان برای آموزش PRIMO به منظور انجام همین کار در مورد سیاه‌چاله‌ها در فرآیندی که «برافزایش» نامیده می‌شود، ۳۰ هزار تصویر شبیه‌سازی شده با کیفیت بالا از این ول‌های کیهانی را در حالی که از گازهای اطراف تغذیه می‌کنند، به آن دادند. این تصاویر گستره وسیعی از پیش‌بینی‌های نظری را در مورد چگونگی ایجاد ماده در سیاه‌چاله‌ها به PRIMO می‌دهند و به آن اجازه می‌دهند الگوها را شکار کند.

این الگوها پس از شناسایی بر اساس تعداد دفعاتی که در شبیه‌سازی‌ها لحاظ می‌شوند، دسته‌بندی می‌شوند. سپس می‌توانند در تصاویر EHT گنجانده شوند تا تصویری با وفاداری بالا نسبت به داده‌های به دست آمده از *M۸۷ ایجاد کند و ساختارهایی را که ممکن است این تلسکوپ از دست داده باشد، آشکار کند.

مدیروس توضیح داد: ما از فیزیک برای پر کردن شکاف موجود در داده‌های از دست رفته به روشی که قبلاً هرگز با استفاده از یادگیری ماشین انجام نشده بود، استفاده می‌کنیم. این روش می‌تواند پیامدهای مهمی برای تداخل‌سنجی داشته باشد که در زمینه‌هایی نظیر سیارات فراخورشیدی گرفته تا پزشکی نقش دارد.

تصویر حاصله ارائه شده توسط PRIMO با داده‌های EHT و مدل‌های نظری سیاه‌چاله‌ها مطابقت دارد. این مدل‌ها توضیح می‌دهند که حلقه درخشانی که در تصاویر *M۸۷ مشاهده می‌شود، نتیجه شتاب گاز با سرعت نزدیک به نور توسط تأثیر گرانشی باورنکردنی سیاه‌چاله است. این باعث می‌شود گاز گرم شود و در حالی که در اطراف سطح به دام انداختن نور که مرزهای بیرونی سیاه‌چاله به نام افق رویداد را تشکیل می‌دهد، می‌درخشد.

مدیروس تاکید کرد: تقریباً چهار سال پس از پرده برداری از اولین تصویر از یک سیاه‌چاله توسط EHT در سال ۲۰۱۹، ما نقطه عطف دیگری را رقم زدیم و تصویری را تولید کردیم که برای اولین بار از وضوح کامل استفاده می‌کند.

وی افزود: روش  های جدید یادگیری ماشینی که ما توسعه داده‌ایم، فرصتی طلایی برای کار جمعی برای درک فیزیک سیاه‌چاله‌ها فراهم می‌کند.

روش PRIMO اکنون می‌تواند برای تصویر ابرسیاه‌چاله واقع در قلب کهکشان راه شیری اعمال شود.

تلسکوپ EHT ، تصویری از سیاه‌چاله مرکز کهکشان راه شیری را که کوچکتر اما بسیار نزدیکتر از *M۸۷ به ما است، به نام کمان ای* (Sagittarius A*) یا Sgr A* را در ماه مه ۲۰۲۲ نشان داد.

تصویر *Sgr A با استفاده از داده‌های EHT نیز در سال ۲۰۱۷ جمع آوری شد، اما اندازه کوچکتر این سیاه‌چاله با جرم چهار میلیون خورشید که در فاصله ۲۶ هزار سال نوری از زمین واقع شده است، پالایش داده‌ها را دشوارتر کرده بود.

استفاده از PRIMO برای افزایش وضوح تصاویر EHT می‌تواند به اصلاح بهتر تخمین‌ها از ویژگی‌های هر دو ابرسیاه‌چاله از جمله جرم، اندازه و سرعت مصرف ماده آنها کمک کند.

مدیروس در پایان گفت: تصویر سال ۲۰۱۹ فقط آغاز کار بود. اگر یک تصویر ارزش هزار کلمه را داشته باشد، داده‌های زیربنای آن تصویر داستان‌های بیشتری برای گفتن دارند. PRIMO نیز ابزاری حیاتی در استخراج چنین بینش‌هایی خواهد بود.

پژوهش‌های این گروه امروز (۱۳ آوریل ۲۰۲۳) در مجله Astrophysical Journal Letters منتشر شده است.

انتهای پیام