Mithilfe von maschinellem Lernen hat ein Forscherteam das erste jemals aufgenommene Bild eines entfernten Schwarzen Lochs verbessert. Wichtig ist, dass das neu aktualisierte Bild zum ersten Mal die volle Auflösung des Teleskop-Arrays zeigt.

Schwarze Löcher gehören zu den massereichsten Objekten im Universum. Ihre Anziehungskraft ist so stark, dass Licht ihren Ereignishorizonten nicht entkommen kann, daher die Schwärze in der Mitte des obigen Bildes. Sie sehen nicht wirklich das Schwarze Loch, sondern das überhitzte Material, das es umgibt, das eine Silhouette dessen erzeugt, wo sich das Objekt befindet.

Das maschinelle Lernmodell hat das ansonsten unscharfe Bild des Schwarzen Lochs M87 geschärft und den Nutzen von maschinellen Lernmodellen bei der Verbesserung von Radioteleskopbildern demonstriert. Die Forschung des Teams war veröffentlicht heute in den Astrophysical Journal Letters.

„Ungefähr vier Jahre, nachdem EHT im Jahr 2019 das erste Bild eines Schwarzen Lochs im Horizontmaßstab enthüllt hatte, haben wir einen weiteren Meilenstein gesetzt und ein Bild erstellt, das zum ersten Mal die volle Auflösung des Arrays nutzt“, sagte Dimitrios Psaltis, a Forscher an der Georgia Tech und Mitglied der EHT-Kollaboration in einem Institute for Advanced Study freigeben. „Die neuen maschinellen Lerntechniken, die wir entwickelt haben, bieten eine hervorragende Gelegenheit für unsere gemeinsame Arbeit, die Physik der Schwarzen Löcher zu verstehen.“

Bereits im Jahr 2019 veröffentlichten Wissenschaftler des Event Horizon Telescope das allererste Bild eines Schwarzen Lochs: M87, ein supermassereiches Schwarzes Loch in 55 Millionen Lichtjahren Entfernung. Das Objekt mit einer Sonnenmasse von 6,5 Milliarden wurde mit einem Netzwerk aus sieben Teleskopen auf vier verschiedenen Kontinenten abgebildet, um ein riesiges Radioteleskop-Array zu schaffen.

Aber selbst die Verwendung von Radioteleskopen auf der ganzen Welt gibt Astronomen keinen vollständigen Überblick über das Schwarze Loch; Durch die Integration einer maschinellen Lerntechnik namens PRIMO konnte die Zusammenarbeit die Auflösung des Arrays verbessern. Was erschien a bauchiger, orangefarbener Donut in einem Bild von 2019 hat nun den zarten, dünnen Kreis des Einen Rings angenommen.

PRIMO (Principal-Component Interferometric Modeling) wurde verwendet, um über 30.000 simulierte Bilder von Schwarzen Löchern bei der Akkretion von Gas zu untersuchen. Es ist die Akkretion solch überhitzten Materials, das abgebildeten Schwarzen Löchern ihre unheimlichen Silhouetten verleiht. Die Muster in den Simulationen wurden dann verwendet, um die Auflösung des 2019 veröffentlichten unscharfen Bildes zu erhöhen.

„Wir verwenden Physik, um Regionen mit fehlenden Daten auf eine noch nie dagewesene Weise durch maschinelles Lernen auszufüllen“, sagte Lia Medeiros, Forscherin am Institute for Advanced Study und Hauptautorin der Arbeit, in einem Institut freigeben. „Dies könnte wichtige Auswirkungen auf die Interferometrie haben, die in Bereichen von Exoplaneten bis hin zur Medizin eine Rolle spielt.“

Schärfere Bilder von Schwarzen Löchern können Physikern helfen, Details der Objekte zu verfeinern, wie die wahren Bereiche ihrer Ereignishorizonte und die Gravitationskräfte, die die Objekte ausüben. Beispielsweise verkleinerte das neue Bild von M87 den leuchtenden Ring um das Schwarze Loch um den Faktor zwei.

Letztes Jahr, die EHT veröffentlichte ein Bild eines weiteren Schwarzen Lochs: Sagittarius A*, das Schwarze Loch im Zentrum unserer Galaxie. Diese Aufnahme war ähnlich verschwommen wie der erste Blick auf M87; Wenn die Anwendung des maschinellen Lernens auf Bilder von Schwarzen Löchern zur Routine wird, können wir bald einen schärferen Blick auf das Zentrum unserer Galaxie sehen.

Mehr: Sehen Sie die Magnetfelder eines Schwarzen Lochs in einem neuen Bild des Event Horizon Telescope