Нейронная сеть, обученная на миллионах симуляций, позволила международной группе астрономов более точно оценить физические свойства двух сверхмассивных черных дыр: Стрельца А* в центре Млечного Пути и M87* в центре эллиптической галактики Мессье 87. Проанализированные данные были получены в результате наблюдений, проведенных в 2017 году с помощью телескопа Event Horizon Telescope (EHT) — телескопа, который получил первое изображение тени сверхмассивной черной дыры.
Нейронная сеть предназначена для выявления связи между видимой формой черной дыры и основными физическими параметрами, такими как вращение и наклон. Модель достигает этой цели путем обучения на более чем 3 миллионах синтетических изображений, созданных на основе релятивистской магнитогидродинамической модели. Разработанная модель способна предоставлять вероятностные оценки, принимая во внимание неопределенность данных и изменчивость наблюдаемых явлений.
Результаты показывают, что обе черные дыры вращаются с чрезвычайно высокой скоростью, близкой к максимально допустимой общей теорией относительности. Для M87* направление вращения согласуется с наблюдаемыми релятивистскими джетами; для Стрельца A* направление наклона согласуется с ранее предложенными моделями окружающего газа. Эти новые оценки значительно улучшают наше понимание динамических процессов во внутренних областях аккреционных дисков и джетов.
Исследование, проведенное Майклом Йенсеном (Университет Радбауда) в сотрудничестве с Институтом радиоастрономии Макса Планка и другими, знаменует собой прорыв в способе анализа данных с Event Horizon Telescope (EHT).
Обратите внимание: За 200 лет извержения вулканов в различных регионах мира привели к гибели в общей сложности 200 000 человек.
Использование нейронных сетей преодолевает ограничения традиционных методов итеративного моделирования, делая анализ намного быстрее и надежнее.ИИ преодолевает ограничения прямого моделирования
Традиционный метод оценки физических параметров черных дыр, наблюдаемых Event Horizon Telescope (EHT), основан на итеративном сравнении реальных данных с большими объемами смоделированных данных. Хотя этот метод работает, он является вычислительно дорогим и может не справиться с эффективной обработкой сложной и меняющейся структуры материи, аккрецирующей вокруг черной дыры.
Новый метод, разработанный исследователями, использует искусственный интеллект, а именно байесовскую нейронную сеть, обученную выявлять повторяющиеся закономерности между синтетическими изображениями и соответствующими физическими параметрами. После обучения модель может напрямую анализировать реальные наблюдения, предоставляя оценки распределений вероятностей, которые отражают как неопределенность данных, так и присущую физическим явлениям изменчивость.
Этот подход особенно полезен для Стрельца А, поскольку его динамическая среда делает очень сложным построение стабильной модели. Нейронная сеть обходит проблему быстрых изменений, напрямую интегрируя статистическое распределение наблюдаемых изображений. В случае M87 более стабильная среда и четкие струи позволили независимо проверить предполагаемые результаты.
На пути к следующему поколению наблюдений EHT
Это исследование также показывает потенциал будущих наблюдений Event Horizon Telescope (EHT). В ближайшие годы добавление новых телескопов, таких как African Millimeter Telescope (AMT), расширит покрытие и улучшит угловое разрешение. В то же время применение методов искусственного интеллекта, таких как описанные в этом исследовании, улучшит интерпретацию собранных данных.
В частности, ожидается, что эти методы будут полезны для анализа более сложных физических сценариев, таких как:
- Изменения магнитного поля,
- Вращательная прецессия,
- Турбулентность в аккрецирующем газе.
Нейронные сети можно адаптировать для обработки мультимодальных данных, объединяющих радио-, оптические и рентгеновские наблюдения, что позволит более полно реконструировать окружающую среду вблизи горизонта событий.
Команда планирует применить этот подход к другим объектам наблюдения и новым кампаниям EHT.
Больше интересных статей здесь: Новости науки и техники.