اولین عکس تاریخ از یک سیاه چاله، به دست هوش مصنوعی اصلاح شد - وبلاگ ایران

به گزارش وبلاگ ایران، تصویر ابرسیاه چاله واقع در قلب کهکشان مسیه 87 به وسیله یک برنامه یادگیری ماشینی آموزش دیده بر روی مدل های سیاه چاله ارتقا یافت.

اولین تصویر از یک سیاه چاله که ابرسیاه چاله موجود در مرکز کهکشان مسیه 87 است، با یک الگوریتم تازه هوش مصنوعی اصلاح شد.

به گزارش ایسنا، تصویر ابرسیاه چاله واقع در قلب کهکشان مسیه 87 به وسیله یک برنامه یادگیری ماشینی آموزش دیده بر روی مدل های سیاه چاله ارتقا یافت.

در واقع این سیاه چاله کلان جرم دوردست، پس از اعمال تغییرات و اصلاحات به وسیله یک ابررایانه، اکنون واضح تر به نظر می رسد.

این دونات نارنجی تار که در اولین تصویر از یک سیاه چاله که تا به امروز گرفته شده است، مشاهده می گردد، حالا با یاری فناوری یادگیری ماشینی و هوش مصنوعی به یک حلقه طلایی نازک تبدیل شده است.

بازتعریف این تصویر از ابرسیاه چاله واقع در قلب کهکشان مسیه 87(M87) می تواند به درک بهتر ویژگی های آن یاری کند و بعلاوه می تواند به سیاه چاله واقع در قلب کهکشان خودمان، یعنی کهکشان راه شیری نیز تعمیم یابد.

تصویر تاریخی ابرسیاه چاله M87 معروف به M87 به وسیله تلسکوپ افق رویداد (EHT) گرفته و در سال 2019 برای عموم رونمایی شد. داده های ایجاد این تصویر به وسیله EHT طی چند روز در سال 2017 جمع آوری شد.

تلسکوپ افق رویداد شبکه ای از هفت تلسکوپ در سراسر دنیا است که یک تلسکوپ به مقدار زمین ایجاد می نماید، اما برخلاف قدرت رصد ترکیبی آن، هنوز هم شکاف هایی در داده هایی که جمع آوری می نماید، مانند قطعات گمشده یک پازل وجود دارد.

در سمت چپ، تصویر معروف ابرسیاه چاله M87 است که برای اولین بار در تاریخ در سال 2019 منتشر شد. در سمت راست تصویر تازهی از این ابرسیاه چاله است که به وسیله الگوریتم هوش مصنوعی PRIMO با استفاده از همان مجموعه داده ها ایجاد شده است.

گروهی از پژوهشگران تحت سرپرستی لیا مدیروس، عضو شورای همکاری EHT و دانشجوی فوق دکتری اخترفیزیک از یک روش یادگیری ماشینی تازه به نام مدل سازی تداخل سنجی با مولفه اصلی یا پریمو (PRIMO) برای پر کردن این شکاف ها در تصویر این سیاه چاله و تقویت آرایه EHT تا حداکثر توان خود استفاده کردند تا برای اولین بار به این وضوح برسند.

مدیروس در بیانیه ای گفت: از آنجایی که نمی توانیم سیاه چاله ها را از نزدیک مطالعه کنیم، جزئیات یک تصویر، نقش مهمی در توانایی ما برای درک رفتار آن بازی می نماید. عرض حلقه دور سیاه چاله در این تصویر اکنون حدوداً دو برابر کمتر شده است که مولفه و محدودیتی قدرتمند برای مدل های نظری و آزمایش های گرانشی ما خواهد بود.

هنگامی که تصویر ابرسیاه چاله M87 که 55 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 پیش بینی های نظریه نسبیت عام آلبرت اینیشتین در سال 1915 مطابقت دارد، شگفت زده شدند.

تصویر تازه تصحیح شده به وسیله PRIMO از M87 به دانشمندان فرصتی می دهد تا مشاهدات از یک سیاه چاله واقعی را با پیش بینی های نظری بهتر مطابقت دهند.

تاد لارر(Tod Lauer) عضو شورای همکاری EHT می گوید: PRIMO یک رویکرد تازه برای کار سخت ساخت تصاویر از مشاهدات EHT است. این روشی برای جبران اطلاعات از دست رفته در خصوص جرم مورد مشاهده فراهم می نماید که برای فراوری تصویری که با استفاده از یک تلسکوپ رادیویی غول پیکر به مقدار زمین دیده می گردد، مورد احتیاج است.

مؤسسه مطالعات پیشرفته پرینستون شرح داد که PRIMO با استفاده از یادگیری فرهنگ لغت، در شاخه ای از یادگیری ماشینی کار می نماید که رایانه ها را قادر می سازد تا قوانینی را بر اساس مجموعه های بزرگی از داده های آموزشی فراوری نمایند. به عنوان مثال، اگر به برنامه ای مانند این تعدادی تصویر از یک موز داده گردد، می تواند یاد بگیرد که آیا تصویر یک شیء ناشناخته موز است یا خیر.

دانشمندان برای آموزش PRIMO به منظور انجام همین کار در خصوص سیاه چاله ها در فرآیندی که برافزایش نامیده می گردد، 30 هزار تصویر شبیه سازی شده با کیفیت بالا از این ول های کیهانی را در حالی که از گازهای اطراف تغذیه می نمایند، به آن دادند. این تصاویر گستره وسیعی از پیش بینی های نظری را در خصوص چگونگی ایجاد ماده در سیاه چاله ها به PRIMO می دهند و به آن اجازه می دهند الگوها را شکار کند.

این الگوها پس از شناسایی بر اساس تعداد دفعاتی که در شبیه سازی ها لحاظ می شوند، دسته بندی می شوند. سپس می توانند در تصاویر EHT گنجانده شوند تا تصویری با وفاداری بالا نسبت به داده های به دست آمده از M87 ایجاد کند و ساختارهایی را که ممکن است این تلسکوپ از دست داده باشد، آشکار کند.

مدیروس شرح داد: ما از فیزیک برای پر کردن شکاف موجود در داده های از دست رفته به روشی که قبلاً هرگز با استفاده از یادگیری ماشین انجام نشده بود، استفاده می کنیم. این روش می تواند پیامدهای مهمی برای تداخل سنجی داشته باشد که در زمینه هایی نظیر سیارات فراخورشیدی گرفته تا پزشکی نقش دارد.

تصویر حاصله ارائه شده به وسیله PRIMO با داده های EHT و مدل های نظری سیاه چاله ها مطابقت دارد. این مدل ها شرح می دهند که حلقه درخشانی که در تصاویر M87 مشاهده می گردد، نتیجه شتاب گاز با سرعت نزدیک به نور به وسیله تأثیر گرانشی باورنکردنی سیاه چاله است. این باعث می گردد گاز گرم گردد و در حالی که در اطراف سطح به دام انداختن نور که مرزهای بیرونی سیاه چاله به نام افق رویداد را تشکیل می دهد، می درخشد.

مدیروس تاکید نمود: تقریباً چهار سال پس از پرده برداری از اولین تصویر از یک سیاه چاله به وسیله EHT در سال 2019، ما نقطه عطف دیگری را رقم زدیم و تصویری را فراوری کردیم که برای اولین بار از وضوح کامل استفاده می نماید.

وی اضافه کرد: روش های تازه یادگیری ماشینی که ما توسعه داده ایم، فرصتی طلایی برای کار جمعی برای درک فیزیک سیاه چاله ها فراهم می نماید.

روش PRIMO اکنون می تواند برای تصویر ابرسیاه چاله واقع در قلب کهکشان راه شیری اعمال گردد.

تلسکوپ EHT ، تصویری از سیاه چاله مرکز کهکشان راه شیری را که کوچکتر اما بسیار نزدیکتر از M87 به ما است، به نام کمان ای (Sagittarius A ) یا Sgr A را در ماه مه 2022 نشان داد.

تصویر Sgr A با استفاده از داده های EHT نیز در سال 2017 جمع آوری شد، اما مقدار کوچکتر این سیاه چاله با جرم چهار میلیون خورشید که در فاصله 26 هزار سال نوری از زمین واقع شده است، پالایش داده ها را سختتر نموده بود.

استفاده از PRIMO برای افزایش وضوح تصاویر EHT می تواند به اصلاح بهتر تخمین ها از ویژگی های هر دو ابرسیاه چاله از جمله جرم، مقدار و سرعت مصرف ماده آنها یاری کند.

مدیروس در انتها گفت: تصویر سال 2019 فقط شروع کار بود. اگر یک تصویر ارزش هزار کلمه را داشته باشد، داده های زیربنای آن تصویر داستان های بیشتری برای گفتن دارند. PRIMO نیز ابزاری حیاتی در استخراج چنین بینش هایی خواهد بود.

پژوهش های این گروه امروز (13 آوریل 2023) در مجله Astrophysical Journal Letters منتشر شده است.