Изображение нейронной сети, которая связывает наблюдения EHT (слева) с моделями (справа). Автор: EHT Collaboration/Janssen и др.
Контекст. В серии публикаций мы описываем всестороннее сравнение данных телескопа Event Horizon Telescope (EHT) с теоретическими моделями наблюдаемых источников в масштабе горизонта Стрельца A* (Sgr A*) и Мессье 87* (M87*).
Цели. В этой статье мы сообщаем об улучшениях, внесенных в наш конвейер сокращения данных наблюдений, и представляем генерацию наблюдаемых величин, полученных на основе моделей EHT. Мы используем общее релятивистское магнитогидродинамическое моделирование с трассировкой лучей, основанное на различных пространственно-временных показателях черных дыр и физических параметрах аккреции. Эти обширные классы моделей обеспечивают хорошее представление об основных объектах, наблюдаемых с помощью EHT.
Методы. Мы описываем, как мы объединили несколько частотных диапазонов и каналов поляризации данных наблюдений, чтобы повысить нашу чувствительность к обнаружению полос и стабилизировать фазовые флуктуации атмосферы. Для получения реалистичных синтетических данных на основе наших моделей мы учитывали путь прохождения сигнала, а также процесс калибровки и, следовательно, вышеупомянутые улучшения. Таким образом, мы смогли создать синтетическую видимость, аналогичную откалиброванным данным EHT, и определить характерные особенности для распознавания параметров модели.
Результаты. Мы создали библиотеку, состоящую из беспрецедентных 962 000 синтетических наборов данных Sgr A* и M87*. Что касается базового покрытия и шумовых характеристик, библиотека включает в себя результаты измерений EHT за 2017 год, а также будущие наблюдения с помощью расширенной системы телескопов.
Выводы. Мы проводим различие между надежными и наглядными продуктами данных, связанными с функциями модели, и продуктами данных, на которые сильно влияют последствия повреждения данных. Вывод параметров в основном ограничен внутренней изменчивостью модели, что подчеркивает важность долгосрочных мониторинговых наблюдений с помощью EHT. В последующих статьях этой серии мы покажем, как байесовская нейронная сеть, обученная на наших синтетических данных, способна справляться с изменчивостью модели и извлекать физические параметры из наблюдений EHT. Благодаря усовершенствованной калибровке наши новые сокращенные наборы данных EHT имеют значительно более высокое качество по сравнению с ранее проанализированными данными.
Активные ядра галактик (AGN), получающие энергию за счет аккреции в сверхмассивные черные дыры (SMBH), принадлежат к числу наиболее ярких постоянных источников в известной Вселенной (Шмидт, 1963; Линден-Белл, 1969). С помощью телескопа Event Horizon Telescope (EHT) для интерферометрии с очень длинной базовой линией (VLBI) мы можем исследовать самую внутреннюю область AGN и изучать аккрецию на компактные объекты, физику плазмы, запуск реактивных струй и гравитацию в режиме сильного поля (сотрудничество с телескопом Event Horizon Telescope 2019a, b, 2021, 2022a, e; Ким и др., 2020; Псалтис и др., 2020; Кочерлакота и др., 2021; Janssen и др., 2021; Иссаун и др. 2022; Йорстад и др., 2023; Парашос и др., 2024; Бачко и др., 2024). Однако интерпретация данных EHT сопряжена со значительными трудностями, такими как врожденная изменчивость потоков аккреции черных дыр, атмосферный шум и эффекты искажения данных, связанные с работой приборов. Решение этих проблем требует как методологических достижений, так и высокоточного моделирования синтетических данных.
В настоящее время моделирование общей релятивистской магнитной гидродинамики (GRMHD) (например, Mizuno 2022) является наиболее полным классом моделей, доступных для самосогласованного описания центральной активности AGN. GRMHD естественным образом создают струи и, без (существенного) радиационного охлаждения, геометрически плотный аккреционный поток. Для параметров, соответствующих источникам Sagittarius A* (Sgr A*) и Messier 87* (M87*), расчеты методом общей релятивистской трассировки лучей (GRRT), основанные на GRMHD-моделировании, предсказывают, что синхротронное излучение (субмиллиметрового диапазона) будет генерироваться в оптически тонкой плазме, окружающей черную дыру (событие Совместная работа телескопов Horizon 2019e, 2022f). С помощью моделей GRMHD-GRRT были сделаны видеосъемки диска в масштабе всего горизонта Стокса, а также выброс струй Sgr A* и M87*. Геометрически толстый и оптически тонкий сценарий аккреции с сопутствующими струями подходит для маломощных AGN (например, Ho 2008 и ссылки на него). Активность светящихся AGN и рентгеновских двойных систем также может быть смоделирована с помощью моделей GRMHD-GRRT (например, Dexter et al. 2021; Liska et al. 2021; Wielgus et al. 2022a), но, в отличие от источников с низкой скоростью аккреции, они, как правило, требуют радиационного охлаждения для обеспечения самосогласованности. Для EHT моделирование GRMHD-GRRT используется для проверки достоверности реконструкций изображений (Event Horizon Telescope Collaboration 2019d, 2022c) и проверки общей теории относительности (ОТО), а также для определения параметров МГД, аккреции и черных дыр (Event Horizon Telescope Collaboration 2019e, f, 2022f, e; Psaltis). и др., 2020; Кочерлакота и др., 2021).
В этой первой статье серии мы представляем обширную библиотеку синтетических данных, основанную на широком спектре моделей GRMHD-GRRT. В частности, мы использовали три широких класса моделей с различными пространственно-временными показателями.
Первый класс основан на решении Керром уравнений поля Эйнштейна в ОТО без заряда (Kerr, 1963). Второй класс основан на решении ОТО Керра–Ньюмана, которое описывает вращающуюся заряженную черную дыру (Newman et al., 1965).
Третий класс – это дилатонные черные дыры, которые представляют собой решение уравнений Эйнштейна-Максвелла о дилатонном аксионном поле (Гарсия и др., 1995). Помимо ОТО, дилатонное скалярное поле возникает в низкоэнергетическом режиме гетеротической теории струн (Gross et al., 1985).
Предварительное моделирование для генерации синтетических данных выполняется на основе данных EHT–VLBI для получения точных прогнозов того, что будет измеряться прибором, учитывая известное распределение яркости неба на местности.
Для учета неопределенных побочных эффектов, таких как ошибки усиления телескопа, создаются множественные реализации синтетических наборов данных.
Характеристики имитационных данных должны быть максимально похожи на данные наблюдений. В Janssen et al. (2025a), второй статье из этой серии, библиотека синтетических данных используется для обучения байесовской нейронной сети для вывода параметров GRMHD–GRRT и представлена вместе с демонстрацией того, как этот вывод может быть улучшен с помощью запланированных обновлений EHT.
В третьей статье (Janssen et al., 2025b) заданные параметры определяются путем применения обученной нейронной сети к текущим наблюдениям EHT.
Этот документ организован следующим образом: в разделе 2 мы сообщаем об улучшениях, внесенных в наши методы калибровки данных EHT, которые также используются для получения синтетических данных.
В разделе 3 мы опишем библиотеку изображений GRMHD-GRRT, которая содержит базовые модели Sgr A* и M87* для нашей синтетической генерации данных наблюдений EHT.
В разделе 4 мы перечислим все эффекты, которые были учтены при нашем предварительном моделировании. В разделе 5 мы описываем конвейер генерации данных с алгоритмической точки зрения, а также содержание, формат и доступность созданной библиотеки синтетических данных.
В разделе 6 мы описываем основные характеристики наших синтетических данных, уделяя особое внимание характеристикам, которые позволяют нам различать основные параметры модели достоверности при наличии искажающих эффектов, которые присутствуют в наблюдениях EHT.
Мы предлагаем наши выводы о библиотеке синтетических данных GRMHD-GRRT для EHT в разделе 7
Astrophysics, подробно описывая процесс обучения нейронной сети и её применение к реальным астрономическим данным. Использование глубокого обучения позволило значительно повысить точность и скорость анализа сложных изображений, полученных с помощью EHT, что ранее было затруднительно из-за огромного объёма и шумов в данных. Благодаря этому подходу удалось не только уточнить параметры вращения черной дыры, но и получить новые инсайты о её структуре и поведении, что открывает перспективы для дальнейших исследований в области гравитационной физики и космологии. Такой синтез современных технологий и классической астрономии демонстрирует, как искусственный интеллект становится важным инструментом в изучении самых загадочных объектов Вселенной.
Первый снимок черной дыры в эллиптической галактике Мессье 87,
сделанный Телескопом горизонта событий в 2019 году.
Команда астрономов под руководством Майкла Янссена (Janssen Michael) из Университета Радбуда (Radboud University, Нидерланды) обучила нейронную сеть аналитической работе с большими массивами данных о черных дырах.
Основываясь на аналитике нейронной модели и наблюдениях системы Event Horizon Telescope (EHT, сеть интерферометров для целевого наблюдения за черными дырами) ученые, среди прочего, вычислили скорость вращения сверхмассивной черной дыры в центре нашего Млечного Пути и поразились значению этой скорости.
Исследователи опубликовали свои результаты и методологию в трех статьях в журнале Astronomy & Astrophysics.
В 2019 году коллаборация Event Horizon Telescope (EHT) опубликовала первое изображение сверхмассивной черной дыры в центре галактики Mессье 87.
В 2022 году было представлено изображение сверхмассивной черной дыры (СМЧД) Стрелец А* в центре Млечного Пути.
Однако данные, стоящие за изображениями, по-прежнему содержат много потенциально недостоверной информации. Международная команда исследователей попыталась научить нейронную сеть извлекать из массива данных жемчужные зерна истины.
В предыдущих исследованиях, проведенных Event Horizon Telescope Collaboration, использовалось лишь несколько реалистичных синтетических файлов.
На этот раз астрономы загрузили миллионы таких файлов в так называемую байесовскую нейронную сеть, которая может количественно оценивать неопределенности.
Это позволило исследователям провести гораздо лучшее сравнение между данными EHT и моделями.
Благодаря искусственному интеллекту исследователи уточнили вероятные параметры черной дыры в центре Млечного Пути.
Предполагается, что ось ее вращения очень близка лучу зрения земного наблюдателя.
Излучение вблизи черной дыры в основном вызвано чрезвычайно горячими заряженными частицами в аккреционном диске, а не так называемым релятивистским джетом.
Кроме того, магнитные поля в аккреционном диске, по-видимому, ведут себя иначе, чем предполагает общепринятая теория аккреции.
То, что мы бросаем вызов господствующей теории, конечно, впечатляет. Однако я рассматриваю наш подход к ИИ и машинному обучению как первый шаг. Далее мы улучшим и расширим соответствующие модели и симуляции.
А когда к сбору данных подключится строящийся Африканский миллиметровый телескоп, мы получим еще более качественную информацию, которая позволит с высокой точностью подтвердить общую теорию относительности для сверхмассивных компактных объектов.
Участники проекта и ознакомившиеся с ним ученые впечатлены возможностью масштабирования миллионов файлов синтетических данных.
Но не стоит забывать, что такая аналитика требует наличие суперкомпьютера, хранилища, вычислительных мощностей и специализированной программы, которая координирует аналитические процессы.
Исследователи подчеркивают, что такой масштаб работы стал возможен благодаря скоординированной экосистеме, в которую вошли следующие вычислительные сервисы:
- CyVerse (хранения данных);
- OSG OS Pool (высокопроизводительные вычисления);
- Pegasus (автоматизированное управление рабочими процессами);
- Вспомогательные программные средства, включая TensorFlow, Horovod, и КАСА.
Немецкий центр вычислений и обработки данных имени Макса Планка взял на себя обучение нейронных сетей.
Исследователи проанализировали in silico не только СМЧД Стрелец А*.
Они также изучили черную дыру в центре галактики M87. По всей видимости эта черная дыра также вращается быстро, но не так быстро, как Стрелец А*.
Кроме того, она вращается в направлении, противоположном направлению падения на нее газа.
Астрономы предполагают, что это вращение «против шерсти» стало результатом пароксизмального слияния с другой галактикой.
Черная дыра подобна водовороту.
И у нее есть два горизонта событий — внутренний и внешний..
Недавно ученые высказали гипотезу, что образовавшиеся вскоре после Большого взрыва так называемые первичные черные дыры (primordial black holes) могут быть «складом» темной материи.
ученые просто говорят - сингулярность
но разных типов сингулярностей должно быть не менее 100 -120
и это только для одной вселенной
а если их много, то этих типов сингулярностей может быть просто нереально большое число и все они как голограммы могут быть упакованы по разному
примерно как гены днк и кубиты молекул..