Physik

Sep 04, 2023

Im Jahr 2019 enthüllte die Event Horizon Telescope (EHT) Collaboration das erste Bild eines Schwarzen Lochs, das einige als „unscharfen, orangefarbenen Donut“ bezeichneten. EHT umfasst eine globale Reihe von Radioteleskopen, die zusammen ein effektives erdgroßes Observatorium mit hoher Auflösung bilden. Da die Teleskope jedoch nicht den gesamten Planeten abdecken können, muss das Bild aus unvollständigen Schnappschüssen jedes Teleskops erstellt werden. Jetzt zeigt ein Forscherteam die Leistungsfähigkeit des maschinellen Lernens bei der Erfüllung dieser Aufgabe [1]. Ihre neue hochauflösende Rekonstruktion von M87 zeigt – im Vergleich zum Bild von 2019 – eine besser definierte zentrale Region, die von einem dünneren hellen Ring aus akkretierendem Gas umgeben ist.

Das neue Bild wird mit einem maschinellen Lernansatz namens Wörterbuchlernen erhalten, der eine große Menge an Trainingsmaterial verwendet, um Regeln für die Datenanalyse zu extrahieren. Der Ansatz wird in der Bilderkennung eingesetzt. Beispielsweise könnte ein solcher Algorithmus, nachdem er mit einer Vielzahl von Bildern verschiedener Hundetypen trainiert wurde, lernen, das Bild eines Hundes zu erkennen und zu analysieren, sagt Dimitrios Psaltis, Mitautor der Arbeit. Hier erstellten die Forscher eine Reihe simulierter Schwarzer Löcher und bestimmten dann, wie diese Schwarzen Löcher in EHT-Beobachtungen aussehen würden, und erstellten eine große Suite synthetischer Schwarzlochbilder, mit denen sie den Algorithmus trainieren konnten.

„Das Wichtigste bei jedem Trainingsalgorithmus oder jedem Algorithmus für maschinelles Lernen ist, sicherzustellen, dass Ihr Trainingssatz keine vorgefassten Vorstellungen davon hat, wie das Ergebnis aussehen wird“, sagt Psaltis. Um zu verhindern, dass ihr maschineller Lernalgorithmus ein Bild davon erstellt, wie M87 aussehen sollte, und nicht davon, wie das Schwarze Loch tatsächlich aussieht, haben die Forscher eine breite Palette von Schwarzen Löchern in ihre Trainingsverfahren einbezogen. Die 30.000 synthetischen Bilder des Teams wurden von simulierten Schwarzen Löchern mit unterschiedlichen Massen sowie unterschiedlichen Umgebungen akkretierender Materie erzeugt.

Nachdem der maschinelle Lernalgorithmus mit diesen Bildern trainiert worden war, erstellte das Team daraus aus den von EHT gesammelten M87-Daten ein Bild des Schwarzen Lochs. Das Ergebnis war ein Bild mit einem viel dünneren orangefarbenen Ring als im Originalbild und einem helleren Rand am unteren Rand.

Die Forscher stellten fest, dass das resultierende Bild gut zu den theoretischen Erwartungen passte. Diese Konsistenz sei „sehr gut“, sagt Jessica Lu, Astronomieprofessorin an der University of California in Berkeley, die nicht an der Forschung beteiligt war. „Das gibt uns großes Vertrauen, dass das Bild, das sie ableiten, wenn nicht das beste, dann eines der besten ist, die sich aus den Daten vorhersagen lassen“, sagt sie. Lu sagt, sie freue sich darauf, dass die Forscher die verbesserte Schätzung der Größe des Emissionsrings von M87 nutzen und daraus eine genauere Schätzung der Masse des Schwarzen Lochs ableiten würden, als dies mit dem alten Bild möglich war.

„Ich finde es bemerkenswert, was man durch die Kombination der besten Teleskope der Welt mit modernen [maschinellen] Algorithmen erreicht“, sagt Psaltis. Als nächstes plant das Team, den Algorithmus auf Sagittarius A* anzuwenden, das Schwarze Loch im Zentrum unserer eigenen Milchstraße, das ebenfalls von EHT abgebildet wurde (siehe Forschungsnachrichten: Erstes Bild des Schwarzen Lochs der Milchstraße). Psaltis hofft, dass der maschinelle Lernalgorithmus den Forschern helfen wird, tiefer in die Daten einzudringen. Mithilfe verbesserter Bilder könnten sie beispielsweise herausfinden, wie schnell sich Materie um Schwarze Löcher bewegt und wie viel dieser Bewegung zur Bildunschärfe beiträgt. Durch die Beseitigung der Unschärfe, die einfach auf Lücken in den Daten zurückzuführen ist, könnten die Forscher bessere Informationen darüber sammeln, was wirklich um das Schwarze Loch herum passiert, sagt er.

- Allison Gasparini

Allison Gasparini ist eine freiberufliche Wissenschaftsautorin mit Sitz in Santa Cruz, Kalifornien.

Eine aus der nichtlinearen Fluiddynamik abgeleitete Theorie ist in der Lage, die Entstehungsdynamik von Online-Hassgemeinschaften zu reproduzieren und Erkenntnisse zu liefern, die in die öffentliche Politik einfließen könnten. Mehr lesen "

Durch die Ausnutzung eines Phänomens namens stochastische Resonanz können Sensoren in einer lauten Umgebung eine bessere Leistung erbringen als in einer rauschfreien Umgebung. Mehr lesen "

Die Gravitationsfelder von Schwarzen Löchern und anderen kompakten Objekten sind stark genug, um masselose Teilchen aus dem Vakuum zu entreißen und ins Leben zu rufen, wodurch die Objekte zerfallen. Mehr lesen "