Учёные совершили прорыв в изучении чёрных дыр, используя машинное обучение для анализа данных телескопа «Горизонт событий» (EHT). Это открытие позволяет определять ключевые характеристики сверхмассивных чёрных дыр – например, скорость вращения и соотношение температур ионов и электронов – без промежуточной стадии построения изображения.

Традиционно анализ проводился по изображениям, что вносило погрешности. Новый метод работает напрямую с данными, полученными интерферометром – вместо просмотра фотографии объекта учёные анализируют его «отпечаток» в виде сигнала, минуя этап «проявки» фотографии.

Галерея примеров снимков, использованных в этом исследовании. Снимки построены в логарифмическом масштабе с тремя порядками динамического диапазона для лучшей визуализации деталей с низкой поверхностной яркостью. Источник: Franc O, Pavlos Protopapas, Dominic W. Pesce, Angelo Ricarte, Sheperd S. Doeleman, Cecilia Garraffo, Lindy Blackburn, Mauricio Santillana

Принцип работы основан на обучении нейронных сетей на данных, полученных с помощью моделирования поведения вещества вокруг чёрных дыр. Эти модели, созданные с использованием сложных вычислений (общерелятивистской магнитогидродинамики), учитывают различные параметры, такие как скорость вращения чёрной дыры и температуру её окрестностей. Нейронные сети обучаются распознавать связь между этими параметрами и сигналами, которые регистрируются EHT. Затем обученную сеть применяют к реальным данным EHT, чтобы получить оценки параметров чёрной дыры.

Преимущества нового подхода очевидны: повышается точность и эффективность анализа, так как исключаются ошибки, возникающие при обработке изображений. Перспективы связаны с возможностью непрерывного мониторинга чёрных дыр, что позволит отслеживать изменения их параметров во времени и получать более полную картину.

В исследовании использовались данные наблюдений EHT за чёрной дырой M87* в 2017 году. Хотя полученные результаты по некоторым параметрам пока не однозначны из-за несовершенства моделей и турбулентности в окрестностях чёрной дыры, учёные показали перспективность метода и планируют его улучшение за счёт учёта дополнительных данных, таких как поляризация излучения. Это позволит в будущем получать ещё более точные и полные характеристики чёрных дыр.

Подробнее на iXBT