Исследователи достигли значительного прогресса в изучении чёрных дыр, применяя машинное обучение для обработки данных телескопа «Горизонт событий» (EHT). Это открытие позволяет выявлять ключевые параметры сверхмассивных чёрных дыр, например, скорость их вращения и температурное соотношение ионов и электронов, без необходимости создания изображений.
Ранее анализировались изображения, что вносило определённые неточности. Современный метод работает непосредственно с данными интерферометра — вместо просмотра фотографий объекта учёные изучают его сигнальные «отпечатки», обходя стадию создания изображений.
Источник: Franc O, Pavlos Protopapas, Dominic W. Pesce, Angelo Ricarte, Sheperd S. Doeleman, Cecilia Garraffo, Lindy Blackburn, Mauricio Santillana
Методология основывается на обучении нейронных сетей с использованием данных моделирования процессов вокруг чёрных дыр. Эти модели, разработанные на основе сложных математических расчётов (общерелятивистской магнитогидродинамики), учитывают такие параметры, как скорость вращения чёрной дыры и температуру её окружения. Нейронные сети обучаются выявлять связь между этими характеристиками и сигналами, которые фиксируются EHT. После обучения сети применяются к реальным данным EHT для определения параметров чёрной дыры.
Преимущества нового метода очевидны: улучшается точность и эффективность анализа благодаря исключению ошибок, связанных с обработкой изображений. Это открывает возможности для постоянного мониторинга чёрных дыр, что позволит отслеживать изменения их параметров во времени и получать более полную картину.
В исследовании применялись данные наблюдений EHT за чёрной дырой M87* в 2017 году. Хотя некоторые результаты всё ещё неоднозначны из-за несовершенства моделей и турбулентности в окрестностях чёрной дыры, учёные доказали перспективность метода и планируют его дальнейшее улучшение за счёт учёта дополнительных данных, таких как поляризация излучения. Это позволит в будущем получать ещё более точные и подробные характеристики чёрных дыр.
Источник: iXBT
