AGI - Il buco nero M87 ha cambiato la sua immagine iconica grazie all’intelligenza artificiale. M87 è il buco nero centrale della galassia ellittica gigante Galassia Virgo A, codificata come “M87”. Si tratta di un buco nero supermassiccio, formatosi presumibilmente dalla fusione di diversi buchi neri. La nuova immagine espone una regione centrale che è più grande e più scura, circondata dal gas luminoso in accrescimento a forma di “ciambella magra”.
Il team ha utilizzato i dati ottenuti dalla collaborazione Event Horizon Telescope (EHT) nel 2017 e ha raggiunto, per la prima volta, la piena risoluzione del vettore. Nel 2017, la collaborazione EHT ha utilizzato una rete di sette telescopi preesistenti in tutto il mondo per raccogliere dati su M87, creando un “telescopio delle dimensioni della Terra”.
Tuttavia, poiché non è fattibile coprire l’intera superficie terrestre con i telescopi, sorgono lacune nei dati, come pezzi mancanti in un puzzle. “Con la nostra nuova tecnica di apprendimento automatico, PRIMO, siamo stati in grado di ottenere la massima risoluzione dell’array attuale”, afferma l’autrice principale Lia Medeiros dell’Institute for Advanced Study. I risultati completi sono stati pubblicati su The Astrophysical Journal Letters.
“Poiché non possiamo studiare i buchi neri da vicino, il dettaglio di un’immagine gioca un ruolo fondamentale nella nostra capacità di comprenderne il comportamento. La larghezza dell’anello nell’immagine è ora più piccola di circa un fattore due, il che sarà un potente vincolo per i nostri modelli teorici e test di gravità». PRIMO, che sta per modellazione interferometrica dei componenti principali, è stato sviluppato dai membri dell’EHT Lia Medeiros (Institute for Advanced Study), Dimitrios Psaltis (Georgia Tech), Tod Lauer (NOIRLab) e Feryal Özel (Georgia Tech). La loro pubblicazione, “The Image of the M87 Black Hole Reconstructed with PRIMO”, è ora disponibile su The Astrophysical Journal Letters. “PRIMO è un nuovo approccio al difficile compito di costruire immagini dalle osservazioni EHT”, ha affermato Lauer.
“Fornisce un modo per compensare le informazioni mancanti sull’oggetto osservato, necessarie per generare l’immagine che sarebbe stata vista utilizzando un singolo gigantesco radiotelescopio delle dimensioni della Terra”. PRIMO si basa sull’apprendimento del dizionario, un ramo dell’apprendimento automatico che consente ai computer di generare regole basate su grandi set di materiale didattico.
Ad esempio, se un computer riceve una serie di diverse immagini di banane, con un addestramento sufficiente, potrebbe essere in grado di determinare se un’immagine sconosciuta è o meno una banana. Al di là di questo semplice caso, la versatilità dell’apprendimento automatico è stata dimostrata in numerosi modi: dalla creazione di opere d’arte in stile rinascimentale al completamento dell’opera incompiuta di Beethoven.
Quindi, in che modo le macchine potrebbero aiutare gli scienziati a rendere l’immagine di un buco nero? Il gruppo di ricerca ha risposto proprio a questa domanda. Con PRIMO, i computer hanno analizzato oltre 30.000 immagini simulate ad alta fedeltà di buchi neri in accrescimento di gas. L’insieme di simulazioni ha coperto un’ampia gamma di modelli su come il buco nero accresce la materia, cercando schemi comuni nella struttura delle immagini.
I vari modelli di struttura sono stati ordinati in base alla frequenza con cui si sono verificati nelle simulazioni e sono stati quindi combinati per fornire una rappresentazione altamente accurata delle osservazioni EHT, fornendo contemporaneamente una stima ad alta fedeltà della struttura mancante delle immagini. Un documento relativo all’algoritmo stesso è stato pubblicato su The Astrophysical Journal il 3 febbraio 2023. “Stiamo usando la fisica per riempire regioni di dati mancanti in un modo che non è mai stato fatto prima usando l’apprendimento automatico”, ha aggiunto Medeiros.
“Questo potrebbe avere importanti implicazioni per l’interferometria, che svolge un ruolo in campi che vanno dagli esopianeti alla medicina”. Il team ha confermato che l’immagine appena renderizzata è coerente con i dati EHT e con le aspettative teoriche, incluso l’anello luminoso di emissione che dovrebbe essere prodotto dal gas caldo che cade nel buco nero. La generazione di un’immagine richiedeva l’assunzione di una forma appropriata delle informazioni mancanti, e PRIMO lo ha fatto sulla base della scoperta del 2019 secondo cui il buco nero M87 in dettaglio appariva come previsto.
“Circa quattro anni dopo che la prima immagine in scala dell’orizzonte di un buco nero è stata svelata da EHT nel 2019, abbiamo segnato un’altra pietra miliare, producendo un’immagine che utilizza per la prima volta la piena risoluzione dell’array”, ha affermato Psaltis. “Le nuove tecniche di apprendimento automatico che abbiamo sviluppato forniscono un’opportunità d’oro per il nostro lavoro collettivo per comprendere la fisica dei buchi neri”. La nuova immagine dovrebbe portare a determinazioni più accurate della massa del buco nero M87 e dei parametri fisici che determinano il suo aspetto attuale.
I dati offrono anche l’opportunità ai ricercatori di porre maggiori vincoli sulle alternative all’orizzonte degli eventi (basate sulla depressione della luminosità centrale più scura) ed eseguire test di gravità più robusti (basati sulla dimensione dell’anello più stretta). PRIMO può anche essere applicato a ulteriori osservazioni EHT, comprese quelle di Sgr A*, il buco nero centrale nella nostra galassia, la Via Lattea.
