La méthode PRIMO a été utilisée pour créer une nouvelle image du trou noir supermassif M2017 à partir des données de l'EHT (Event Horizon Telescope) de 87. Avec l'aide de l'apprentissage automatique, la représentation bien connue du trou noir supermassif au centre de M87 - parfois appelé le "beignet orange flou" - a subi sa première transformation officielle. L'image mise à jour révèle en outre une région centrale plus grande et plus sombre entourée de gaz brillant qui s'accumule avec une apparence de "beignet maigre". L'équipe a d'abord atteint la pleine résolution de la série en utilisant les données collectées par le partenariat Event Horizon Telescope (EHT) en 2017.
Le partenariat EHT a réalisé un «télescope de la taille de la Terre» en 2017 en reliant un réseau de sept télescopes existants dans le monde pour collecter des données sur M87. Mais comme il n'est pas possible de couvrir toute la surface de la Terre avec des télescopes, il y a des lacunes dans les données, tout comme les pièces manquantes d'un puzzle.
Selon l'auteur principal Lia Medeiros de l'Institute for Advanced Studies, "avec notre nouvelle technique d'apprentissage automatique, PRIMO, nous avons pu atteindre la résolution maximale de la matrice actuelle". "Puisque nous ne pouvons pas étudier de près les trous noirs, le niveau de détail d'une image est crucial pour notre compréhension de leur comportement.
La largeur de l'anneau dans l'image a diminué de près de deux fois, ce qui servira de limite forte pour nos théories théoriques et nos tests de gravité.
Modélisation interférométrique en composantes principales ou PRIMO, membres de l'EHT Spécial Feryal (Georgia Tech)Créé par Tod Lauer (NOIRLab), Lia Medeiros (Institute for Advanced Study) et Dimitrios Psaltis. Leur article intitulé « Image of M87 Black Hole Reconstructed with PRIMO » a été publié dans Astrophysical Journal Letters.
"PRIMO est une nouvelle approche de la tâche difficile de créer des images à partir d'observations EHT", a déclaré Lauer. Il offre un moyen de compenser les informations sur l'objet observé, nécessaires pour produire l'image visible à l'aide d'un seul radiotélescope gigantesque de la taille de la Terre.
L'apprentissage par dictionnaire est le fondement de PRIMO, un sous-ensemble de l'apprentissage automatique qui permet aux ordinateurs de générer des règles basées sur de grandes quantités de données d'apprentissage. Par exemple, si un ordinateur est formé avec suffisamment d'exemples de photos de bananes, il peut dire si une image inconnue est une banane.
Au-delà de ce simple exemple, l'adaptabilité de l'apprentissage automatique a été démontrée dans une variété de contextes, de l'achèvement de l'œuvre inachevée de Beethoven à la production d'œuvres d'art de style Renaissance. Alors, comment la technologie peut-elle aider les scientifiques à créer une image d'un trou noir ? Cette question a déjà été abordée par l'équipe d'étude.
Plus de 30.000 XNUMX images simulées haute fidélité de trous noirs accumulant du gaz ont été analysées par des ordinateurs à l'aide de PRIMO. Le groupe de simulation a recherché des motifs répétitifs dans la structure visuelle dans un large éventail de scénarios sur la façon dont le trou noir absorbe la matière.
Pour produire une représentation très précise des observations EHT et une approximation haute fidélité de la structure incomplète des images, les différents modèles de structure ont été triés en fonction de leur fréquence d'apparition dans les simulations, puis mélangés. Une publication sur la méthode a été publiée dans The Astrophysical Journal le 3 février 2023.
Medeiros a poursuivi: "Nous utilisons la physique pour combler les zones où il manque des données d'une manière qui n'a jamais été faite auparavant." Cette méthode pourrait avoir des implications importantes pour l'interférométrie utilisée dans tout, de l'astronomie à la médecine.
Pour produire une représentation très précise des observations EHT et une approximation haute fidélité de la structure incomplète des images, les différents modèles de structure ont été triés en fonction de leur fréquence d'apparition dans les simulations, puis mélangés. Une publication sur la méthode a été publiée dans The Astrophysical Journal le 3 février 2023.
"Nous avons franchi une nouvelle étape en créant une image qui utilise pour la première fois la pleine résolution du réseau", a déclaré Psaltis. « Près de quatre ans après que la première image à l'échelle de l'horizon d'un trou noir a été révélée par EHT en 2019, nous avons franchi une nouvelle étape. Grâce aux nouveaux outils d'apprentissage automatique que nous avons créés, nous avons maintenant une excellente occasion de comprendre la physique des trous noirs.
La nouvelle image devrait permettre des estimations plus précises de la masse du trou noir M87 et des facteurs physiques affectant son apparence actuelle. Les données donnent également aux chercheurs la possibilité d'effectuer des tests de gravité plus fiables et d'imposer des contraintes plus strictes à l'horizon des événements sur les alternatives possibles (basées sur une baisse de luminosité du noyau plus sombre).
"Nous avons franchi une nouvelle étape en créant une image qui utilise pour la première fois la pleine résolution du réseau", a déclaré Psaltis. « Près de quatre ans après que la première image à l'échelle de l'horizon d'un trou noir a été révélée par EHT en 2019, nous avons franchi une nouvelle étape. Grâce aux nouveaux outils d'apprentissage automatique que nous avons créés, nous avons maintenant une excellente occasion de comprendre la physique des trous noirs.
La nouvelle image devrait permettre des estimations plus précises de la masse du trou noir M87 et des facteurs physiques affectant son apparence actuelle. Les données donnent également aux chercheurs la possibilité d'effectuer des tests de gravité plus fiables et d'imposer des contraintes plus strictes à l'horizon des événements sur les alternatives possibles (basées sur une baisse de luminosité du noyau plus sombre).
PRIMO peut également être utilisé pour analyser d'autres données EHT, telles que les données du principal trou noir de la galaxie, Sgr A*.
L'amas de galaxies de la Vierge contient une grande galaxie relativement proche, M87. Il y a plus d'un siècle, un mystérieux jet de plasma chaud a été vu jaillir de son centre. À partir des années 1950, le nouveau domaine de la radioastronomie a révélé l'émetteur radio compact brillant au centre de la galaxie. Dans les années 1960, on pensait que le trou noir massif au centre de M87 était à l'origine de cette activité.
Sur la base d'observations d'étoiles et de gaz en mouvement rapide au centre de M87, les mesures des télescopes au sol à partir des années 1970, puis du télescope spatial Hubble à partir des années 1990 montrent que M87 est en fait un trou noir qui pèse plusieurs milliards de fois le masse du Soleil. a fourni des preuves solides que Les observations EHT de 87 de M2017 ont été effectuées sur plusieurs jours à l'aide de divers radiotélescopes combinés pour obtenir la résolution la plus élevée. Le premier effort pour créer une image à partir de ces données a été représenté par la désormais célèbre image "beignet orange" du trou noir M2019, publiée en 87.
"L'image de 2019 n'était que le début", a déclaré Medeiros. « Si une image vaut mille mots, les données sous-jacentes à cette image ont beaucoup plus à raconter. PRIMO continuera d'être un outil essentiel pour obtenir de telles informations. »
Source : ias.edu/news/
📩 14/04/2023 10:36