窥探深渊：机器学习增强了著名的M87“橙色甜甜圈”黑洞图像

2017年，EHT合作使用了一个由世界各地七个预先存在的望远镜组成的网络来收集M87的数据，创造了一个"地球大小的望远镜"。然而，由于用望远镜覆盖地球的整个表面是不可行的，所以数据中出现了缺口，就像拼图中缺少的碎片。

M87超大质量黑洞最初由EHT合作在2019年成像（左）；以及PRIMO算法使用相同数据集生成的新图像（右）。资料来源：Medeiros等人，2023年

"通过我们的新机器学习技术，PRIMO，我们能够实现当前阵列的最大分辨率，"高级研究所的主要作者Lia Medeiros说。"由于我们不能近距离研究黑洞，图像的细节对我们理解其行为的能力起着关键作用。现在图像中的环的宽度小了大约2倍，这对我们的理论模型和引力测试将是一个强大的约束。"

PRIMO是主成分干涉测量模型的缩写，由EHT成员Lia Medeiros（高级研究所）、Dimitrios Psaltis（乔治亚理工大学）、Tod Lauer（NOIRLab）和Feryal Özel（乔治亚理工大学）开发。他们的出版物《用PRIMO重建的M87黑洞图像》今天（4月13日）发表在《天体物理学杂志通讯》上。

Lauer说："PRIMO是解决从EHT观测中构建图像这一困难任务的一种新方法。它提供了一种补偿被观测物体信息缺失的方法，这对于生成使用一个地球大小的单一巨型射电望远镜所看到的图像是必需的。"

动画展示了从EHT合作在2019年首次产生的M87黑洞图像，淡化到PRIMO算法使用相同数据集产生的新图像。资料来源：Medeiros等人，2023年

PRIMO依赖于字典学习，这是机器学习的一个分支，使计算机能够根据大量的训练材料集产生规则。例如，如果给计算机提供一系列不同的香蕉图像--经过充分的训练--它可能能够确定一个未知的图像是或不是香蕉。除了这个简单的案例，机器学习的多功能性已经在许多方面得到了证明：从创造文艺复兴风格的艺术作品到完成贝多芬的未完成作品。那么，机器可能如何帮助科学家渲染黑洞图像？研究小组已经回答了这个问题。

通过PRIMO，计算机分析了超过3万个黑洞吸积气体的高保真模拟图像。模拟的集合涵盖了黑洞如何吸积物质的广泛模型，寻找图像结构中的共同模式。各种结构模式按照它们在模拟中出现的频率进行排序，然后进行混合，以提供EHT观测结果的高度精确表示，同时提供图像缺失结构的高保真度估计。2023年2月3日，一篇与该算法本身有关的论文发表在《天体物理学杂志》上。

"我们正在使用物理学来填补数据缺失的区域，这是以前从未使用机器学习的方式，"Medeiros补充说。"这可能会对干涉测量法产生重要影响，干涉测量法在从外行星到医学等领域发挥着作用。"

研究小组证实，新渲染的图像与EHT数据和理论预期一致，包括预计由落入黑洞的热气体产生的明亮发射环。生成图像需要假设缺失信息的适当形式，而PRIMO通过在2019年发现M87黑洞的大体细节看起来像预测的那样来做到这一点。

"在2019年EHT公布了第一张黑洞的地平线规模的图像后约四年，我们已经标志着另一个里程碑，第一次产生了一个利用阵列的全部分辨率的图像，"Psaltis说。"我们开发的新机器学习技术为我们理解黑洞物理的集体工作提供了一个机会。"

新的图像带来了对M87黑洞的质量和决定其目前外观的物理参数的更精确的确定。该数据还为研究人员提供了一个机会，可以对事件视界的替代方案进行更多的约束（基于更暗的中心亮度凹陷），并对引力进行更有力的测试（基于更窄的环形尺寸）。PRIMO还可以应用于其他的EHT观测，包括我们银河系的中心黑洞Sgr A*的观测。

M87是一个巨大的、相对较近的、位于处女座星系团中的星系。一个多世纪前，人们观察到一股神秘的热等离子体喷流从其中心喷出。从20世纪50年代开始，当时的射电天文学新技术显示，该星系的中心有一个紧凑的明亮射电源。在20世纪60年代，M87被怀疑在它的中心有一个巨大的黑洞为这种活动提供动力。从20世纪70年代开始的地面望远镜的测量，以及后来从20世纪90年代开始的哈勃太空望远镜的测量，为M87确实藏有一个黑洞提供了强有力的支持，根据对围绕其中心的恒星和气体的高速度的观测，黑洞的重量是太阳的几十亿倍。2017年对M87的EHT观测是在几天内从几个不同的射电望远镜同时连接起来获得的，以获得尽可能高的分辨率。现在具有代表性的M87黑洞的"橙色甜甜圈"图片在2019年发布，反映了从这些观测中产生图像的首次尝试。

"2019年的图片只是一个开始，"梅德罗斯表示。"如果说一张图片胜过千言万语，那么该图片背后的数据还有很多故事要讲。PRIMO将继续成为提取这种洞察力的重要工具。"