一个遥远的超大质量黑洞在经过超级计算机改造后看起来很清晰。在机器学习的帮助下，有史以来拍摄的第一张黑洞图像中的“模糊橙色甜甜圈”已经变薄为更薄的“瘦金环”。
重新定义梅西耶 87 (M87) 星系中心的超大质量黑洞图像可以帮助更好地理解其特征，并可以扩展到我们银河系中心的黑洞。
M87 超大质量黑洞（称为 M87*）的历史图像由事件视界望远镜 (EHT)拍摄，并于 2019 年向公众展示。创建图像的数据由 EHT 在 2017 年的几天内收集.
左边是著名的 M87 超大质量黑洞图像，最初由 Event Horizon Telescope 合作于 2019 年发布。右边是 PRIMO 算法使用相同数据集生成的黑洞新图像。（图片来源：L. Medeiros（高等研究院）、D. Psaltis（佐治亚理工学院）、T. Lauer（NSF 的 NOIRLab）和 F. Ozel（佐治亚理工学院））
EHT 是一个由全球七台望远镜组成的网络，它创建了一个地球大小的望远镜，但尽管它具有综合观测能力，但它收集的数据仍然存在差距，就像拼图游戏中缺失的部分一样。
包括 EHT 合作成员和天体物理学博士后研究员 Lia Medeiros 在内的一组研究人员使用一种称为主成分干涉建模或“PRIMO”的新机器学习技术来“填补 M87 图像中的空白”并将 EHT 阵列提升到最大值第一次决议。
“由于我们无法近距离研究黑洞，图像的细节在我们理解其行为的能力中起着至关重要的作用，”研究的主要作者梅代罗斯在一份声明中说。“图像中环的宽度现在缩小了大约两倍，这将对我们的理论模型和引力测试产生强大的约束。”
距离地球 5500 万光年、质量相当于 6 个半亿个太阳的 M87 超大质量黑洞 (M87*) 的图像首次曝光时，科学家们惊讶于它与预测的吻合程度爱因斯坦 1915 年提出广义相对论。
这张经过 PRIMO 改进的 M87* 图像让科学家们有机会更好地将对实际黑洞的观察与理论预测相匹配。
“PRIMO 是一种新方法，可以解决从 EHT 观测构建图像这一艰巨任务，”EHT 成员和 NOIRLab 研究员 Tod Lauer 在声明中说。“它提供了一种方法来补偿关于被观察物体的缺失信息，这是生成使用地球大小的单个巨型射电望远镜所看到的图像所必需的。”
训练 PRIMO 构建更好的黑洞
新泽西州普林斯顿高等研究院解释说，PRIMO 使用字典学习进行操作，字典学习是机器学习的一个分支，它使计算机能够根据大量训练材料生成规则。因此，例如，如果向这样的程序提供大量香蕉图像，它可以学习确定未知物体的图像是否为香蕉。
为了训练 PRIMO 对黑洞做同样的事情，团队向它提供了 30,000 张这些宇宙泰坦以周围气体为食的高保真模拟图像，这个过程称为“吸积”。这些图像涵盖了关于黑洞如何吸积物质的广泛理论预测，使 PRIMO 能够寻找模式。
一旦识别出来，这些模式就会根据它们被纳入模拟的频率进行排序。然后可以将其合并到 EHT 图像中，以创建 M87* 的高保真图像，并揭示望远镜阵列可能遗漏的结构。
“我们正在使用物理学以前所未有的方式使用机器学习来填充缺失数据的区域，”Medeiros 解释说。“这可能对干涉测量法产生重要影响，干涉测量法在从系外行星到医学等领域发挥着重要作用。”
PRIMO 渲染的结果图像与 EHT 数据和理论黑洞模型一致。这些模型解释说，在这些 M87* 图像中看到的明亮环是气体在黑洞令人难以置信的引力影响下被加速到接近光速的结果。这会导致气体在围绕形成黑洞外部边界（称为事件视界）的光捕获表面鞭打时升温并发光。
Psaltis 表示：“在 EHT 于 2019 年公布第一张黑洞地平线图像大约四年后，我们迎来了另一个里程碑，首次生成了一张利用阵列全分辨率的图像。” “我们开发的新机器学习技术为我们的集体工作提供了一个了解黑洞物理学的绝佳机会。”
PRIMO 技术现在可以应用于我们银河系中心的超大质量黑洞图像。EHT 在 2022 年 5 月揭示了这个更小但更近的超大质量黑洞的图像，称为人马座 A* (Sgr A*)。Sgr A* 的图像是使用同样在 2017 年收集的 EHT 数据创建的，但较小的尺寸与 M87* 相比，这个距离地球 26,000 光年的 400 万太阳质量黑洞使得数据更难细化。
使用 PRIMO 提高 EHT 图像的分辨率可以帮助更好地改进对两个超大质量黑洞特征的估计，包括它们的质量、大小和它们消耗物质的速率。
“2019 年的形象只是一个开始，”Medeiros 总结道。“如果一张图片值一千个字，那么该图片背后的数据就有更多的故事要讲。PRIMO 将继续成为提取此类见解的重要工具。”
该团队的研究发表在 4 月 13 日的《天体物理学杂志快报》上。