Gli astronomi hanno utilizzato l’apprendimento automatico per migliorare la prima immagine del buco nero ottenuta dal Telescopio dell’orizzonte degli eventi (Event Horizon Telescope) (EHT), aiutandoli a comprendere il comportamento dei buchi neri e a testare le teorie gravitazionali. La nuova tecnica, chiamata PRIMO, ha potenziali applicazioni in vari campi, tra cui esopianeti e medicina.
L’immagine del buco nero supermassiccio al centro di una galassia ellittica nota come M87, a circa 55 milioni di anni luce dalla Terra, ha sorpreso il mondo scientifico nel 2019. L’immagine è stata prodotta combinando le osservazioni di un’array di radiotelescopi sparsi in tutto il mondo, ma le lacune nei dati hanno reso l’immagine incompleta e un po’ sfocata.
Also Read:
In uno studio pubblicato la scorsa settimana su The Astrophysical Journal Letters, un team internazionale di astronomi ha descritto come hanno riempito le lacune analizzando più di 30.000 immagini simulate di buchi neri.
“Con la nostra nuova tecnica di apprendimento automatico, PRIMO, siamo stati in grado di ottenere la massima risoluzione dell’array attuale”, ha detto il lead author dello studio Lia Medeiros dell’Istituto per gli studi avanzati in un comunicato stampa.
Also Read:
PRIMO ha migliorato la vista dell’EHT dell’anello di materiale caldo che girava intorno al buco nero, rendendo non solo l’immagine più bella, ma anche più utile per gli scienziati che cercano di testare le loro ipotesi sul comportamento dei buchi neri e sulle regole gravitazionali in condizioni estreme.
“Poi che non possiamo studiare i buchi neri da vicino, il dettaglio di un’immagine svolge un ruolo critico nella nostra capacità di comprendere il loro comportamento”, ha detto Medeiros. “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 i test di gravità.”
Also Read:
La tecnica sviluppata da Medeiros e dai suoi colleghi – nota come modello di interferometria a componenti principali o PRIMO – analizza grandi set di dati di immagini di addestramento per stabilire i modi più probabili per riempire i dati mancanti. È simile al modo in cui i ricercatori dell’intelligenza artificiale hanno utilizzato un’analisi delle opere musicali di Ludwig van Beethoven per produrre una partitura per la decima sinfonia incompiuta del compositore.
Decine di migliaia di immagini simulate dell’EHT sono state inserite nel modello PRIMO, coprendo una vasta gamma di modelli strutturali per il gas in rotazione nel buco nero di M87. Le simulazioni che si sono rivelate adatte ai dati disponibili sono state mescolate insieme per produrre una ricostruzione ad alta fedeltà dei dati mancanti. L’immagine risultante è stata poi elaborata per corrispondere alla massima risoluzione effettiva dell’EHT.
Also Read:
I ricercatori affermano che la nuova immagine dovrebbe portare a determinazioni più precise della massa del buco nero di M87 e dell’estensione del suo orizzonte degli eventi e dell’anello di accrescimento. Queste determinazioni, a loro volta, potrebbero portare a test più robusti delle teorie alternative relative ai buchi neri e alla gravità.
L’immagine più nitida di M87 è solo l’inizio. PRIMO può anche essere utilizzato per migliorare la vista sfocata dell’EHT di Sagittarius A*, il buco nero supermassiccio al centro della nostra Via Lattea. E questo non è tutto: le tecniche di apprendimento automatico utilizzate da PRIMO potrebbero essere applicate a molto più di soli i buchi neri. “Questo potrebbe avere importanti implicazioni per l’interferometria, che gioca un ruolo in campi che vanno dagli esopian
Also Read:
In Other News Around the World: