Towards independent event horizon imaging of the supermassive black holes in M87 and the Milky Way
Cet article présente une analyse indépendante des données de l'EHT pour M87* et Sgr A* utilisant un nouveau cadre d'imagerie résilient à la calibration appelé GenDIReCT, qui combine des invariants de fermeture avec l'apprentissage profond génératif basé sur la diffusion pour reconstruire les images de trous noirs sans dépendre de la calibration traditionnelle par station.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Au plus profond du cœur de notre galaxie et dans une galaxie lointaine bien au-delà, deux monstres de gravité règnent en maîtres : des trous noirs supermassifs. Il ne s'agit pas de vides dans l'espace, mais de régions où la matière est compressée si densément que même la lumière ne peut s'en échapper. Pour les voir, les astronomes ne peuvent pas simplement pointer un appareil photo vers le ciel. Les trous noirs eux-mêmes sont invisibles ; nous ne pouvons voir que l'anneau incandescent de gaz surchauffé tourbillonnant autour d'eux juste avant de s'y engouffrer. Pour capturer cet anneau ténu et minuscule, les scientifiques utilisent une technique appelée l'interférométrie à très longue base. Imaginez lier des radiotélescopes dispersés à travers le globe entier pour qu'ils agissent comme une seule antenne de la taille de la Terre. Ce miroir virtuel massif fournit la netteté nécessaire pour résoudre des détails aussi petits que l'horizon des événements, le point de non-retour autour d'un trou noir. Cependant, assembler les signaux provenant de télescopes séparés par des milliers de kilomètres est incroyablement difficile. Les données sont souvent faibles, les connexions entre les télescopes sont rares, et les instruments eux-mêmes introduisent des erreurs qui peuvent flouter l'image finale. Pendant des années, la seule façon de dissiper ce flou était de s'appuyer sur des modèles informatiques complexes qui faisaient des suppositions sur l'apparence que devrait avoir le trou noir, un processus qui risquait de faire voir ce que les chercheurs attendaient plutôt que ce qui était réellement présent.
Une équipe de chercheurs d'Australie a maintenant développé une nouvelle façon de voir ces objets cosmiques qui ne dépend pas de ces suppositions. Ils ont créé une méthode qui élimine le besoin de se fier à la performance individuelle de chaque télescope, en se concentrant plutôt sur les relations entre les signaux qui restent vraies quel que soit l'erreur de l'instrument. Pour ce faire, ils se sont tournés vers un concept mathématique connu sous le nom d'invariants de fermeture. En termes simples, alors que le signal reçu par un seul télescope peut être déformé par la météo locale ou des problèmes d'équipement, une combinaison spécifique de signaux provenant de trois télescopes ou plus annule automatiquement ces distorsions. Ces « invariants de fermeture » agissent comme une empreinte digitale fiable de la forme du trou noir, immunisée contre le bruit qui affecte habituellement les données. L'équipe a ensuite injecté ces empreintes digitales propres et sans distorsion dans un système d'intelligence artificielle puissant appelé GenDIReCT. Ce système n'a pas appris à quoi ressemble un trou noir ; au lieu de cela, il a été entraîné principalement sur des images non astronomiques du jeu de données CIFAR-10, apprenant les règles générales de la manière dont les formes, les bords et les textures s'assemblent dans le monde réel.
Lorsque les chercheurs ont appliqué ce nouveau cadre à des données réelles de l'Event Horizon Telescope, les résultats ont été frappants. Ils ont d'abord testé le système sur des données synthétiques, où la réponse exacte était connue, et ont constaté que l'IA reconstruisait avec succès les formes correctes dans presque tous les cas. Ils ont ensuite porté leur attention sur des cibles astronomiques réelles. En observant le quasar 3C 279, un jet brillant de matière projeté hors d'un trou noir, la nouvelle méthode a identifié trois composantes distinctes dans l'image qui correspondaient à la structure trouvée par l'équipe originale. Plus impressionnant encore, en analysant des données collectées sur plusieurs jours, le système a détecté une partie spécifique du jet s'éloignant du centre. Il a mesuré ce mouvement comme un décalage de 4,6 microarcsecondes sur environ 5,39 jours, une vitesse qui correspond à une vitesse apparente d'environ dix fois la vitesse de la lumière, un phénomène connu sous le nom de mouvement superluminal. Cette découverte concordait parfaitement avec les résultats précédents, confirmant que la nouvelle méthode pouvait suivre des changements rapides dans le ciel sans avoir besoin d'être ajustée à la cible spécifique.
L'équipe a également appliqué la technique à Centaurus A, la galaxie radio la plus proche de la Terre. L'IA a reconstruit une image claire montrant deux lignes brillantes de gaz courant le long de la base du jet, correspondant à l'orientation et à l'angle observés dans des études antérieures. Ces succès suggèrent que la méthode est assez robuste pour gérer les données désordonnées et incomplètes typiques des observations du monde réel. Les chercheurs utilisent actuellement cette même approche indépendante pour réexaminer les images célèbres des trous noirs de M87 et de notre propre Voie lactée. En s'appuyant sur des données naturellement immunisées contre les erreurs de calibration et sur une IA qui apprend à partir de formes générales plutôt que de théories astronomiques spécifiques, ils offrent une perspective fraîche et impartiale sur les environnements les plus extrêmes de l'univers. Ce travail ne fait pas que confirmer ce que nous savons déjà ; il fournit une nouvelle voie indépendante pour vérifier les observations les plus fondamentales des trous noirs, garantissant que les images que nous voyons de ces géants cosmiques sont véritablement ce qui est là, et non seulement ce que nous espérions trouver.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.