Towards independent event horizon imaging of the supermassive black holes in M87 and the Milky Way
Questo articolo presenta un'analisi indipendente dei dati EHT per M87* e Sgr A* utilizzando un nuovo framework di imaging resiliente alla calibrazione chiamato GenDIReCT, che combina invarianti di chiusura con l'apprendimento profondo generativo basato sulla diffusione per ricostruire le immagini dei buchi neri senza fare affidamento sulla tradizionale calibrazione basata sulle stazioni.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel cuore profondo della nostra galassia e in una galassia lontana, ben oltre, due mostri di gravità regnano sovrani: i buchi neri supermassicci. Questi non sono vuoti fori nello spazio, ma regioni in cui la materia è schiacciata così densamente che nemmeno la luce può sfuggire. Per vederli, gli astronomi non possono semplicemente puntare una fotocamera verso il cielo. I buchi neri stessi sono invisibili; possiamo vedere solo l'anello luminoso di gas surriscaldato che ruota attorno ad essi poco prima di cadere all'interno. Per catturare questo anello debole e minuscolo, gli scienziati utilizzano una tecnica chiamata interferometria a lunghissima linea di base. Immaginate di collegare radiotelescopi sparsi in tutto il globo in modo che agiscano come un unico piatto grande quanto la Terra. Questo enorme specchio virtuale fornisce la nitidezza necessaria per risolvere dettagli piccoli come l'orizzonte degli eventi, il punto di non ritorno attorno a un buco nero. Tuttavia, unire i segnali provenienti da telescopi distanti migliaia di chilometri è incredibilmente difficile. I dati sono spesso deboli, le connessioni tra i telescopi sono scarse e gli strumenti stessi introducono errori che possono sfocare l'immagine finale. Per anni, l'unico modo per chiarire questa sfocatura è stato affidarsi a complessi modelli informatici che facevano ipotesi su come dovesse apparire il buco nero, un processo che rischiava di far vedere ciò che i ricercatori si aspettavano piuttosto che ciò che era realmente presente.
Un team di ricercatori australiani ha ora sviluppato un nuovo modo per vedere questi oggetti cosmici che non dipende da tali assunzioni. Hanno creato un metodo che elimina la necessità di fidarsi delle prestazioni individuali di ogni singolo telescopio, concentrandosi invece sulle relazioni tra i segnali che rimangono costanti indipendentemente dagli errori strumentali. Per farlo, si sono rivolti a un concetto matematico noto come invarianti di chiusura. In termini semplici, mentre il segnale ricevuto da un singolo telescopio potrebbe essere distorto dal meteo locale o da guasti alle apparecchiature, una specifica combinazione di segnali provenienti da tre o più telescopi annulla automaticamente tali distorsioni. Questi "invarianti di chiusura" agiscono come un'impronta digitale affidabile della forma del buco nero, immuni al rumore che solitamente affligge i dati. Il team ha poi inserito queste impronte digitali pulite e prive di distorsioni in un potente sistema di intelligenza artificiale chiamato GenDIReCT. Questo sistema non gli è stato insegnato come sia fatto un buco nero; al contrario, è stato addestrato principalmente su immagini non astronomiche del dataset CIFAR-10, imparando le regole generali di come forme, bordi e texture si incastrino tra loro nel mondo reale.
Quando i ricercatori hanno applicato questo nuovo framework ai dati reali dell'Event Horizon Telescope, i risultati sono stati sorprendenti. Hanno prima testato il sistema su dati sintetici, dove la risposta corretta era nota, e hanno scoperto che l'IA ricostruiva con successo le forme corrette in quasi tutti i casi. Si sono poi volti all'attenzione verso obiettivi astronomici reali. Osservando il quasar 3C 279, un brillante getto di materiale che scaturisce da un buco nero, il nuovo metodo ha identificato tre componenti distinte nell'immagine che corrispondevano alla struttura trovata dal team originale. Ancora più impressionante, analizzando i dati raccolti nell'arco di diversi giorni, il sistema ha rilevato una parte specifica del getto che si allontanava dal centro. Ha misurato questo movimento come uno spostamento di 4,6 microarcosecondi in circa 5,39 giorni, una velocità che corrisponde a una velocità apparente di circa dieci volte la velocità della luce, un fenomeno noto come moto superluminale. Questo risultato si è allineato perfettamente con i risultati precedenti, confermando che il nuovo metodo può tracciare rapidi cambiamenti nel cielo senza dover essere tarato sul bersaglio specifico.
Il team ha applicato la tecnica anche a Centaurus A, la galassia radio più vicina alla Terra. L'IA ha ricostruito un'immagine nitida che mostra due linee luminose di gas che corrono lungo la base del getto, corrispondendo all'orientamento e all'angolo visti in studi precedenti. Questi successi suggeriscono che il metodo sia abbastanza robusto da gestire i dati disordinati e incompleti tipici delle osservazioni del mondo reale. I ricercatori stanno ora utilizzando questo stesso approccio indipendente per riesaminare le famose immagini dei buchi neri in M87 e nella nostra Via Lattea. Affidandosi a dati che sono naturalmente immuni agli errori di calibrazione e a un'IA che impara dalle forme generali piuttosto che da specifiche teorie astronomiche, essi offrono una prospettiva fresca e imparziale sugli ambienti più estremi dell'universo. Questo lavoro non si limita a confermare ciò che già sappiamo; fornisce un nuovo percorso indipendente per verificare le osservazioni più fondamentali dei buchi neri, garantendo che le immagini che vediamo di questi giganti cosmici siano veramente ciò che c'è, e non solo ciò che speravamo di trovare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.