Kerr Quasinormal Modes without Variable Separation: A Two-Dimensional Hyperboloidal Teukolsky Solver with Physics-Informed Neural Networks

ブラックホールが、例えば星を飲み込んだり、別のブラックホールと衝突したりして乱されるとき、それは単にすぐに落ち着くわけではない。代わりに、叩かれた鐘のように鳴り響き、静寂へと消えていく前に、一連の特定の音調で振動する。物理学の言葉では、これらの振動は準固有モード（quasinormal modes）と呼ばれる。それぞれの音調は、ブラックホール自体の質量と回転速度によって完全に決定される、固有の指紋を運んでいる。これらの音を聴くことで、科学者たちは重力の基本法則をテストし、宇宙で観測されるブラックホールが、アルバート・アインシュタインの一般相対性理論の予測と真に一致しているかどうかを検証することができるのである。数十年にわたり、回転するブラックホールのこれらの音調を計算することは、回転するブラックホールが持つ特別な隠れた対称性のおかげで成立する複雑な数学的トリックを必要とする、困難な課題であった。

研究チームは今回、その特別な対称性に頼らずにこれらの音調を計算する方法を見出した。彼らは、問題を別々の断片に分解するのではなく、単一の統合された二次元のパズルとして扱う新しい手法を開発した。このアプローチは、特別な対称性が全く存在しない可能性のある、よりエキゾチックな重力理論におけるブラックホールの研究への扉を開くものであるため、非常に重要である。物理法則に従うように訓練された人工知能の一種である「物理情報ニューラルネットワーク（physics-informed neural networks）」という技術を用いて、チームは回転しない状態から、物理法則が許容する最も極端なスピンまで、回転するブラックホールの振動音をマッピングすることに成功した。彼らの結果は、既存の最も精密な計算と0.5%以内の誤差で一致しており、この新しい柔軟な手法が、ブラックホールが物理法則が許す限り最も速く回転する場合に発生する、かすかで長く続く振動を含む、最も困難なケースにも対処できることを証明した。

この問題を解く伝統的な方法は、数学的なショートカットに依存している。回転するブラックホールはアインシュタインの理論において特別な構造を持っているため、物理学者はその振動を記述する複雑な方程式を、二つの単純で独立した部分、すなわちブラックホールから離れるにつれてどのように変化するかを記述するものと、上下方向にどのように変化するかを記述するものに分割することができる。この分離は数学を非常に容易にするが、これはアインシュタインの特定の理論による幸運な偶然である。もし宇宙が異なる重力の規則に従っていたり、あるいはブラックホールが電荷を持っていたりすれば、この分離はおそらく失敗し、標準的なツールでは解決できない絡み合った二次元の問題を残すことになるだろう。本研究の研究者たちは、このショートカットを必要としないソルバーを構築したいと考えた。彼らは、半径方向の部分と角度方向の部分を自然界に存在する通りに結合させたまま、フルサイズの二次元問題を直接解くことを目指した。

これを達成するために、チームはブラックホールの振動をニューラルネットワークによって探索される「風景」として扱う手法を採用した。固定されたグリッドの点や、近似解を得るための定義済みの形状を用いる代わりに、彼らは、数千の異なる場所で同時に物理法則を満たすようにすることで、振動の形状を学習する、柔軟で訓練可能なコンピュータプログラムを使用した。彼らは、ブラックホールの地平線から遠方の宇宙まで広がる特別なグリッド上に問題をセットアップし、空間を恣意的に切り取ることなく、事象の地平線と遠方の宇宙の両方における波の挙動を捉えられるようにした。ニューラルネットワークには、物理方程式がこのグリッド上のあらゆる場所で完璧にバランスするように、振動の特定の周波数と形状を見つけ出すという任務が課された。

研究者たちは、最も一般的で強力なものから、より微細で高音の音調に至るまで、6つの特定の種類の振動に焦点を当てた。彼らは、回転していないブラックホール（解がよく知られている状態）から計算を開始し、ステップごとにスピンを徐々に増加させ、ブラックホールが可能な限り速く回転する限界まで進めた。各ステップにおいて、彼らは前のスピンの解を次のステップの開始点として使用し、ニューラルネットワークが道を見失うことなく新しい解を見つけられるよう誘導した。この「継続法（continuation）」と呼ばれるプロセスは極めて重要であった。なぜなら、ブラックホールが高速で回転するにつれて、異なる振動の音調が周波数において互いに近づいていき、コンピュータが誤って別の音調へと飛び移ってしまう可能性があるからである。チームは、基本となる音調と、その近くに隠れていることが多い、わずかに高い音のオーバートーン（倍音）を区別するための安全策を組み込み、ネットワークが正しい経路を維持できるようにした。

結果は驚くほど正確であった。チームがニューラルネットワークの予測を既存の最も精密な計算と比較したところ、その差は極めて小さかった。計算されたすべての音調において、周波数の誤差は1%の半分未満であった。このレベルの精度は、ブラックホールが非常に速く回転し、振動が非常に長く持続し、減衰（つまり音の消え方）がほぼゼロになる最も困難な領域においても維持された。この極限に近い状態において、ブラックホールの振動は地平線の回転速度にロックされるが、この新手法はその現象を高い忠実度で捉えた。また、チームは、基本となる音調とその第一オーバートーンが、実数の周波数をほぼ共有している場合でも、それらが持つ減衰率が大きく異なることを正しく特定することで、両者を明確に区別できることも示した。

研究者たちは、単に数値を一致させるだけでなく、彼らの手法がブラックホールの「リンダウン（余韻）」の物理的実体を保持していることを実証した。彼らは計算された周波数をシミュレートされた音波に変換し、標準的な高精度手法から生成された波と比較した。二つの波のセットはほぼ同一であり、わずかな差異は多くの振動サイクルを経て初めて蓄積されるものであった。これは、ニューラルネットワークが単なる数学的な近似を見つけたのではなく、ブラックホールの真の物理的挙動を捉えたことを裏付けている。研究はまた、これらの周波数の小さな違いが現実世界の観測にどのように影響するかについても調査した。彼らは、ほとんどのブラックホールについては、計算の微小な誤差は現在の検出器には影響しないが、限界付近で回転するブラックホールについては、その振動の質が高いため、信号が十分に強力であれば、わずかな周波数誤差であっても最終的に顕著になる可能性があることを見出した。

この研究の意義は、単純な回転ブラックホール用に設計された手法が保持している数値精度の記録を打ち破ることにあるのではなく、より柔軟なアプローチが有効であることを証明した点にある。変数を分離せずに問題を解くことで、研究者たちは、標準的なショートカットが存在しない重力理論におけるブラックホールを研究するためのプロトタイプを作り上げた。彼らの手法は、事前処理を必要とせず、電場や修正重力が関与するような、数値データを通じてのみ既知となる背景に対しても対処が可能である。これは、より幅広い宇宙の天体を探索し、重力の理解の限界をテストするための扉を開くものである。本研究は、ニューラルネットワークが複雑な多次元問題を解くための堅牢なツールとして機能することを確立し、宇宙の最も極端な環境を調査するための新たな道を提示している。