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

Wanneer een zwart gat wordt verstoord, bijvoorbeeld door een ster te verslinden of te botsen met een ander zwart gat, komt het niet simpelweg direct tot rust. In plaats daarvan rinkelt het als een aangeslagen bel, trillend in een reeks specifieke tonen voordat het in stilte vervaagt. In de taal van de natuurkunde worden deze trillingen quasinormale modi genoemd. Elke toon draagt een unieke vingerafdruk van het zwarte gat zelf, die volledig wordt bepaald door de massa en de snelheid van de rotatie. Door naar deze tonen te luisteren, kunnen wetenschappers de fundamentele wetten van de zwaartekracht testen en verifiëren of de zwarte gaten die we in het universum observeren werkelijk overeenkomen met de voorspellingen van Albert Einsteins algemene relativiteitstheorie. Decennialang was het berekenen van deze tonen voor een draaiend zwart gat een enorme uitdaging, wat complexe wiskundige trucjes vereiste die alleen werkten omdat het draaiende zwarte gat een speciale, verborgen symmetrie bezit.

Een team van onderzoekers heeft nu een manier gevonden om deze tonen te berekenen zonder afhankelijk te zijn van die speciale symmetrie. Ze ontwikkelden een nieuwe methode die het probleem behandelt als één enkel, verenigd tweedimensionaal puzzelstuk, in plaats van het op te splitsen in afzonderlijke delen. Deze aanpak is belangrijk omdat het de deur opent naar het bestuderen van zwarte gaten in meer exotische zwaartekrachttheorieën, waar de speciale symmetrie mogelijk helemaal niet bestaat. Met behulp van een techniek genaamd physics-informed neural networks, een type kunstmatige intelligentie dat getraind is om de natuurwetten te gehoorzamen, slaagde het team erin de vibratietonen van een draaiend zwart gat in kaart te brengen, van een niet-draaiende staat tot de meest extreme rotatiesnelheid mogelijk. Hun resultaten komen overeen met de meest nauwkeurige bestaande berekeningen tot binnen een halve procent, wat bewijst dat deze nieuwe, flexibele methode de moeilijkste gevallen aankan, inclusief de zwakke, langdurige trillingen die optreden wanneer een zwart gat bijna zo snel draait als de natuurwetten toestaan.

De traditionele manier om dit probleem op te lossen, vertrouwt op een wiskundige afkorting. Omdat een draaiend zwart gat in Einsteins theorie een speciale structuur heeft, kunnen natuurkundigen de complexe vergelijkingen die de trillingen beschrijven opsplitsen in twee eenvoudigere, onafhankelijke delen: één die beschrijft hoe de trilling verandert naarmate je verder van het zwarte gat af beweegt, en een andere die beschrijft hoe het verandert naarmate je omhoog of omlaag beweegt. Deze scheiding maakt de wiskunde veel eenvoudiger, maar het is een gelukkig toeval van de specifieke theorie van Einstein. Als het universum andere regels van zwaartekracht zou volgen, of als het zwarte gat een elektrische lading zou hebben, zou deze scheiding waarschijnlijk falen, waardoor wetenschappers achterblijven met een verstrengeld, tweedimensionaal probleem dat ze niet met standaardinstrumenten kunnen oplossen. De onderzoekers in deze studie wilden een solver bouwen die deze afkorting niet nodig heeft. Ze streefden ernaar om het volledige, tweedimensionale probleem direct op te lossen, waarbij de radiale en hoekige delen verbonden blijven, precies zoals ze in de natuur bestaan.

Om dit te bereiken, maakte het team gebruik van een methode die de trillingen van het zwarte gat behandelt als een landschap dat verkend kan worden door een neuraal netwerk. In plaats van een vast rooster van punten of een vooraf gedefinieerde set vormen te gebruiken om de oplossing te benaderen, gebruikten ze een flexibel, trainbaar computerprogramma dat de vorm van de trilling leert door te proberen aan de natuurwetten te voldoen op duizenden verschillende locaties tegelijkertijd. Ze zetten het probleem op een speciaal rooster dat zich uitstrekt van de rand van het zwarte gat tot in de verre uithoeken van de ruimte, waardoor ze het gedrag van de golven zowel bij de horizon als in het verre universum konden vangen zonder de ruimte op een willekeurig punt af te snijden. Het neurale netwerk kreeg de taak om de specifieke frequentie en vorm van de trilling te vinden die de fysische vergelijkingen overal op dit rooster perfect in evenwicht brengt.

De onderzoekers concentreerden zich op zes specifieke soorten trillingen, variërend van de meest voorkomende en krachtige tot de subtielere, hoger gepitchte tonen. Ze begonnen hun berekeningen met een zwart gat dat helemaal niet draait, een staat waarin de oplossing goed bekend is, en verhoogden vervolgens stap voor stap de rotatiesnelheid, tot aan de limiet waarbij het zwarte gat zo snel draait als fysiek mogelijk is. Bij elke stap gebruikten ze de oplossing van de vorige rotatiesnelheid als startpunt voor de volgende, om het neurale netwerk te begeleiden bij het vinden van de nieuwe oplossing zonder de weg kwijt te raken. Dit proces, bekend als continuatie, was cruciaal omdat de verschillende vibratietonen dichter en dichter bij elkaar komen te liggen in frequentie naarmate het zwarte gat sneller draait, waardoor het voor een computer gemakkelijk is om per ongeluk van de ene toon naar de andere te springen. Het team bouwde waarborgen in om ervoor te zorgen dat het netwerk op het juiste pad bleef, waarbij onderscheid werd gemaakt tussen de fundamentele tonen en de iets hoger gepitchte boventonen die vaak in de buurt verborgen liggen.

De resultaten waren opmerkelijk accuraat. Wanneer het team de voorspellingen van hun neurale netwerk vergeleek met de meest nauwkeurige bestaande berekeningen, was het verschil minuscuul. Voor elke enkele toon die ze berekenden, was de fout in de frequentie minder dan een half procent. Dit niveau van precisie hield stand zelfs in het moeilijkste regime, waar het zwarte gat zo snel draait dat de trillingen ongelooflijk langdurig worden en de demping, of het vervagen van het geluid, bijna nul is. In deze bijna extreme staat synchroniseren de trillingen van het zwarte gat met de rotatiesnelheid van de horizon, een fenomeen dat de nieuwe methode met hoge getrouwheid heeft gevangen. Het team toonde ook aan dat hun methode duidelijk onderscheid kon maken tussen een fundamentele toon en de eerste boventoon, zelfs wanneer zij bijna dezelfde reële frequentie delen, door correct de zeer verschillende vervalsnelheden te identificeren.

Buiten het louter matchen van de cijfers, toonden de onderzoekers aan dat hun methode de fysieke realiteit van de 'ringdown' van het zwarte gat behoudt. Ze zetten hun berekende frequenties om in gesimuleerde geluidsgolven en vergeleken deze met golven die gegenereerd werden door de standaard, hoogprecisie methoden. De twee sets golven waren bijna identiek, waarbij de minuscule verschillen zich pas na vele cycli van trilling ophoopten. Dit bevestigde dat het neurale netwerk niet alleen een wiskundige benadering had gevonden, maar ook het ware fysieke gedrag van het zwarte gat had gevangen. De studie onderzocht ook hoe deze kleine verschillen in frequentie de echte waarnemingen zouden beïnvloeden. Ze ontdekten dat voor de meeste zwarte gaten de minuscule fouten in hun berekening er niet toe doen voor huidige detectoren, maar dat voor zwarte gaten die bijna aan de limiet draaien, de hoge kwaliteit van hun trillingen betekent dat zelfs een kleine frequentiefout uiteindelijk merkbaar kan worden als het signaal sterk genoeg is.

De betekenis van dit werk ligt niet in het verbreken van het record voor numerieke precisie, dat nog steeds in handen is van gespecialiseerde methoden ontworpen voor het eenvoudige, draaiende zwarte gat, maar in het bewijzen dat een andere, flexibelere aanpak werkt. Door het probleem op te lossen zonder de variabelen te scheiden, hebben de onderzoekers een prototype gecreëerd voor het bestuderen van zwarte gaten in zwaartekrachttheorieën waar de standaard afkortingen niet bestaan. Hun methode vereist minder voorbewerking en kan achtergronden aan, die alleen bekend zijn via numerieke data, zoals die met elektrische velden of aangepaste zwaartekracht. Dit opent de deur naar het verkennen van een breder scala aan kosmische objecten en het testen van de grenzen van ons begrip van zwaartekracht. De studie vestigt dat neurale netwerken een robuust instrument kunnen dienen voor het oplossen van complexe, multidimensionale problemen in de astrofysica, en biedt een nieuwe weg voor het onderzoek naar de meest extreme omgevingen in het universum.