Korzystając z milionów symulacji i sztucznej inteligencji, astronomowie odkryli, że czarna dziura Drogi Mlecznej obraca się blisko maksymalnej prędkości. Przełom, poparty czterema dekadami innowacji w zakresie rozproszonego przetwarzania, wskazuje na zachowania magnetyczne, które przeczą długo obowiązującym teoriom.
Zespół międzynarodowych astronomów wykorzystał sztuczną inteligencję i miliony symulowanych modeli, aby odkryć nowe sekrety dotyczące czarnych dziur, zwłaszcza tej w centrum naszej galaktyki. Dzięki temu nowatorskiemu podejściu odkryli, że centralna czarna dziura Drogi Mlecznej, znana jako Sagittarius A*, obraca się niemal z maksymalną możliwą prędkością.
Aby dokonać tego przełomu, naukowcy wytrenowali sieć neuronową, korzystając z ogromnego zestawu syntetycznych symulacji czarnych dziur. Zostały one oparte na technologii obliczeń o wysokiej przepustowości z Center for High Throughput Computing (CHTC), wspólnego wysiłku Morgridge Institute for Research i University of Wisconsin–Madison. Ich odkrycia i metody zostały opublikowane w trzech nowych badaniach w czasopiśmie Astronomy & Astrophysics.
Rozproszone obliczenia
Ten rodzaj obliczeń o wysokiej przepustowości nie jest zwykłą konfiguracją. Został zapoczątkowany 40 lat temu przez informatyka z Wisconsin, Mirona Livny'ego, i działa poprzez dystrybucję ogromnych zadań na tysiące komputerów.
Wyobraź sobie, że jedno, ogromne wyzwanie zamienia się w rój mniejszych, szybszych problemów rozwiązywanych jednocześnie. Ten system jest obecnie niezbędnym narzędziem do odkryć naukowych, pomagającym badaczom na całym świecie rozwiązywać duże pytania — od ciemnej materii i fal grawitacyjnych po oporność na antybiotyki.
W 2019 roku zespół Event Horizon Telescope (EHT) ujawnił pierwszy w historii obraz supermasywnej czarnej dziury w galaktyce M87. W 2022 roku kontynuowali prace nad kultowym obrazem Sagittarius A* w sercu Drogi Mlecznej. Chociaż te obrazy były przełomowe, dane, na których się opierały, zawierały jeszcze głębsze spostrzeżenia, które były trudne do rozszyfrowania.
Po lewej stronie supermasywna czarna dziura w centrum Drogi Mlecznej, Sagittarius A*, jest widoczna w świetle spolaryzowanym, widoczne linie wskazują orientację polaryzacji, która jest związana z polem magnetycznym wokół cienia czarnej dziury. W centrum spolaryzowana emisja z centrum Drogi Mlecznej, uchwycona przez SOFIA. Z tyłu po prawej, Planck Collaboration zmapował spolaryzowaną emisję z pyłu w Drodze Mlecznej. Źródło obrazu: S. Issaoun, EHT Collaboration
Sieci neuronowe i fizyka czarnych dziur
Poprzednie badania EHT Collaboration wykorzystywały tylko kilka realistycznych plików danych syntetycznych. Finansowany przez National Science Foundation (NSF) w ramach projektu Partnership to Advance Throughput Computing (PATh), CHTC z siedzibą w Madison umożliwił astronomom wprowadzenie milionów takich plików danych do tak zwanej bayesowskiej sieci neuronowej, która może kwantyfikować niepewności. Pozwoliło to naukowcom na znacznie lepsze porównanie danych EHT z modelami.
Dzięki sieci neuronowej naukowcy podejrzewają teraz, że czarna dziura w centrum Drogi Mlecznej wiruje niemal z maksymalną prędkością. Jej oś obrotu wskazuje na Ziemię. Ponadto emisja w pobliżu czarnej dziury jest spowodowana głównie przez ekstremalnie energetyczne elektrony w otaczającym dysku akrecyjnym, a nie przez tak zwany dżet. Ponadto pola magnetyczne w dysku akrecyjnym wydają się zachowywać inaczej niż w typowych teoriach takich dysków.
Możliwość skalowania do milionów plików danych syntetycznych wymaganych do trenowania modelu jest imponującym osiągnięciem. Wymaga niezawodnej automatyzacji przepływu pracy i efektywnego rozłożenia obciążenia pracą na zasoby pamięci masowej i moc przetwarzania. Finansowany przez NSF Open Science Pool, obsługiwany przez PATh, oferuje moc obliczeniową udostępnioną przez ponad 80 instytucji w Stanach Zjednoczonych. W ciągu ostatnich trzech lat w ramach projektu Event Horizon Black Hole wykonano ponad 12 milionów obliczeń.
Więcej informacji:
-
“Deep learning inference with the Event Horizon Telescope – I. Calibration improvements and a comprehensive synthetic data library” by M. Janssen, C.-k. Chan, J. Davelaar, I. Natarajan, H. Olivares, B. Ripperda, J. Röder, M. Rynge and M. Wielgus, 6 June 2025, Astronomy & Astrophysics.
DOI: 10.1051/0004-6361/202553784 -
“Deep learning inference with the Event Horizon Telescope – II. The ZINGULARITY framework for Bayesian artificial neural networks” by M. Janssen, C.-k. Chan, J. Davelaar and M. Wielgus, 6 June 2025, Astronomy & Astrophysics.
DOI: 10.1051/0004-6361/202553785 -
“Deep learning inference with the Event Horizon Telescope – III. ZINGULARITY results from the 2017 observations and predictions for future array expansions” by M. Janssen, C.-k. Chan, J. Davelaar and M. Wielgus, 6 June 2025, Astronomy & Astrophysics.
DOI: 10.1051/0004-6361/202553786
Opracowanie: Joanna Molenda-Żakowicz
Na ilustracji: Wizja artystyczna sieci neuronowej łączącej obserwacje (po lewej) z modelami (po prawej). Źródło: EHT Collaboration/Janssen i in.
