Les astronomes ont utilisé l’apprentissage automatique pour affiner la première image d’un trou noir du télescope Event Horizon – un exercice qui démontre la valeur de l’intelligence artificielle pour affiner les observations cosmiques.
L’image devrait guider les scientifiques alors qu’ils testent leurs hypothèses sur le comportement des trous noirs et sur les règles gravitationnelles de la route dans des conditions extrêmes.
L’image EHT du trou noir supermassif au centre d’une galaxie elliptique connue sous le nom de M87, à environ 55 millions d’années-lumière de la Terre, a séduit le monde scientifique en 2019. L’image a été produite en combinant les observations d’un réseau mondial de radiotélescopes – mais des lacunes dans les données signifiaient que le tableau était incomplet et quelque peu flou.
Dans une étude publiée cette semaine dans Astrophysical Journal Letters, une équipe internationale d’astronomes a décrit comment ils ont comblé les lacunes en analysant plus de 30 000 images de trous noirs simulés.
“Grâce à notre nouvelle technique d’apprentissage automatique, PRIMO, nous avons pu atteindre la résolution maximale du réseau actuel”, a déclaré l’auteur principal de l’étude, Lia Medeiros de l’Institute for Advanced Study, dans un communiqué de presse.
PRIMO a affiné et affiné la vision de l’EHT de l’anneau de matière chaude qui tourbillonnait autour du trou noir alors qu’il tombait dans la singularité gravitationnelle. Cela fait plus qu’une image plus jolie, a expliqué Medeiros.
“Puisque nous ne pouvons pas étudier les trous noirs de près, le détail d’une image joue un rôle essentiel dans notre capacité à comprendre son comportement”, a-t-elle déclaré. “La largeur de l’anneau dans l’image est maintenant plus petite d’environ un facteur deux, ce qui constituera une contrainte puissante pour nos modèles théoriques et nos tests de gravité.”
La technique développée par Medeiros et ses collègues – connue sous le nom de modélisation interférométrique à composantes principales, ou PRIMO en abrégé – analyse de grands ensembles de données d’imagerie d’entraînement pour déterminer les moyens les plus probables de remplir les données manquantes. C’est similaire à la façon dont les chercheurs en intelligence artificielle ont utilisé une analyse des œuvres musicales de Ludwig von Beethoven pour produire une partition pour la 10e symphonie inachevée du compositeur.
Des dizaines de milliers d’images EHT simulées ont été introduites dans le modèle PRIMO, couvrant un large éventail de modèles structurels pour le gaz tourbillonnant dans le trou noir de M87. Les simulations qui correspondaient le mieux aux données disponibles ont été combinées pour produire une reconstruction haute fidélité des données manquantes. L’image résultante a ensuite été retraitée pour correspondre à la résolution maximale réelle de l’EHT.
Les chercheurs disent que la nouvelle image devrait conduire à des déterminations plus précises de la masse du trou noir de M87 et de l’étendue de son horizon des événements et de son anneau d’accrétion. Ces déterminations, à leur tour, pourraient conduire à des tests plus robustes de théories alternatives relatives aux trous noirs et à la gravité.
L’image plus nette du M87 n’est que le début. PRIMO peut également être utilisé pour affiner la vue floue du télescope Event Horizon du Sagittaire A *, le trou noir supermassif au centre de notre propre galaxie, la Voie lactée. Et ce n’est pas tout : les techniques d’apprentissage automatique employées par PRIMO pourraient être appliquées à bien plus que les trous noirs. “Cela pourrait avoir des implications importantes pour l’interférométrie, qui joue un rôle dans des domaines allant des exoplanètes à la médecine”, a déclaré Medeiros.
En plus de Medeiros, les auteurs de “L’image du trou noir M87 reconstruit avec PRIMO” dans Astrophysical Journal Letters incluent Dimitrios Psaltis, Tod Lauer et Feryal Özel. Le développement de l’algorithme PRIMO a été rendu possible grâce au soutien de la bourse postdoctorale d’astronomie et d’astrophysique de la National Science Foundation.
