藉助機器學習，標誌性的首張超大質量黑洞照片呈現出引人注目的新面貌。
2019 年那張吸引全世界目光的照片顯示的是一個明亮而模糊的光環。但 4 月 13 日發表在《天體物理學雜誌快報》上的研究將這一景象銳化為一個狹窄的環，襯托著鮮明的黑色背景。科學家表示，新影像為未來深入瞭解黑洞奠定了基礎。
卡內基梅隆大學的天體物理學家蒂齊亞娜·迪·馬特奧說：“我認為他們真的找到了一個很好的定位，即針對特定問題開發特定的演算法，並融入物理知識，從而取得重大進展。”她本人也在自己的工作中使用了機器學習，但並未參與這項新研究。“這是一個美麗的例子，說明事物如何能夠改進，你如何能夠看得更遠、更清晰，真的是這樣，”她說。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您將幫助確保有關塑造我們當今世界的發現和思想的具有影響力的故事能夠擁有未來。
M87 星系距離地球約 5400 萬光年。其中心是一個黑洞，質量約為太陽的 65 億倍。這個龐然大物是事件視界望遠鏡 (EHT)的兩個主要目標之一，EHT 是一個位於全球各地的射電天文臺聯盟。透過結合來自這些來源的資料，科學家們實際上構建了一個地球大小的望遠鏡，其威力足以捕捉到黑洞周圍明亮物質的細節。
但 EHT 存在一個根本問題：其資料是零星的，就像透過一塊髒窗戶觀察到的場景，只有少數斑塊透光。2019 年的影像及其新的配套影像都基於僅從地球上少數幾個地點收集的資料，這在科學家觀察黑洞的視野中留下了很大的空白。
這就是機器學習發揮作用的地方。馬薩諸塞理工學院海斯塔克天文臺的天體物理學家秋山一德說，無論是 2019 年的原始影像，還是今天的 M87 黑洞增強檢視，其背後都是使用機器學習作為一種“數學偵探”的成像技術。秋山一德是事件視界望遠鏡合作組織的成員，但未參與這項新研究。
當科學家建立初始影像時，他們依賴於通用的機器學習系統來填補空白。（例如，這樣的系統可能會判定，兩個相鄰畫素的亮度更可能大致相同，而不是差異巨大。）當從該過程中浮現出獨特的環狀影像時，這有助於使科學家確信他們確實是在觀察黑洞。但環的模糊性使得進一步瞭解黑洞變得困難。
新研究的作者、普林斯頓高等研究院的天體物理學家莉婭·梅德羅斯說：“我們當時的考慮——而且理所當然地——是，這是任何人第一次看到黑洞，我們真的不想對此做任何假設。”她也參與了 2019 年影像的建立。“以前沒有人見過這個東西，所以我們不想假設它會與我們的理論相符。”
梅德羅斯和她的同事確信 EHT 最初的人工智慧增強方法在 2019 年的影像中效果良好，因此他們決定用一種略有不同且可以說更復雜的方法來升級：他們稱之為“主成分干涉測量建模 (PRIMO)”的機器學習方法。
PRIMO 執行的規則源自科學家對黑洞外觀的預期，該演算法從對大量具有不同特徵（不同的質量、不同的自旋等等）的模擬黑洞進行訓練中收集了這些規則。結果是一個更加專業的演算法。
秋山說：“這是一種全新的方法。”“他們對可能的影像型別使用了不同的假設。”
然後，梅德羅斯和她的同事將 PRIMO 應用於相同的初始 EHT 資料。更注重物理規則的方法建立了一個更清晰的影像，描繪了一個更窄的環，環繞著一個真正的黑色中心。並且由於科學家們認為環的寬度等特徵反映了黑洞的基本特徵，因此更清晰的檢視可能會改變科學家們對這個巨大物體的理解。然而，這項新研究並未深入探討這些潛在的影響。梅德羅斯說，深入探討這些影響的論文仍在撰寫中。
就像 2019 年標誌性的影像一樣，新的 PRIMO 影像也不會是我們最後一張 M87 黑洞的照片。秋山希望看到 PRIMO 演算法得到更徹底的測試，而迪·馬特奧強調，隨著科學家們繼續磨練他們對支配黑洞的物理學的理解，這種方法將變得更強大。
倫敦大學學院的天體物理學家齊裡·尤恩西也表示贊同。“顯然，還需要做更多的工作來研究這種演算法並進行更多測試，但這可能是一個非常令人興奮的結果，”齊裡·尤恩西是事件視界望遠鏡合作組織的成員，但未參與這項新研究。