PRIMO revela uma visão mais nítida do buraco negro supermassivo da galáxia elíptica M87

“Machine Learning” (ML) [1] reconstrói uma nova imagem a partir de dados EHT.

Comparação da imagem gerada em 2019 (esquerda) com a gerada agora por um novo algoritmo que processou os mesmos dados originais. Crédito: Lia Medeiros et al. – 10.3847/2041-8213/acc32d

A imagem icônica do buraco negro supermassivo no centro da galáxia elíptica M87 (às vezes chamado de “rosquinha laranja difusa”) obteve sua primeira reformatação oficial com a ajuda da ferramenta “Machine Learning” (ML) [1]. A nova imagem expõe ainda mais uma região central que é maior e mais escura, cercada pelo gás brilhante em forma de “donut magro“. A equipe usou os dados obtidos pela colaboração do Event Horizon Telescope (EHT) em 2017 e alcançou, pela primeira vez, a resolução total da matriz.

Em 2017, a colaboração do EHT usou uma rede de sete telescópios pré-existentes em todo o mundo para coletar dados sobre o M87, criando um “telescópio do tamanho da Terra”. No entanto, como é inviável cobrir toda a superfície da Terra com telescópios, surgem eventualmente diversas lacunas nos dados – como as peças faltantes de um quebra-cabeças.

PRIMO, que significa modelagem interferométrica de componentes principais, foi desenvolvido pelos membros do EHT: Lia Medeiros (Instituto de Estudos Avançados), Dimitrios Psaltis (Georgia Tech), Tod Lauer (NOIRLab) e Feryal Özel (Georgia Tech). Sua publicação, “The Image of the M87 Black Hole Reconstructed with PRIMO“, está disponível em The Astrophysical Journal Letters em https://iopscience.iop.org/article/10.3847/2041-8213/acc32d

Lia Medeiros afirmou:

Com nossa nova técnica de aprendizado de máquina, PRIMO, conseguimos atingir a resolução máxima da matriz atual. Como não podemos estudar os buracos negros de perto, o detalhe de uma imagem desempenha um papel crítico em nossa capacidade de entender seu comportamento. A largura do anel na imagem agora é menor em cerca de um fator de dois, o que será uma restrição poderosa para nossos modelos teóricos e testes de gravidade.

Tod Lauer declarou:

PRIMO é uma nova abordagem para a difícil tarefa de construir imagens a partir de observações do EHT. Ele fornece uma maneira de compensar a falta de informações sobre o objeto observado, o que é necessário para gerar a imagem que teria sido vista usando um único radiotelescópio gigantesco do tamanho da Terra.

O PRIMO depende do aprendizado de dicionário (dictionary learning) , um ramo do ML que permite que os computadores gerem regras com base em grandes conjuntos de material de treinamento. Por exemplo, se um computador receber uma série de diferentes imagens de uma banana – com treinamento suficiente – ele poderá determinar se uma imagem desconhecida é ou não uma banana. Além desse caso simples, a versatilidade do aprendizado de máquina foi demonstrada de várias maneiras: desde a criação de obras de arte no estilo renascentista até à conclusão da obra inacabada de Beethoven. Então, como as máquinas podem ajudar os cientistas a renderizar uma imagem de buraco negro? A equipe de pesquisa respondeu a essa mesma pergunta.

Com o PRIMO, os computadores analisaram mais de 30.000 imagens simuladas de alta fidelidade de buracos negros acumulando gás. O conjunto de simulações cobriu uma ampla gama de modelos de como o buraco negro acumula matéria, procurando padrões comuns na estrutura das imagens. Os vários padrões de estrutura foram classificados pela frequência com que ocorreram nas simulações e foram combinados para fornecer uma representação altamente precisa das observações do EHT, fornecendo simultaneamente uma estimativa de alta fidelidade da estrutura ausente das imagens. Um artigo pertencente ao próprio algoritmo foi publicado no The Astrophysical Journal em 3 de fevereiro de 2023.

Lia Medeiros adicionou:

Estamos usando a física para preencher regiões de dados ausentes de uma forma nunca antes feita usando aprendizado de máquina. Isto pode ter implicações importantes para a interferometria, que desempenha um papel em áreas como exoplanetas e medicina.

À esquerda, a imagem anterior do buraco negro. No centro, o resultado direto do processamento pela nova técnica. À direita, a imagem produzida pelo software borrada para atingir a resolução do EHT. Crédito: Lia Medeiros et al. – 10.3847/2041-8213/acc32d

A equipe confirmou que a imagem recém-renderizada é consistente com os dados do EHT e com as expectativas teóricas, incluindo o anel brilhante de emissão que se espera ser produzido pelo gás quente caindo no buraco negro. A geração de uma imagem exigia assumir uma forma apropriada das informações ausentes, e o PRIMO fez isso com base na descoberta de 2019 de que o buraco negro M87 em detalhes amplos parecia o previsto.

Dimitrios Psaltis afirmou:

Aproximadamente quatro anos após a primeira imagem em escala horizontal de um buraco negro ter sido revelada pelo EHT em 2019, marcamos outro marco, produzindo uma imagem que utiliza a resolução total da matriz pela primeira vez. As novas técnicas de aprendizado de máquina que desenvolvemos fornecem uma oportunidade de ouro para nosso trabalho coletivo entender a física dos buracos negros.

A nova imagem deve levar a determinações mais precisas da massa do buraco negro M87 e dos parâmetros físicos que determinam sua aparência atual. Os dados também fornecem uma oportunidade para os pesquisadores colocarem maiores restrições nas alternativas ao horizonte de eventos (com base na depressão de brilho central mais escura) e realizarem testes de gravidade mais robustos (com base no tamanho do anel mais estreito). O PRIMO também pode ser aplicado a observações adicionais do EHT, incluindo as de Sgr A*, o buraco negro central em nossa própria galáxia, a Via Láctea.

M87 é uma galáxia maciça, relativamente próxima [53,5 ± 1,63 milhões de anos-luz], no aglomerado de galáxias de Virgem. Há mais de um século, um misterioso jato de plasma quente (veja abaixo, na imagem do Telescópio Espacial Hubble) foi observado emanando de seu centro. Começando na década de 1950, a então nova técnica de radioastronomia mostrou que a galáxia tinha uma fonte de rádio compacta e brilhante em seu centro. Durante a década de 1960, suspeitava-se que M87 tinha um enorme buraco negro em seu centro alimentando essa atividade. Medições feitas a partir de telescópios terrestres a partir da década de 1970 e, posteriormente, do Telescópio Espacial Hubble a partir da década de 1990, forneceram forte suporte de que M87 realmente abrigava um buraco negro pesando vários bilhões de vezes a massa do Sol com base em observações das altas velocidades de estrelas e gás orbitando seu centro. As observações do EHT de 2017 de M87 foram obtidas ao longo de vários dias de vários radiotelescópios diferentes conectados ao mesmo tempo para obter a maior resolução possível. A agora icônica imagem “donut laranja” do buraco negro M87, lançada em 2019, refletiu a primeira tentativa de produzir uma imagem a partir dessas observações.

Imagem do jato relativistico da galáxia ativa M87 capturada pelo telescópio espacial Hubble. A galáxia ativa elíptica gigante M87 emite um jato de 5.000 anos-luz de comprimento que pode ser observado nos comprimentos de onda da luz visível. A galáxia M87 não é considerada tecnicamente um blazar, porque o seu jato não está direcionado para a Terra. Crédito: ESA/Hubble.

Lia Medeiros, concluiu:

A imagem de 2019 foi só o começo. Se uma imagem vale mais que mil palavras, os dados subjacentes a essa imagem têm muito mais histórias para contar. O PRIMO continuará a ser uma ferramenta crítica na extração de tais vislumbres.

O desenvolvimento do algoritmo PRIMO foi viabilizado com o apoio da Bolsa de Pós-Doutorado em Astronomia e Astrofísica da National Science Foundation.


Nota [1]

O Machine Learning (ML) é um campo dedicado à compreensão e construção de métodos que permitem às máquinas “aprender” – ou seja, métodos que utilizam dados para melhorar o desempenho do computador em algum conjunto de tarefas. ML é visto como um amplo subcampo da inteligência artificial. Os algoritmos de Machine Learning constroem um modelo com base em dados de amostra, conhecidos como dados de treinamento, para fazer previsões ou decisões sem serem explicitamente programados para isso. Algoritmos de Machine Learning são usados ​​em uma ampla variedade de aplicações, como na medicina, filtragem de e-mail, reconhecimento de fala, agricultura e visão computacional, onde é difícil ou inviável desenvolver algoritmos convencionais para executar as tarefas necessárias. Um subconjunto de Machine Learning está intimamente relacionado à estatística computacional, que se concentra em fazer previsões usando computadores, mas nem todo Machine Learning é aprendizado estatístico. O estudo da otimização matemática fornece métodos, teoria e domínios de aplicação para o campo do aprendizado de máquina. A mineração de dados é um campo de estudo relacionado, com foco na análise exploratória de dados por meio do aprendizado não supervisionado. Algumas implementações de Machine Learning usam dados e redes neurais de uma forma que imita o funcionamento de um cérebro biológico. Em sua aplicação em problemas de negócios, o Machine Learning também é conhecido como análise preditiva.


Fonte: Science Daily: A sharper look at the M87 black hole


Artigo Científico: The Astrophysical Journal Letters: The Image of the M87 Black Hole Reconstructed with PRIMO
[ https://iopscience.iop.org/article/10.3847/2041-8213/acc32d ]