شبکه عصبی خودآموز سیاه‌چاله‌های نمادین را رمزگشایی می‌کند
تیمی از ستاره‌شناسان به رهبری مایکل یانسن (از دانشگاه رادبود، هلند) یک شبکه عصبی را با میلیون‌ها مجموعه داده ساختگی از سیاه‌چاله‌ها آموزش داده‌اند. بر اساس این شبکه و داده‌های تلسکوپ افق رویداد، آن‌ها اکنون پیش‌بینی می‌کنند، از جمله، که سیاه‌چاله مرکز کهکشان راه شیری با سرعتی نزدیک به بیشینه خود در حال چرخش است.
ستاره‌شناسان نتایج و روش تحقیق خود را در سه مقاله در مجلهٔ Astronomy & Astrophysics منتشر کرده‌اند.
در سال ۲۰۱۹، همکاری تلسکوپ افق رویداد نخستین تصویر از یک سیاه‌چاله ابرپرجرم در مرکز کهکشان M87 را منتشر کرد. در سال ۲۰۲۲، آن‌ها تصویری از سیاه‌چاله کهکشان راه شیری ما، یعنی کمان A\* (Sagittarius A\*) را ارائه دادند. با این حال، داده‌های پشت این تصاویر هنوز حاوی اطلاعات فراوان و دشواری برای رمزگشایی بودند. یک تیم بین‌المللی از پژوهشگران، یک شبکه عصبی را برای استخراج بیشترین میزان اطلاعات ممکن از این داده‌ها آموزش دادند.
از چند نمونه تا میلیون‌ها
مطالعات پیشین توسط همکاری تلسکوپ افق رویداد تنها از چند فایل داده ساختگی واقع‌گرایانه استفاده کرده بودند. اما این‌بار، ستاره‌شناسان میلیون‌ها فایل از این نوع داده‌ها را وارد یک شبکه عصبی بیزی کردند؛ شبکه‌ای که می‌تواند عدم قطعیت‌ها را نیز برآورد کند. این کار به پژوهشگران اجازه داد تا مقایسه بسیار دقیق‌تری میان داده‌های EHT و مدل‌ها انجام دهند.
به لطف این شبکه عصبی، پژوهشگران اکنون گمان می‌کنند، برای مثال، سیاه‌چاله مرکز کهکشان راه شیری تقریباً با بیشینه سرعت در حال چرخش است. محور چرخش آن به سمت زمین نشانه رفته است. همچنین، تابش نزدیک سیاه‌چاله عمدتاً ناشی از الکترون‌های بسیار داغ در دیسک برافزایشی اطراف آن است و نه از جِتی که به‌اصطلاح شناخته می‌شود. علاوه بر این، به نظر می‌رسد میدان‌های مغناطیسی در دیسک برافزایشی رفتاری متفاوت از نظریه‌های رایج داشته باشند.
«این‌که نظریه رایج را به چالش می‌کشیم، بدون شک هیجان‌انگیز است،» مایکل یانسن، پژوهشگر اصلی از دانشگاه رادبود نایمخن هلند می‌گوید. «با این حال، من رویکرد هوش مصنوعی و یادگیری ماشینی‌مان را در درجه اول گامی ابتدایی می‌دانم. گام بعدی ما بهبود و گسترش مدل‌ها و شبیه‌سازی‌های مرتبط خواهد بود. و زمانی که تلسکوپ میلی‌متری آفریقا که در حال ساخت است به جمع‌آوری داده‌ها بپیوندد، اطلاعات بسیار بهتری برای اعتبارسنجی نظریه نسبیت عام در مورد اجرام ابرپرجرم فشرده به‌دست خواهیم آورد.»
مقیاس‌پذیری چشمگیر
«توانایی گسترش کار تا میلیون‌ها فایل داده ساختگی، دستاوردی چشمگیر است،» جوردی داولار، پژوهشگر همکار از دانشگاه پرینستون آمریکا می‌گوید. «برای این کار به ظرفیت ذخیره‌سازی، ابررایانه، یک زنجیره نرم‌افزاری، و برنامه‌ای نیاز دارید که وظایف را توزیع کند.»
پژوهشگران تأکید می‌کنند که این مقیاس از کار تنها با استفاده از یک اکوسیستم هماهنگ از خدمات محاسباتی ممکن شده است: CyVerse برای ذخیره‌سازی داده، OSG OS Pool برای محاسبات با توان پردازشی بالا، Pegasus برای مدیریت جریان کار، مرکز رایانش و داده ماکس پلانک آلمان برای آموزش شبکه عصبی، و ابزارهای نرم‌افزاری مانند TensorFlow، Horovod و CASA.
پژوهشگران تنها به پیش‌بینی‌هایی درباره کمان A* (Sagittarius A*) بسنده نکردند. آن‌ها همچنین سیاه‌چاله M87* در مرکز کهکشان M87 را نیز بررسی کردند. از جمله، دریافتند که این سیاه‌چاله نیز با سرعت بالایی در حال چرخش است، اما نه به اندازه کمان A*. علاوه بر این، جهت چرخش آن بر خلاف جهت گازهای در حال فروریزش است. ستاره‌شناسان احتمال می‌دهند این حرکت پادچرخشی نتیجه ادغام کهکشان M87 با کهکشانی دیگر باشد.
اطلاعات بیشتر:
1) M. Janssen et al, Deep learning inference with the Event Horizon Telescope I. Calibration improvements and a comprehensive synthetic data library, Astronomy & Astrophysics. www.aanda.org/10.1051/0004-6361/202553784
2) M. Janssen et al, Deep learning inference with the Event Horizon Telescope II. The Zingularity framework for Bayesian artificial neural networks, Astronomy & Astrophysics. www.aanda.org/10.1051/0004-6361/202553785
3) M. Janssen et al, Deep learning inference with the Event Horizon Telescope III. Zingularity results from the 2017 observations and predictions for future array expansions, Astronomy & Astrophysics. www.aanda.org/10.1051/0004-6361/202553786
دیدگاهتان را بنویسید