[ad_1]
La toute première photo d’un trou noir supermassif a fait peau neuve grâce à l’intelligence artificielle (IA).
L’image iconique 2019 du M87*un trou noir de la taille du système solaire au centre de l’amas de galaxies de la Vierge, a été créé en mettant en commun la lumière radio qui nous avait voyagé à travers 53 millions d’années-lumière d’espace.
Maintenant, un nouvel effort a utilisé l’apprentissage automatique pour nettoyer l’image, l’affinant pour obtenir la résolution la plus complète possible et exposant une région centrale plus grande et plus sombre entourée de gaz incandescent que les astronomes ont décrit comme un « beignet maigre ». Les chercheurs ont publié l’image mise à jour le 13 avril dans Les lettres du journal astrophysique (s’ouvre dans un nouvel onglet).
En rapport: Le télescope spatial James Webb découvre le plus ancien trou noir de l’univers – un monstre cosmique 10 millions de fois plus lourd que le soleil
« Grâce à notre nouvelle technique d’apprentissage automatique, PRIMO, nous avons pu atteindre la résolution maximale du courant [telescope] tableau », auteur principal Lia Medeiros (s’ouvre dans un nouvel onglet), un astronome de l’Institute for Advanced Study de Princeton, New Jersey, a déclaré dans un communiqué. « 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. La largeur de l’anneau dans l’image est maintenant plus petite d’environ un facteur de deux, ce qui sera un contrainte puissante pour nos modèles théoriques et tests de gravité. »
Le trou noir Messier 87, qui est aussi large que notre système solaire et 6,5 milliards de fois la masse du soleil, a été imagé par le télescope Event Horizon (EHT), un réseau de huit radiotélescopes synchronisés à l’échelle mondiale. Les trous noirs ont une attraction gravitationnelle si puissante que rien (pas même la lumière) ne peut s’échapper de leur gueule, mais cela ne signifie pas qu’ils ne peuvent pas être vus. En effet, les trous noirs actifs sont entourés de disques d’accrétion – de vastes anneaux de matière arrachés aux nuages de gaz et aux étoiles en orbite autour des horizons des événements des trous noirs – qui sont chauffés à des températures incandescentes par friction, produisant une lueur faible mais détectable.
C’est à partir de ces faibles lueurs radio que les astronomes ont pu reconstituer la singularité lointaine comme un trou de beignet entouré d’un halo de lumière. Mais des lacunes dans les données, résultant de morceaux de lumière manquants dans un puzzle où aucun radiotélescope n’était là pour la recevoir, ont laissé l’image floue et mal définie.
Pour affiner l’image, les chercheurs se sont tournés vers une nouvelle technique d’IA appelée modélisation interférométrique à composantes principales (PRIMO), qui a analysé plus de 30 000 images simulées haute fidélité d’accrétions de gaz de trous noirs pour trouver des modèles communs. Ces modèles ont ensuite été triés en fonction de leur fréquence avant d’être mélangés et appliqués à l’image d’origine pour produire une estimation plus précise.
En vérifiant l’image nouvellement rendue avec les données EHT et la théorie sur ce à quoi devrait ressembler le trou noir, les chercheurs ont confirmé que leur image était une approximation très proche de la réalité. Cela nécessitait évidemment la grande hypothèse selon laquelle le trou noir ressemblerait à ce que nous attendions, mais les chercheurs ont déclaré que l’image de 2019 confirmait déjà les prédictions théoriques de ses détails généraux. Cette nouvelle image permettra une étude encore plus approfondie des effets extrêmes produits par les gouffres cosmiques, où nos théories de la gravité et de la mécanique quantique se décomposent et fusionnent, a ajouté l’équipe.
« L’image de 2019 n’était que le début », a déclaré Medeiros. « Si une image vaut mille mots, les données sous-jacentes à cette image ont beaucoup plus d’histoires à raconter. PRIMO continuera d’être un outil essentiel pour extraire de telles informations. »
[ad_2]
Source link
