تفکیک حلقه‌های فوتونی سیاه‌چاله با کمک یادگیری ماشین

نویسنده: آناوی اوپال | ۱۷ اکتبر ۲۰۲۶ | خلاصه مقالات روز

عنوان مقاله پژوهشی: شبکه عصبی کانولوشنی برای استخراج حلقه فوتونی n=1 سیاه‌چاله‌ها

نویسندگان: کورتنی دوانگ، فرانک مایر و جوزف آر. فرح

وابستگی سازمانی نویسنده اول: گروه فیزیک، دانشگاه کالیفرنیا در سانتا باربارا، کالیفرنیا

وضعیت مقاله: پذیرش‌شده در مجله اخترفیزیک (ApJ)؛ دسترسی آزاد

در سال ۲۰۱۷، تلسکوپ افق رویداد (EHT) نخستین تصویر یک سیاه‌چاله را منتشر کرد؛ رویدادی که جامعه علمی را به هیجان آورد. این تصویر چشمگیر، گاز داغی را نشان می‌دهد که پیرامون سایه یک سیاه‌چاله ابرپرجرم در مرکز کهکشان مسیه 87 (M87) می‌چرخد.

اگرچه برخی رسانه‌ها این تصویر تار را به لکه‌ای شبیه به حلقه فنجان قهوه تشبیه کردند، تهیه آن به همکاری پیچیده‌ای میان رادیوتلسکوپ‌های سراسر جهان نیاز داشت. این تصویر با استفاده از روشی به نام تداخل‌سنجی ساخته شد؛ روشی که سیگنال‌های چندین تلسکوپ را با هم ترکیب می‌کند تا تصویری روشن‌تر و واضح‌تر از آنچه هر تلسکوپ به‌تنهایی می‌تواند ثبت کند، به دست آید.

با وجود اهمیت انقلابی این تصویر، باید پذیرفت که وضوح آن همچنان پایین است. قدرت تفکیک تلسکوپ افق رویداد به فاصله میان دورترین دو تلسکوپ آن بستگی دارد. در حال حاضر، این دو تلسکوپ در دو سوی زمین قرار دارند و فاصله‌شان تقریباً به اندازه قطر کل سیاره است. بنابراین، دیگر نمی‌توان قدرت تفکیک یک تداخل‌سنج مستقر روی زمین را به‌طور چشمگیری افزایش داد.

برای دستیابی به تصویری دقیق‌تر از یک سیاه‌چاله ابرپرجرم، مأموریت پیشنهادی کاوشگر سیاه‌چاله (BHEX) قرار است تلسکوپ افق رویداد را به فضا گسترش دهد. این کار قدرت تفکیک تصویربرداری را از ۲۰ میکروثانیه قوسی به تنها ۶ میکروثانیه قوسی می‌رساند. با چنین وضوحی، مشاهده ساختارهایی که نظریه‌ها پیش‌بینی کرده‌اند، از جمله حلقه فوتونی سیاه‌چاله، امکان‌پذیرتر خواهد شد. حلقه فوتونی پوسته‌ای از فوتون‌هاست که در مدارهای ناپایدار پیرامون سیاه‌چاله حرکت می‌کنند.

حلقه فوتونی از چند زیرحلقه تشکیل شده است که با اعداد مختلف مشخص می‌شوند. این عدد نشان می‌دهد فوتون‌های هر زیرحلقه چند نیم‌مدار را به دور سیاه‌چاله پیموده‌اند. زیرحلقه n=1 شامل فوتون‌هایی است که یک نیم‌مدار را کامل کرده‌اند. این زیرحلقه اهمیت ویژه‌ای دارد، زیرا الگوی روشنایی آن در راستای شعاعی و زاویه‌ای اطلاعاتی درباره چرخش سیاه‌چاله در خود دارد.

مشکل اینجاست که زیرحلقه n=1 با زیرحلقه گسترده‌تر و پراکنده‌تر n=0 در هم می‌آمیزد. زیرحلقه‌های مرتبه بالاتر نیز آن‌قدر کم‌نورند که معمولاً می‌توان از تأثیرشان صرف‌نظر کرد. هم‌پوشانی دو زیرحلقه نخست، استخراج مطمئن اطلاعات موجود در n=1 را دشوار می‌کند. در مقاله‌ای که در اینجا بررسی می‌شود، پژوهشگران می‌سنجند که آیا الگوریتمی مبتنی بر یادگیری ماشین، موسوم به شبکه عصبی کانولوشنی (CNN)، می‌تواند این دو زیرحلقه را از یکدیگر تفکیک کند یا خیر.

شبکه عصبی کانولوشنی می‌تواند تصاویر حلقه‌های فوتونی را شناسایی کند و زیرحلقه‌ها را از هم جدا سازد

ساختار شبکه‌های عصبی کانولوشنی از سازمان‌دهی قشر بینایی انسان الهام گرفته شده است. این شبکه‌ها را می‌توان آموزش داد تا الگوها، لبه‌ها و شکل‌های موجود در تصاویر را تشخیص دهند و بر اساس داده‌های آموزشی برچسب‌گذاری‌شده، آن‌ها را دسته‌بندی کنند. برای نمونه، کاربرد متداول یک شبکه عصبی کانولوشنی این است که تعداد زیادی تصویر از حیوانات خانگی را بررسی کند و تشخیص دهد کدام تصاویر گربه و کدام‌یک سگ را نشان می‌دهند.

بااین‌حال، توانایی شبکه‌های عصبی کانولوشنی به دسته‌بندی تصاویر محدود نمی‌شود و از آن‌ها می‌توان برای تولید تصاویر نیز استفاده کرد. پژوهشگران این مطالعه تلاش کردند شبکه‌ای آموزش دهند که تصاویر شبیه‌سازی‌شده حلقه‌های فوتونی را دریافت کند و در خروجی، تصویری شامل تنها زیرحلقه n=1 ارائه دهد. برای آموزش مدل، حدود ۷۰ هزار تصویر شبیه‌سازی‌شده از حلقه‌های فوتونی سیاه‌چاله تولید کردند که هرکدام ترکیب متفاوتی از پارامترها داشتند: روشنایی، قطر، پهنا، جابه‌جایی افقی، شدت نامتقارنی و زاویه نامتقارنی.

پژوهشگران برای آموزش شبکه با تصاویری که در آن‌ها زیرحلقه‌های n=0 و n=1 نسبت به یکدیگر چرخیده بودند نیز، مجموعه داده‌ها را با افزودن ۴۱ هزار تصویر گسترش دادند. برای تولید این تصاویر تکمیلی، هزار تصویر از مجموعه اولیه ۷۰ هزار تصویری را به‌صورت تصادفی انتخاب کردند و حلقه‌های فوتونی n=0 و n=1 را در هر تصویر به اندازه زاویه‌های مختلف و به‌صورت مستقل نسبت به یکدیگر چرخاندند. این فرایند نوعی افزایش داده است که تنوع نمونه‌های آموزشی را بیشتر می‌کند.

تفکیک حلقه‌های فوتونی ساده و بدون نویز امکان‌پذیر است، اما تصاویر رصدی به‌ندرت چنین شرایطی دارند

همان‌طور که در شکل ۲ دیده می‌شود، شبکه عصبی کانولوشنی توانست زیرحلقه‌های n=1 را در تصاویر شبیه‌سازی‌شده‌ای که هنگام آموزش ندیده بود، با عملکرد نسبتاً خوبی از زیرحلقه‌های n=0 جدا کند. بااین‌حال، این تصاویر شبیه‌سازی‌شده فاقد نویز رصدی بودند و اثر محدودیت‌های وضوح پیش‌بینی‌شده برای مأموریت BHEX نیز در آن‌ها لحاظ نشده بود؛ بنابراین، با شرایط واقعی فاصله زیادی داشتند.

پژوهشگران عملکرد شبکه را روی تصاویر پیچیده‌تری نیز آزمایش کردند؛ از جمله حلقه‌های فوتونی حاصل از شبیه‌سازی‌های متفاوت و تصاویری که با در نظر گرفتن قدرت تفکیک پیش‌بینی‌شده برای BHEX محو شده بودند. نتیجه نشان داد که شبکه عموماً می‌تواند اندازه درست حلقه n=1 را بازیابی کند، اما در بازسازی الگوی شدت نور آن موفقیت چندانی ندارد. این الگو برای استخراج اطلاعات مربوط به چرخش سیاه‌چاله ضروری است. عملکرد شبکه در مورد تصاویر حلقه‌های فوتونی حاصل از یک شبیه‌سازی مغناطوهیدرودینامیک نسبیتی عام (GRMHD) به‌ویژه ضعیف بود.

برای استخراج زیرحلقه n=1 از مشاهدات واقعی، هنوز به پژوهش‌های بیشتری نیاز است

استفاده از شبکه‌های عصبی کانولوشنی برای تفکیک حلقه فوتونی n=1 ایده‌ای جالب است، اما نویسندگان تأکید می‌کنند که پیش از به‌کارگیری این روش در مشاهدات واقعی، باید کار بیشتری انجام شود. در پژوهش‌های آینده لازم است از داده‌های آموزشی واقع‌گرایانه‌تری استفاده شود که هم محدودیت‌های قدرت تفکیک پیش‌بینی‌شده برای BHEX و هم نویز رصدی را در نظر بگیرند. بااین‌حال، این مطالعه گام نخست مناسبی برای استفاده از ابزارهای امروزی در حل مسائل اخترشناسی آینده به شمار می‌رود.

ویرایش مطلب در Astrobite: رایان وایت

اعتبار تصویر شاخص: همکاری تلسکوپ افق رویداد