L’apprentissage automatique reconstruit une nouvelle image à partir des données EHT

En 2017, la collaboration EHT a utilisé un réseau de sept télescopes préexistants à travers le monde pour recueillir des données sur M87, créant un “télescope de la taille de la Terre”. Cependant, comme il est impossible de couvrir toute la surface de la Terre avec des télescopes, des lacunes apparaissent dans les données, comme des pièces manquantes dans un puzzle.

“Grâce à notre nouvelle technique d’apprentissage automatique, PRIMO, nous avons pu atteindre la résolution maximale du réseau actuel”, déclare l’auteur principal Lia Medeiros de l’Institute for Advanced Study. “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.”

PRIMO, qui signifie modélisation interférométrique à composantes principales, a été développé par les membres de l’EHT Lia Medeiros (Institute for Advanced Study), Dimitrios Psaltis (Georgia Tech), Tod Lauer (NOIRLab) et Feryal Özel (Georgia Tech). Leur publication, « The Image of the M87 Black Hole Reconstructed with PRIMO », est désormais disponible en Les lettres du journal astrophysique .

“PRIMO est une nouvelle approche de la tâche difficile de construire des images à partir d’observations EHT”, a déclaré Lauer. “Il fournit un moyen de compenser les informations manquantes sur l’objet observé, qui sont nécessaires pour générer l’image qui aurait été vue à l’aide d’un seul radiotélescope gigantesque de la taille de la Terre.”

PRIMO s’appuie sur l’apprentissage par dictionnaire, une branche de l’apprentissage automatique qui permet aux ordinateurs de générer des règles basées sur de grands ensembles de matériel de formation. Par exemple, si un ordinateur reçoit une série d’images de bananes différentes – avec une formation suffisante – il peut être en mesure de déterminer si une image inconnue est ou n’est pas une banane. Au-delà de ce cas simple, la polyvalence de l’apprentissage automatique a été démontrée de nombreuses manières : de la création d’œuvres d’art de style Renaissance à la réalisation de l’œuvre inachevée de Beethoven. Alors, comment les machines pourraient-elles aider les scientifiques à restituer une image de trou noir ? L’équipe de recherche a répondu à cette question.

Avec PRIMO, les ordinateurs ont analysé plus de 30 000 images simulées haute fidélité de trous noirs accrétant du gaz. L’ensemble des simulations couvrait un large éventail de modèles sur la façon dont le trou noir accrète la matière, à la recherche de modèles communs dans la structure des images. Les différents modèles de structure ont été triés en fonction de leur fréquence d’apparition dans les simulations, puis ont été mélangés pour fournir une représentation très précise des observations EHT, fournissant simultanément une estimation haute fidélité de la structure manquante des images. Un article relatif à l’algorithme lui-même a été publié dans Le Journal Astrophysique le 3 février 2023.

“Nous utilisons la physique pour combler les régions de données manquantes d’une manière qui n’a jamais été faite auparavant en utilisant l’apprentissage automatique”, a ajouté Medeiros. “Cela pourrait avoir des implications importantes pour l’interférométrie, qui joue un rôle dans des domaines allant des exo-planètes à la médecine.”

L’équipe a confirmé que l’image nouvellement rendue est cohérente avec les données EHT et avec les attentes théoriques, y compris l’anneau lumineux d’émission qui devrait être produit par le gaz chaud tombant dans le trou noir. La génération d’une image nécessitait de supposer une forme appropriée des informations manquantes, et PRIMO l’a fait en s’appuyant sur la découverte de 2019 selon laquelle le trou noir M87 dans les moindres détails ressemblait à ce qui avait été prévu.

“Environ quatre ans après que la première image à l’échelle de l’horizon d’un trou noir a été dévoilée par EHT en 2019, nous avons franchi une nouvelle étape en produisant une image qui utilise pour la première fois la pleine résolution du réseau”, a déclaré Psaltis. “Les nouvelles techniques d’apprentissage automatique que nous avons développées offrent une occasion en or pour notre travail collectif de comprendre la physique des trous noirs.”

La nouvelle image devrait conduire à des déterminations plus précises de la masse du trou noir M87 et des paramètres physiques qui déterminent son apparence actuelle. Les données offrent également aux chercheurs la possibilité d’imposer des contraintes plus importantes sur les alternatives à l’horizon des événements (basées sur la dépression de luminosité centrale plus sombre) et d’effectuer des tests de gravité plus robustes (basés sur la taille plus étroite de l’anneau). PRIMO peut également être appliqué à d’autres observations EHT, y compris celles de Sgr A*, le trou noir central de notre propre galaxie, la Voie lactée.

M87 est une galaxie massive, relativement proche, dans l’amas de galaxies de la Vierge. Il y a plus d’un siècle, on a observé qu’un mystérieux jet de plasma chaud émanait de son centre. À partir des années 1950, la nouvelle technique de radioastronomie a montré que la galaxie avait une source radio lumineuse compacte en son centre. Au cours des années 1960, M87 avait été soupçonné d’avoir un trou noir massif en son centre alimentant cette activité. Les mesures effectuées à partir de télescopes au sol à partir des années 1970, puis du télescope spatial Hubble à partir des années 1990, ont fortement soutenu que M87 abritait effectivement un trou noir pesant plusieurs milliards de fois la masse du Soleil sur la base d’observations des vitesses élevées de étoiles et gaz en orbite autour de son centre. Les observations EHT 2017 de M87 ont été obtenues sur plusieurs jours à partir de plusieurs radiotélescopes différents reliés entre eux en même temps pour obtenir la résolution la plus élevée possible. L’image désormais emblématique du “beignet orange” du trou noir M87, publiée en 2019, reflétait la première tentative de produire une image à partir de ces observations.

“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.”

Le développement de l’algorithme PRIMO a été rendu possible grâce au soutien de la bourse postdoctorale d’astronomie et d’astrophysique de la National Science Foundation.