So holt eine KI mehr aus Bildern von schwarzen Löchern heraus
Durch den Einsatz einer Methode auf Grundlage von maschinellem Lernen haben Wissenschaftler:innen das erste Bild von einem entfernten Schwarzen Loch verbessert. Das „Event Horizon Telescope“ hatte vor sechs Jahren ein supermassives schwarzes Loch mit der Bezeichnung „M87“ fotografiert, das 55 Millionen Lichtjahre entfernt ist. Das Event-Horizon-Netzwerk besteht aus sieben Teleskopen auf vier Kontinenten.
Ein Team der University of Berkeley hat ein Modell für maschinelles Lernen namens Primo (Principal Component Interferometric Modeling) verwendet, um die Auflösung des unscharfen Bildes zu erhöhen. Diese Methode könnte in Zukunft die Forschung voranbringen – und schönere Weltraumbilder produzieren. Doch die Anwendungsmöglichkeiten gehen noch weiter.
KI erhöht Auflösung und lässt mehr Details erkennen
Die Gruppe hat das Modell mit über 30.000 simulierten Bildern von schwarzen Löchern trainiert, die sich in einem Prozess der Gasakkretion befanden. Damit ist die Anhäufung überhitzter Materie an den Rändern gemeint, die den schwarzen Löchern ihre Silhouette verleiht. Das durch Primo verbesserte Bild zeigt nun die volle Auflösung des Teleskop-Arrays und enthüllt mehr Details des Rings.
Auf der verbesserten Version sieht man den leuchtenden Ring um das Schwarze Loch um den Faktor zwei verkleinert. Das ermöglicht es Physiker:innen, mehr Details der Objekte am Rand und die Gravitationskräfte, die sie ausüben, zu erkennen.
Die Forschungsergebnisse hat das Team um die Astrophysikerin Lia Medeiros in der Zeitschrift Astrophysical Journal Letters veröffentlicht.
Besseres Verständnis von überstrahlten Objekten
Schwarze Löcher gehören zu den massivsten Objekten im Universum und ihre Anziehungskraft fällt so stark aus, dass das Licht nicht aus ihrem Ereignishorizont entweichen kann. Daher bleibt das schwarze Loch selbst unsichtbar und man sieht nur das überhitzte Material, das es umgibt und eine Silhouette des Objekts erzeugt.
Medeiros erklärt: „Wir nutzen die Physik, um Regionen mit fehlenden Daten auf eine Art und Weise zu ergänzen, wie es noch nie zuvor mit maschinellem Lernen gemacht wurde. Dies könnte wichtige Auswirkungen auf die Interferometrie haben, die in Bereichen von Exo-Planeten bis hin zur Medizin eine Rolle spielt.“