Pages

13/04/23

Nouvelle image du trou noir M87* obtenue grâce à l'intelligence artificielle


Les données de l'Event Horizon Telescope de 2017 sur le trou noir M87* ont été réanalysées avec un algorithme à apprentissage automatique et le résultat est époustouflant. La nouvelle image officielle de M87* expose une région centrale plus grande et plus sombre, entourée par le gaz d'accrétion brillant en forme d'anneau. L'équipe a atteint, pour la première fois, la pleine résolution du réseau EHT. Ils publient leurs travaux dans The Astrophysical Journal Letters.

Cette nouvelle image a été générée par l'algorithme nommé PRIMO en utilisant le même jeu de données de 2017 qui avait permis à la collaboration EHT de montrer en 2019 au monde la première image de la silhouette d'un trou noir. Comme il est impossible de couvrir toute la surface de la Terre avec des télescopes, des lacunes apparaissaient dans les données des 8 observatoires de l'EHT, comme des pièces manquantes dans un puzzle. La nouvelle technique d'apprentissage automatique déployée avec PRIMO a permis de combler ces trous et d'atteindre la résolution maximale du réseau actuel. Lia Medeiros (université de Berkeley) et ses collaborateurs font partie de la collaboration EHT. Ils obtiennent une image plus symétrique, avec une largeur de l'anneau qui est maintenant plus petite d'environ un facteur deux, ce qui va permettre de donner une contrainte puissante pour les modèles théoriques et les tests de gravitation relativiste. PRIMO signifie principal-component interferometric modeling (modélisation interférométrique à composantes principales). PRIMO est une nouvelle approche pour construire des images à partir d'observations de l'EHT. Il 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 données 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.  Avec PRIMO, les ordinateurs ont analysé plus de 30 000 images simulées à haute fidélité de trous noirs accrétant du gaz. L'ensemble des simulations magnétohydrodynamiques relativistes 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 à haute fidélité de la structure manquante des images. Les chercheurs utilisent la physique pour combler les régions de données manquantes d'une manière qui n'a jamais été faite auparavant en utilisant l'apprentissage automatique. Medeiros et ses collaborateurs ont confirmé que l'image obtenue est cohérente avec les données EHT et avec les attentes théoriques, notamment l'anneau 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. Quatre ans après que la première image de l'ombre de l'horizon d'un trou noir a été dévoilée par EHT en 2019, les astrophysiciens ont franchi une nouvelle étape en produisant une image qui utilise pour la première fois la pleine résolution du réseau. 


Les chercheurs trouvent que le diamètre de l'anneau est de 41,5 ± 0,6 μas , ce qui est en bon accord avec l'estimation de 2019 le situant dans la plage de 39 à 45 μas à l'aide d'autres algorithmes d'ajustement de modèles d'imagerie et de domaine de visibilité par la collaboration EHT. Et cette 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, comme le taux d'accrétion. Mais pour y parvenir, cela nécessitera un étalonnage minutieux entre le diamètre de l'anneau mesuré dans les images et celui de la limite d'ombre du trou noir. Cet étalonnage quantitatif de l'algorithme (similaire à celui effectué dans l'analyse des images de Sgr A* en 2022) sera effectué dans une future étude.
L'image de 2019 n'était que le début, finalement. Les données qui ont servi à la fabriquer avaient encore beaucoup de choses à dire. PRIMO continuera d'être un outil essentiel pour extraire de telles informations et il pourrait également être appliqué à d'autres observations de l'EHT selon les chercheurs, à commencer par celles de Sgr A*. Et les futures observations EHT avec des radiotélescopes supplémentaires dans le réseau interférométrique et une bande passante plus élevée permettront également d'utiliser un plus grand nombre de composants avec PRIMO avec une variance plus élevée dans la direction azimutale. Cela devrait conduire à de nouvelles améliorations de la résolution effective de l'image et permettra de mieux contraindre la morphologie de l'anneau.... Ce n'est donc que la deuxième image de M87* et il faut s'attendre à en voir d'autres toujours plus précises dans les prochaines années... 
En attendant, vous pouvez modifier encore votre fond d'écran.

Source

The Image of the M87 Black Hole Reconstructed with PRIMO
Lia Medeiros et al.
The Astrophysical Journal Letters, Volume 947, Number 1 (13 april 2023) 

Illustrations

1. La nouvelle image officielle de M87* (Medeiros et al.)
2. Compararaison avec la première image de M87* publiée en 2019  (Medeiros et al.)



2 commentaires:

  1. Bonsoir Eric,

    Il semble que les irrégularités de brillance des images de l'EHT soient purement artéfactuelles, en tout cas pour SgrA ; en est-il de même pour ces nouvelles images de M87 ? Et les irrégularités morphologiques de l'anneau, eg la "langue" brillante en bas de l'anneau ont-elles une valeur informative ? Le survol de l'article ne répond pas à cette question...

    RépondreSupprimer
  2. donc, si je comprends bien, on entraîne une IA avec des images issues d'une simulation (basée sans doute sur la théorie) et on est content parce que, surprise, l'image produite par l'IA correspond à la théorie... c'est quand même un peu curieux comme façon de faire...
    peut-on au moins estimer la proportion du résultat due à l'observation et celle due à l'IA ?

    RépondreSupprimer

Merci !