Este mês marca o aniversário de uma grande conquista na astrofísica.
Em 10 de abril de 2019, a colaboração do Event Horizon Telescope (EHT) revelou a primeira imagem direta da sombra de um buraco negro. Agora, os cientistas usaram uma nova técnica de machine learning para reprocessar os dados originais para revelar uma visão nova e mais nítida do material laranja ardente girando em torno de M87*.
Essa nova aparência nos dá uma visão mais detalhada do ambiente extremo em torno de um buraco negro, o que, por sua vez, melhorará as análises científicas.
“Com nossa nova técnica de machine learning, PRIMO, conseguimos atingir a resolução máxima da matriz atual”, diz a astrofísica Lia Medeiros, do Instituto de Estudos Avançados e do EHT.
“Como não podemos estudar os buracos negros de perto, os detalhes em uma imagem desempenham um papel crítico em nossa capacidade de entender seu comportamento. A largura do anel na imagem agora é menor em cerca de um fator de dois, o que será um poderoso restrição para nossos modelos teóricos e testes de gravidade.”
A galáxia que hospeda M87*, Messier 87 (ou M87), está localizada a 55 milhões de anos-luz de distância. Ele foi escolhido como o primeiro alvo do EHT porque é relativamente próximo e porque, com 6,5 bilhões de vezes a massa do Sol, o buraco negro supermassivo em seu centro é grande e ativo o suficiente para que nossa tecnologia atual possa resolvê-lo.
Os buracos negros, obviamente, não podem ser vistos sozinhos; mas um buraco negro supermassivo ativo, ou um que esteja se alimentando ativamente de matéria, tem um disco quente e um toro de material ao seu redor que brilha. Mesmo assim, a geração de imagens M87* não foi tarefa fácil.
Foram necessários sete radiotelescópios em todo o mundo, combinando suas forças para criar o que é efetivamente um telescópio do tamanho da Terra, e quatro dias de tempo de observação para coletar os dados que eventualmente se tornaram a imagem agora familiar. Depois veio o processamento de dados, que era extremamente trabalhoso.
No entanto, embora inovadora e eficaz, a técnica de combinar os sete telescópios – conhecida como interferometria – não é perfeita. Existem lacunas nos dados, porque os telescópios não são realmente um grande receptor do tamanho da Terra – eles estão fisicamente separados. Então Medeiros e seus colegas desenvolveram um algoritmo de machine learning chamado modelagem interferométrica de componentes principais (PRIMO) para preencher essas lacunas.
“PRIMO é uma nova abordagem para a difícil tarefa de construir imagens a partir de observações do EHT”, explica o astrônomo Tod Lauer do NOIRLab da National Science Foundation. “Ele fornece uma maneira de compensar a falta de informações sobre o objeto observado, o que é necessário para gerar a imagem que teria sido vista usando um único radiotelescópio gigantesco do tamanho da Terra”.
O PRIMO depende de algo chamado aprendizado de dicionário, no qual um algoritmo é treinado ao receber milhares de exemplos de uma coisa para aprender as regras de como essa coisa funciona. Os pesquisadores treinaram o PRIMO com mais de 30.000 imagens simuladas de buracos negros ativos para que ele pudesse aprender como o processo funciona e procurar padrões.
Então, o PRIMO produziu o que os pesquisadores dizem ser uma imagem altamente precisa do M87*, na resolução máxima atualmente possível. Ele revela a estrutura que faltava na imagem original e é consistente com os quatro dias de dados coletados em 2017 – cerca de 5 petabytes – e com as previsões teóricas.
Essa nova imagem permitiu que a equipe fizesse medições mais detalhadas do M87* do que era possível anteriormente e realizasse testes mais rigorosos do regime gravitacional ao seu redor. No futuro, o algoritmo pode ser aplicado a outras imagens, incluindo a de Sagitário A*, o buraco negro supermassivo no coração da Via Láctea que foi revelado no ano passado.
“A imagem de 2019 foi apenas o começo”, diz Medeiros. “Se uma imagem vale mais que mil palavras, os dados subjacentes a essa imagem têm muito mais histórias para contar. O PRIMO continuará a ser uma ferramenta crítica na extração de tais insights.”
Publicado em 15/04/2023 19h58
Artigo original:
Estudo original: