AI揭示银河系中心黑洞转速接近极速

这些大规模模拟集合由高通量计算中心(CHTC)提供的吞吐计算能力生成，该中心是摩根里奇研究所与威斯康星大学麦迪逊分校的联合实体。天文学家今日在《天文学与天体物理学》期刊的三篇论文中发表了研究成果与方法论。

今年迎来40周年纪念的高通量计算技术由威斯康星计算机科学家米隆·利夫尼首创。这种创新的分布式计算形式通过自动化处理数千台计算机组成的网络任务，将单个巨型计算挑战转化为高性能的小型计算集群。该计算创新正推动全球数百个科学项目的大数据发现，包括宇宙中微子、亚原子粒子和引力波的探索，以及抗生素耐药性研究。

2019年，事件视界望远镜(EHT)合作组织发布了星系M87中心超大质量黑洞的首张图像。2022年，他们又呈现了银河系中心人马座A*黑洞的影像。然而，影像背后的数据仍蕴含大量难以破解的信息。国际研究团队训练神经网络从数据中提取了最大化信息。

从零星到百万量级

EHT先前研究仅使用少量合成数据文件。在由国家科学基金会(NSF)资助的"推进吞吐计算合作计划"(PATh)支持下，麦迪逊CHTC使天文学家能将数百万此类数据文件输入贝叶斯神经网络——该网络可量化不确定性，从而使研究人员能更精准比对EHT数据与模型。

借助神经网络，研究者推测银河系中心黑洞正以近极限速度旋转，其自转轴指向地球。此外，黑洞附近的辐射主要源于吸积盘中超高温电子，而非所谓喷流。同时，吸积盘磁场行为模式与常规理论存在差异。

"挑战主流理论当然令人振奋"，荷兰拉德堡德大学首席研究员迈克尔·詹森表示，"但我们将AI与机器学习方法视为第一步，后续将优化扩展相关模型与模拟。"

卓越的扩展能力

"实现训练模型所需的百万级合成数据文件扩展能力是重大突破"，亚利桑那大学斯图尔德天文台副研究员、PATh长期合作者陈志权补充道，"这需要可靠的工作流自动化及跨存储资源与处理能力的有效负载分配。"

"很高兴看到EHT运用我们的吞吐计算能力为科研注入AI动能"，摩根里奇研究员、PATh联合首席研究员安东尼·吉特教授指出，"与其他科学领域相同，CHTC使EHT研究者能汇集训练高效模型所需规模与质量的AI就绪数据，从而推动科学发现。"

由PATh运营的NSF资助开放科学池(OSPool)，汇集了全美80余所机构的计算资源。过去三年间，事件视界黑洞项目执行了逾1200万项计算任务。

"数百万次模拟构成的负载与我们历经四十年研发优化的吞吐导向能力完美契合"，CHTC主任兼PATh首席研究员利夫尼强调，"我们致力于服务那些以工作负载挑战我们服务可扩展性的研究者。"

参考文献

事件视界望远镜深度学习推断 I：校准改进与综合合成数据库。作者：M. Janssen 等。刊于：《天文学与天体物理学》，2025年6月6日。

事件视界望远镜深度学习推断 II：贝叶斯人工神经网络的Zingularity框架。作者：M. Janssen 等。刊于：《天文学与天体物理学》，2025年6月6日。

事件视界望远镜深度学习推断 III：2017年观测的Zingularity结果及未来阵列扩展预测。作者：M. Janssen 等。刊于：《天文学与天体物理学》，2025年6月6日。