AI揭示银河系黑洞旋转速度接近极限

这些大规模的模拟数据集由高吞吐量计算中心（CHTC）提供的高吞吐量计算能力生成。CHTC是莫格里奇研究所（Morgridge Institute for Research）和威斯康星大学麦迪逊分校（University of Wisconsin-Madison）共同成立的联合机构。天文学家们今天在《天文学与天体物理学》（Astronomy & Astrophysics）期刊上发表了三篇论文，公布了他们的研究结果和方法论。

高吞吐量计算由威斯康星大学的计算机科学家米隆·利夫尼（Miron Livny）首创，今年正值其40^周年纪念。这是一种新型的分布式计算形式，能在由数千台计算机组成的网络中自动执行计算任务，本质上将一个庞大的计算挑战转化为一支强大的小型任务舰队。这项计算创新正在助力全球数百个科学项目的大数据发现，包括寻找宇宙中微子、亚原子粒子和引力波，以及破解抗生素耐药性难题。

2019年，事件视界望远镜（EHT）合作组织发布了位于M87星系中心的超大质量黑洞的首张图像。2022年，他们公布了位于我们银河系中心的黑洞——人马座A*（Sagittarius A*）的图像。然而，这些图像背后的数据仍包含大量难以破解的信息。一个国际研究团队训练了一个神经网络，以尽可能多地从数据中提取信息。

从少量到数百万

EHT合作组织先前的研究仅使用了少量真实的合成数据文件。总部位于麦迪逊的CHTC获得了美国国家科学基金会（NSF）的资助，作为推进高吞吐量计算合作伙伴关系（PATh）项目的一部分，使天文学家能够将数百万个此类数据文件输入到一个所谓的贝叶斯神经网络（Bayesian neural network）中，该网络可量化不确定性。这使得研究人员能够在EHT数据与模型之间进行更优的比较。

借助该神经网络，研究人员现在推测，银河系中心的黑洞正在以接近极限的速度旋转，其旋转轴指向地球。此外，黑洞附近的辐射主要来自周围吸积盘中极端高温的电子，而非所谓的喷流。同时，吸积盘中的磁场行为似乎与通常的吸积盘理论描述不同。

"我们正在挑战主流理论，这当然令人兴奋，"来自荷兰奈梅亨拉德堡德大学（Radboud University Nijmegen）的首席研究员迈克尔·詹森（Michael Janssen）说。"然而，我主要将我们的人工智能和机器学习方法视为第一步。接下来，我们将改进并扩展相关的模型和模拟。"

令人印象深刻的扩展能力

"能够扩展至训练模型所需的数百万个合成数据文件，这是一项令人印象深刻的成就，"亚利桑那大学（University of Arizona）斯图尔德天文台（Steward Observatory）副天文学家、PATh长期合作者陈志权（Chi-kwan Chan）补充道。"这需要可靠的工作流自动化，以及跨存储资源和处理能力的有效工作负载分配。"

"我们很高兴看到EHT利用我们的高吞吐量计算能力，将人工智能的力量引入他们的科学研究，"莫格里奇研究所研究员、PATh联合首席研究员安东尼·吉特（Anthony Gitter）教授说道。"与其他科学领域的情况类似，CHTC的能力使EHT研究人员能够汇集训练有效模型所需的数量充足且质量优良的AI就绪数据，从而促进科学发现。"

由PATh运营、NSF资助的开放科学池（Open Science Pool），提供了由美国80多所机构贡献的计算容量。在过去三年中，事件视界黑洞项目执行了超过1200万个计算任务。

"由数百万次模拟组成的工作负载，与我们历经四十年开发和完善的、面向吞吐量的能力完美匹配，"CHTC主任、PATh首席研究员利夫尼说。"我们乐于与那些工作负载能挑战我们服务可扩展性的研究人员合作。"

参考科学论文

使用事件视界望远镜进行深度学习推断 第一部分：校准改进与综合合成数据库。作者：M. Janssen 等人。发表于：《天文学与天体物理学》（Astronomy & Astrophysics），2025年6月6日。

使用事件视界望远镜进行深度学习推断 第二部分：贝叶斯人工神经网络的Zingularity框架。作者：M. Janssen 等人。发表于：《天文学与天体物理学》（Astronomy & Astrophysics），2025年6月6日。

使用事件视界望远镜进行深度学习推断 第三部分：2017年观测的Zingularity结果及未来阵列扩展预测。作者：M. Janssen 等人。发表于：《天文学与天体物理学》（Astronomy & Astrophysics），2025年6月6日。