人工智能揭示银河系黑洞自转接近极限速度

这些大规模的模拟数据集是由高吞吐量计算中心（CHTC）提供的高吞吐量计算能力生成的。CHTC是莫格里奇研究所和威斯康星大学麦迪逊分校共同组建的联合机构。天文学家今日在《天文学与天体物理学》(Astronomy & Astrophysics)期刊上发表了三篇论文，公布了他们的研究成果和方法论。

今年迎来40^周年庆典的高吞吐量计算由威斯康星计算机科学家米隆·利夫尼首创。这是一种创新的分布式计算形式，可在由数千台计算机组成的网络中自动化执行计算任务，本质上将单个庞大的计算挑战转化为一支高性能的小型计算集群。这项计算创新正助力全球数百个科学项目推动大数据发现，包括寻找宇宙中微子、亚原子粒子和引力波，以及解析抗生素耐药性。

2019年，事件视界望远镜（EHT）合作组织发布了首张位于M87星系中心的超大质量黑洞图像。2022年，他们又呈现了位于银河系中心的人马座A*黑洞图像。然而，这些图像背后的数据仍蕴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，旨在从数据中提取尽可能多的信息。

从少量到数百万量级

EHT合作组织先前的研究仅使用了少量真实合成数据文件。在由国家科学基金会（NSF）资助的"推进吞吐量计算合作计划"（PATh）项目支持下，位于麦迪逊的CHTC使天文学家能将数百万此类数据文件输入一个所谓的贝叶斯神经网络——该网络可量化不确定性。这使得研究人员能在EHT数据与模型之间进行更精确的对比。

借助神经网络，研究人员目前推测银河系中心的黑洞正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由周围吸积盘中极高热的电子产生，而非所谓的喷流所致。同时，吸积盘中的磁场行为模式似乎与常规吸积盘理论存在差异。

"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·扬森表示，"但我认为我们的人工智能和机器学习方法仅是第一步。接下来我们将改进并扩展相关模型和模拟。"

卓越的扩展能力

"将训练模型所需的合成数据文件规模扩展到百万量级是一项非凡成就，"亚利桑那大学斯图尔德天文台副天文学家、PATh长期合作者陈志权补充道，"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。"

"我们欣喜地看到EHT利用我们的吞吐量计算能力为其科学研究注入人工智能的力量，"莫格里奇研究所研究员、PATh联合首席研究员安东尼·吉特教授表示，"与其他科学领域类似，CHTC的能力使EHT研究人员能够整合训练有效模型所需的海量高质量AI就绪数据，从而推动科学发现。"

由PATh运营的NSF资助的开放科学池（Open Science Pool），汇集了全美80余所机构贡献的计算资源。事件视界黑洞项目在过去三年中执行了超过1200万次计算任务。

"包含数百万次模拟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契合，"CHTC主任、PATh首席研究员利夫尼强调，"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。发表于：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。发表于：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。发表于：天文学与天体物理学，2025年6月6日。