人工智能揭示银河系黑洞以接近极限速度旋转

这些大规模模拟集合是由高吞吐量计算中心(CHTC)提供的高通量计算能力生成的，该中心是莫格里奇研究所和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》期刊发表了三篇论文，公布了他们的研究结果与方法论。

今年迎来40周年庆典的高吞吐量计算技术，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调度数千台计算机组成的网络执行计算任务，将单个巨型计算挑战转化为由强化小型计算机构成的集群。这项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搜寻，以及破解抗生素耐药性等研究。

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，他们又呈现了银河系中心人马座A*黑洞的影像。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神经网络从数据中提取尽可能多的信息。

从零星到数百万

EHT合作组织先前的研究仅使用少量真实合成数据文件。在美国国家科学基金会(NSF)通过"推进吞吐量计算合作计划"(PATh)项目资助下，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比对。

借助神经网络，研究人员现推测银河系中心的黑洞正以近乎极限速度自旋，其旋转轴指向地球。此外，黑洞附近的辐射主要源于吸积盘中超高温电子，而非所谓的喷流。同时，吸积盘中的磁场行为似乎与常规吸积盘理论存在差异。

"我们正在挑战主流理论，这当然令人兴奋，"荷兰奈梅亨拉德堡德大学首席研究员迈克尔·詹森表示，"但我主要将我们的人工智能和机器学习方法视为第一步。接下来我们将改进和扩展相关模型及模拟。"

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数百万级别是项非凡成就，"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。"

"我们欣喜看到EHT利用我们的吞吐量计算能力为科研注入AI动能，"莫格里奇研究所研究员、PATh联合首席研究员安东尼·吉特教授指出，"与其他科学领域类似，CHTC的能力使EHT研究人员得以整合训练有效模型所需的数量与质量俱佳的AI就绪数据，从而促进科学发现。"

由PATh运营的NSF资助开放科学池(Open Science Pool)，集合了全美80余所机构贡献的计算资源。过去三年间，事件视界黑洞项目执行了超过1200万次计算任务。

"包含数百万次模拟的工作负载完美契合我们历经四十年开发完善的高吞吐量计算能力，"CHTC主任、PATh首席研究员利夫尼表示，"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。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。