人工智能揭示银河系中心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) 提供的高通量计算能力生成。CHTC 是莫格里奇研究所和威斯康星大学麦迪逊分校共同建立的联合实体。天文学家们今天在《天文学与天体物理学》(Astronomy & Astrophysics) 期刊上发表了他们的研究成果和方法，共三篇论文。

高通量计算（high-throughput computing）今年迎来了其40^th周年纪念，由威斯康星州计算机科学家 Miron Livny 首创。这是一种新颖的分布式计算形式，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变为由众多小型任务组成的加速舰队。这一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 (Event Horizon Telescope, 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，他们又呈现了我们银河系中心黑洞人马座 A* (Sagittarius A*) 的图像。然而，这些图像背后的数据仍然包含大量难以解读的信息。一个国际研究团队训练了一个神经网络，以尽可能多地从这些数据中提取信息。

从寥寥数个到数百万个

EHT 合作组织先前的研究仅使用了少量逼真的合成数据文件。总部位于麦迪逊的 CHTC 在美国国家科学基金会 (NSF) 的资助下，作为推进通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一个所谓的贝叶斯神经网络 (Bayesian neural network)，该网络能够量化不确定性。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。

得益于该神经网络，研究人员现在推测银河系中心的黑洞旋转速度接近极限。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的极热电子引起，而非所谓的喷流。同时，吸积盘中的磁场行为似乎也与这类吸积盘的常规理论描述不同。

“我们正在挑战主流理论，这当然是令人兴奋的，”来自荷兰奈梅亨拉德堡德大学的首席研究员 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，我们将改进和扩展相关的模型与模拟。”

令人印象深刻的扩展能力

“能够扩展到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，”亚利桑那大学斯图尔德天文台副天文学家、PATh 长期合作者 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 利用我们的通量计算能力，将人工智能的力量引入他们的科学研究中，”莫格里奇研究所研究员、PATh 共同首席研究员 Anthony Gitter 教授说。“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和质量俱佳、适用于人工智能的数据，从而促进科学发现。”

由 PATh 运营、NSF 资助的开放科学池 (Open Science Pool)，提供了由美国各地超过 80 家机构贡献的计算能力。事件视界黑洞项目在过去三年中执行了超过 1200 万次计算作业。

“包含数百万次模拟的工作负载与我们开发和精炼了四十年的、面向通量的能力完美匹配，”CHTC 主任、PATh 首席研究员 Livny 说。“我们乐于与研究负载挑战我们服务可扩展性的研究人员合作。”

参考文献科学论文

利用事件视界望远镜进行深度学习推断 I. 校准改进与综合性合成数据库。作者：M. Janssen 等。发表于：天文学与天体物理学，2025年6月6日。

利用事件视界望远镜进行深度学习推断 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。

利用事件视界望远镜进行深度学习推断 III. 基于2017年观测的 Zingularity 结果及对未来阵列扩展的预测。作者：M. Janssen 等。发表于：天文学与天体物理学，2025年6月6日。