人工智能揭示银河系黑洞自转速度接近极限

这些大型模拟集成是通过由莫格里奇研究所和威斯康星大学麦迪逊分校联合成立的高通量计算中心（CHTC）提供的高通量计算能力生成的。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，公布了他们的研究成果和方法论。

今年迎来40^日周年的高通量计算由威斯康星计算机科学家米隆·利夫尼首创。这是一种新型分布式计算形式，能在由数千台计算机组成的网络上自动执行计算任务，实质上将一项庞大的计算挑战转化为一支由众多小型任务组成的超级舰队。这项计算创新正在推动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。

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，他们又呈现了我们银河系中心黑洞人马座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，以从数据中提取尽可能多的信息。

从几个到数百万个

EHT合作组织先前的研究仅使用了少数现实的合成数据文件。在作为推进高通量计算合作伙伴关系（PATh）项目一部分获得美国国家科学基金会（NSF）资助后，位于麦迪逊的CHTC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，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对比。

得益于该神经网络，研究人员现在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热的电子引起，而非所谓的喷流。同时，吸积盘中的磁场行为似乎与这类吸积盘的常规理论预测不同。

“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的首席研究员迈克尔·詹森表示，“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、长期PATh合作者陈志权补充道，“这需要可靠的工作流自动化，以及在存储资源和处理能力之间有效分配工作负载。”

“我们很高兴看到EHT利用我们的高通量计算能力，将人工智能的力量引入其科学研究，” 莫格里奇研究所研究员、PATh联合首席研究员安东尼·吉特教授表示，“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均符合AI要求的数据，从而促进科学发现。”

由PATh运营的NSF资助的开放科学池（Open Science Pool），提供了由美国80多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1200万个计算任务。

“包含数百万次模拟的工作负载完美契合了我们历经四十年开发和完善的、面向吞吐量的能力，” CHTC主任、PATh首席研究员利夫尼说，“我们乐于与那些工作负载挑战我们服务可扩展性的研究人员合作。”

参考科学论文

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 等人。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. 用于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，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 等人。发表于：天文学与天体物理学，2025年6月6日。