Почему «фото чёрной дыры» — это сумма, а не один объект
В 2017 году коллаборация Event Horizon Telescope (EHT) показала первое изображение тени сверхмассивной чёрной дыры в центре галактики M87. Снимок получили не одним телескопом, а методом интерферометрии: сигналы радиотелескопов по всему миру объединили так, что вместе они работают как один виртуальный инструмент размером с расстояние между самыми удалёнными антеннами. Чем больше это расстояние, тем выше угловое разрешение — способность различать мелкие детали. Сейчас предел такой: самые далёкие телескопы EHT разнесены практически на весь диаметр Земли, а значит, увеличивать «виртуальный объектив» на земной поверхности дальше просто некуда.
Поэтому и обсуждается идея вынести часть антенн в космос — проект Black Hole Explorer (BHEX). По расчётам, такая система смогла бы улучшить разрешение примерно с 20 до 6 микросекунд дуги. Это не значит, что миссия уже одобрена и точно полетит — речь пока о предложенном проекте, который должен дать возможность разглядеть структуры, предсказанные теорией, но пока недоступные наблюдению. Одна из таких структур — фотонное кольцо.
Что такое фотонное кольцо на самом деле
Важно сразу отказаться от образа «кольца из вещества», похожего на кольца Сатурна. Фотонное кольцо — это не твёрдый объект, а след траекторий света: фотоны, пролетающие рядом с чёрной дырой на определённом расстоянии, попадают на неустойчивую орбиту и успевают облететь дыру один, два, а то и больше раз, прежде чем вырваться наружу или упасть внутрь. «Неустойчивая» здесь означает буквально то же, что неустойчивое равновесие шарика на вершине холма: малейшее отклонение — и фотон либо улетает прочь, либо исчезает за горизонтом. Поэтому такие траектории редки и дают очень тонкий, слабый световой узор.
Этот узор делят на подкольца по числу полуоборотов, которые успел сделать свет. Подкольцо n=0 — это широкое, размытое свечение от фотонов, не завершивших полный облёт; оно формирует основную, привычную по снимку M87 «бублико-образную» яркость. Подкольцо n=1 — от фотонов, прошедших ровно один полуоборот — гораздо тоньше и слабее, но именно оно особенно ценно: форма его яркости по радиусу и по углу напрямую связана со спином чёрной дыры, то есть с тем, как быстро она вращается. Подкольца более высокого порядка (n=2 и выше) существуют теоретически, но настолько слабы, что в практическом смысле пока не рассматриваются как извлекаемый сигнал.
Проблема в том, что на итоговом изображении n=0 и n=1 не существуют отдельно — они физически накладываются друг на друга, и диффузный фон n=0 «забивает» тонкий рисунок n=1. Увидеть n=1 «глазами» на реальном снимке невозможно — его нужно математически выделить из общей суммы света.
flowchart LR A[Свет у горизонта событий] --> B[n=0: широкий размытый фон] A --> C[n=1: тонкое кольцо со спин-сигналом] B --> D[Наблюдаемое изображение — сумма слоёв] C --> D D --> E[Задача: разделить слои обратно]
Зачем тут вообще нейросеть
Здесь на сцену выходит свежая работа, в которой авторы попробовали научить свёрточную нейронную сеть (CNN) отделять подкольцо n=1 от n=0. Архитектура CNN устроена по аналогии со зрительной корой мозга: сеть учится распознавать края, формы и повторяющиеся узоры на изображениях. Обычно такие сети используют для классификации — отличить кошку от собаки на фото. Но CNN умеют не только распознавать, но и генерировать изображения, и именно эту способность попробовали задействовать: на входе — смешанная картинка фотонного кольца, на выходе — изолированное изображение одного только n=1.
Чтобы сеть вообще чему-то научилась, её натренировали примерно на 70 тысячах симулированных изображений с разными параметрами яркости, диаметра, ширины, смещения и асимметрии колец, а затем дополнили ещё 41 тысячей вариантов с повёрнутыми друг относительно друга подкольцами. Это огромный объём «искусственного опыта», но важно понимать: все эти изображения — чистые, без шума, без размытия реальным прибором.
Где метод справляется, а где пока буксует
На таких же чистых, но ранее не виденных сетью симулированных картинках CNN действительно неплохо разделяла кольца. Но стоило усложнить задачу — взять изображения из других симуляций и наложить размытие, предсказанное для будущей чувствительности BHEX, — и картина изменилась. Сеть по-прежнему более-менее верно определяла размер кольца n=1, но переставала точно восстанавливать его профиль яркости — а именно этот профиль несёт информацию о спине чёрной дыры. Хуже всего CNN справлялась с изображениями из так называемых GRMHD-симуляций — моделей, которые куда реалистичнее имитируют турбулентное горячее вещество вокруг чёрной дыры, чем гладкие учебные картинки.
Это принципиальная разница между двумя разными задачами: «распознать форму в упрощённой симуляции» и «извлечь физический сигнал из данных, похожих на настоящее зашумлённое наблюдение». Первое уже неплохо получается. Второе — пока нет, и сами авторы прямо признают, что предстоит ещё много работы, прежде чем такой подход можно будет пробовать на реальных наблюдениях. Будущим вариантам модели понадобятся обучающие данные, честно учитывающие и шум прибора, и предсказанную чувствительность BHEX.
Что из этого реально следует
Ценность этой работы не в «более чёткой фотографии» чёрной дыры — такого обещания здесь нет и не предполагается. Ценность в том, что задача сформулирована правильно: не улучшить картинку в бытовом смысле, а математически разъединить физически разные компоненты света, один из которых несёт редкую информацию о вращении объекта, который мы не можем потрогать и измерить напрямую. Нейросеть здесь — это инструмент обработки сигнала, а не способ «увидеть» чёрную дыру точнее глазами. Пока метод работает уверенно только на упрощённых, беспомощных перед реальным шумом данных, а на более сложных — теряет именно ту детальную информацию, ради которой всё затевалось. Следующий шаг — не красивее картинка, а более честная симуляция того, что действительно увидит будущий прибор, если проект вроде BHEX когда-нибудь долетит до реализации.
