|
事件视界望远镜合作组织在2017年4月首次观测一年后,从2018年4月的观测中发布了M87*的新图像。2018年的新观测以格陵兰望远镜的首次参与为特色,揭示了一个熟悉的明亮的发射环,其大小与我们在2017年发现的相同。这个明亮的环围绕着一个黑暗的中心阴影,2018年环最亮的部分从2017年到现在位于5点钟的位置相对移动了约30°。致谢:EHT合作组织
()据加州理工学院(艾米丽·维拉斯科):大约五年前,一个遍布全球的天文学家团队首次向世界展示了黑洞。现在,该团队通过一张新的超大质量黑洞M87*图像验证了他们最初的发现和我们对黑洞的理解。这个超大质量黑洞的质量是我们太阳的65亿倍,位于室女座星系团中的梅西耶87(M87)星系的中心,距离地球5500万光年。
新图像和旧图像一样,是由视界望远镜(EHT)捕捉到的,这是一个遍布全球的射电望远镜阵列。然而,这些新数据是在一年后的2018年收集的,并受益于望远镜阵列的增强,特别是格陵兰岛的一架望远镜。
EHT拍摄的M87*原始图像非常重要,不仅因为它代表了人类第一次对黑洞进行成像,还因为该物体看起来像它应该看起来的样子。值得注意的是,这张图像显示了所谓的黑洞阴影——一个围绕黑洞旋转的炽热物质圆盘中心的黑暗区域。黑洞阴影和你在阳光明媚的日子里走在外面投下的阴影不是同一个意义上的阴影。相反,黑暗区域是由黑洞巨大的引力场产生的,引力场如此强大,以至于光无法逃离它。因为没有光离开黑洞,所以它看起来很暗。
此外,强大的引力使通过黑洞附近的光发生弯曲而不会落入黑洞,实际上就像透镜一样。这被称为引力透镜,它产生了一个光环,无论从哪个角度观察黑洞都可以看到。阿尔伯特·爱因斯坦的广义相对论预测了这两种效应。因为M87*的图像显示了这些效应,这有力地证明了广义相对论和我们对黑洞物理学的理解是正确的。
这张新的M87*图像是由加州理工学院的一个成像团队做出的重要贡献,其中包括计算和数学科学、电气工程和天文学助理教授Katherine(Katie)l . Bouman教授;前加州理工学院博士生Nitika Yadlapalli Yurk博士;现任加州理工学院计算机和数学科学博士后研究助理Aviad Levis。
布曼是EHT成像工作组的协调员,曾在哈佛大学史密森天体物理中心担任博士后研究员,并在2019年原始图像发表时担任EHT成像团队的联合领导。在这个职位上,她帮助开发了算法,将EHT多个射电望远镜收集的大量数据整合成一幅完整的图像。自从加入加州理工学院,布曼,谁也是罗森博格学者和遗产医学研究所研究员,继续她的工作与EHT。她还共同领导了2022年发表的银河系超大质量黑洞成像。
Yurk于2020年加入EHT合作组织,并在最新M87*图像的成像团队中发挥了积极作用。她的主要贡献包括开发用于训练和验证成像算法的合成数据集。Yurk还编写了用于探索候选图像的软件。她最近获得了EHT的博士论文奖,以表彰她在最新M87*图像的成像和验证方面取得的进步。她目前是加州理工学院为美国国家航空航天局管理的JPL大学的美国国家航空航天局博士后项目研究员。
用EHT对像M87*这样的天体成像与用传统望远镜对像土星这样的行星成像非常不同。EHT观测到的不是光,而是物体发出的无线电波,必须通过计算将这些信息结合起来形成一幅图像。
Yurk说:“从这些望远镜中得到的原始数据基本上只是电压值。”“我喜欢把射电望远镜描述为世界上最灵敏的电压表,它们从天空的不同部分收集电压非常准确。”
布曼说,将这些电压值转换成图像是很棘手的,因为研究人员正在处理的信息是不完整的,而且没有什么可以与图像进行比较,因为没有人亲眼见过M87*。
“当我们通过计算形成图像时,我们不想插入我们对黑洞应该是什么样子的预期,”布曼说。“否则,它可能会把我们引向一个我们期望的图像,而不是一个捕捉现实的图像。”
为了避免这个问题,研究人员用所谓的合成数据测试了他们的图像处理算法,这是一套具有简单几何形状的模拟图像。这些数据通过算法生成图像。如果输出图像与输入图像一致,他们知道算法工作正常,并且能够准确地看到黑洞周围令人惊讶的结构。
布曼说,由尤尔克共同领导的这一过程涉及探索数十万个参数,以衡量算法在重建不同图像结构方面的有效性。研究小组发现,随着EHT增加了格陵兰望远镜,这些方法更有力地恢复了图像中的特征。
该过程产生的M87*图像与第一幅图像仅略有不同。最明显的区别是M87*周围发光环的最亮部分逆时针移动了约30度。根据EHT的说法,这种运动很可能是黑洞周围物质湍流的结果。重要的是,环的大小保持不变,这也是广义相对论所预测的。
布曼补充说,该团队能够用新数据制作另一幅M87*图像,与之前的图像非常接近,这令人兴奋。
“我认为人们会问,‘为什么这很重要?你已经展示了一张M87*的照片。其他小组用2017年拍摄的数据复制了M87*图片。但是,在不同的年份获取新的数据集并得出相同的结论是完全不同的事情。独立数据的可重复性也很重要。" |
|