Zelflerend neuraal netwerk kraakt iconische zwarte gaten

Een team astronomen onder leiding van Michael Janssen (Radboud Universiteit) heeft een neuraal netwerk getraind met miljoenen, synthetische datasets over zwarte gaten. Op basis van het netwerk en gegevens van de Event Horizon Telescope voorspellen ze nu onder andere dat het zwarte gat in het centrum van onze Melkweg bijna op topsnelheid draait. De sterrenkundigen publiceren hun resultaten en werkwijze in drie artikelen in het vakblad Astronomy & Astrophysics.

Artistieke weergave van een neuraal netwerk dat waarnemingen (links) verbindt met modellen (rechts). (c) EHT Collaboration/Janssen et al.
Artistieke weergave van een neuraal netwerk dat waarnemingen (links) verbindt met modellen (rechts). (c) EHT Collaboration/Janssen et al.

In 2019 publiceerde het consortium van de Event Horizon Telescope de eerste afbeelding van een superzwaar zwart gat in het centrum van het sterrenstelsel M87. In 2022 volgde het zwarte gat van onze eigen Melkweg, Sagittarius A*. De meetgegevens die aan de afbeeldingen ten grondslag liggen, bevatten echter nog een schat aan lastig te kraken informatie. Een internationaal team van onderzoekers heeft daarom nu een neuraal netwerk getraind dat helpt om zoveel mogelijk informatie uit de meetgegevens te persen.

Van een handvol naar miljoenen
Bij eerdere studies van het Event Horizon Telescope consortium werden slechts een handvol realistische synthetische databestanden gebruikt. Nu voerden de sterrenkundigen miljoenen van dit soort databestanden aan een zogeheten Bayesiaans neuraal netwerk dat onzekerheden kan kwantificeren. Daardoor konden de onderzoekers een veel betere vergelijking tussen de EHT-gegevens en de modellen maken.

Dankzij het neurale netwerk vermoeden de onderzoekers bijvoorbeeld nu dat het zwarte gat in het centrum van onze Melkweg bijna op topsnelheid draait. De rotatie-as wijst daarbij in de richting van de aarde. Daarnaast wordt de uitgestoten straling in de buurt van het zwarte gat vooral veroorzaakt door extreem hete elektronen in de gasschijf en niet door een zogeheten jet. Verder lijkt het erop dat de magnetische velden in de gasschijf zich anders gedragen dan de gangbare theorieën van gasschijven voorschrijven.

"Dat we de heersende theorie tarten, is natuurlijk spannend," zegt hoofdonderzoeker Michael Janssen (Radboud Universiteit). "Maar ik zie onze AI en machine learning vooral als een eerste stap. De komende tijd gaan we de bijbehorende modellen en simulaties verbeteren en uitbreiden. En als de in aanbouw zijnde Africa Millimetre Telescope mee gaat doen met gegevens verzamelen, dan krijgen nóg betere informatie om de geldigheid van de algemene relativiteitstheorie voor superzware compacte objecten met hoge precisie te onderzoeken."

Knap staaltje
"De stap naar miljoenen synthetische databestanden is een knap staaltje werk," zegt mede-onderzoeker Jordy Davelaar (nu Princeton University, Verenigde Staten, eerder gepromoveerd aan de Radboud Universiteit). "Daar heb je opslagcapaciteit voor nodig, een supercomputer, een software-pijplijn en een programma dat het werk verdeelt."

De onderzoekers benadrukken dat de schaal van het onderzoek te danken is aan een trein van wetenschappelijke services. CyVerse om de gegevens op te slaan. OSG OS Pool om berekeningen uit te voeren. De Pegasus workflow manager om de boel in goede banen te leiden. De processors van de Duitse Max Planck Computing and Data Facility om het neurale netwerk te trainen. En dan nog de software van TensorFlow, Horovod en CASA.

De onderzoekers deden niet alleen voorspellingen over Sagittarius A*. Ze keken ook naar M87*, het zwarte gat in het centrum van M87. Ze ontdekten onder andere dat dit zwarte gat ook snel ronddraait, maar niet zo snel als Sagittarius A*. Bovendien draait het in de tegenovergestelde richting van het invallende gas. De astronomen vermoeden dat deze contrarotatie is ontstaan na een fusie met een ander sterrenstelsel.

Wetenschappelijk artikelen
Deep learning inference with the Event Horizon Telescope I. Calibration improvements and a comprehensive synthetic data library. Door: M. Janssen et al. In: Astronomy & Astrophysics, 6 juni 2025. [origineel (open access) | preprint (pdf)]

Deep learning inference with the Event Horizon Telescope II. The Zingularity framework for Bayesian artificial neural networks. Door: M. Janssen  et al. In: Astronomy & Astrophysics, 6 juni 2025. [origineel (open access) | preprint (pdf)]

Deep learning inference with the Event Horizon Telescope III. Zingularity results from the 2017 observations and predictions for future array expansions. Door: M. Janssen et al. In: Astronomy & Astrophysics, 6 juni 2025. [origineel (open access) | preprint (pdf)]

Artistieke weergave van een neuraal netwerk dat waarnemingen verbindt met modellen.Artistieke weergave van een neuraal netwerk dat waarnemingen (links) verbindt met modellen (rechts). (c) EHT Collaboration/Janssen et al. [hoge resolutie]