چگونهاز یک سیاه چاله عکس بگیریم.

در فیلم " بین‌ستاره‌ای" تصویر نزدیکی از یک سیاه‌چالهکلان‌جرم داریم. قرار گرفته در پشت گازهای درخشان، کشش گرانشی حجیم سیاه چاله نور را به شکل حلقه خم می‌کند. گر چه این یک عکس واقعی نیست، و صرفا یک اثر گرافیکی کامپیوتری است-- تفسیری هنرمندانه از آنچه که باید شبیهیک سیاه چاله باشد.
صد سال پیش ، آلبرت انیشتین اولین بار تئوری نسبیت عامخود را منتشر کرد. در سالهای بعد از آن، دانشمندان در اثبات آن شواهد زیادی بدست آوردند. اما چیزی که از این تئوری پیشگویی شد، سیاه چاله‌ها، هنوز به صورت مستقیم مشاهده نشده است. با این وجود ما ایده‌ای داریم که سیاه چالهباید به چه شکل باشد، ما قبلا هیچوقت از هیچ یک از آنها عکسنگرفتیم. هرچند، شاید شگفت زده شوید اگر بشنویدکه این امر خیلی زود ممکن است تغییر کند. ما ممکن است اولین عکس خودمان از سیاه چالهرا در دو سال آینده ببینیم. گرفتن این اولین عکس توسط یک تیم بین المللی دانشمندان، یک تلسکوپ با سایز زمین و الگوریتمی که عکس نهایی راکنارهم قرار میدهد، انجام خواهد شد. با وجود این که من امروز قادر نیستم یک عکسواقعی از سیاه چاله نشان دهم، مایلم یک دید سریع و اجمالی به شمااز کوششی ارائه کنم که در رسیدن به آن عکس اولیه است.
اسم من کتی بومان است، و من دانشجوی دکترای در ام ای تی هستم. در آزمایشگاه علوم کامپیوتری تحقیق می کنم که روی ساخت کامپیوترهایی که تصاویر و ویدیوها را می بیند، کار می کند. با وجود این که ستاره شناس نیستم، امروز مایلم به شما نشان دهم که چطور قادرم در این پروژه هیجان انگیز همکاری کنم.
اگر شما امشب از روشنایی نور شهر خارج شوید، ممکن است این قدر خوش شانس باشیدکه تصویرعالی از کهکشان راه شیری را ببینید. و اگر شما بتوانید میلیونها ستاره را که ۲۶،۰۰۰ سال نوری دورتر از قلب راه شیری مارپیچی هستند، بزرگ کنید در نهایت به گروهی از ستاره ها درست در مرکز می رسیم. با کنار زدن همه غبارهای کهکشانی توسطتلسکوپ مادون قرمز، ستاره شناسان این ستاره ها را ۱۶ سال تماشا می‌کردند. اما آنچه که آنها نمی‌بینندخیلی تماشایی است. این ستاره ها به نظر یک شی غیر قابل رویترا دور می زنند. با پیگیری مسیر این ستاره ها، اخترشناسان نتیجه گرفته اند که تنها چیز کوچکی و سنگینیکه منجر به این حرکت می شود یک سیاه چاله کلان جرم است و یک شی که هرچیزی که جرات نزدیک شدن به آن داشته باشد را میمکد حتی نور.
اما چه اتفاقی می افتد اگر مابیشتر آن را نزدیک کنیم؟ ممکن است که چیزی را ببینیم، که به تعریف، دیدنش غیر ممکن باشد ؟ اگر ما درطول موجهای رادیویی متمرکز شویم انتظار داریم حلقه نوری را ببینیم که به دلیل گرانش عدسی مانند پلاسمای داغ در اطراف سیاه چاله فشرده می شود. به عبارت دیگر، سیاه چاله به طرح یک سایه در پشت این مواد نوری قرار می گیرد، که خارج یک کره تاریک حک شده. این حلقه روشن منطقه رویداد سیاه چالهرا آشکار می کند. جایی که کشش گرانشی چنان شدید می شود که حتی نور هم نمیتواند فرار کند. معادلات انیشتین سایز و شکل این حلقه راپیش بینی می کند. بنابراین گرفتن عکس از آن نه تنهافوق العاده است بلکه همچنین کمک می کند تابه آن معادلات در شرایط شدید اطراف سیاه چاله اعتبار ببخشد.
اما، این سیاه چاله ها خیلی از ما دور هستند، طوری که از زمین، این حلقه خیلی کوچک ظاهر می شود -- آن سایز کوچک برای ما مثل یک پرتقالمی ماند در صفحه ماه. این مسله، گرفتن عکس از آن را به شدت سخت می کند. چرا این گونه است ؟ خوب، اینها همه از یک معادله ساده شروع می شود. براساس پدیده ای که آن را تداخل می نامند، محدودیت های اساسی برای کوچکترین شی که ما میتوانیم ببینیم،وجود دارد. این معادله می گوید که برای دیدناشیاء کوچک و کوچکتر ما احتیاج داریم که تلسکوپهای بزرگ و بزرگتر بسازیم. اما حتی با تلسکوپهای قوی اپتیکیروی زمین هم، نمیتوانیم شفافیت لازم و تقریبی عکس از سطح ماه را بدست آوریم. در واقع، اینجا به شما یکی از با کیفیترین عکسهایی که روی زمین از ماه گرفتیم را نشان میدهم. شامل تقریبا ۱۳،۰۰۰ پیکسل است. و هر کدام از پیکسلها شامل ۱/۵ میلیون پرتقال هستند.
پس تلسکوپی که نیاز داریمچقدر بزرگ باشد تا بتوانیم یک پرتقال را روی سطح ماه ببینیم و با تعمیم، سیاه چاله مان را ببینیم؟ خوب به نظر می رسد، با خرد کردن عددها، شما راحت میتوانید حساب کنید کهبه تلسکوپی نیازمندیم که در سایز کل زمین باشد.
(خنده)
اگرمیتوانستیم تلسکوپیبا این مقیاس بسازیم، میتوانستیم از آن حلقه نور مشخص شروع کنیم که نشانه ای از منطقه وقوع سیاه چاله است. با این حال این تصویر شامل همه جزِئیاتی نیست که در تفسیر گرافیکی کامپیوترمی بینیم، به ما اجازه می دهد که اولین دیدگاه اجمالی از محیط اطراف سیاه چاله را پیدا کنیم.
هرچند، همان طور که تصور می کنید، ساختن یک تک دیش تلسکوپ بابزرگی زمین غیرممکن است. اما یک نقل قول معروفی از میک چاگجر هست، 《شما نمیتوانیم به هرآنچه میخواهدبرسید اما اگر برای چیزی تلاش کنید،شما ممکن است به آنچه احتیاج دارید برسید》 و با متصل کردن تلسکوپها در همه دنیا، یک همکاری بین لمللی، که به آن افق رویداد تلسکوپی می گویند یک تلسکوپ کامپیوتری در سایززمین می سازد، که قادراست به باسازی ساختارها در مقیاس پدیده افق یک سیاه چاله است. این شبکه تلسکوپی برنامه ریزی می شودتا اولین تصویر را از یک سیاه چاله در سال آینده بگیرد. هرکدام از تلسکوپها در شبکه جهانیبا هم همکاری دارند. هماهنگ شده از طریق زمانبندی ساعتهای اتمی دقیق، تیم های محققان در هر طرف نور را، با جمع آوری هزاران ترابایت از دادههای اطلاعاتی منجمد می کنند. این داده ها به آزمایشگاه اینجا در ماساچوست فرستاده می شود.
بنابراین، چطور این اتفاق کار می کند؟ یادمان باشد اگر ما بخواهیم که آنسیاه چاله در مرکز کهکشانمان را ببینم نیازمندیم که یک تلسکوپ غیرممکن در سایز زمین بسازیم؟ فقط برای یک ثانیه، بیایید وانمود کنیم کهما میتوانیم یک تسکوپ در سایز زمین بسازیم. این شبیه آن است که زمین را تبدیل کنیم به یک توپ چرخنده دیسکو قول پیکر. هر کدام از آینه های منفرد نور راجمع می کند تا ما بتوانیم با هم ترکیب کنیم ویک تصویر بسازیم. اما، حالا بگذارید بگویم، ما بیشتراین آینه ها را برداشتیم بنابراین فقط تعداد کمی باقی ماند. هنوز تلاش می کنیم که این اطلاعاترا با هم ترکیب کنیم اما حالا تعداد زیادی سوراخ وجود دارد. این آینه های باقی مانده موقعیت هایی رانشان می دهند که آنجا تلسکوپ داریم. این تنها بخش خیلی کوچکی از اندازه گیریها در گرفتن تصویر است. اما با وجود این که ما فقط نور تعداد کمیاز تلسکوپهای موضعی را جمع کردیم، در چرخشهای زمین، اندازه گیریهایدیگری راهم می بینم. به عبارتی، همان طور که توپ دیسکو می چرخدآن آینه ها مکانشان را عوض می کنند. و ما قسمت های متفاوت تصویررا مشاهده می کنیم. این الگوریتم تصویری که توسعه می دهیمشکافهای توپ دیسکو را برای ساختن تصویر یک سیاه چاله اصولیپر می کند. اگر تسکوپهایی درهمه جای دنیا قرار داشتیم-- به عبارت دیگر درسرتاسر توپ دیسکو-- کار ناچیزی تلقی میشد. اما، ما فقط چند نمونه را می بینیم وبه آن دلیل تعداد بینهایتی از تصاویر ممکن وجود دارد که به طور کامل شامل اندازه گیریتلسکوپ ما خواهد شد، اما، همه تصاویر به طور یکسان ساخته نمی شوند بعضی از آن تصاویر بیشتر به آنچهما فکر می کنیم شبیه هستند. خوب، نقش من در گرفتن اولین تصویر از سیاه چاله طراحی الگوریتمی است که یک تصویر قابل قبولپیدا کند، که همچنان با اندازه گیریهای تلسکوپ تطبیق شود.
درست مثل یک هنرمند طراح که از تعریفهای محدود استفاده می کند تا همه با هم تصویری را حاصل کنندکه از دانش ساختار چهره بهره می گیرد، الگوریتمهای تصویرسازی که بسط میدهماز داده محدود تلسکوپها استفاده می کند تا برای تصویری حاصل شود که شبیهاجسام دنیای ما باشد. با استفاده از این الگوریتمها قادریم کهعکسهایی را از داده های پراکنده و نویزی بهم متصل کنیم. خوب، اینجا من نمونه بازسازی شدهاز داده های شبیه سازی شده را نشان می دهم، مربوط به وقتی که ما توجهتلسکوپهایمان را به سیاه چاله مرکز کهکشانمان فرا می خوانیم. با وجود اینکه، این فقط یک شبیه سازی استباسازی آن به ما این امید را میدهد که به زودی قادریم اولین تصویرماناز یک سیاه چاله را بگیریم و از روی آن سایز حلقه آن را مشخص کنیم. با اینکه من علاقه مندم که درباره همهجزییات این الگوریتم صحبت کنم، ولی از خوش اقبالی شما، وقت آن ندارم.
اما هنوز دوست دارم کهیک ایده خلاصه بدهم که چگونه آنچه که دنیای مابه آن شبیه است را تعریف می کنیم، و چطور از آن استفاده می کنیم تا نتیجه ها را بازسازی و معتبر کنیم. از آنجا که تعداد بی شماری از تصاویرممکن وجود دارد که کاملا اندازه گیری های تلسکوپ ما را شرح می دهد، باید با روشی را ازبین آنها انتخاب کنیم. با رتبه بندی تصاویر این کار را میکنیم، بر این اساس که چقدر آنها شبیه یک تصویر سیاه چاله هستند، و سپس می شود یکی که بیشتر شبیه استرا انتخاب نمود.
خوب، دقیقا منظور من چیست؟ بگوییم که در تلاش بودیمکه مدلی بسازیم که به ما بگوید چقدر شبیه تصویری است کهدر فیس بوک ظاهر می شود. ما احتمالا مدلی می خواهیم که بگوید کاملا ناممکن است که کسی اینتصویر پر از نویز سمت چپی را پست کند، و کاملا ممکن است که کسی عکسسلفی مانند آن سمت راستی را پست کند. عکس وسط کدر است، خوب، حتی با اینکه مانند عکسهای فیسبوکیاست که در مقایسه با عکس برفکی می بینیم، احتمالا کمتر مانند عکسهایسلفی است که دیدیم.
اما وقتی الگوریتم روی عکسهایسیاه چاله انجام شود درگیر یک مسئله جدی میشویمما هیچ وقت قبلا سیاه چاله را ندیده ایم. در این صورت، تصویر سیاهچاله به چه چیزی شبیه است. و ما درباره ساختار سیاه چاله چه چیزی راباید در نظر بگیریم؟ می توانیم از تصاویر که شبیه ساز کردیماستفاده کنیم. مانند تصویر سیاه چالهدر فیلم "بین ستاره ای"، اما اگر چنین کنیم،ممکن است منجر به بعضی از مشکلات جدی شود. چه اتفاقی می افتد اگر تئوری انیشتندرست نباشد؟ ما هنوز می خواهیم یک تصویر دقیق از آنچهرخ میدهد را بازسازی کنیم. اگر ما با الگوریتمهای خود معادلات انیشتنرا بشدت رد کنیم، تنها منجر به مشاهده آنچه انتظار داریمخواهد شد. به عبارتی، ما میخواهیم اینگزینه را باز رها کنیم برای اینکه یک فیل غول پیکر در مرکزکهکشان ما وجود دارد.
(خنده)
انواع مختلف تصاویر ویژگیهای خیلی متفاوتی دارند. ما میتوانیم خیلی ساده تفاوت بین تصاویرشبیه سازی سیاه چاله ها و تصاویری که هر روز روی زمین میگیریمرا بگوییم. به روشی نیازمندیم که به الگوریتمهایما بگوید بدون تحمیل زیاد ویژگی یک نوع عکستصاویر به چه میمانند. یک روش برای رسیدن به این ایده تحمیل ویژگیهای انواع تصاویر مختلف است و دیدن این که چطور نوع تصویری که ما درنظر می گیریم روی بازسازی ما اثر می گذارد. اگر همه انواع تصاویر یک تصویر واحد را بسازند، ما می توانیم اعتماد به نفس پیدا کنیم که آن فرضهای تصویری که گرفتیماین تصویر را خیلی عوض نکرده است.
این کمی شبیه دادن یک توصیف مشابه به سه هنرمند مختلف طراح از سه نقطه دنیاست. اگر هر سه یک چهره شبیه هم ساختند می توانیم اعتماد به نفس پیدا کنیم که آنها تعصبهای مهم شخصی خود را روی طراحیاعمال نکرده اند. یک روش که می توانیم ویژگیهای تصویری متفاوت اعمال کنیم استفاده از تصاویر موجود است. بنابراین مجموعه بزرگی از تصاویر میسازیم و آن را به تکه های کوچک تجزیه می کنیم. سپس می توانیم با این تکه های تصویریکمی شبیه پازل کار کنیم. و ما قطعه قطعه این پازل رامی بینیم که که در ابتدا تلسکوپها اندازه گیری کرده اند.
انواع مختلف تصاویر مجموعه قطعه های پازلمتمایزی را دارد. بنابراین چه می شود وقتی ما داده هاییکسانی را استفاده کنیم اما مجموعه قطعه های پازل متفاوتی را استفاده می کنیم؟ اجازه بدهید اول از مجموعه پازل تصویرشبیه سازی سیاه چاله شروع کنیم. خوب، منطقی به نظر می آید. این شبیه آن چیزی است که ازسیاه چاله انتظار داریم. اما قابل درک است چون چون با قطعات کوچکتصاویر شبیه سازی سیاه چاله تعذیه اش کردیم؟ بیاید سری قطعات پازل دیگری از اختر شناسی و اشیاع غیر سیاه چالهرا امتحان کنیم. خوب، تصویر یکسان دیگری بدست میآوریم. بعد از آن، بقیه قطعات از تصاویر روزانه مانند تصاویری که شما با دوربینشخصی خودتان می گیرید، چطور؟ عالیست، ما تصاویر یکسانی را می بینیم. وقتی ما یک تصویر یکسان را از همه مجموعه های قطعات پازل حاصل می کنیم می توانیم شروع به داشتن اعتماد بیشتری کنیم که فرض تصویری که گرفتیم بر اساس تصویر نهایی نیست که بدست میاید.
کار دیگری که می توانیم کنیم گرفتنمجموعه قطعات پازل یکسان است چنانچه از تصاویر روزانه بشود بدست آورد، و از آنها استفاده کنیم تا انواع مختلفی از منشا تصاویر را بازسازی کنیم. خوب در شبیه سازی های ما، ما سیاه چاله را شبیه اشیاء غیر سیاه چاله ای اختری نمایش دادیم. همین طور تصاویر روزانه شبیه فیل مرکز کهکشان ما است. وقتی نتایج الگوریتم ما درپایین خیلی شبیه به تصاویر واقعی شبیه سازی شده در بالا شد میتوانیم شروع به داشتن اعتماد بیشتربه الگوریتهایمان کنیم. و من واقعا میخواهم اینجا تاکید کنم که همه این تصاویری که خلق شدند با کنار هم قرار دادن قطعات ریزعکسهای روزانه، شبیه عکسهایی که شما با دوربین تان می گیرید حاصل می شود. خوب عکسی از سیاه چاله کههرگز قبلا ندیده ایم را می شود با کنارهم قراردادنتصاویری که همه وقت از مردم، ساختمانها، درختان،گربه ها و سگها می بینیم خلق کرد. ایده های تصویرسازی مانند اینبرای ما ممکن می کند که اولین عکس مان را از یک سیاه چاله بگیریم، و امیدواریم که تئوریها معروفرا ثابت کنیم. تئوریهایی که دانشمندان اساساٌبه آنها تکیه می کنند.
اما البته گرفتن ایده های تصویریشبیه این کار هرگز بدون تیم پژوهشگران ممکن نخواهد بود که من امتیاز کار کردن با آنها را دارم. هنوز من را متعجب می کند که با اینکه من این پروژه را بدون هیچزمینه قبلی از اخترشناسی شروع کردم، آنچه که از طریق این همکاریبی همتا حاصل کردیم میتواند اولین تصویر از سیاه چاله را نتیجه دهد. اما پروژه های بزرگ شبیه "تلسکوپ افق رویداد" به دلیل همه تخصصهای بین رشته ای که افراد متفاوت روی میز می گذارند،موفق می شود . ما یک ظرف ترکیب شده از اختر شناسان فیزیکدانها، ریاضیدانها و مهندسان هستیم. این گونه است که چیزی را که فکر می کنند غیر ممکن است حاصل شود را سریع ممکن می سازد.
من میخواهم همه شما را تشویق کنم که بیرون بروید و به جلو راندن مرزهای علوم کمک کنید حتی وقتی که در ابتدا مثل یک راز برای شما می ماند
سپاسگزارم.
(تشویق)