一张看不清的黑洞照片,却藏着大量的天文信息!

2530112-a82e330f114dd49f.jpg

北京时间4月10日晚在全球多地同步发布,世界上第一组“实拍”的黑洞照片与大家亮相,该黑洞图像揭示了室女座星系团中超大质量星系M87中心的黑洞,这是5500万光年外的大质量星系M87中心超大质量黑洞的黑洞阴影照片,质量为太阳的65亿倍,也是黑洞存在的直接“视觉”证据。


2530112-c35d1708044a1400.png

1.是人类首张黑洞照片

黑洞的概念很久之前就被很多物理学家提到过,例如爱因斯坦、霍金,这次终于拍到它的样子了。

2.全球六地同步发布

好东西果然要大家一同分享...

3.全球200多位科研人员参与,中国十余人

哪里有成就,哪里就有China!

4.直接长时间曝光拍摄了10天

拍照用时恐怕是最长的了吧...

5.黑洞照片冲洗就花了两年

照片冲洗时间也应该是最长的吧...

6.爱因斯坦又说对了

再次惊艳于爱因斯坦的大脑,最伟大的物理学家,实至名归。

7.可惜霍金先生没看到

虽然霍金先生没看到,但人们相信,他早已摆脱身体瘫痪的限制,遨游在宇宙之中。

2530112-33176ed338179c01.png

黑洞是什么?

黑洞是理论预言的一种极端天体。它们引力极强,靠近到一定的距离,便没有任何东西能够逃脱出去,连宇宙中速度最快的光都不行。这个无法逃脱的距离范围,可以看作是黑洞的边界,科学家称之为“事件视界”。从外面看的话,黑洞就是宇宙中黑色的“无底洞”,能够把所有不小心靠近它的东西全都吞噬。


黑洞真实存在吗?

天文学家普遍认为,黑洞是真实存在的。把太阳压缩到半径3公里以内,它就会成为一个黑洞。当然,太阳不可能压缩到这么小,因为它还不够重。质量更大的恒星,在燃料耗尽之后,会在自身重力下坍缩,便有可能把核心部分压缩成黑洞。天文学家还发现,几乎每一个星系的中心都存在一个超大质量黑洞,它们的质量是太阳的十万倍以上,甚至可以达到百亿倍。

2530112-c603b0553bafc158.png

黑洞这么黑,是怎么被找到的?

黑洞本身是黑的,不会发出任何光亮,但黑洞周边就不一定了。如果周边有其他物质,便会被黑洞吸引,在它周边堆积成盘,高速旋转,相互摩擦,从而变得炙热无比。这些“白热化”的物质会发出亮光,甚至成为宇宙中最明亮的光源。天文学家正是通过观测这些亮光,确认和发现了宇宙中的许多黑洞。此外,通过引力波,天文学家也观测到了多起黑洞合二为一的事件。但归根到底,这些都只是间接观测,并没直接看到黑洞本身。

2530112-3e8e46198e77fc03.png

那是怎么能看到黑洞本身的呢?

理论上,黑洞可以被直接看见。在周边物质发出的一片亮光中,黑洞会吸收所有离它太近的光线,留下一个清晰的黑色剪影。但实际上,这个剪影几乎不可能被看到。原因很简单,黑洞太小了!就算是银河系中心的超大黑洞,质量足有太阳的400万倍,它留下的剪影充其量,也只有太阳直径的几十倍,而它到地球的距离足有2.5万光年。打个比方来说,想要看清这个黑洞留下的这个剪影,我们必须拥有超强的视力,有能力在地球上看清楚月球表面的一颗网球。

人类有这样的超强视力吗?

如果人类有一台超大的望远镜,口径跟地球的直径相当,那么理论上来说,这台望远镜就拥有足够的分辨率,能够让我们隐约看清银河系中心超大黑洞留下的剪影。只可惜,我们不可能把整个地球改造成一台望远镜。但是,通过一种叫作“甚长基线干涉”黑科技,天文学家可以把分散在世界各地的多台射电望远镜联合起来,让它们在同一时间观测同一个目标,最终能够设法实现地球那么大的望远镜的分辨能力。


2530112-b5bc3dc7b09d6040.png

天文学家做到了吗?

天文学家还真就这么做了。他们将分散在欧洲、北美、南美、太平洋和南极的8台射电望远镜联合在一起,组合成了一台足有地球大小的“事件视界望远镜”,分别在2017年4月和2018年4月,对银河系中心的那个超大黑洞,还有5000万光年以外M87星系中心的另一个超大黑洞,进行了联合观测。后者虽然距离更远,但它的质量足有太阳的大约60亿倍,所以看起来应该跟银河系中心的超大黑洞差不多大小。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于像和语音识别、自然语言处理、医学像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如像。它们使用卷积层来提取像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于像和语音识别、自然语言处理、医学像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如像。它们使用卷积层来提取像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

皙姑娘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值