模拟黑洞图像_黑洞究竟长什么样?第一张照片已经“在路上”

3d16b281a24d306119bab5dc2a9188c5.png

多年来,事件视界望远镜项目组一直不断努力,试图获取黑洞事件视界的第一幅望远镜照片。作为宇宙中最神秘的天体之一,黑洞一直激发着公众的想象力。

5ec75a87a10e6322479af30e770db490.png

不过,我们从未见过黑洞的真容。黑洞之所以不可见是因为它们拥有异乎寻常的引力,一旦穿过所谓的“不可返回点”,包括光线在内的任何物质都无法逃脱。

6eb59aaeed06ebb22826d213fca6e302.png
天体物理学家让-皮埃尔•卢米涅笔下的黑洞

2019年天文学研究将迎来一个高光时刻。多年来,事件视界望远镜项目组一直不断努力,希望借这架望远镜首次拍摄黑洞的事件视界。作为宇宙内最为神秘的天体之一,黑洞一直激发着公众的想象力,但我们一直无法看到黑洞的庐山真面目。

黑洞之所以不可见是因为它们拥有异乎寻常的引力,一旦穿过一个特定的点,任何物质都无法逃脱,包括允许我们直接探测黑洞的电磁辐射。(X射线、红外线和无线电波都属于电磁辐射。)这个不可返回点被称之为“事件视界”,是一个你永远都不想置身其中的可怕所在。不过,事件视界也是科学家让黑洞可视化的关键。

bdca480c41e89ccea8458c393b544b2a.png
《星际穿越》中的黑洞“卡冈都亚”

我们或许无法看到黑洞的真容,但我们仍有机会拍摄事件视界的照片。不久后,事件视界望远镜的观测结果便要对外公布,希望科学家能够得偿所愿。1978年,天体物理学家让-皮埃尔·卢米涅就给出了黑洞事件视界的第一幅图像。当然,这不是一张真正的照片。利用自己的数学知识和相关技术以及60年代的一台IBM 7040穿孔卡片计算机,卢米涅首次对观察者可能看到的黑洞景象进行电脑模拟。

卢米涅在接受ScienceAlert网站采访时表示:“当时,这还是一个非常怪异的课题,绝大多数天文学家并不相信黑洞的存在。我希望探寻黑洞的奇异物理学特征,同时建议具体机制,帮助我们获取间接信号以揭示它们的存在。”

46b870db7f0df7c28df44685592f1ff9.png
科学家利用CG技术模拟的“卡冈都亚”

利用电脑模拟产生的数据,卢米涅用钢笔和印度墨水在底片上描绘黑洞,整个过程就像是一台人体打印机。这幅模糊的图像展示了观察者靠得足够近时看到的一个扁平盘内物质坠入黑洞的景象。不过,这个物质盘看不上并不扁平,因为黑洞的强大引力会弯曲周围的光线。

在2018年发表于预印本平台arXiv的论文中,卢米涅指出:“黑洞附近光线被引力场弯曲的幅度极大,以至于‘暴露’出物质盘的后部。光线的弯曲产生一幅次级图像,允许我们看到吸积盘的另一侧,即从观察者的角度看到黑洞的另一面。”

8087426fbf5e016565b4a25e6772f107.png
艺术概念图,磁场环绕黑洞

卢米涅是第一个,但并不是唯一一个对黑洞的可能长相充满好奇的人。在他之后,很多人都希望对这种神秘天体进行可视化,甚至将他们的成果搬上大银幕。2014年,克里斯托弗·诺兰执导的科幻大片《星际穿越》上映。这部影片对黑洞的描述在科学上具有很高的准确性,也因此获得广泛赞誉。

《星际穿越》在很大程度上立基于卢米涅几十年前的研究,拍摄过程中还咨询了加州理工学院的理论物理学家基普·索恩。最终,诺兰选择了一个简化版黑洞,不会让观众感到很困惑,同时又能在银幕上呈现出引人注目的景象。

黑洞模拟图

《星际穿越》中的黑洞“卡冈都亚”给观众留下深刻印象,但根据卢米涅和索恩的研究,真正的黑洞并非影片呈现的那样。引力场产生的主图和副图是正确的,但与卢米涅的作品不同,“卡冈都亚”吸积盘的亮度比较均匀。卢米涅在论文中指出:“视光度的明显不对称是黑洞的主要信号。黑洞是唯一一种能够让吸积盘内部区域的旋转速度接近光速并产生强烈多普勒效应的天体。”

围绕《星际穿越》中的科学现象,卢米涅撰写了一篇15页的论文。索恩更是创作了一部著作,深入阐述这一主题。你可能发现,所有这些版本的黑洞看起来与另一类型的黑洞影像截然不同,尤其是2016年激光干涉引力波天文台(LIGO)发现的黑洞合并。

64b7031390d54c934d6237de17b7f220.png
黑洞模拟图

LIGO的发现立基于法国国家科学研究中心和国际天文学联合会天体物理学家艾伦·里亚泽罗的研究。2016年,他首次对这种黑洞进行模拟。里亚泽罗的模拟图像之所以截然不同是因为展示了一个静止的黑洞,一个没有吸积盘的黑洞。

里亚泽罗模拟的黑洞没有被气体和尘埃云环绕,巨大的引力扭曲后面的空间。如果如此近距离地观察这个黑洞,我们会被黑洞的引力俘获。这也就是为什么在他的模拟影像中,黑洞似乎穿过恒星场。在两个黑洞同时存在的情况下,每个黑洞的后面都会出现另一个黑洞的香蕉形次级影像

e0f4e402b2a01af194f694dd26c4fe0a.png
黑洞艺术概念图

事件视界望远镜一直将目光聚焦银河系中央的超大质量黑洞——半人马座A*。我们不知道将会看到什么,也许只会返回一些模糊的像素。如果是这样,将会有更多望远镜加入这个项目,帮助科学家再次尝试。黑洞有吸积盘,事件视界望远镜捕获的黑洞影像可能与卢米涅的作品类似。

通过合作,科学家将进一步了解辐射偏振、磁场结构和黑洞的相对论性喷流。对于黑洞周围的空间结构,事件视界望远镜已经发现了一些线索。这个项目最令人兴奋的地方是什么?估计很多人会赞同卢米涅的想法。他说:“当然是吸积盘的照片!我们已经迫不及待!”

博科园-科学科普|文: 米歇尔·斯塔尔
转自: 漫步宇宙/qqtaikong
博科园-传递宇宙科学之美
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,这些特征对于图像和语音识别、自然语言处理、医学图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、隐藏层和输出层。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藏层,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,如图像。它们使用卷积层来提取图像的特征。 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. **短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习期依赖关系,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,这些特征对于图像和语音识别、自然语言处理、医学图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、隐藏层和输出层。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藏层,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,如图像。它们使用卷积层来提取图像的特征。 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. **短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习期依赖关系,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
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