Una rete neurale addestrata su milioni di simulazioni ha permesso a un team internazionale di astronomi di stimare con maggiore precisione le proprietà fisiche di due buchi neri supermassicci: Sagittarius A*, al centro della Via Lattea, e M87*, al centro della galassia ellittica Messier 87. I dati analizzati provengono dalle osservazioni effettuate dall’Event Horizon Telescope (EHT) nel 2017, le stesse che hanno prodotto le prime immagini dell’ombra di un buco nero supermassiccio.
La rete neurale è stata progettata per apprendere la relazione tra l’aspetto visibile dei buchi neri e parametri fisici fondamentali, come lo spin e l’inclinazione. Questo è stato possibile grazie a un addestramento su oltre tre milioni di immagini simulate, generate da modelli magneto-idrodinamici relativistici. Il modello sviluppato è in grado di fornire stime probabilistiche, tenendo conto dell’incertezza nei dati e nella variabilità del fenomeno osservato.
I risultati indicano che entrambi i buchi neri ruotano a velocità molto elevate, prossime al massimo previsto dalla relatività generale. Per M87*, la direzione dello spin risulta allineata con quella del getto relativistico osservato, mentre per Sagittarius A* l’inclinazione è coerente con modelli già ipotizzati per il gas che lo circonda. Queste nuove stime migliorano significativamente la comprensione dei processi dinamici nelle regioni più interne dei dischi di accrescimento e getti.
Il lavoro, guidato da Michael Janssen (Radboud University) e realizzato in collaborazione con il Max Planck Institute for Radio Astronomy e altre istituzioni, segna un’evoluzione metodologica nell’analisi dei dati EHT. L’impiego di reti neurali consente di superare i limiti dei metodi tradizionali, basati su simulazioni iterative, rendendo possibile un’analisi più rapida e robusta.
L’IA per superare i limiti delle simulazioni dirette
L’approccio tradizionale per stimare i parametri fisici dei buchi neri osservati dall’EHT si basa su un confronto iterativo tra i dati reali e un ampio campione di simulazioni. Questo processo, sebbene efficace, richiede un grande sforzo a livello computazionale, e può risultare inefficiente nel trattare la complessità e la variabilità del materiale in accrescimento attorno ai buchi neri.
Il nuovo metodo sviluppato dai ricercatori introduce invece l’IA, in particolare una rete neurale bayesiana addestrata a riconoscere pattern ricorrenti tra immagini sintetiche e i corrispondenti valori fisici. Una volta completata la fase di addestramento, il modello è in grado di analizzare direttamente le osservazioni reali, fornendo stime con distribuzioni di probabilità che riflettono sia l’incertezza nei dati che quella intrinseca al fenomeno fisico.
Questo approccio risulta particolarmente utile per Sagittarius A*, il cui ambiente dinamico rende difficile la costruzione di modelli stabili. La rete neurale consente di aggirare il problema della variabilità rapida, integrando direttamente la distribuzione statistica delle immagini osservate. Per M87*, invece, l’ambiente più stabile e il getto ben definito permettono una verifica indipendente delle stime ottenute.
Verso la prossima generazione di osservazioni EHT
Il lavoro rappresenta anche un’anticipazione delle potenzialità offerte dalla prossima generazione dell’EHT. Nei prossimi anni, l’aggiunta di nuovi telescopi alla rete, come l’Africa Millimetre Telescope (AMT), permetterà di ampliare la copertura spaziale e migliorare la risoluzione angolare. Parallelamente, l’impiego di tecniche di intelligenza artificiale come quella presentata in questo studio potenzierà la capacità di interpretare i dati raccolti.
In particolare, si prevede che queste tecniche permetteranno di affrontare scenari di maggiore complessità fisica, come la variazione dei campi magnetici, la precessione dello spin, e la turbolenza nel gas di accrescimento. Le reti neurali potranno essere adattate per apprendere anche da dati multimodali, integrando osservazioni radio, ottiche e X, rendendo possibile una ricostruzione più completa dell’ambiente vicino all’orizzonte degli eventi.
Il team prevede di estendere l’approccio ad altri oggetti osservabili, e alle nuove campagne EHT.
I risultati sono stati pubblicati in tre diversi studi su Astronomy & Astrophysics:
- Deep learning inference with the Event Horizon Telescope I. Calibration improvements and a comprehensive synthetic data library, Janssen et al. 2025
- Deep learning inference with the Event Horizon Telescope II. The Zingularity framework for Bayesian artificial neural networks, Janssen et al. 2025
- Deep learning inference with the Event Horizon Telescope III. Zingularity results from the 2017 observations and predictions for future array expansions, Janssen et al. 2025
