در فیلم ” بین‌ستاره‌ای” تصویر نزدیکی از یک سیاهچاله کلان‌جرم 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 شبیه یک سیاه چاله باشد.
صد سال پیش ، آلبرت انیشتین اولین بار تئوری نسبیت عام خود 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 چاله باید به چه شکل باشد، ما قبلا هیچوقت از هیچ یک از آنها عکس نگرفتیم. هرچند، شاید شگفت زده شوید اگر بشنوید که این امر خیلی زود ممکن است تغییر کند. ما ممکن است اولین عکس خودمان از سیاه چاله را 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 را کنارهم قرار میدهد، انجام خواهد شد. با وجود این که من امروز قادر نیستم یک عکس واقعی از سیاه چاله نشان دهم، مایلم یک دید سریع و اجمالی به شما از 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 باشید که 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 توسط تلسکوپ مادون قرمز، ستاره شناسان این ستاره ها را ۱۶ سال تماشا می‌کردند. اما آنچه که آنها نمی‌بینند خیلی تماشایی است. این ستاره ها به نظر یک شی غیر قابل رویت را دور می زنند. با پیگیری مسیر این ستاره ها، اخترشناسان نتیجه گرفته اند که تنها چیز کوچکی و سنگینی که 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 ما بیشتر آن را نزدیک کنیم؟ ممکن است که چیزی را ببینیم، که به تعریف، دیدنش غیر ممکن باشد ؟ اگر ما در طول 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 چاله را 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 را پیش بینی می کند. بنابراین گرفتن عکس از آن نه تنها فوق العاده است بلکه همچنین کمک می کند تا به 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 پرتقال می 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 دیدن اشیاء کوچک و کوچکتر ما احتیاج داریم که تلسکوپهای بزرگ و بزرگتر بسازیم. اما حتی با تلسکوپهای قوی اپتیکی روی 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 داریم چقدر 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 که به تلسکوپی نیازمندیم که در سایز کل زمین باشد.
اگرمیتوانستیم تلسکوپی با 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 کامپیوتر می 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 با بزرگی زمین غیرممکن است. اما یک نقل قول معروفی از میک چاگجر هست، 《شما نمیتوانیم به هرآنچه میخواهد برسید 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 سایز زمین می سازد، که قادراست به باسازی ساختارها در مقیاس پدیده افق یک سیاه چاله است. این شبکه تلسکوپی برنامه ریزی می شود تا اولین تصویر را از یک سیاه چاله در سال آینده بگیرد. هرکدام از تلسکوپها در شبکه جهانی با 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 آن سیاه چاله در مرکز کهکشانمان را ببینم نیازمندیم که یک تلسکوپ غیرممکن در سایز زمین بسازیم؟ فقط برای یک ثانیه، بیایید وانمود کنیم که ما 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 را جمع می کند تا ما بتوانیم با هم ترکیب کنیم و یک تصویر بسازیم. اما، حالا بگذارید بگویم، ما بیشتر این آینه ها را برداشتیم بنابراین فقط تعداد کمی باقی ماند. هنوز تلاش می کنیم که این اطلاعات را با هم ترکیب کنیم اما حالا تعداد زیادی سوراخ وجود دارد. این آینه های باقی مانده موقعیت هایی را نشان 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 کمی از تلسکوپهای موضعی را جمع کردیم، در چرخشهای زمین، اندازه گیریهای دیگری راهم می بینم. به عبارتی، همان طور که توپ دیسکو می چرخد آن آینه ها مکانشان را عوض می کنند. و ما قسمت های متفاوت تصویر را مشاهده می کنیم. این الگوریتم تصویری که توسعه می دهیم شکافهای توپ دیسکو را برای ساختن تصویر یک سیاه چاله اصولی پر می کند. اگر تسکوپهایی در همه جای دنیا قرار داشتیم– به عبارت دیگر درسرتاسر توپ دیسکو– کار ناچیزی تلقی میشد. اما، ما فقط چند نمونه را می بینیم و به آن دلیل تعداد بینهایتی از تصاویر ممکن وجود دارد که به طور کامل شامل اندازه گیری تلسکوپ ما خواهد شد، اما، همه تصاویر به طور یکسان ساخته نمی شوند بعضی از آن تصاویر بیشتر به آنچه ما فکر می کنیم شبیه هستند. خوب، نقش من در گرفتن اولین تصویر از سیاه چاله طراحی الگوریتمی است که یک تصویر قابل قبول پیدا 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 کنند که از دانش ساختار چهره بهره می گیرد، الگوریتمهای تصویرسازی که بسط میدهم از داده محدود تلسکوپها استفاده می کند تا برای تصویری حاصل شود که شبیه اجسام دنیای ما باشد. با استفاده از این الگوریتمها قادریم که عکسهایی را از داده های پراکنده و نویزی بهم متصل کنیم. خوب، اینجا من نمونه بازسازی شده از داده های شبیه سازی شده را نشان می دهم، مربوط به وقتی که ما توجه تلسکوپهایمان را به سیاه چاله مرکز کهکشانمان فرا می خوانیم. با وجود اینکه، این فقط یک شبیه سازی است باسازی آن به ما این امید را میدهد که به زودی قادریم اولین تصویرمان از یک سیاه چاله را بگیریم و از روی آن سایز حلقه آن را مشخص کنیم. با اینکه من علاقه مندم که درباره همه جزییات این الگوریتم صحبت کنم، ولی از خوش اقبالی شما، وقت آن ندارم.
اما هنوز دوست دارم که یک ایده خلاصه بدهم که چگونه آنچه که دنیای ما به 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 تصاویر ممکن وجود دارد که کاملا اندازه گیری های تلسکوپ ما را شرح می دهد، باید با روشی را از بین 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 است را انتخاب نمود.
خوب، دقیقا منظور من چیست؟ بگوییم که در تلاش بودیم که مدلی بسازیم که به ما بگوید چقدر شبیه تصویری است که در فیس بوک ظاهر می شود. ما احتمالا مدلی می خواهیم که بگوید کاملا ناممکن است که کسی این تصویر پر از نویز سمت چپی را پست کند، و کاملا ممکن است که کسی عکس سلفی مانند آن سمت راستی را پست کند. عکس وسط کدر است، خوب، حتی با اینکه مانند عکسهای فیسبوکی است که در مقایسه با عکس برفکی می بینیم، احتمالا کمتر مانند عکسهای سلفی است که دیدیم.
اما وقتی الگوریتم روی عکسهای سیاه چاله انجام شود درگیر یک مسئله جدی میشویم ما 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 را باید در نظر بگیریم؟ می توانیم از تصاویر که شبیه ساز کردیم استفاده کنیم. مانند تصویر سیاه چاله در فیلم “بین ستاره ای”، اما اگر چنین کنیم، ممکن است منجر به بعضی از مشکلات جدی شود. چه اتفاقی می افتد اگر تئوری انیشتن درست نباشد؟ ما هنوز می خواهیم یک تصویر دقیق از آنچه رخ میدهد را بازسازی کنیم. اگر ما با الگوریتمهای خود معادلات انیشتن را بشدت رد کنیم، تنها منجر به مشاهده آنچه انتظار داریم خواهد شد. به عبارتی، ما میخواهیم این گزینه را باز رها کنیم برای اینکه یک فیل غول پیکر در مرکز کهکشان ما وجود دارد.
انواع مختلف تصاویر ویژگیهای خیلی متفاوتی دارند. ما میتوانیم خیلی ساده تفاوت بین تصاویر شبیه سازی سیاه چاله ها و تصاویری که هر روز روی زمین میگیریم را بگوییم. به روشی نیازمندیم که به الگوریتمهای ما بگوید بدون تحمیل زیاد ویژگی یک نوع عکس تصاویر 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 در نظر 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 گرفتیم این 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 طراحی اعمال 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 تصویری کمی شبیه پازل کار کنیم. و ما قطعه قطعه این پازل را می بینیم که که در ابتدا تلسکوپها اندازه گیری کرده اند.
انواع مختلف تصاویر مجموعه قطعه های پازل متمایزی را دارد. بنابراین چه می شود وقتی ما داده های یکسانی را استفاده کنیم اما مجموعه قطعه های پازل متفاوتی را استفاده می کنیم؟ اجازه بدهید اول از مجموعه پازل تصویر شبیه سازی سیاه چاله شروع کنیم. خوب، منطقی به نظر می آید. این شبیه آن چیزی است که از سیاه چاله انتظار داریم. اما قابل درک است چون چون با قطعات کوچک تصاویر شبیه سازی سیاه چاله تعذیه اش کردیم؟ بیاید سری قطعات پازل دیگری از اختر شناسی و اشیاع غیر سیاه چاله را امتحان کنیم. خوب، تصویر یکسان دیگری بدست میآوریم. بعد از آن، بقیه قطعات از تصاویر روزانه مانند تصاویری که شما با دوربین شخصی 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 گرفتن مجموعه 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 در پایین خیلی شبیه به تصاویر واقعی شبیه سازی شده در بالا شد میتوانیم شروع به داشتن اعتماد بیشتر به الگوریتهایمان کنیم. و من واقعا میخواهم اینجا تاکید کنم که همه این تصاویری که خلق شدند با کنار هم قرار دادن قطعات ریز عکسهای روزانه، شبیه عکسهایی که شما با دوربین تان می گیرید حاصل می شود. خوب عکسی از سیاه چاله که هرگز قبلا ندیده ایم را می شود با کنارهم قراردادن تصاویری که همه وقت از مردم، ساختمانها، درختان، گربه ها و سگها می بینیم خلق کرد. ایده های تصویرسازی مانند این برای ما ممکن می کند که اولین عکس مان را از یک سیاه چاله بگیریم، و امیدواریم که تئوریها معروف را ثابت کنیم. تئوریهایی که دانشمندان اساساٌ به آنها تکیه می کنند.
اما البته گرفتن ایده های تصویری شبیه 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 هیچ زمینه قبلی از اخترشناسی شروع کردم، آنچه که از طریق این همکاری بی 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.
