\n<\/p>\n
Los investigadores han utilizado el aprendizaje autom\u00e1tico para reforzar una imagen publicada previamente de un agujero negro. Como resultado, el retrato del agujero negro en el centro de la galaxia Messier 87, a m\u00e1s de 53 millones de a\u00f1os luz de la Tierra, muestra un anillo m\u00e1s delgado de luz y materia que rodea su centro en un informe publicado hoy en Las cartas del diario astrof\u00edsico<\/em>.<\/p>\n Las im\u00e1genes originales fueron capturadas en 2017 por el Event Horizon Telescope (EHT), una red de radiotelescopios alrededor de la Tierra que se combinan para actuar como una herramienta de superimagen del tama\u00f1o de un planeta. La imagen inicial parec\u00eda una \u00abrosquilla borrosa\u00bb, como lo describe NPR<\/em>, pero los investigadores utilizaron un nuevo m\u00e9todo llamado PRIMO para reconstruir una imagen m\u00e1s precisa. PRIMO es \u00abun novedoso algoritmo basado en el aprendizaje de diccionarios\u00bb que aprende a \u00abrecuperar im\u00e1genes de alta fidelidad incluso en presencia de escasa cobertura\u00bb entrenando en simulaciones generadas de m\u00e1s de 30.000 agujeros negros. En otras palabras, utiliza datos de aprendizaje autom\u00e1tico basados \u200b\u200ben lo que sabemos sobre las leyes f\u00edsicas del universo, y espec\u00edficamente sobre los agujeros negros, para producir una toma m\u00e1s precisa y de mejor apariencia a partir de los datos sin procesar capturados en 2017.<\/p>\n <\/p>\n Los agujeros negros son regiones misteriosas y extra\u00f1as del espacio donde la gravedad es tan fuerte que nada puede escapar. Se forman cuando las estrellas moribundas colapsan sobre s\u00ed mismas bajo su gravedad. Como resultado, el colapso comprime la masa de la estrella en un espacio diminuto. El l\u00edmite entre el agujero negro y la masa que lo rodea se llama horizonte de eventos, un punto sin retorno donde todo lo que lo cruza (ya sea luz, materia o Matthew McConaughey) no regresar\u00e1.<\/p>\n \u201cLo que realmente hacemos es aprender las correlaciones entre diferentes partes de la imagen. Y lo hacemos analizando decenas de miles de im\u00e1genes de alta resoluci\u00f3n que se crean a partir de simulaciones\u201d, dijo la astrof\u00edsica y autora del art\u00edculo Lia Medeiros del Instituto de Estudios Avanzados en Princeton, Nueva Jersey. NPR<\/em>. \u201cSi tiene una imagen, los p\u00edxeles cercanos a cualquier p\u00edxel dado no est\u00e1n completamente descorrelacionados. No es que cada p\u00edxel est\u00e9 haciendo cosas completamente independientes\u201d.<\/p>\n Los investigadores dicen que la nueva imagen es consistente con las predicciones de Albert Einstein. Sin embargo, esperan que m\u00e1s investigaciones en aprendizaje autom\u00e1tico y hardware de telescopios conduzcan a revisiones adicionales. \u201cDentro de 20 a\u00f1os, la imagen podr\u00eda no ser la imagen que les estoy mostrando hoy\u201d, dijo Medeiros. \u00abPodr\u00eda ser incluso mejor\u00bb.<\/p>\n<\/div>\n