Cara seorang astrofisikawan menggunakan Codex untuk membantu menyimulasikan lubang hitam

Gravitasi di sekitar lubang hitam begitu kuat sehingga tidak ada apa pun, bahkan cahaya, yang bisa lolos setelah berada cukup dekat. Astrofisikawan seperti Chi-kwan Chan mempelajari lubang hitam melalui simulasi komputer dan pengamatan. Namun, algoritma dan daya komputasi saat ini membatasi seberapa realistis simulasi tersebut dapat dibuat.

Dengan Codex, Chan—peneliti di University of Arizona dan Observatorium Steward—berupaya mengatasi masalah ini.

Menurutnya, lubang hitam termasuk tempat terbaik untuk menguji teori relativitas umum Einstein. Teori ini merupakan penjelasan terbaik kita tentang gravitasi saat ini: alih-alih gaya yang membuat benda saling tarik-menarik, gravitasi adalah akibat dari massa dan energi yang melengkungkan ruang dan waktu.

Chan tergabung dalam kolaborasi internasional Event Horizon Telescope (EHT), yang menerbitkan citra pertama lubang hitam pada 2019. Tim ini sedang mengumpulkan hasil pengamatan untuk menghasilkan video pertama lubang hitam supermasif, dengan berfokus pada lubang hitam di pusat galaksi M87. 

Namun, mengubah hasil pengamatan menjadi pemahaman ilmiah membutuhkan pemrosesan data dalam jumlah luar biasa besar, alur kerja komputasi berskala besar, serta simulasi yang mampu memodelkan sebagian fenomena fisika paling ekstrem di alam semesta.

Karena cahaya tidak bisa lolos dari lubang hitam, para ilmuwan justru mempelajari wilayah di sekitarnya yang disebut horizon peristiwa, yaitu batas yang jika dilewati membuat materi tidak bisa lagi lolos. “Begitu melewati permukaan ini, tidak ada jalan kembali,” kata Chan. Materi yang berputar tepat di luar batas ini memancarkan cahaya yang dapat dilihat, diukur, dan disimulasikan oleh para astrofisikawan. 

Citra yang dirilis EHT pada 2019 memperlihatkan bayangan lubang hitam di tengah plasma bercahaya di dekat horizon peristiwa. Chan turut mengembangkan perangkat simulasi dan komputasi yang digunakan tim tersebut untuk menafsirkan hasil pengamatan. Sejak itu, Chan dan rekan-rekannya terus meningkatkan instrumen dan kemampuan pengamatan mereka seiring upaya tim beralih dari citra diam ke video.

Mengatasi tantangan gerak spiral

Salah satu kendala terbesar bagi Chan dan timnya adalah memodelkan plasma di sekitar lubang hitam. Plasma adalah materi bersuhu sangat tinggi yang terdiri atas elektron dan ion bermuatan listrik.

Dalam banyak simulasi, para ilmuwan menyederhanakan plasma dengan memperlakukannya sebagai fluida, lalu menggunakan persamaan yang sudah dikenal untuk memodelkan pergerakannya di sekitar lubang hitam. Pendekatan ini cukup efektif untuk plasma yang lebih padat, ketika elektron dan ion terus-menerus saling bertumbukan. 

Namun, di dekat lubang hitam supermasif yang dipelajari Chan dan rekan-rekannya, beberapa wilayah menjadi begitu panas dan renggang sehingga partikel-partikelnya jarang bertemu. “Partikel-partikel itu hampir tidak saling bertumbukan,” ujarnya. Sebaliknya, partikel-partikel itu lebih banyak bergerak spiral mengelilingi garis medan magnet. 

Untuk memodelkan perilaku tersebut dengan tepat, peneliti perlu melacak triliunan elektron dan ion saat bergerak spiral dengan cepat di sekitar lubang hitam. Simulasi standar harus menghitung setiap putaran kecil, sehingga komputer terpaksa menggunakan langkah waktu yang sangat pendek.

Akibatnya, bahkan superkomputer tercepat di dunia bisa menghabiskan sebagian besar waktunya untuk menghitung gerakan partikel yang amat kecil ini, alih-alih menyimulasikan perilaku berskala lebih besar yang sebenarnya ingin dipelajari para ilmuwan.

“Selama puluhan tahun, hal ini membatasi seberapa realistis kami dapat menyimulasikan plasma lubang hitam,” kata Chan.

Menggunakan AI untuk membangun kembaran digital yang lebih baik

Chan menduga bahwa teknik matematika baru dapat membantu mengatasi sebagian keterbatasan ini. Gagasan dasarnya adalah mengubah cara simulasi melacak gerakan partikel secara matematis, sehingga komputer tidak lagi harus mengikuti setiap gerakan spiral kecil secara langsung.

“Namun, menjajaki semua kemungkinan matematis secara manual akan memakan waktu yang luar biasa lama,” kata Chan. Karena itu, ia menggunakan Codex untuk membantu merumuskan kandidat algoritma dan mengujinya dengan membandingkan hasilnya terhadap solusi yang sudah diketahui.

Codex menghasilkan banyak pendekatan potensial—tidak semuanya benar. “Namun, itu tidak masalah,” kata Chan. “Sebagian besar gagasan ilmiah gagal. Yang penting, algoritma-algoritma ini dapat diuji. Begitu menemukan satu yang berhasil, kita berpotensi menjalankan simulasi yang sebelumnya mustahil dilakukan.” 

Sebagian sistem AI dapat memberikan hasil tanpa menunjukkan langkah-langkah yang digunakan untuk mencapai kesimpulannya. Namun, kelompok Chan menggunakan Codex untuk mengusulkan dan menerapkan skema numerik yang dapat mereka periksa, uji, dan pahami dari sudut pandang fisika.

Model bahasa besar masih membuat kesalahan, dan banyak ilmuwan tetap berhati-hati dalam menggunakan AI untuk penelitian. Namun, Chan meyakini sains mungkin menjadi salah satu bidang pemanfaatan terbaik bagi sistem AI saat ini, justru karena gagasan ilmiah dapat diuji secara ketat.

“Kami tidak menerima sebuah gagasan hanya karena gagasan itu berasal dari Einstein, mahasiswa cerdas, atau model AI,” ujarnya. “Kami baru menerimanya setelah pengujian berulang.”

Chan memandang AI sebagai alat yang dapat membantu peneliti menjajaki lebih banyak gagasan, mengujinya lebih cepat, dan mempercepat penemuan, dengan tetap berpegang pada verifikasi dan hasil yang dapat direproduksi.

Jika pendekatan yang diuji Chan dengan Codex berhasil, algoritma baru tersebut pada akhirnya dapat memungkinkan para ilmuwan menyimulasikan triliunan partikel di sekitar lubang hitam. Hal itu akan memungkinkan peneliti mempelajari fenomena fisika yang selama puluhan tahun belum terjangkau.