Kako si astrofizik pri simuliranju črnih lukenj pomaga z orodjem Codex

Gravitacija okoli črne luknje je tako močna, da ji nič, niti svetloba, ne more uiti, ko se ji dovolj približa. Astrofiziki, kot je Chi-kwan Chan, črne luknje preučujejo z računalniškimi simulacijami in opazovanji. Toda trenutni algoritmi in računska zmogljivost omejujejo, kako zvesto lahko te simulacije posnemajo resničnost.

Chan, raziskovalec na Univerzi v Arizoni in v observatoriju Steward, se tega problema loteva z orodjem Codex.

Kot pravi, so črne luknje med najboljšimi okolji za preverjanje Einsteinove splošne teorije relativnosti. Ta teorija je trenutno naša najboljša razlaga gravitacije: gravitacija ni sila, ki telesa vleče skupaj, temveč posledica tega, da masa in energija ukrivljata prostor in čas.

Chan sodeluje pri mednarodnem projektu Event Horizon Telescope (EHT), v okviru katerega so leta 2019 objavili prvo sliko črne luknje. Ekipa trenutno zbira opazovalne podatke za prvi videoposnetek supermasivne črne luknje, pri čemer se osredotoča na črno luknjo v središču galaksije M87. 

Toda da bi opazovanja privedla do znanstvenih spoznanj, so potrebni obdelava ogromnih količin podatkov, obsežni računski postopki in simulacije, ki lahko modelirajo nekatere najbolj skrajne fizikalne pojave v vesolju.

Ker svetloba ne more uiti iz črne luknje, znanstveniki namesto nje preučujejo območje okoli nje, imenovano dogodkovni horizont – mejo, onkraj katere snov ne more več uiti. »To je površina, od koder ni vrnitve,« pravi Chan. Snov, ki se vrtinči tik zunaj te meje, oddaja svetlobo, ki jo astrofiziki lahko opazujejo, merijo in simulirajo. 

Slika, ki jo je ekipa EHT objavila leta 2019, je prikazovala senco črne luknje, obdano z žarečo plazmo v bližini dogodkovnega horizonta. Chan je pomagal razviti simulacijska in računska orodja, s katerimi je ekipa razlagala opazovalne podatke. Od takrat Chan in njegovi sodelavci še naprej izboljšujejo instrumente in zmogljivosti opazovanja, saj ekipa prehaja s statičnih slik na videoposnetke.

Reševanje problema spiralnega gibanja

Ena največjih ovir za Chana in njegovo ekipo je modeliranje plazme okoli črnih lukenj. Plazma je izjemno segreta snov, sestavljena iz električno nabitih elektronov in ionov.

V številnih simulacijah znanstveniki plazmo poenostavljeno obravnavajo kot tekočino in z znanimi enačbami modelirajo njeno gibanje okoli črne luknje. To razmeroma dobro deluje pri gostejši plazmi, v kateri elektroni in ioni nenehno trkajo drug ob drugega. 

Toda v bližini supermasivnih črnih lukenj, ki jih preučujejo Chan in njegovi sodelavci, postane plazma ponekod tako vroča in redka, da se delci le redko srečajo. »Pravzaprav skoraj ne trkajo drug ob drugega,« pravi. Namesto tega se delci večinoma gibljejo spiralno okoli silnic magnetnega polja. 

Za pravilno modeliranje tega vedenja morajo raziskovalci slediti bilijonom elektronov in ionov, ki se po vijačnih tirnicah hitro gibljejo okoli črne luknje. Običajne simulacije morajo izračunati vsak droben zavoj, zato morajo računalniki uporabljati izjemno majhne časovne korake.

Zato lahko tudi najhitrejši superračunalniki na svetu večino časa porabijo za izračunavanje teh drobnih premikov delcev, namesto da bi simulirali dogajanje v večjem merilu, ki ga znanstveniki dejansko želijo preučevati.

»To že desetletja omejuje, kako realistično lahko simuliramo plazmo okoli črnih lukenj,« pravi Chan.

Z umetno inteligenco do boljšega digitalnega dvojčka

Chan je domneval, da bi z novimi matematičnimi tehnikami lahko zaobšli nekatere od teh omejitev. Osnovna zamisel je bila matematično spremeniti način, kako simulacija sledi gibanju delcev, tako da računalniku ne bi bilo več treba neposredno slediti vsaki drobni spirali.

»Toda ročno raziskovanje vseh matematičnih možnosti bi vzelo ogromno časa,« pravi Chan. Zato se je obrnil na Codex, da bi mu pomagal izpeljati možne algoritme in jih preizkusiti s primerjavo z znanimi rešitvami.

Codex je ustvaril številne možne pristope, vendar niso bili vsi pravilni. »A s tem ni nič narobe,« pravi Chan. »Večina znanstvenih zamisli se ne obnese. Pomembno je, da je te algoritme mogoče preizkusiti. Ko najdete takšnega, ki deluje, lahko omogoči simulacije, ki prej niso bile mogoče.« 

Nekateri sistemi umetne inteligence lahko podajo rezultate, ne da bi pokazali korake, po katerih so prišli do svojih zaključkov. Chanova skupina pa uporablja Codex za predlaganje in implementacijo numeričnih shem, ki jih lahko pregleda, preizkusi in razume s fizikalnega vidika.

Veliki jezikovni modeli še vedno delajo napake in številni znanstveniki ostajajo previdni pri uporabi umetne inteligence v raziskavah. Toda Chan meni, da je znanost morda eno najboljših področij uporabe današnjih sistemov umetne inteligence, prav zato, ker je znanstvene zamisli mogoče strogo preverjati.

»Zamisli ne sprejmemo zato, ker jo je predlagal Einstein, bister študent ali model umetne inteligence,« pravi. »Sprejmemo jo šele po večkratnem preverjanju.«

Chan vidi umetno inteligenco kot orodje, ki lahko raziskovalcem pomaga raziskati več zamisli, jih hitreje preizkusiti in pospešiti odkrivanje, pri tem pa še vedno vztrajati pri preverjanju in ponovljivosti rezultatov.

Če se pristopi, ki jih Chan preizkuša z orodjem Codex, izkažejo za uspešne, bi lahko novi algoritmi znanstvenikom sčasoma omogočili simuliranje bilijonov delcev okoli črnih lukenj. To bi raziskovalcem omogočilo preučevanje fizikalnih pojavov, ki so bili desetletja zunaj njihovega dosega.