案例研究：首张黑洞图像

拍摄 M87 黑洞的图像，就像试图看到一个按照定义而言不可能看到的东西。

— Katie Bouman, 副教授，加州理工学院计算与数学科学系

一个地球大小的望远镜#

由八个地面射电望远镜组成的 事件视界望远镜 (EHT) 阵列，构成了地球大小的计算望远镜，以无与伦比的灵敏度和分辨率研究宇宙。这个巨大的虚拟望远镜采用一种称为甚长基线干涉测量 (VLBI) 的技术，其角分辨率为 20 微角秒 — 足以在巴黎一家路边咖啡馆读懂纽约一家报纸！

主要目标和成果#

• 宇宙的新视角： EHT 的开创性图像的基础是在 100 年前奠定的，当时 亚瑟·爱丁顿爵士 提供了爱因斯坦广义相对论的第一个观测证据。

• 黑洞： EHT 对准了一个位于处女座星系团中 M87 星系中心的超大质量黑洞，距离地球约 5500 万光年。其质量是太阳的 65 亿倍。它已经被研究了 100 多年，但从未有过黑洞的视觉观测。

• 将观测与理论进行比较： 根据爱因斯坦的广义相对论，科学家们期望找到一个由引力弯曲和光线捕获造成的阴影区域。科学家们可以利用它来测量黑洞巨大的质量。

挑战#

• 计算规模

  EHT 带来了巨大的数据处理挑战，包括快速的大气相位波动、大录制带宽以及差异巨大且地理分散的望远镜。

• 信息量过大

  EHT 每天产生超过 350TB 的观测数据，存储在充氦硬盘上。减少如此海量数据的体积和复杂性极其困难。

• 未知领域

  当目标是看到前所未见的事物时，科学家们如何确信图像是正确的？

NumPy 的作用#

如果数据有问题怎么办？或者某个算法过于依赖某个特定假设。如果改变一个参数，图像会发生剧烈变化吗？

EHT 合作项目通过让独立团队评估数据来应对这些挑战，同时使用已建立和最先进的图像重建技术。当结果一致时，将它们合并以生成首张黑洞图像。

他们的工作说明了科学 Python 生态系统在通过协作数据分析推动科学发展方面的作用。

例如，eht-imaging Python 包提供了用于模拟和执行 VLBI 数据图像重建的工具。NumPy 是该软件包中数组数据处理的核心，如下面的部分软件依赖关系图所示。

除了 NumPy，还有许多其他软件包，例如 SciPy 和 Pandas，它们都是黑洞成像数据处理流程的一部分。标准的 Astronomical File Formats 和时间/坐标转换由 Astropy 处理，而 Matplotlib 则用于在整个分析流程中可视化数据，包括生成最终的黑洞图像。

总结#

NumPy 的核心功能——高效且适应性强的 n 维数组——使研究人员能够处理大型数值数据集，为有史以来第一张黑洞图像提供了基础。这是一个科学史上的里程碑，它提供了爱因斯坦理论的令人惊叹的视觉证据。这项成就不仅包括技术突破，还包括 200 多名科学家和一些世界上最好的射电望远镜之间的国际合作。创新的算法和数据处理技术，在现有天文学模型的基础上不断改进，帮助解开了宇宙的奥秘。