Supercomputer ermöglichten es der KI, die Geheimnisse Schwarzer Löcher in Galaxien zu entschlüsseln

Ein internationales Team von Astronomen konnte mithilfe neuronaler Netze, Millionen synthetischer Simulationen und künstlicher Intelligenz neue kosmische Erkenntnisse über Schwarze Löcher gewinnen. Ihre Forschung zeigte, dass sich das Schwarze Loch im Zentrum unserer Milchstraße nahezu mit maximaler Geschwindigkeit dreht. Diese umfangreichen Simulationsdatensätze wurden dank der Rechenkapazitäten des Center for High Throughput Computing (CHTC) erstellt, einer gemeinsamen Einrichtung des Morgridge Institute for Research und der University of Wisconsin-Madison. Die Astronomen veröffentlichten ihre Ergebnisse und ihre Methodik in drei Artikeln in der Fachzeitschrift Astronomy & Astrophysics.

Bahnbrechende Hochdurchsatz-Rechentechnologie

Das Hochdurchsatz-Computing, das in diesem Jahr sein 40-jähriges Bestehen feiert, wurde von dem Informatiker Miron Livny aus Wisconsin maßgeblich entwickelt. Es handelt sich um eine neue Form des verteilten Rechnens, die Rechenaufgaben in einem Netzwerk aus Tausenden Computern automatisiert und eine einzige gewaltige Rechenherausforderung im Wesentlichen in eine leistungsstarke Flotte kleinerer Aufgaben verwandelt. Diese Innovation im Bereich des Rechnens treibt Big-Data-Entdeckungen in Hunderten wissenschaftlichen Projekten weltweit voran, darunter die Suche nach kosmischen Neutrinos, subatomaren Teilchen und Gravitationswellen sowie die Entschlüsselung von Antibiotikaresistenzen.

Die Kollaboration Event Horizon Telescope (EHT) veröffentlichte 2019 das erste Bild eines supermassereichen Schwarzen Lochs im Zentrum der Galaxie M87. Im Jahr 2022 präsentierte sie ein Bild des Schwarzen Lochs Sagittarius A* im Zentrum unserer Milchstraße. Die diesen Bildern zugrunde liegenden Daten enthielten jedoch weiterhin eine Fülle schwer zu entschlüsselnder Informationen. Ein internationales Forschungsteam trainierte ein neuronales Netz, um möglichst viele Informationen aus den Daten zu extrahieren.

Von einer Handvoll zu Millionen von Simulationen

Frühere Studien der EHT-Kollaboration verwendeten nur wenige realistische synthetische Datensätze. Das von der National Science Foundation (NSF) im Rahmen des Projekts Partnership to Advance Throughput Computing (PATh) finanzierte CHTC mit Sitz in Madison ermöglichte es den Astronomen, Millionen solcher Datensätze in ein sogenanntes bayessches neuronales Netz einzuspeisen, das Unsicherheiten quantifizieren kann. Dadurch konnten die Forschenden die EHT-Daten wesentlich besser mit den Modellen vergleichen.

Dank des neuronalen Netzes gehen die Forschenden nun davon aus, dass sich das Schwarze Loch im Zentrum der Milchstraße nahezu mit maximaler Geschwindigkeit dreht. Seine Rotationsachse ist zur Erde gerichtet. Darüber hinaus wird die Emission in der Nähe des Schwarzen Lochs hauptsächlich durch extrem heiße Elektronen in der umgebenden Akkretionsscheibe und nicht durch einen sogenannten Jet verursacht. Zudem scheinen sich die Magnetfelder in der Akkretionsscheibe anders zu verhalten, als es die gängigen Theorien über solche Scheiben vorhersagen.

Michael Janssen, leitender Forscher an der Radboud-Universität Nijmegen in den Niederlanden, kommentiert: „Dass wir uns der vorherrschenden Theorie widersetzen, ist natürlich spannend. Unseren Ansatz mit KI und maschinellem Lernen sehe ich jedoch vor allem als einen ersten Schritt. Als Nächstes werden wir die zugehörigen Modelle und Simulationen verbessern und erweitern.“

Beeindruckende Skalierung der Rechenleistung

Chi-kwan Chan, außerordentlicher Astronom am Steward Observatory der University of Arizona und langjähriger PATh-Mitarbeiter, ergänzt: „Die Fähigkeit, auf Millionen synthetischer Datensätze zu skalieren, die für das Training des Modells erforderlich sind, ist eine beeindruckende Leistung. Dies erfordert eine zuverlässige Automatisierung der Arbeitsabläufe und eine effiziente Verteilung der Arbeitslast auf Speicherressourcen und Rechenkapazitäten.“

Professor Anthony Gitter, Forscher am Morgridge Institute und Co-Projektleiter von PATh, sagt: „Wir freuen uns, dass das EHT unsere Rechenkapazitäten nutzt, um die Leistungsfähigkeit der KI in seine wissenschaftliche Arbeit einzubringen. Wie auch in anderen wissenschaftlichen Bereichen haben die Möglichkeiten des CHTC den EHT-Forschenden ermöglicht, die für KI erforderliche Menge und Qualität an Daten zusammenzustellen, die zum Trainieren effektiver Modelle benötigt werden, welche wissenschaftliche Entdeckungen erleichtern.“

Der von der NSF finanzierte und von PATh betriebene Open Science Pool bietet Rechenkapazitäten, die von mehr als 80 Institutionen in den gesamten Vereinigten Staaten bereitgestellt werden. Das Event-Horizon-Projekt zu Schwarzen Löchern hat in den vergangenen drei Jahren mehr als 12 Millionen Rechenaufgaben ausgeführt.

Ein neuer Ansatz für die wissenschaftliche Forschung

Livny, Direktor des CHTC und leitender Forscher von PATh, erklärt: „Eine Arbeitslast, die aus Millionen von Simulationen besteht, passt perfekt zu unseren auf Durchsatz ausgerichteten Fähigkeiten, die über vier Jahrzehnte hinweg entwickelt und verfeinert wurden. Wir arbeiten gerne mit Forschenden zusammen, deren Arbeitslasten die Skalierbarkeit unserer Dienste auf die Probe stellen.“

Die in drei wissenschaftlichen Artikeln veröffentlichte Forschung stellt einen bedeutenden Fortschritt in unserem Verständnis Schwarzer Löcher dar. Der erste Artikel befasst sich mit Verbesserungen bei der Kalibrierung und einer umfassenden Bibliothek synthetischer Daten. Der zweite Artikel beschreibt das Zingularity-Framework für bayessche künstliche neuronale Netze. Der dritte Artikel präsentiert die Zingularity-Ergebnisse aus den Beobachtungen von 2017 und Vorhersagen für künftige Erweiterungen des Arrays.

Dieser Durchbruch bei der Nutzung künstlicher Intelligenz und des Hochdurchsatz-Computings für die astronomische Forschung eröffnet neue Möglichkeiten, die extremsten Objekte im Universum zu verstehen. Die Fähigkeit, Millionen von Simulationen gleichzeitig zu verarbeiten und mithilfe neuronaler Netze aussagekräftige Informationen daraus zu extrahieren, stellt einen bedeutenden Fortschritt bei der wissenschaftlichen Erforschung Schwarzer Löcher und ihrer Eigenschaften dar.