Deep Horizon：一个从图像中恢复吸积黑洞参数的机器学习网络

事件视界望远镜近期观测到了首个黑洞阴影。此类图像有潜力用于检验或约束引力理论，并深化对事件视界尺度等离子体物理的理解，而这需要精确的参数估计。本工作中，我们提出 Deep Horizon，两个从黑洞阴影图像中恢复物理参数的卷积深度神经网络。我们研究了有限望远镜分辨率及更高频率观测的影响。我们在大型模拟仿真数据图像库上训练了两个卷积深度神经网络。第一个网络为贝叶斯深度神经回归网络，用于恢复视角角 $i$、位置角、质量吸积率 $\dot{M}$、电子加热方案 $R_{\rm high}$ 与黑洞质量 $M_{\rm BH}$。第二个网络为分类网络，用于恢复黑洞自旋 $a$。我们发现，在事件视界望远镜当前分辨率下，仅能准确恢复静态图像的有限参数，即质量与质量吸积率。由于未来潜在的空间基观测任务将在 230 GHz 以上频率工作，我们也研究了我们的网络在 690 GHz 频率下的适用性。空间基任务的预期分辨率高于事件视界望远镜当前分辨率，我们表明 Deep Horizon 能准确恢复具有与此类任务可比分辨率的模拟观测参数。