事件视界望远镜的深度学习推断 I. 校准改进与综合合成数据库

（摘要已缩写）在一系列出版物中，我们描述了事件视界望远镜（EHT）数据与Sgr A*和M87*理论模型的全面比较。在这里，我们报告了对观测数据缩减流程的改进，并展示了从EHT模型生成可观测量的过程。我们使用了基于不同黑洞时空度规和吸积物理参数的光线追踪GRMHD模拟。这些广泛的模型类别为EHT观测的主要目标提供了良好的表示。为了从模型生成逼真的合成数据，我们考虑了信号路径和校准流程，从而纳入了上述改进。因此我们能够生成类似于校准EHT数据的合成可见度，并识别出区分模型参数的关键特征。我们制作了一个包含962,000个Sgr A*和M87*合成数据集的综合性数据库。在基线覆盖和噪声特性方面，该数据库涵盖了2017年EHT测量以及扩展望远镜阵列的未来观测。我们区分了与模型特征相关的鲁棒可见度数据产品和受数据损坏效应强烈影响的数据产品。参数推断主要受限于内在模型变异性，这凸显了EHT长期监测观测的重要性。在本系列后续论文中，我们将展示训练于合成数据的贝叶斯神经网络如何应对模型变异性并从EHT观测中提取物理参数。通过我们的校准改进，新近缩减的EHT数据集质量相比此前分析的数据有显著提升。