事件视界望远镜III的深度学习推断。Zingularity对2017年观测的结果及未来阵列扩展的预测

（摘要节选）在本系列前两篇论文中，我们呈现了合成EHT观测数据的综合库，并使用该库训练和验证了用于吸积超大质量黑洞系统参数推断的贝叶斯神经网络。所考虑的模型是基于Sgr A*和M87*的GRMHD光线追踪模拟。在本工作中，我们从2017年EHT数据中推断出最佳拟合的吸积和黑洞参数，并预测了未来阵列升级将带来的改进。与之前的EHT分析相比，我们考虑了规模大得多的合成数据库和来自观测数据的最完整信息集。我们利用了训练好的神经网络的贝叶斯性质，并对观测数据中的已知系统误差进行了自助法（bootstrapping）处理以获得参数后验分布。在广阔的GRMHD参数空间内，我们发现M87*最佳描述为自旋在0.5到0.94之间，具有逆行MAD吸积流和来自喷流的强同步辐射辐射。Sgr A*具有高自旋 $\sim 0.8$-$0.9$，具有超出标准MAD/SANE模型的顺行吸积流，喷流辐射相对较弱，在 $\sim 20^\circ$-$40^\circ$ 倾角和 $\sim 106^\circ$-$137^\circ$ 位置角处可见。虽然之前的EHT分析可以排除此处考虑的模型参数空间中的特定区域，但我们能够在不受未知前景法拉第屏和数据定标偏差影响的情况下，使用Zingularity框架获得窄参数后验分布。我们进一步证明，EHT的AMT扩展将使非Kerr模型的参数推断误差减小三倍，从而实现对广义相对论的更稳健检验。利用推断出的插值参数生成新的GRMHD模型以研究其吸积率加喷流功率将是有益的。