利用坐标无关方法和神经网络探索轴对称时空中的黑洞阴影

黑洞阴影的研究为测试广义相对论的预测并探索强引力场中偏离标准克尔度量的偏差提供了强大的工具。本文使用坐标无关形式alism研究轴对称引力致密天体的阴影属性。我们分析包括克尔、Taub-NUT、$\gamma$和Kaluza-Klein度量在内的各种时空几何中的黑洞阴影，以识别可用于约束黑洞参数的独特特征。为实现更稳健的表征，我们采用Legendre和傅里叶展开，证明傅里叶方法可能提供更好的坐标无关性并便于跨模型比较。最后，我们发展了一个基于在合成阴影数据上训练的神经网络的机器学习框架，使其能够从观测结果中进行精确的参数估计。使用来自Event Horizon Telescope (EHT)、Keck和Very Large Telescope Interferometer (VLTI)等观测天文设施的数据，我们提供了从阴影观察中推导出的黑洞参数约束。我们的发现突显了坐标无关技术和机器学习在推进黑洞天体物理学以及测试广义相对论之外的基本物理方面的潜力。