基于机器与深度学习的 BHEX 观测 n=1 光子环角动量推断

$n=1$ 光子环是黑洞性质的重要探针，将首次由黑洞探测器（BHEX）分辨。然而，从 $n=1$ 子环观测中提取黑洞参数并非易事。发展这一能力可以通过构建 $n=1$ 子环模拟样本库，以及对该高容量样本进行特征提取以追踪几何变化来实现，但这带来了显著的计算挑战。在此，我们提出了一套研究 $n=1$ 光子环行为和从 BHEX 图像测量黑洞性质的框架。我们使用 KerrBAM 生成覆盖整个 Kerr 黑洞自旋和倾角空间的 $\gtrsim10^6$ 张 $n=1$ 光子环图像。利用专为 BHEX 开发的新型特征提取方法从图像中提取强度剖面。该新方法高度优化，性能优于现有 EHT 方法约 ${\sim}3000$ 倍。此外，我们提出了一组用于刻画 $n=1$ 子环几何行为的最小几何可观测量。我们将这些可观测量应用于模拟网格，并使用（i）梯度提升（一种机器学习算法）和（ii）Deep Horizon（一个深度学习框架）的扩展来测试模拟图像中的自旋恢复。我们发现机器/深度学习方法以 $\gtrsim90\%$ 的正确率恢复黑洞性质，并刻画了依赖于分辨率的几何简并空间。最后，我们在黑洞吸积流的 GRMHD 模拟上测试了两种方法，并报告了在 M87* 预期倾角下自旋的准确恢复。