利用机器学习关联黑洞吸积流与空间分辨偏振可观测量

我们引入了一个包含 535,194 张超大质量黑洞及事件视界望远镜（EHT）目标 Sgr A* 和 M87* 模型图像的新库，这些图像通过对广义相对论磁流体动力学模拟进行广义相对论辐射转移计算而得。随后，为推断潜在的黑洞与吸积流参数（自旋、倾角、离子-电子温度比和磁场极性），我们在从每张图像计算得到的各类人工选取偏振可观测量上训练了一个随机森林机器学习模型。我们的随机森林能够对自旋、倾角和离子-电子温度比做出有意义的预测，但在推断磁场极性上较为困难。为厘清物理参数如何编码于不同可观测量中，我们应用两种不同度量对各项可观测量在推断各物理参数时的重要性进行排序。空间分辨线偏振形态的细节作为模型间的重要判别特征脱颖而出。考虑到我们图像库的理论局限性与不完备性，对于真实的 M87* 数据，我们的机制倾向于高自旋逆行模型及大离子-电子温度比。由于这些目标的时间变异性，随着 EHT 与下一代 EHT 持续开发并监测其目标，重复的偏振成像将进一步改进模型推断。