VLBInet：基于神经网络的 EHT 射电干涉数据分类
高能天体物理现象
2021-10-15 v1 机器学习
摘要
事件视界望远镜（EHT）近期发布了 M87 中黑洞的首次视界尺度图像。结合其他天文数据，这些图像约束了黑洞的质量与自旋，以及吸积率和 trapped 于黑洞的磁通量。EHT 的一个重要问题是，从当前与未来 EHT VLBI 数据产品中能多好地提取关键参数，如 trapped 磁通量及相关的吸积盘模型。对可见度建模并分析的过程因数据在傅里叶域稀疏采样、而多数理论与模拟构建于图像域而复杂化。此处我们提出一种数据驱动方法，利用神经网络分析射电干涉数据的复可见度与闭合量。利用模拟干涉数据，我们展示了神经网络能够推断吸积态为高通量磁态（MAD）或低通量磁态（SANE），表明无需图像重建即可在可见度域直接进行参数提取。我们将 VLBInet 应用于 2017 年四个不同日期（4 月 5、6、10、11 日）的真实 M87 EHT 数据，神经网络给出的逐日得分预测为 0.52、0.4、0.43、0.76，平均得分 0.53，这表明数据无明显倾向于 MAD 或 SANE 态的迹象。
引用
@article{arxiv.2110.07185,
title = {VLBInet: Radio Interferometry Data Classification for EHT with Neural Networks},
author = {Joshua Yao-Yu Lin and Dominic W. Pesce and George N. Wong and Ajay Uppili Arasanipalai and Ben S. Prather and Charles F. Gammie},
journal= {arXiv preprint arXiv:2110.07185},
year = {2021}
}
备注
10 pages, 7 figures