python打开是什么样子的图片_黑洞6问:黑洞内部是什么样子?黑洞图片发布,理论和实测的碰撞...

在科学领域,没有什么比你在第一次观察或实验结果中验证一个长期的理论预测时更令人兴奋的了。2012年,大型强子对撞机揭示了希格斯玻色子——标准模型中最后未发现的基本粒子的存在。 几年前,LIGO合作直接探测到了引力波,证实了对爱因斯坦广义相对论的预测。

75f9794b60a1d7869308d150062f0eb5.png

在2019年4月10日,事件视界望远镜项目发布了一个备受期待的声明,他们公布了有史以来的第一个黑洞事件视界图像。 在2010年代初,这种观察在技术上是不可能的。然而现在,我们不仅要看看黑洞究竟是什么样子,而且我们还将测试空间,时间和重力的一些基本属性。

245e3e5ed1fefd5d3f7b5aaf6d1deaa1.png

要对太空中的任何对象进行成像,则必须克服下面两个难题:

1、必须收集足够的光才能看到目标,即在测试仪器和目标对象附近其他物体的背景噪声中将目标的信息提取出来。

2、您需要足够的分辨率(或分辨率)来显示正在查看的对象的结构,否则您的所有数据将只是一个像素点。

因此,如果想要对黑洞的事件视界进行成像,需要收集足够的光线把使黑洞周围的辐射从环境的其他辐射中分离出来,并且还要探测比事件视界直径更窄的角度尺度。

0dc3683a0e94b5f6b5fd8346f6de9646.png

到目前为止,两种可能的模型可以成功地拟合事件视界望远镜数据,截至2018年早些时候,两者都显示出一个偏离中心,与施瓦西半径相比更大的宇称不守恒的事件视界,,与爱因斯坦广义相对论的预测一致。

我们验证这两个模型的唯一方法是使用巨大的,超灵敏的射电望远镜阵列,观察从地球可见的角度大小的最大黑洞。 黑洞越大,其事件视界的直径就越大,但它的距离会让它显得越小。 这个理论下,最大的黑洞将是射手座A *,这是位于银河系中心的超大质量黑洞,而第二大黑洞将是位于M87星系中心的超大型黑洞,距离我们大约6000万光年。

d1e3572d2374fa9011a1abca205c0b8a.png

望远镜从地球两个半球的不同地方观测,有助于提高事件视界望远镜的成像能力。 从2011年到2017年(特别是2017年)的数据应该使我们现在能够构建射手座A *的图像,也可能构建M87中心的黑洞图像。

黑洞被快要被它吞噬的物质所包围。这些物质会散落在黑洞的外面,旋转,升温,并在进入黑洞时发出辐射。这些辐射在光谱中的无线电部分,并且可以被足够灵敏的望远镜阵列所观测到。

事件视界望远镜(EHT)正是我们观察黑洞所需的无线电阵列 - 在南美洲的ALMA望远镜阵列做出了最大的贡献 - 不仅收集无线电信息,而且具有很高的分辨率。 EHT由数十个单独的镜盘组成,具有足够的组合光聚集能力,以显示黑洞周围的辐射,镜盘之间的距离提供了对所讨论的事件视界进行成像所必需的分辨率。

b8624a7b39f936ec48c485ffea03aa24.png

阿塔卡马大毫米/亚毫米望远镜阵列,曾拍摄麦哲伦云。作为ALMA的一部分,大量的镜盘整合在一起,有助于在小范围内获得清晰的图像,而相对较少数量的隔得更远的镜盘阵列有助于在获取最亮部分的细节。向事件视界望远镜添加ALMA使得构建事件视界图像成为可能。

我们之前使用这种技术进行长基线干涉测量,用于观察巨大的单盘望远镜也看不见的星体的特征。只要尝试观察的特征足够明亮并且在同时观察的望远镜中显示,就可以获得与望远镜之间的距离相对应的成像分辨率,而不是仅限于望远镜直径。

4e5ba233871f06bee4331bb60dc405a5.png

木卫一的掩星,其喷发的火山Loki和Pele,被木卫二遮挡,在这张红外图像中是看不见的。 而GMT(巨麦哲伦望远镜)能够将分辨率提升得到清晰得图像。

最引人注目的是,到目前为止,望远镜阵列已被用于对木卫一表面喷发的火山进行成像,即使在木卫一被另一颗木星卫星遮挡的时候。

事件视界望远镜根据相同得原理,来探测从地球看到的具有最大角直径的黑洞周围的辐射。 以下是我们在观看第一次发布黑洞图像时需要学习的六件事:

43b7c3388fdf78e208aeb61ecfb72329.png

此次事件视界望远镜在2019年4月10日首次公布的中心黑洞图像是从地球的角度看到的银河系中心最大的黑洞,而第二大的M87中心黑洞其实也可以用这种技术看到。白色圆圈表示黑洞施瓦西黑洞的半径,而暗区域是由于黑洞周围轨道的不稳定性导致的无辐射区。

1.)黑洞具有广义相对论所预测的正确尺寸吗?

根据爱因斯坦的理论,基于银河系中心黑洞的测量引力质量,事件视界本身的直径应为11微弧秒(μas),但由于物质急速向奇点旋转,37μs内都不应有辐射。事件视界望远镜有15μs的分辨率为,应该能够看到视界范围,并测量它的尺寸以验证是否与我们的预测相符。这将是对广义相对论的一次神话般的考验。

d3e4fa4e44f20f61653571c46929aaf8.png

此外,黑洞吸积盘的方位会很大程度上影响我们视野中的黑洞形状。

2.)吸积盘是否与黑洞、主星系方位一致或是随机对齐?

我们以前从来没有观察过吸积盘,实际上我们对黑洞周围物质方向的唯一认知来自于以下两种情况:我们可以从黑洞中发现一个发射的射流,或者那里有来自周边地区的扩散辐射。但这些观察结果都不能代替直接测量。当第一张黑洞图像公布时,事件视界望远镜应该能够告诉我们吸积盘是边缘朝上、面朝上还是任何其他方向。

058d37b419a43a850562a9b27df1c32c.png

事件视界望远镜能够模拟显示黑洞事件视界的一些可能的轮廓信息。

3.) 黑洞的事件视界如预测的那样是圆形的,还是呈现出不同的形状?

虽然预计所有物理上逼真的黑洞都会在某种程度上有一定偏转角度,但预测事件视界的形状几乎是一个完美球体。但其他形状也是可能的。有些物体在旋转时会沿着赤道隆起,形成一个称为扁球体的形状,例如地球。有些别的行星,它们的物质沿着旋转轴分布,形成一个类似橄榄球的形状,称为长椭球体。如果广义相对论是正确的,那么球体就是我们所期望的,但是没有任何东西可以替代自己进行批判性观察。

705b3eea8507765441a20010cd61b95c.png

广义相对论中的五种不同模拟,使用黑洞吸积盘的磁流体动力学模型,以及无线电信号的结果。但是事件视界可能会由于湍流、磁场强度等显示出和预测不同的细节。

4.)为什么黑洞会发光?

当黑洞处于非燃烧状态时,我们预测它会在事件视界周围发出亮光。但是,当黑洞发出耀斑时,周围的辐射会有不同的特征。但这些辐射会是什么样的呢?吸积盘内会不会一直出现电磁震荡?会不会像预测的那样在发光状态下出现最明显的“耀斑”?如果我们幸运地看到这些特征中的任何一个,我们可能再解释了解为什么黑洞会爆炸的路上又前进了一步。基于这些观察,我们还应该了解有关这些黑洞周围磁场强度的其他信息。

d57ab4993516609214e943498e2eaf59.png

从地球上看到的第二大黑洞,即M87星系中心的黑洞,尽管它的质量时太阳的质量的66亿倍,但它比射手座A *的距离还要远2000多倍。它可能会或可能不会被事件视界望远镜拍摄分析,如果运气好,我们不仅会得到一个图像,还会了解X射线发射是否能给出我们对黑洞的准确质量估计。

5.) 黑洞质量的X射线预测偏向于较低值吗?

目前,有两种方法可以推断黑洞的质量:测量它对围绕它运行的恒星(和其他物体)的引力效应,以及围绕它运行的气体的(X射线)辐射。我们可以轻松地对大多数黑洞进行基于气体的测量,包括位于银河系中心的黑洞,这为我们提供了大约250-270万太阳质量的质量。但是,尽管是一个更大的观测挑战,引力测量更直接。尽管如此,我们已经在我们自己的星系中完成了引力观测,推断出大约400万个太阳质量的质量:比X射线观测结果高出约50%。我们完全希望这将是我们观测到的事件视界的大小。如果M87的测量值显示出比X射线发射值更高的值,我们可以知道X射线估计值系统性地低,这将颠覆我们的天体物理学(但不是基础物理学)。

30b4a9e9cdc4216891f2d575dbeb4911.png

在银河系中心的超大质量黑洞附近发现了大量的恒星。除了这些恒星以及我们发现的气体和尘埃之外,我们预测在射手座A *的几个光年内会有超过10,000个可观测黑洞,但是直到2018年早些时候才发现它们难以观测。中心黑洞的观测是一项只有事件视界望远镜才能完成的任务,并且可以随着时间的推移检测到黑洞的运动。

6.)正如预测的那样,我们可以看到黑洞随着时间推移的“颤动”吗?

如果我们从这些初始观察得到的只是一个或两个黑洞的单个图像,那我们暂时还得不出关于“颤动”的结论。但事件视界望远镜的科学目标之一是观察黑洞如何随时间演变,这意味着他们计划在不同时间拍摄多张图像并重建这些黑洞的影像。由于恒星和其他物质的存在,黑洞的位置会随着时间的推移而发生显著变化,因为它会被重力推动。虽然观察黑洞移动的时间可能需要数年,但我们有很长一段时间内的数据。在星系中心,事件视界望远镜成像黑洞可能开始出现这种颤动的迹象:在宇宙出现类似布朗运动的现象。

61c57439f23f9b4941c0c67c649c7860.png

我们银河系中心的超大质量黑洞射手座A *吞噬物质时,就会辐射出X射线。在从红外线到无线电的其他波长的光中,我们可以看到星系最内部的各个恒星。

假设事件视界望远镜发布了银河系中心的一个黑洞图片——拍摄于2017年。 科学家花了很长时间来分析,清理,剪切,调整和综合全套数据,相当于大约27PB的数据分析。(尽管只有大约15%的数据与构建图像相关且可用。)

参考资料

1.WJ百科全书

2.天文学名词

3. Ethan Siegel

如有相关内容侵权,请于三十日以内联系作者删除

转载还请取得授权,并注意保持完整性和注明出处

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/507691.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

二维码提升对比度文献调研(3)--A Low-Complexity Algorithm for Contrast Enhancement of Digital Images

简介 (1)论文(包括期刊和发表时间):A Low-Complexity Algorithm for Contrast Enhancement of Digital Images (2)论文链接: http://www.mecs-press.net/ijigsp/ijigsp-v10-n2/IJIG…

安卓checkbox无响应_【安卓手机】无法连接电脑的解决方法

转自:广西南宁平衡信息技术有限公司,作者:平衡LivY一般在对手机的数据采集过程中,尤其是安卓手机,最令人头疼的就是手机接入电脑后无法识别。相信以下窗口是大家在做手机取证的时候最不想看到的。那么这里大伙就会有疑…

linux s删除第一行,Linux文本处理三驾马车之一sed

sed对"行"操作动作含义a :新增, a 接字串,而这些字串会在新的一行出现(目前的下一行)~sed 1a\llll llllllll \n lllllll t.txtnl /etc/passwd | sed 2a drink teased -i $a# This is a test regular_express.txt ####文…

二维码提升对比度文献调研(4)--Attention Guided Low-light Image Enhancement

简介 (1)论文2: Attention Guided Low-light Image Enhancement with a Large Scale Low-light Simulation Dataset (2)论文链接: https://arxiv.org/pdf/1908.00682v3.pdf (3)源代…

函数传参string_C/C++的三种函数传值方式及其区别

C/C函数传参方式我想很多朋友应该都知道,但是不同传参方式的背后他们的区别是什么我想很多人并不那么清楚。本文就给大家揭露一下各传参方式的区别。传参方式有这三种:值传递、引用传递、指针传递大家可以去看三种传递方式的写法的区别,关于写…

二维码提升对比度文献调研(5)--DeepLPF: Deep Local Parametric Filters for Image Enhancement

简介 (1)论文名称: DeepLPF: Deep Local Parametric Filters for Image Enhancement CVPR 2020 (2)论文链接: https://arxiv.org/abs/2003.13985 (3)源代码: https://gi…

c语言单选题大全,C语言单选题(五)

1.C语言结构体类型变量在程序执行期间(C)。A.部分成员驻留在内存中B.只有一个成员驻留在内存中C.所有成员一直驻留在内存中D.没有成员驻留在内存中2.当定义一个结构体变量时,系统分配给它的内存是(D)。A.结构中最后一个成员所需内存量B.结构中第一个成员所需内存量C…

java 匿名函数_Java 理论与实践,闭包之争

Java 语言是否应增加闭包以及如何添加?在跨越边界 系列最近的一篇文章中,我的朋友兼同事 Bruce Tate 以 Ruby 为例描述了闭包的强大功能。最近在安特卫普召开的 JavaPolis 会议上,听众人数最多的演讲是 Neal Gafter 的 “向 Java 语言增加闭包…

二维码识别中面临的主要问题

问题描述 下面有两个二维码的图片: 这两个二维码其实是一样的,也就是二维码码制在设计的时候,其实不需要那么大的黑点,只需要中心一小部分即可。 问题一:在优化二维码的过程中,能否考虑优化边缘部分&…

lia人是什么意思_69年属鸡人终身灾难是什么意思

69年属鸡人终身灾难是什么意思69年出生的生肖鸡,他们为人正直,有一颗转速飞快的脑袋,做事勤快,对生活非常乐观,但是因为过于自信总是做一些自己能力还不够的事,有句老话说的好“大难不死,必有后…

睡眠声音识别中的准确率问题(一)--问题描述及评价指标

1 问题描述 如何定义一个评价指标来评估睡眠声音识别中的准确率? 1.1 按照评分如何设计评价指标 睡眠声音识别预测的结果是一个概率分布,如下表所示: c1c_1c1​c2c_2c2​c3c_3c3​snortspeechcough0.50.20.70.550.450.77 在这种场景下&…

c51 嵌入汇编语言,在C51中嵌入汇编

在C51编程中,有时控制一些器件时,需要较强实时性,这时有必要在其中嵌入ASM语句,关于嵌入的方法众多,网上也可以找到相关说明,不过说得并不详细,这里结合本人调试18B20测温程序来说说如何在C中嵌…

睡眠声音识别中的准确率问题(二)--测试结果及分析

1 测试数据集介绍 (1)Audioset数据集: 从该数据集中筛选出鼾声数据500条; (2)人工采集的数据集:我们收集了鼾声及咳嗽数据50条,其中鼾声数据40条,咳嗽数据10条&#xff…

睡眠声音识别中的准确率问题(三)--采集的音频测试结果及分析

简介 本次我们对自己采集的93条Snoring音频进行测试并分析。 不区分音频质量的测试。 分别测试了NNN取1-5、8以及10时候的准确率,测试结果如下所示: N2345810Accuracy0.27960.47310.49460.49460.54840.5699 分析:从上表中可以得出…

中文 转gbk编码_go查找中文首字母

前言常见的通讯录都是按首字母来排序的,想象一下你要实现一个首字母排序的功能,若是全英文,那将会是一件很轻松的事情,一般语言层面就会提供排序方法,亦或自己实现也不是难事,那如果存在中文呢?…

语音增强相关技术综述

1 非监督语音增强技术 2 监督语音增强技术 3 github上提供的源代码及分析 3.1 Dual-signal Transformation LSTM Network 简介 https://github.com/breizhn/DTLN 用于实时噪声抑制的堆叠双信号变换 LSTM 网络 (DTLN) 的 Tensorflow 2.x 实现。这个存储库提供了在 python …

睡眠音频分割及识别问题(十二)--基于IOS的YAMNet音频识别(总结)

1 结构体 此部分定义了两个结构体用于存储音频信息: AudioFragment:用于存储单个音频片段(0.975s, 16000Hz)的标签评分信息;AudioInfo:用于存储整个音频信息,包含音频文件名、时间等基础信息&…

js 字符串替换_正则精要:玩转JS正则表达式,也许只需这一篇(建议收藏)

0.导引在正文开始前,先说说正则表达式是什么,为什么要用正则表达式?正则表达式在我个人看来就是一个程序可以识别的规则,有了这个规则,程序就可以帮我们判断某些字符是否符合我们的要求。但是,我们为什么要…

小米平板android最新版本,想要翻身还需努力 小米平板2安卓版评测

1依旧发烧?小米平板2评测如今的平板市场虽不能用日薄西山来形容,但各大厂商费尽心机惨淡经营也无力阻止平板电脑市场的衰落,iPad Air和Mini系列的销量下滑迫使苹果不得不用寄希望于iPad Pro打开一片新天地,而在手机行业风生水起了…

国内计算机类APP相关竞赛总结

中国高校计算机大赛–移动应用创新赛 http://www.appcontest.net/ 中国高校计算机大赛—移动应用创新赛”旨在促进高校计算机课程教学内容和教学方法改革,激发学生创新意识,提升学生利用计算机分析问题、解决问题的能力,特别是移动应用的设计…