案例研究：首张黑洞照片

对 M87 黑洞进行成像，就像试图看到某种按定义不可能看到的东西一样。

——凯蒂·布曼（Katie Bouman），加州理工学院计算与数学科学助理教授

地球大小的望远镜#

事件视界望远镜 (EHT) 是一个由八个地面射电望远镜组成的阵列，它们共同形成一个地球大小的计算望远镜，以空前的灵敏度和分辨率研究宇宙。这个巨大的虚拟望远镜采用了甚长基线干涉测量 (VLBI) 技术，其角分辨率达到20 微角秒—— 足以在巴黎的人行道咖啡馆阅读纽约的报纸！

主要目标和成果#

• 宇宙新视角：EHT 开创性图像的基础在 100 年前就已奠定，当时亚瑟·爱丁顿爵士首次提供了爱因斯坦广义相对论的观测支持。

• 黑洞：EHT 对准了一个距离地球约 5500 万光年的超大质量黑洞，它位于室女座星系团中梅西耶 87 (M87) 星系的中心。它的质量是太阳的 65 亿倍。这个黑洞已被研究了100 多年，但此前从未被视觉观测到。

• 观测与理论比较：根据爱因斯坦的广义相对论，科学家们预期会发现一个由引力弯曲和光线捕获造成的阴影状区域。科学家们可以利用它来测量黑洞的巨大质量。

挑战#

• 计算规模

  EHT 面临着巨大的数据处理挑战，包括快速的大气相位波动、庞大的记录带宽以及分布广泛且差异巨大的望远镜。

• 信息量过大

  EHT 每天生成超过 350 太字节的观测数据，存储在充氦硬盘上。减少如此庞大的数据量和复杂性极其困难。

• 探索未知

  当目标是看到从未见过的东西时，科学家们如何才能确信图像是正确的？

NumPy 的作用#

如果数据有问题怎么办？或者某个算法可能过于依赖特定的假设。如果只改变一个参数，图像会发生剧烈变化吗？

EHT 合作组织通过让独立团队评估数据，并同时使用已有的和前沿的图像重建技术来应对这些挑战。当结果被证实一致时，它们被结合起来，从而产生了独一无二的黑洞图像。

他们的工作展示了科学 Python 生态系统在通过协作数据分析推动科学发展方面的作用。

例如，eht-imaging Python 包提供了用于模拟和对 VLBI 数据执行图像重建的工具。NumPy 是此包中使用的数组数据处理的核心，如下面的部分软件依赖图所示。

除了 NumPy，许多其他包，如 SciPy 和 Pandas，也是黑洞成像数据处理流程的一部分。标准天文文件格式以及时间/坐标转换由 Astropy 处理，而 Matplotlib 用于整个分析流程中的数据可视化，包括最终黑洞图像的生成。

总结#

NumPy 的核心特性——高效且适应性强的 N 维数组——使研究人员能够处理大型数值数据集，为首张黑洞图像的生成奠定了基础。这是科学史上的一个里程碑时刻，它提供了爱因斯坦理论的惊人视觉证据。这一成就不仅包含了技术突破，还包括了全球 200 多位科学家和一些世界顶尖射电观测站之间的国际合作。创新算法和数据处理技术，在现有天文模型的基础上进行改进，帮助揭开了宇宙的奥秘。