Моделирование помогло физикам разобраться в судьбе видимых горизонтов при слиянии черных дыр
Физики-теоретики с помощью моделирования проследили за судьбой видимых горизонтов двух сливающихся черных дыр и выяснили, как они превращаются в видимый горизонт черной дыры, возникшей в результате слияния. Оказалось, что эволюция горизонтов включает в себя их аннигиляцию с сингулярными самопересекающимися поверхностями, находящимися внутри общего видимого горизонта. Исследование опубликовано в Physical Review Letters.
Наиболее хорошо известным горизонтом, связанным с черной дырой, является горизонт событий — поверхность, из под которой нельзя послать никакой сигнал внешнему наблюдателю. Физикам хорошо известно, что происходит с горизонтами событий двух черных дыр, сливающихся в одну: они превращаются в горизонт событий третьей черной дыры, образуя пространственно-временную диаграмму, напоминающую пару штанов.
С теоретической точки зрения, еще один важный объект, характеризующий черную дыру, это видимый горизонт. Он представляет собой замкнутую ловушечную поверхность, то есть такую, что параллельные лучи света, испущенные с этой поверхности перпендикулярно ей, не сходятся и не расходятся в ее окрестности. Для стационарной черной дыры видимый горизонт совпадает с горизонтом событий, но если черная дыра каким-либо образом меняется (например, сливается с другой черной дырой), то эти поверхности перестают совпадать, и происходящее с парой видимых горизонтов сливающихся черных дыр оставалось неизвестным.
Группа физиков из Германии и Канады под руководством Айвана Бута (Ivan Booth) из Мемориального университета Ньюфаундленда провела моделирование слияния двух черных дыр с нулевым моментом вращения, которые описываются решением Шварцшильда Общей теории относительности, чтобы проследить за эволюцией их видимых горизонтов. Что происходит на начальном этапе слияния, как и в самом конце процесса, было известно физикам и раньше. Вскоре после сближения двух видимых горизонтов сливающихся черных дыр образуются еще два видимых горизонта — внешний и внутренний, которые охватывают обе черные дыры. После того как слияние полностью завершилось, остается обычная стационарная черная дыра с одним видимым горизонтом, совпадающим с горизонтом событий.
Моделирование показало, что после образования двух дополнительных общих горизонтов, внутренний начинает сближаться с горизонтами сливающихся черных дыр, и со временем они образуют одну сложную самопересекающуюся поверхность. Кроме того, между внутренним и внешним горизонтами существует очень большое число (исследователи считают, что оно вообще бесконечно) сингулярных ловушечных поверхностей, чья форма также изменяется в процессе слияния. В результате эти поверхности аннигилируют с сингулярным внутренним горизонтом, оставляя только то, что было внешним горизонтом в начале слияния. В течение этого процесса он становится все более сферическим, и в конце концов превращается в видимый горизонт новой черной дыры.
В дальнейшем авторы планируют рассмотреть вращающиеся черные дыры и проверить, останутся ли их выводы справедливыми для них. Кроме того, важно понять, как эволюция видимых горизонтов внутри общего горизонта событий связана с динамикой гравитационно поля снаружи него.
Ранее мы писали о регистрации слияния рекордно легкой пары черных дыр и возможности образования сверхмассивной пары.
Андрей Фельдман
А также измерит расстояние до них
Американские ученые разработали технологию пассивного теплового зрения HADAR, которая по инфракрасному изображению получает информацию о температуре, материалах и текстуре поверхности объектов, их излучательной способности, а также умеет измерять расстояние. Технология позволяет в ночных условиях получать изображение, сопоставимое по качеству со стереоскопическими изображениями, получаемыми обычными RGB камерами при дневном освещении. Статья опубликована в журнале Nature. Для автономной навигации и взаимодействия с людьми роботам и беспилотникам нужна информация об окружении, которую они получают с помощью камер, лидаров, сонаров или радаров. Однако обычные камеры зависят от условий освещенности и плохо работают в ночное время и при плохой погоде. Кроме этого информация, получаемая с камер не содержит физического контекста, что может приводить к некорректной работе нейросетевых алгоритмов автопилота, который, к примеру, не может отличить настоящего человека от манекена. Активные сенсоры, такие как лидары и радары, при резком росте их числа начинают взаимно влиять друг на друга. Выходом могло бы стать использование в условиях недостаточной видимости камер, работающих в инфракрасном диапазоне. Однако из-за так называемого «эффекта призрачности» получаемые тепловизором изображения обычно выглядят как пятна без четкой текстуры. Это связано с тем, что поверх отражающихся от объекта инфракрасных лучей, которые несут информацию об особенностях его рельефа, накладывается его собственное тепловое излучение, которое засвечивает эту полезную информацию. Группа ученых под руководством Зубин Джакоб (Zubin Jacob) из Университета Пердью смогла справиться с этой проблемой. Они разработали технологию под названием HADAR (акроним от слов heat-assisted detection and ranging), которая с помощью машинного обучения извлекает из изображений, полученных в инфракрасном диапазоне, информацию о температуре объектов, излучательной способности материалов, из которых они состоят, а также их физической текстуре. Кроме того, технология позволяет определять расстояние до объектов на изображении. Выделение информации о собственном излучении объектов позволяет избавиться от «эффекта призрачности» и получить информацию о текстуре. Для этого авторы используют данные из библиотеки материалов, которая содержит информацию об их излучательной способности. Инфракрасное изображение фиксируется с помощью гиперспектральной камеры, после чего данные поступают на вход нейросетевой модели, которая производит декомпозицию исходных данных, выделяя из них информацию о температуре, собственном излучении и текстуре. Для обучения алгоритма исследователи использовали как настоящие изображения, полученные с помощью камеры, так и множество сгенерированных трехмерных сцен. Возможности технологии демонстрирует одна из сцен, на которой при слабом освещении запечатлен автомобиль черного цвета и человек, рядом с которым установлен вырезанный из картона портрет Альберта Эйнштейна в натуральную величину. Изображения, полученные с помощью обычной камеры, лидара и HADAR затем использовали для определения объектов с помощью алгоритма распознавания изображений. На изображении, полученном с помощью обычной камеры, алгоритм ошибочно распознал двух людей, приняв картонную фигуру за человека. На данных, полученных лидаром, оказалось невозможно определить автомобиль. При этом HADAR смог выделить все составляющие сцены, а также определить, что одна из человеческих фигур имеет сигнатуру краски на поверхности, а вторая покрыта тканью. Созданная технология может значительно улучшить системы автономной навигации беспилотных транспортных средств и роботов, дополнив уже существующие системы или даже заменив их. HADAR позволяет определять объекты и измерять расстояние по данным, полученным в ночное время, так же хорошо, как это делают традиционные системы компьютерного зрения, которые используют данные с камер в условиях дневного освещения. По словам авторов работы, в дальнейшем им предстоит решить проблему высокой стоимости оборудования для гиперспектральной съемки и невысокой производительности алгоритма. Сейчас процесс получения изображений и их обработки занимает минуты, но для работы в режиме реального времени это время необходимо сократить. Ранее мы рассказывали, как физики создали лидар, способный распознать метровые детали с рекордного расстояния в 45 километров в условиях высокого шума и слабого сигнала.