LO STUDIO È STATO PUBBLICATO SU NATURE

Cani, gatti e l’anello di M87*

Un team del Csiro ha rianalizzato i dati dell'Event Horizon Telescope su M87* con un algoritmo di intelligenza artificiale addestrato su immagini di tutti i giorni, cani e gatti compresi. Il risultato è un anello di circa 42 microarcosecondi, quasi identico a quello della celebre immagine del 2019: si tratta della prima verifica davvero indipendente dell'ombra del buco nero

     17/11/2026

Era il 10 aprile 2019 quando la collaborazione Event Horizon Telescope (Eht) mostrò al mondo la prima immagine dell’ombra di un buco nero: un anello di luce attorno a M87*, il buco nero supermassiccio al centro della galassia Messier 87, a circa 55 milioni di anni luce da noi. Io ero nella sala stampa a Bruxelles quando proiettarono per la prima volta il celebre zoom all’interno di M87, che si chiudeva proprio sull’ombra del buco nero: impressionante.

Il buco nero supermassiccio al centro di Messier 87. Crediti: The Event Horizon Telescope

Un’immagine diventata iconica, ma che non tutti hanno accettato senza riserve. Ora un piccolo gruppo di ricercatori del Csiro, l’agenzia scientifica nazionale australiana, l’ha ricostruita da zero con un metodo completamente indipendente, e ha ritrovato lo stesso anello. Lo studio, guidato da Samuel Lai, è stato pubblicato la settimana scorsa su Nature.

«Sarebbe come stare nel giardino di casa e cercare di fotografare una ciambella sulla Luna», commenta Lai, riferendosi alla sfida affrontata. Per raggiungere la risoluzione angolare necessaria, l’Eht combina radiotelescopi distribuiti sul pianeta, simulando un unico telescopio grande quanto la Terra. La tecnica si chiama interferometria a lunghissima base (Vlbi, acronimo di Very long baseline interferometry). Un “telescopio” così, però, è pieno di buchi: gli mancano molte delle informazioni che raccoglierebbe uno specchio pieno delle stesse dimensioni. Per capire questa limitazione, vediamo come funziona un interferometro.

La rete di radiotelescopi di Eht. Crediti: Eso/O. Furtak

Ogni coppia di antenne (definita “base”) misura una visibilità: un numero complesso, con un’ampiezza e una fase, che è il valore della trasformata di Fourier dell’immagine della sorgente in un punto del piano u-v (o spazio delle frequenze spaziali dell’immagine). Con un numero sufficiente di basi, orientate in modo diverso e “spazzate” dalla rotazione terrestre, si riempie parzialmente il piano uv e si ricostruisce l’immagine.

Ma i dati in questione coprono solo una piccola parte del piano, e infinite immagini diverse sono compatibili con le misure. In più, ogni antenna introduce errori propri, dovuti all’atmosfera e alla strumentazione, che, alle lunghezze d’onda millimetriche, cambiano nel giro di pochi secondi.

Per ricostruire un’immagine servono quindi ipotesi di partenza, e qui nasce il dubbio che l’anello sia stato in parte il prodotto di tali scelte iniziali. Alcune analisi indipendenti, in particolare quelle di Makoto Miyoshi e colleghi, avevano ottenuto dagli stessi dati una macchia allungata anziché un anello. Gli autori del nuovo studio fanno notare, ad esempio, che una delle pipeline usate dall’Eht parte da una distribuzione di luminosità di 40 microarcosecondi, cioè da un’indicazione già piuttosto precisa delle dimensioni attese della sorgente.

Il team del Csiro ha affrontato il problema su due fronti. Il primo riguarda i dati. Invece delle misure di ogni singola coppia di antenne, il nuovo metodo usa gli “invarianti di chiusura”, un formalismo sviluppato da Nithyanandan Thyagarajan, responsabile del progetto: combinando le misure su triangoli di antenne, e non su coppie, gli errori delle singole stazioni si annullano a vicenda. Si perdono la posizione assoluta della sorgente e il suo flusso totale, ma non la forma, che è esattamente ciò che interessa.

Il secondo fronte è l’algoritmo, battezzato GenDIReCT. È un modello di diffusione – della stessa famiglia di intelligenza artificiale dei generatori di immagini – ma, al posto di una descrizione testuale, riceve come “istruzioni” gli invarianti di chiusura misurati. Ed è qui che entrano in gioco cani e gatti, ripresi nel titolo. Il modello è stato addestrato soprattutto su Cifar-10, una raccolta di piccole immagini di animali, automobili, aerei e navi, usata da anni nel machine learning, opportunamente sfocate e trasformate fino a renderle irriconoscibili.

In pratica, gli autori hanno preso le immagini del training set (Cifar-10 e forme geometriche) e, per ciascuna, hanno simulato ciò che l’Eht avrebbe misurato osservandola con la stessa copertura del piano di Fourier di quella notte di osservazione e con rumore realistico, ottenendo così una coppia: invarianti di chiusura simulati da un lato, immagine “vera” dall’altro. Così l’algoritmo ha imparato che cosa rende plausibile un’immagine qualsiasi, senza sapere nulla di buchi neri. «Abbiamo volutamente evitato di esporlo a qualunque ipotesi o aspettativa su come dovessero apparire la forma o le dimensioni del buco nero», spiega Thyagarajan.

In realtà, circa l’11 per cento delle immagini di addestramento era costituito da forme geometriche semplici, anelli compresi. Per fugare ogni dubbio, i ricercatori hanno ripetuto l’analisi senza di esse, ottenendo lo stesso risultato. Inoltre, ogni modello è stato messo alla prova su dati simulati e, solo dopo, applicato a quelli reali, senza ulteriori modifiche, per ridurre il rischio di trovare ciò che ci si aspettava.

a) Griglia con una selezione di immagini non astronomiche di Cifar-10, sfocate e deformate, che costituiscono la maggior parte del dataset di addestramento. b) Classi di forme geometriche semplici usate nell’addestramento, che però non sono necessarie per ottenere ricostruzioni affidabili di M87*. Le percentuali indicano la frazione dell’intero dataset di addestramento rappresentata da ciascuna classe. Crediti: Nature/Lai et al.

Il metodo è stato applicato a otto giornate di osservazione dell’Eht, tutte pubbliche, distribuite tra il 2017, il 2018 e il 2021. In tutte emerge una struttura compatta ad anello. Sui dati migliori di ciascun anno, l’anello è stabile, con lo stesso diametro e la stessa orientazione, indipendentemente dal campo di vista scelto per la ricostruzione. Il diametro medio è di 42,2 ± 1,5 microarcosecondi, corrispondente a una massa di 6,5 ± 0,5 miliardi di masse solari, in ottimo accordo con le stime ricavate dal moto delle stelle nella galassia.

Secondo gli autori, tra il 2017 e il 2018 la parte più brillante dell’anello ruota, avvicinandosi alla direzione del getto di M87, un segno della natura turbolenta della materia che precipita nel buco nero. E il confronto con le simulazioni numeriche indica che osserviamo il sistema con un’inclinazione di circa 20 gradi rispetto al getto.

«Il nostro modello non aveva idea di come un buco nero apparisse quando l’abbiamo applicato ai dati di M87», sottolinea Lai. «È la prima convalida davvero indipendente dell’immagine dell’Eht, un passo importante nel processo scientifico».

Un piccolo team di quattro ricercatori del Csiro, l’agenzia scientifica nazionale australiana, ha confermato l’iconica immagine del buco nero del 2019. Crediti: Csiro

Un risultato accolto con soddisfazione dalla stessa collaborazione. «È estremamente gratificante vedere che GenDIReCT, un metodo elegante e del tutto indipendente, recupera la struttura ad anello di M87* nell’arco di diversi anni, in ottimo accordo con i risultati pubblicati», commenta il direttore dell’Eht, Laurent Loinard. «Studi come questo rafforzano la nostra fiducia in ciò che abbiamo imparato sui buchi neri».

L’anello è proprio ciò che la relatività generale di Einstein prevede per la luce deviata dalla gravità attorno a un buco nero. E la tecnica potrebbe trovare spazio anche fuori dall’astronomia: secondo Thyagarajan, ovunque si combinino misure interferometriche, dall’imaging sismico all’ecografia, fino alla risonanza magnetica.

Una soluzione spaziale per problemi molto terrestri.

Per saperne di più