ترجمه فارسی مقاله پایه و اساس نظری بازسازی تصویر سیاه چاله با استفاده از PRIMO

چکیده

A new image-reconstruction algorithm, PRIMO, applied to the interferometric data of the M87 black hole collected with the Event Horizon Telescope (EHT), resulted in an image that reached the native resolution of the telescope array. PRIMO is based on learning a compact set of image building blocks obtained from a large library of high-fidelity, physics-based simulations of black hole images. It uses these building blocks to fill the sparse Fourier coverage of the data that results from the small number of telescopes in the array. In this paper, we show that this approach is readily justified. Since the angular extent of the image of the black hole and of its inner accretion flow is finite, the Fourier space domain is heavily smoothed, with a correlation scale that is at most comparable to the sizes of the data gaps in the coverage of Fourier space with the EHT. Consequently, PRIMO or other machine-learning algorithms can faithfully reconstruct the images without the need to generate information that is unconstrained by the data within the resolution of the array. We also address the completeness of the eigenimages and the compactness of the resulting representation. We show that PRIMO provides a compact set of eigenimages that have sufficient complexity to recreate a broad set of images well beyond those in the training set.

چکیده به فارسی (ترجمه ماشینی)

یک الگوریتم جدید برای ساخت تصویر ، Primo ، که به داده های تداخل سنجی سیاه چاله M87 جمع آوری شده با تلسکوپ افق رویداد (EHT) اعمال می شود ، منجر به تصویری شد که به وضوح بومی آرایه تلسکوپ رسید.Primo بر اساس یادگیری مجموعه ای جمع و جور از بلوک های ساختمانی تصویر به دست آمده از یک کتابخانه بزرگ از شبیه سازی های با وفاداری بالا ، فیزیک از تصاویر سیاه چاله است.از این بلوک های ساختمانی برای پر کردن پوشش پراکنده فوریه داده هایی که ناشی از تعداد کمی از تلسکوپ های موجود در آرایه است استفاده می کند.در این مقاله ، ما نشان می دهیم که این رویکرد به راحتی توجیه شده است.از آنجا که وسعت زاویه ای از تصویر سیاه چاله و جریان پیوستگی داخلی آن محدود است ، دامنه فضایی فوریه به شدت صاف شده است ، با یک مقیاس همبستگی که بیشتر با اندازه شکاف داده ها در پوشش فضای فوریه قابل مقایسه استبا ehtدر نتیجه ، Primo یا سایر الگوریتم های یادگیری ماشین می توانند بدون نیاز به تولید اطلاعاتی که توسط داده های موجود در وضوح آرایه وجود ندارد ، با وفاداری تصاویر را بازسازی کنند.ما همچنین به کامل بودن ویژه و فشردگی نمایندگی حاصل می پردازیم.ما نشان می دهیم که PRIMO مجموعه ای از مجموعه های ویژه ای را ارائه می دهد که پیچیدگی کافی برای بازآفرینی مجموعه گسترده ای از تصاویر را فراتر از آن در مجموعه آموزش قرار می دهد.