In the movie "Interstellar," we get an up-close look at a supermassive black hole. Set against a backdrop of bright gas, the black hole's massive gravitational pull bends light into a ring. However, this isn't a real photograph, but a computer graphic rendering -- an artistic interpretation of what a black hole might look like.
En la película "Interestelar," podemos ver de cerca un agujero negro supermasivo. Puesto frente a un fondo de gas brillante, la enorme fuerza gravitatoria del agujero negro curva la luz en forma de anillo. Pero esto no es una fotografía de verdad, sino una representación gráfica hecha por ordenador, una interpretación artística del aspecto que podría tener un agujero negro.
A hundred years ago, Albert Einstein first published his theory of general relativity. In the years since then, scientists have provided a lot of evidence in support of it. But one thing predicted from this theory, black holes, still have not been directly observed. Although we have some idea as to what a black hole might look like, we've never actually taken a picture of one before. However, you might be surprised to know that that may soon change. We may be seeing our first picture of a black hole in the next couple years. Getting this first picture will come down to an international team of scientists, an Earth-sized telescope and an algorithm that puts together the final picture. Although I won't be able to show you a real picture of a black hole today, I'd like to give you a brief glimpse into the effort involved in getting that first picture.
Hace cien años Albert Einstein publicó su teoría de la relatividad general. Desde entonces los científicos han hallado cantidad de pruebas que la respaldan. Pero una de las cosas predichas por esta teoría, los agujeros negros, aún no se ha observado directamente. Aunque tenemos una idea aproximada del aspecto de un agujero negro nunca antes hemos tomado una fotografía de ninguno. Quizá les sorprenda saber que eso puede estar a punto de cambiar. Puede que veamos la primera foto de un agujero negro en los próximos años. Conseguir esta primera fotografía requerirá un equipo internacional de científicos, un telescopio del tamaño de la Tierra, y un algoritmo que componga la imagen final. Aunque hoy no podré enseñarles una imagen real de un agujero negro, me gustaría mostrarles brevemente el esfuerzo que supone conseguir esa primera fotografía.
My name is Katie Bouman, and I'm a PhD student at MIT. I do research in a computer science lab that works on making computers see through images and video. But although I'm not an astronomer, today I'd like to show you how I've been able to contribute to this exciting project.
Mi nombre es Katie Bouman, y soy estudiante de doctorado en el MIT. Realizo investigación en un laboratorio informático haciendo que los ordenadores visualicen imágenes y vídeos. Pero aunque no soy astrónoma, hoy me gustaría enseñarles cómo he llegado a colaborar con este emocionante proyecto. Si esta noche se alejan de las brillantes luces de la ciudad
If you go out past the bright city lights tonight, you may just be lucky enough to see a stunning view of the Milky Way Galaxy. And if you could zoom past millions of stars, 26,000 light-years toward the heart of the spiraling Milky Way, we'd eventually reach a cluster of stars right at the center. Peering past all the galactic dust with infrared telescopes, astronomers have watched these stars for over 16 years. But it's what they don't see that is the most spectacular. These stars seem to orbit an invisible object. By tracking the paths of these stars, astronomers have concluded that the only thing small and heavy enough to cause this motion is a supermassive black hole -- an object so dense that it sucks up anything that ventures too close -- even light.
puede que tengan la suerte de contemplar la magnífica imagen de la Galaxia de la Vía Láctea. Y si pudieran ampliar a través de millones de estrellas, 26.000 años luz hacia el corazón de la espiral de la Vía Láctea, llegaríamos al final a un conglomerado de estrellas, justo en el centro. Escudriñando a través del polvo galáctico con telescopios infrarrojos, los astrónomos han observado estas estrellas durante más de 16 años. Pero lo más espectacular es lo que no pueden ver. Estas estrellas parecen orbitar en torno a un objeto invisible. Monitorizando el movimiento de estas estrellas, los astrónomos han llegado a la conclusión de que lo único tan pequeño y pesado para causar ese movimiento es un agujero negro supermasivo. Un objeto tan denso que absorbe todo lo que se aproxime demasiado, incluida la luz.
But what happens if we were to zoom in even further? Is it possible to see something that, by definition, is impossible to see? Well, it turns out that if we were to zoom in at radio wavelengths, we'd expect to see a ring of light caused by the gravitational lensing of hot plasma zipping around the black hole. In other words, the black hole casts a shadow on this backdrop of bright material, carving out a sphere of darkness. This bright ring reveals the black hole's event horizon, where the gravitational pull becomes so great that not even light can escape. Einstein's equations predict the size and shape of this ring, so taking a picture of it wouldn't only be really cool, it would also help to verify that these equations hold in the extreme conditions around the black hole.
Pero, ¿qué es lo que ocurre si nos acercáramos aún más? ¿Es posible ver algo que es, por definición, imposible de ver? Resulta que si nos acercáramos a longitudes de onda de radio podríamos esperar observar un anillo de luz causado por la lente gravitacional del plasma caliente que rodea el agujero negro. Es decir, el agujero negro proyecta una sombra sobre este fondo de brillante, recortando una esfera oscura. Este anillo brillante revela el horizonte del agujero negro, donde la fuerza gravitatoria se vuelve tan inmensa que ni siquiera la luz puede escapar. Las ecuaciones de Einstein predicen el tamaño y forma del anillo, así que tomar una fotografía no sólo sería una pasada, nos ayudaría a confirmar que estas ecuaciones se mantienen en las condiciones extremas alrededor del agujero negro.
However, this black hole is so far away from us, that from Earth, this ring appears incredibly small -- the same size to us as an orange on the surface of the moon. That makes taking a picture of it extremely difficult. Why is that? Well, it all comes down to a simple equation. Due to a phenomenon called diffraction, there are fundamental limits to the smallest objects that we can possibly see. This governing equation says that in order to see smaller and smaller, we need to make our telescope bigger and bigger. But even with the most powerful optical telescopes here on Earth, we can't even get close to the resolution necessary to image on the surface of the moon. In fact, here I show one of the highest resolution images ever taken of the moon from Earth. It contains roughly 13,000 pixels, and yet each pixel would contain over 1.5 million oranges.
Pero este agujero negro está tan lejos de nosotros, que desde la Tierra este anillo parece increíblemente pequeño, del tamaño de una naranja sobre la superficie de la luna, para nosotros. Eso hace que tomar la fotografía sea extremadamente difícil. ¿Por qué? Bueno, todo se resume en una simple ecuación. Debido a un fenómeno llamado difracción existen límites fundamentales sobre los objetos más pequeños que somos capaces de observar. Esta ecuación dice que para ver cosas más y más pequeñas, necesitamos hacer nuestros telescopios más y más grandes. Pero incluso con los telescopios ópticos más potentes de la Tierra ni siquiera nos acercamos a la resolución necesaria para tomar fotos de la superficie lunar. Aquí les muestro una de las imágenes con mayor resolución obtenida de la luna desde la Tierra. Contiene unos 13.000 píxeles, y aún así cada píxel contendría más de 1 millón y medio de naranjas.
So how big of a telescope do we need in order to see an orange on the surface of the moon and, by extension, our black hole? Well, it turns out that by crunching the numbers, you can easily calculate that we would need a telescope the size of the entire Earth.
Así que ¿cuán grande es el telescopio que necesitamos para poder ver una naranja en la luna, y por extensión, nuestro agujero negro? Si analizamos los datos, se puede calcular que necesitaríamos un telescopio del tamaño de la Tierra. (Risas)
(Laughter)
Si pudiéramos construir este telescopio tamaño Tierra,
If we could build this Earth-sized telescope, we could just start to make out that distinctive ring of light indicative of the black hole's event horizon. Although this picture wouldn't contain all the detail we see in computer graphic renderings, it would allow us to safely get our first glimpse of the immediate environment around a black hole.
podríamos empezar distinguir ese anillo de luz característico que señala el horizonte del agujero negro. Aunque esta imagen no tendría todos los detalles de las imágenes generadas por ordenador, nos permitiría obtener con seguridad un primer vistazo del entorno inmediato del agujero negro.
However, as you can imagine, building a single-dish telescope the size of the Earth is impossible. But in the famous words of Mick Jagger, "You can't always get what you want, but if you try sometimes, you just might find you get what you need." And by connecting telescopes from around the world, an international collaboration called the Event Horizon Telescope is creating a computational telescope the size of the Earth, capable of resolving structure on the scale of a black hole's event horizon. This network of telescopes is scheduled to take its very first picture of a black hole next year. Each telescope in the worldwide network works together. Linked through the precise timing of atomic clocks, teams of researchers at each of the sites freeze light by collecting thousands of terabytes of data. This data is then processed in a lab right here in Massachusetts.
Como pueden imaginar, construir un telescopio de disco único del tamaño de la Tierra es imposible. Pero, citando a Mick Jagger, "No siempre consigues lo que quieres, pero si lo intentas, a veces ves que consigues lo que necesitas." Y conectando telescopios de todo el mundo, una colaboración internacional llamada el Event Horizon Telescope está creando un telescopio computacional del tamaño de la Tierra, capaz de resolver una estructura del tamaño de un horizonte de agujero negro. Está previsto que la red de telescopios tome la primera fotografía de un agujero negro el año que viene. Cada telescopio en la red global colabora con los otros. Conectados de manera precisa mediante relojes atómicos, equipos de investigadores desde cada sitio congelan luz recogiendo miles de terabytes de datos. Estos datos se procesan en un laboratorio aquí en Massachusetts.
So how does this even work? Remember if we want to see the black hole in the center of our galaxy, we need to build this impossibly large Earth-sized telescope? For just a second, let's pretend we could build a telescope the size of the Earth. This would be a little bit like turning the Earth into a giant spinning disco ball. Each individual mirror would collect light that we could then combine together to make a picture. However, now let's say we remove most of those mirrors so only a few remained. We could still try to combine this information together, but now there are a lot of holes. These remaining mirrors represent the locations where we have telescopes. This is an incredibly small number of measurements to make a picture from. But although we only collect light at a few telescope locations, as the Earth rotates, we get to see other new measurements. In other words, as the disco ball spins, those mirrors change locations and we get to observe different parts of the image. The imaging algorithms we develop fill in the missing gaps of the disco ball in order to reconstruct the underlying black hole image. If we had telescopes located everywhere on the globe -- in other words, the entire disco ball -- this would be trivial. However, we only see a few samples, and for that reason, there are an infinite number of possible images that are perfectly consistent with our telescope measurements. However, not all images are created equal. Some of those images look more like what we think of as images than others. And so, my role in helping to take the first image of a black hole is to design algorithms that find the most reasonable image that also fits the telescope measurements.
¿Y cómo funciona esto? ¿Recuerdan que para ver ese agujero negro en el centro de nuestra galaxia necesitamos ese telescopio gigantesco, del tamaño de la Tierra? Por un instante, pretendamos que fuera posible construir un telescopio del tamaño de la Tierra. Sería parecido a convertir la Tierra en una bola de discoteca gigante. Cada espejo individual capturaría luz que luego podríamos combinar para componer la imagen. Pero digamos que retiramos la mayoría de esos espejos dejando sólo unos pocos. Aún podríamos intentar combinar esta información, pero ahora hay muchos agujeros. Los espejos que quedan serían los lugares donde tenemos telescopios. Es un número minúsculo de medidas para conseguir una imagen. Pero aunque sólo capturemos luz desde unas pocas ubicaciones, mientras la Tierra rota, podemos observar otras nuevas medidas. Es decir, al girar la bola de discoteca, esos espejos cambian de posición y podemos observar diferentes partes de la imagen. Los algoritmos de obtención de imágenes que desarrollamos rellenan los huecos de la bola para poder reconstruir la imagen subyacente del agujero negro. Si tuviéramos telescopios en todos los rincones del mundo es decir, la bola de discoteca entera, esto sería trivial. Pero sólo vemos unas cuantas muestras y por esa razón hay un número infinito de imágenes posibles que son perfectamente coherentes con los datos de los telescopios. Pero no todas las imágenes son iguales. Algunas de esas imágenes se parecen más a lo que consideramos una imagen que otras. Mi papel para ayudar a conseguir esta primera imagen de un agujero negro es diseñar algoritmos que encuentren la imagen más razonable que encaje con los datos de los telescopios.
Just as a forensic sketch artist uses limited descriptions to piece together a picture using their knowledge of face structure, the imaging algorithms I develop use our limited telescope data to guide us to a picture that also looks like stuff in our universe. Using these algorithms, we're able to piece together pictures from this sparse, noisy data. So here I show a sample reconstruction done using simulated data, when we pretend to point our telescopes to the black hole in the center of our galaxy. Although this is just a simulation, reconstruction such as this give us hope that we'll soon be able to reliably take the first image of a black hole and from it, determine the size of its ring. Although I'd love to go on about all the details of this algorithm, luckily for you, I don't have the time.
Igual que un artista forense usa descripciones limitadas para componer una imagen aplicando sus conocimientos sobre estructura facial, los algoritmos de obtención de imágenes que desarrollo ayudan a usar los datos limitados de los telescopios hasta conseguir una imagen que se parezca a cosas de nuestro universo. Usando estos algoritmos, podemos componer imágenes a partir de estos datos escasos y sucios. Aquí muestro un ejemplo de reconstrucción realizada utilizando datos simulados, cuando fingimos apuntar nuestros telescopios al agujero negro en el centro de nuestra galaxia. Aunque es sólo una simulación reconstrucciones así nos dan esperanzas de que pronto podremos tomar una primera imagen fiable de un agujero negro, y con ella determinar el tamaño de su anillo. Aunque me encantaría seguir con los detalles de este algoritmo por suerte para Uds., no dispongo de tiempo.
But I'd still like to give you a brief idea of how we define what our universe looks like, and how we use this to reconstruct and verify our results. Since there are an infinite number of possible images that perfectly explain our telescope measurements, we have to choose between them in some way. We do this by ranking the images based upon how likely they are to be the black hole image, and then choosing the one that's most likely.
Aún así me gustaría que se hiciesen una idea de cómo determinamos el aspecto de nuestro universo y cómo usamos eso para reconstruir y verificar nuestros resultados. Ya que hay un número infinito de imágenes posibles que explican perfectamente las medidas de los telescopios, tenemos que seleccionar entre ellas de alguna forma. Lo hacemos evaluando las imágenes basándonos en la probabilidad de que sean la imagen del agujero negro, y entonces elegimos la más probable.
So what do I mean by this exactly? Let's say we were trying to make a model that told us how likely an image were to appear on Facebook. We'd probably want the model to say it's pretty unlikely that someone would post this noise image on the left, and pretty likely that someone would post a selfie like this one on the right. The image in the middle is blurry, so even though it's more likely we'd see it on Facebook compared to the noise image, it's probably less likely we'd see it compared to the selfie.
¿Qué significa eso exactamente? Digamos que estábamos intentando construir un sistema que nos diga las probabilidades de que una imagen esté en Facebook. Seguramente nos gustaría que el sistema nos dijera que es poco probable que alguien suba la imagen llena de ruido de la izquierda, y muy probable que publique un selfie como éste de la derecha. La imagen central está borrosa, así que aunque fuese más probable verla en Facebook que la imagen con ruido, es menos probable que el selfie. Pero cuando se trata de imágenes del agujero negro,
But when it comes to images from the black hole, we're posed with a real conundrum: we've never seen a black hole before. In that case, what is a likely black hole image, and what should we assume about the structure of black holes? We could try to use images from simulations we've done, like the image of the black hole from "Interstellar," but if we did this, it could cause some serious problems. What would happen if Einstein's theories didn't hold? We'd still want to reconstruct an accurate picture of what was going on. If we bake Einstein's equations too much into our algorithms, we'll just end up seeing what we expect to see. In other words, we want to leave the option open for there being a giant elephant at the center of our galaxy.
encontramos un verdadero dilema: nunca antes hemos visto uno. Así que, ¿qué es una imagen probable de un agujero negro? ¿Qué deberíamos suponer sobre la estructura de los agujeros negros? Podríamos probar imágenes de simulaciones que hemos hecho, como el agujero negro de "Interestelar", pero si hiciéramos esto, podría causar serios problemas. ¿Y si las teorías de Einstein no se sostuvieran? Seguiríamos queriendo reconstruir una imagen precisa del fenómeno. Si forzamos las ecuaciones de Einstein en nuestros algoritmos simplemente acabaremos viendo lo que esperamos ver. Es decir, queremos estar abiertos a la posibilidad de que haya un elefante gigante en medio de nuestra galaxia.
(Laughter)
(Risas)
Different types of images have very distinct features. We can easily tell the difference between black hole simulation images and images we take every day here on Earth. We need a way to tell our algorithms what images look like without imposing one type of image's features too much. One way we can try to get around this is by imposing the features of different kinds of images and seeing how the type of image we assume affects our reconstructions. If all images' types produce a very similar-looking image, then we can start to become more confident that the image assumptions we're making are not biasing this picture that much.
Diferentes tipos de imágenes tienen características distintas. Es fácil diferenciar imágenes de simulaciones de agujeros negros de imágenes hechas un día cualquiera en la Tierra. Necesitamos una manera de explicar a nuestros algoritmos qué aspecto tienen las imágenes sin imponerles demasiadas características de un tipo de imagen. Una manera de resolver esto es imponer características de varios tipos de imágenes, y ver cómo el tipo de imagen que suponemos afecta a nuestras reconstrucciones. Si todos los tipos de imágenes producen imágenes similares, podemos empezar a estar seguros de que nuestras conjeturas no están deformando tanto la imagen.
This is a little bit like giving the same description to three different sketch artists from all around the world. If they all produce a very similar-looking face, then we can start to become confident that they're not imposing their own cultural biases on the drawings. One way we can try to impose different image features is by using pieces of existing images. So we take a large collection of images, and we break them down into their little image patches. We then can treat each image patch a little bit like pieces of a puzzle. And we use commonly seen puzzle pieces to piece together an image that also fits our telescope measurements.
Es parecido a dar la misma descripción a tres artistas de diferentes lugares. Si todos producen un rostro similar, podemos empezar a estar seguros de que no están forzando sus propios prejuicios culturales en los dibujos. Una manera de intentar imponer diferentes características visuales es con fragmentos de imágenes existentes. Tomamos una gran colección de imágenes, y la descomponemos en pequeños parches. Entonces podemos tratar cada parche como la pieza de un puzzle. Y utilizamos piezas de puzzle comunes para componer una imagen que encaje también con las medidas de nuestros telescopios.
Different types of images have very distinctive sets of puzzle pieces. So what happens when we take the same data but we use different sets of puzzle pieces to reconstruct the image? Let's first start with black hole image simulation puzzle pieces. OK, this looks reasonable. This looks like what we expect a black hole to look like. But did we just get it because we just fed it little pieces of black hole simulation images? Let's try another set of puzzle pieces from astronomical, non-black hole objects. OK, we get a similar-looking image. And then how about pieces from everyday images, like the images you take with your own personal camera? Great, we see the same image. When we get the same image from all different sets of puzzle pieces, then we can start to become more confident that the image assumptions we're making aren't biasing the final image we get too much.
Diferentes tipos de imagen dan distintos tipos de piezas de puzzle. ¿Qué ocurre cuando usamos los mismos datos pero diferentes tipos de piezas de puzzle para reconstruir la imagen? Empecemos con piezas de puzzle de simulaciones de agujeros negros. Vale, esto parece razonable. Éste es el aspecto que esperamos de un agujero negro. ¿Pero lo hemos obtenido porque sólo le hemos dado piezas de simulaciones de agujeros negros? Intentemos otro tipo de piezas de puzzle, de objetos astronómicos que no son agujeros negros. Vale, tenemos una imagen similar. ¿Y con piezas de imágenes del día a día, como las que Uds. toman con su cámara personal? Genial, vemos la misma imagen. Cuando obtenemos la misma imagen con todos los conjuntos diferentes de piezas de puzzle, podemos empezar a estar seguros de que nuestras conjeturas no están deformando tanto la imagen. Otra cosa que podemos hacer es tomar el mismo conjunto de piezas de puzzle,
Another thing we can do is take the same set of puzzle pieces, such as the ones derived from everyday images, and use them to reconstruct many different kinds of source images. So in our simulations, we pretend a black hole looks like astronomical non-black hole objects, as well as everyday images like the elephant in the center of our galaxy. When the results of our algorithms on the bottom look very similar to the simulation's truth image on top, then we can start to become more confident in our algorithms. And I really want to emphasize here that all of these pictures were created by piecing together little pieces of everyday photographs, like you'd take with your own personal camera. So an image of a black hole we've never seen before may eventually be created by piecing together pictures we see all the time of people, buildings, trees, cats and dogs. Imaging ideas like this will make it possible for us to take our very first pictures of a black hole, and hopefully, verify those famous theories on which scientists rely on a daily basis.
como las derivadas de imágenes normales del día a día, y usarlas para recomponer muchos tipos de imágenes diferentes. Así que en nuestras simulaciones pretendemos que un agujero negro se parece a otros objetos astronómicos que no son agujeros negros, y a imágenes comunes como el elefante en el centro de nuestra galaxia. Cuando los resultados de los algoritmos en la parte inferior se parecen mucho a la imagen verdadera de la simulación, arriba, entonces podemos empezar a confiar más en nuestros algoritmos. Y de verdad que quiero enfatizar aquí que todas estas imágenes fueron creadas uniendo pequeños fragmentos de fotografías corrientes como las que Uds. toman con su cámara personal. Así que una imagen de un agujero negro que no hemos visto nunca podría crearse uniendo imágenes que vemos todo el tiempo de personas, edificios, árboles, gatos y perros. Imaginar ideas como ésta hará que sea posible que obtengamos nuestras primeras fotos de un agujero negro, y con suerte que verifiquemos esas famosas teorías en las que los científicos confían cada día.
But of course, getting imaging ideas like this working would never have been possible without the amazing team of researchers that I have the privilege to work with. It still amazes me that although I began this project with no background in astrophysics, what we have achieved through this unique collaboration could result in the very first images of a black hole. But big projects like the Event Horizon Telescope are successful due to all the interdisciplinary expertise different people bring to the table. We're a melting pot of astronomers, physicists, mathematicians and engineers. This is what will make it soon possible to achieve something once thought impossible.
Por supuesto, conseguir ideas para generar tales imágenes y que funcionen no sería posible sin el fantástico equipo de investigadores con el que tengo el honor de trabajar. Aún me asombra que aunque empecé este proyecto sin saber astrofísica, lo que hemos logrado a través de esta colaboración única podría resultar en las primeras imágenes de un agujero negro. Pero grandes proyectos como el Event Horizon Telescope tienen éxito gracias a todo el conocimiento interdisciplinar que diferentes personas aportan. Somos una mezcla de astrónomos, físicos, matemáticos e ingenieros. Esto es lo que hará posible dentro de poco conseguir algo que una vez se creyó imposible.
I'd like to encourage all of you to go out and help push the boundaries of science, even if it may at first seem as mysterious to you as a black hole.
Me gustaría animaros a todos a salir ahí fuera y ayudar a expandir los límites de la ciencia, incluso si al principio os parece tan misteriosa como un agujero negro.
Thank you.
Gracias.
(Applause)
(Aplausos)