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.
In de film 'Interstellar' zien we een close-up van een superzwaar zwart gat. Tegen een achtergrond van oplichtend gas buigt de enorme zwaartekracht van het zwarte gat het licht tot een ring. Dit is echter geen echte foto, maar een computergrafische weergave -- een artistieke interpretatie van hoe een zwart gat eruit zou kunnen zien.
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.
Honderd jaar geleden kwam Albert Einstein met zijn theorie van de algemene relativiteit. In de jaren daarna vonden wetenschappers veel bewijs ter ondersteuning ervan. Maar één ding voorspeld op basis van deze theorie, zwarte gaten, is nog steeds niet direct waargenomen. Hoewel we een idee hebben over hoe een zwart gat eruit zou kunnen zien, hebben we er eigenlijk nog nooit een foto van kunnen nemen. Het zou je kunnen verbazen dat dat nu snel kan gaan veranderen. Misschien krijgen we in de komende paar jaar een zwart gat te zien. Daarvoor zullen nodig zijn: een internationaal team van wetenschappers, een Aarde-grote telescoop en een algoritme om het uiteindelijke beeld samen te stellen. Hoewel ik jullie vandaag nog geen reëel beeld van een zwart gat kan tonen, wil ik jullie iets vertellen over de benodigde inspanning om die eerste foto te krijgen.
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.
Mijn naam is Katie Bouman. Ik ben een PhD student aan het MIT. Ik doe onderzoek in een lab voor computerwetenschap dat eraan werkt om computers te laten zien via foto's en video. Maar hoewel ik geen astronoom ben, wil ik jullie vandaag laten zien hoe ik in staat was om bij te dragen aan dit spannende project.
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.
Als je de lichten van de stad vanavond achter je laat, heb je kans op een prachtig uitzicht op de Melkweg. Als je voorbij de miljoenen sterren kon inzoomen, 26.000 lichtjaar in de richting van het hart van de spiraalvormige Melkweg, zouden we uiteindelijk een groep sterren midden in het centrum bereiken. Door al het galactische stof heen turend met infraroodtelescopen, houden astronomen deze sterren al meer dan 16 jaar in de gaten. Maar net wat ze niet zien, is het meest spectaculair. Deze sterren lijken een onzichtbaar object te omcirkelen. Door het volgen van de paden van deze sterren, hebben astronomen besloten dat het enige wat klein en zwaar genoeg is om deze beweging te veroorzaken een superzwaar zwart gat is -- een object zo dicht dat het alles wat te kort bij komt naar zich toe zuigt -- zelfs licht.
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.
Maar wat gebeurt er als we nog verder zouden inzoomen? Is het mogelijk om iets te zien dat per definitie onmogelijk te zien is? Als we inzoomen met radiogolven verwachten we een ring van licht te zien veroorzaakt door de gravitatielens van heet plasma dat rond het zwarte gat zwiert. Met andere woorden, het zwarte gat werpt een schaduw op deze achtergrond van heldere materie, te zien als een duistere bol. Deze heldere ring onthult de gebeurtenishorizon van het zwarte gat, waar de aantrekkingskracht zo groot wordt dat zelfs licht niet kan ontsnappen. Einsteins vergelijkingen voorspellen de grootte en vorm ervan. Het nemen van een foto ervan zou niet alleen echt cool zijn, maar zou ook helpen om deze vergelijkingen te verifiëren in de extreme omstandigheden rond het zwarte gat.
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.
Dit zwarte gat is echter zo ver weg dat deze ring vanaf Aarde gezien ongelooflijk klein lijkt -- van dezelfde grootte voor ons als een appelsien op het oppervlak van de maan. Dat maakt het nemen van een foto ervan uiterst moeilijk. Waarom? Het komt allemaal neer op een eenvoudige vergelijking. Vanwege het fenomeen diffractie zijn er fundamentele grenzen voor de kleinste objecten die we zouden kunnen zien. Deze vergelijking zegt dat om kleiner en kleiner te kunnen zien, we onze telescoop groter en groter moeten maken. Maar zelfs met de krachtigste optische telescopen op Aarde komen we niet eens in de buurt van de resolutie nodig om het oppervlak van de maan te bekijken. Hier toon ik een van de hoogste resoluties ooit genomen van de maan vanaf de Aarde. Het bevat ongeveer 13.000 pixels, en toch zou elke pixel meer dan 1,5 miljoen sinaasappels bevatten.
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.
Hoe groot moet dan de telescoop zijn om een sinaasappel te zien op het oppervlak van de maan, om van ons zwarte gat nog niet te spreken? Nou, het blijkt dat je een telescoop nodig zou hebben ter grootte van de Aarde.
(Laughter)
(Gelach)
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.
Als we deze Aarde-grote telescoop konden bouwen, zouden we een lichtkring kunnen zien rond de waarnemingshorizon van het zwarte gat. Al zou dit beeld niet alle details laten zien zoals in de computergrafische weergave, het zou ons veilig een eerste blik gunnen op de directe omgeving rond een zwart gat.
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.
Jullie kunnen je voorstellen dat het bouwen van een telescoop met een schotel zo groot als de Aarde onmogelijk is. In de beroemde woorden van Mick Jagger: "Je krijgt niet altijd wat je wilt, maar als je het probeert, krijg je misschien wel wat je nodig hebt." Telescopen uit de hele wereld met elkaar combineren in een internationale samenwerking, de Event Horizon Telescope genaamd, levert een computertelescoop ter grootte van de Aarde, om de structuur van de gebeurtenishorizon van een zwart gat op te lossen. Dit netwerk van telescopen is gepland om volgend jaar zijn eerste opname van een zwart gat te maken. Elke telescoop in het wereldwijde netwerk werkt samen. Verbonden door de precieze timing van atoomklokken bevriezen teams van onderzoekers voor elke waarneming het licht door het verzamelen van duizenden terabytes aan gegevens. Deze gegevens worden vervolgens verwerkt in een lab hier in 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.
Hoe kan dit nu werken? Bedenk dat om het zwarte gat in het centrum van ons melkwegstelsel te zien, we een onmogelijk grote Aarde-grote telescoop moeten bouwen. Laten we even doen alsof we een telescoop ter grootte van de Aarde kunnen bouwen. Dit zou lijken op het omvormen van de Aarde tot een gigantische draaiende discobal. Elke aparte spiegel zou licht opvangen dat we dan konden combineren om een beeld te maken. Laten we nu het grootste deel van deze spiegels verwijderen zodat er slechts enkele overblijven. We kunnen dan nog steeds deze informatie combineren, maar nu zijn er veel gaten. Deze resterende spiegels stellen de locaties voor waar we telescopen hebben. Dit is een ongelooflijk klein aantal metingen om een beeld samen te stellen. Maar hoewel we alleen licht verzamelen op slechts enkele telescooplocaties, krijgen we als de Aarde draait andere nieuwe metingen te zien. Met andere woorden, als de discobal draait, verschuiven de spiegels en kunnen we verschillende delen van het beeld observeren. Onze beeldvormingsalgoritmes vullen de ontbrekende gaten van de discobal op, teneinde het zwarte gat erachter te reconstrueren. Als we overal op de wereld telescopen hadden -- met andere woorden, de hele discobal -- zou dit triviaal zijn. Maar we zien alleen enkele stalen en daarom zijn er een oneindig aantal mogelijke beelden die perfect in overeenstemming zijn met onze telescoopmetingen. Maar niet alle afbeeldingen zijn gelijkaardig. Sommige van die beelden lijken meer dan andere op wat wij als afbeeldingen zien. Mijn rol om het eerste beeld van een zwart gat te verkrijgen, bestaat uit algoritmen ontwerpen om de beste afbeelding te vinden die ook bij de telescoopmetingen past.
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.
Net zoals een politie-tekenaar beperkte beschrijvingen gebruikt om een afbeelding te reconstrueren met hun kennis van gezichtsstructuur, zo gebruiken mijn beeldvormingsalgoritmen onze beperkte telescoopdata om te leiden tot een beeld dat er ook uitziet als de dingen in ons universum. Met deze algoritmen kunnen we beelden samenstellen uit deze schaarse, rommelige data. Hier toon ik een voorbeeld uitgaande van gesimuleerde data, als we doen alsof we onze telescopen richten naar het zwarte gat in het centrum van ons melkwegstelsel. Hoewel dit slechts een simulatie is, geven reconstructies als deze ons hoop om binnenkort op betrouwbare wijze een eerste beeld van een zwart gat te kunnen maken en daaruit de grootte van de ring te bepalen. Ik zou graag alle details van dit algoritme willen geven, maar heb daar, gelukkig voor jullie, niet de tijd voor.
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.
Ik zal toch in het kort uitleggen hoe we bepalen hoe ons universum eruitziet, en hoe we dit gebruiken om onze resultaten te reconstrueren en te controleren. Omdat er een oneindig aantal mogelijke beelden zijn die onze telescoopmetingen perfect uitleggen, moeten we op een bepaalde manier tussen hen kiezen. We rangschikken de beelden volgens hoe groot de kans is dat ze de foto van het zwarte gat zijn, en kiezen dan voor de waarschijnlijkste.
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.
Wat bedoel ik hiermee? Laten we zeggen dat we een model willen maken dat de kans weergeeft dat een beeld op Facebook komt. We zouden het onwaarschijnlijk vinden dat iemand dit vage beeld links zou posten, en vrij waarschijnlijk dat iemand een selfie zou posten zoals rechts. Het beeld in het midden is onscherp, al zouden we het eerder op Facebook tegenkomen dan het beeld met ruis, maar minder dan de selfie.
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.
Maar als het gaat om beelden van het zwarte gat zitten we met een echt raadsel, want dat hebben we nog nooit gezien. Hoe zal dan een zwart gat eruitzien, en wat moeten we veronderstellen over de structuur van zwarte gaten? Misschien met beelden van onze simulaties, zoals het beeld van het zwarte gat van ‘Interstellar’, maar dat zou een aantal ernstige problemen met zich meebrengen. Wat als de theorieën van Einstein niet zouden kloppen? We zouden nog steeds een nauwkeurig beeld willen reconstrueren. Als we Einsteins vergelijkingen te veel in onze algoritmen verwerken, zullen we alleen maar zien wat we verwachten. Een gigantische olifant in het centrum van ons melkwegstelsel? Moet kunnen?
(Laughter)
(Gelach)
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.
Verschillende beelden met verschillende eigenschappen. We zien gemakkelijk het verschil tussen simulatiebeelden van een zwart gat en alledaagse foto's. We moeten onze algoritmen kunnen vertellen welke beelden te zoeken zonder te veel nadruk op één type afbeelding. Een manier om dit te omzeilen is de kenmerken van de verschillende soorten afbeeldingen opleggen en zien hoe het type beeld waar we van uitgaan onze reconstructies beïnvloedt. Als alle types beelden een zeer gelijkende afbeelding produceren, dan kunnen we er zekerder van zijn dat de aannames die we maken het beeld niet te veel vertekenen.
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.
Dit is een beetje als het geven van dezelfde beschrijving aan drie verschillende politie-tekenaars van over de hele wereld. Als ze allemaal een vergelijkbaar uitziend gezicht produceren, dan kunnen we erop vertrouwen dat hun culturele vooroordelen de tekeningen niet beïnvloeden. Een manier om verschillende beeldeigenschappen op te leggen, is met behulp van stukken van bestaande beelden. Dus nemen we een grote verzameling beelden en delen ze op in hun kleinere stukjes. Dan kunnen we die stukjes behandelen als stukjes van een puzzel. En we gebruiken vaak voorkomende stukjes om een beeld samen te stellen dat ook past bij onze telescoopmetingen.
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.
Verschillende soorten beelden hebben zeer kenmerkende sets van puzzelstukjes. Wat gebeurt er als we dezelfde gegevens nemen, maar verschillende sets van puzzelstukken gebruiken om het beeld te reconstrueren? Laten we eerst beginnen met puzzelstukjes van de simulatie van een zwart gat. OK, dit ziet er redelijk uit. Dit lijkt op wat we verwachten van een zwart gat. Maar kregen we het gewoon uit de kleine stukjes simulatiebeelden van een zwart gat? We proberen het met een andere set puzzelstukjes van astronomische, niet-zwarte-gatobjecten. We krijgen een gelijkende afbeelding. Hoe zit het dan met stukjes uit gewone beelden, als de foto's die je maakt met je eigen camera? Geweldig, we zien hetzelfde beeld. Krijgen we hetzelfde beeld uit alle sets van puzzelstukjes, dan kunnen we er wat zekerder van zijn dat onze aannames niet te veel afwijken van het uiteindelijke beeld.
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.
Wat we nog kunnen doen, is dezelfde set van puzzelstukjes, zoals die afkomstig van alledaagse beelden, gebruiken om veel verschillende soorten van bronbeelden te reconstrueren. Dus doen we in onze simulaties alsof een zwart gat lijkt op astronomische niet-zwarte-gat dingen, net als alledaagse beelden als de olifant in het centrum van ons melkwegstelsel. Wanneer de resultaten onderaan erg lijken op het echte beeld van de simulatie bovenaan, dan mogen we onze algoritmen meer beginnen te vertrouwen. Ik wil hier benadrukken dat al deze foto's zijn gemaakt door kleine stukjes van alledaagse foto’s samen te voegen, foto’s zoals die van je eigen camera. Zo kan een afbeelding van een zwart gat dat we nooit eerder hebben gezien worden gecreëerd door beelden samen te voegen van dingen die we kennen, zoals mensen, gebouwen, bomen, katten en honden. Beeldvormingsideeën als deze zullen het voor ons mogelijk te maken een foto te nemen van een zwart gat, en hopelijk die beroemde theorieën te testen waar wetenschappers elke dag op steunen.
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.
Maar natuurlijk zou dit nooit zijn gelukt zonder het geweldige team van onderzoekers waar ik het voorrecht heb om mee te werken. Het verbaast me nog steeds dat, hoewel ik hieraan begon zonder achtergrond in de astrofysica, wat we door deze unieke samenwerking hebben bereikt, kan leiden tot de allereerste beelden van een zwart gat. Maar grote projecten als de Event Horizon Telescope zijn succesvol door alle interdisciplinaire deskundigheid van verschillende mensen. We zijn een smeltkroes van astronomen, natuurkundigen, wiskundigen en ingenieurs. Dit zal binnenkort mogelijk maken wat ooit als onmogelijk werd gezien.
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.
Ik wil jullie allen aanmoedigen om mee te werken aan het verleggen van de grenzen van de wetenschap, zelfs als het eerst even mysterieus lijkt als een zwart gat.
Thank you.
Dank je.
(Applause)
(Applaus)