耀变体研究智能体与光子环神经网络

现代天体物理更像一门后勤学科。文献增长迅速，不同波段的观测数据格式不一，物理模型也日益复杂。一些团队试图组织整个工作流程，而不仅仅是自动化单个任务。

面向耀变体的多智能体系统

来自亚美尼亚、意大利和美国的作者描述了AstroGenesis框架，其中包括David Pasham和Alessandro Tramacere。这是一个领域多智能体系统，整合了文献检索与综合、多频段数据的获取与分析、理论建模以及研究方向生成。监督智能体与规划器及重规划器架构协作，核心是理论建模智能体，它使用预先训练好的神经代理模型。这使得宽频段、多角度的复杂建模可以通过自然语言对话进行，无需每次运行完整计算。

作者主要评估了文献检索层，使用了两个测试集：一个测试集中每个问题涉及一篇出版物，另一个测试集中答案需要多篇论文的证据。在第一个测试集中，76.6%的问题在前五个结果中至少包含一篇相关论文；在第二个测试集中，这一比例为79.2%。示例工作流程展示了文献、观测数据、建模和假设如何构成可追踪的分析。创建者表示将扩展到天体物理的其他领域。

揭示自旋的环

另一篇论文直接研究测量工具。甚长基线干涉测量有可能直接成像事件视界尺度上的黑洞结构，其中包括光子环。n = 1的子环尤其有价值，因为其径向轮廓和方位角亮度调制编码了黑洞自旋的信息。问题在于，观测中n = 0子环的辐射会叠加进来，必须先将其分离。

Courtney Duong、Frank Myhre和Joseph Farah的团队使用eht-imaging工具生成的111000张模拟环图像训练了一个卷积神经网络。该网络重建n = 1子环的径向和角向轮廓，平均归一化互相关约为0.99。当数据中没有环时，它不会报告虚假探测。提取的特征允许恢复对自旋敏感的亮度调制。在KerrBAM和磁流体力学模拟图像上，它能重建总体径向轮廓，尽管强度剖面上会出现差异。作者将此与未来任务联系起来，例如计划中的Black Hole Explorer。