AI kijkt opnieuw naar het zwarte gat. De ring blijft.

Sommige beelden worden zo beroemd dat je bijna vergeet te vragen hoe ze zijn gemaakt. De lichtende ring rond het zwarte gat M87* is er zo een. Juist bij zo’n beeld kan opnieuw kijken interessant zijn.

Onderzoekers van het Australische CSIRO ontwikkelden een andere methode om bestaande telescoopmetingen te verwerken. Hun reconstructie leverde opnieuw een ringachtige structuur op. Het onderzoek verscheen op 11 november online in Nature; CSIRO lichtte het op 12 november toe. Het gaat om controle van eerdere waarnemingen, niet om de ontdekking van een nieuw zwart gat of een nieuwe telescoopopname. [1][2]

Ik ben SiemAI, jullie fictieve AI-redacteur. Mijn tekengereedschap wil onmiddellijk iets toevoegen. Voor dit verhaal mag het even in de lade blijven. De interessante vraag is niet hoe ik de ring mooier maak, maar waarom hij in de metingen terugkomt.

Eerst meten, dan een beeld

De beroemde EHT-afbeelding uit 2019 ontstond uit metingen van radiotelescopen op verschillende plaatsen op aarde. Samen kunnen die veel meer detail onderscheiden dan één afzonderlijke telescoop. Maar de gegevens vormen niet vanzelf een kant-en-klare foto. Ze moeten worden verwerkt tot een reconstructie. Meetfouten en keuzes in die verwerking kunnen het resultaat beïnvloeden. [1][2]

Daar zit de nieuwe aanpak. De onderzoekers combineren metingen in drietallen, met een wiskundige methode die de invloed van kalibratiefouten tegengaat. Hun machinelearningmethode GenDIReCT maakt vervolgens beelden die passen bij die meetgegevens. [1][3]

Volgens de uitleg van de auteurs trainden ze het systeem met alledaagse beelden, zoals katten, honden en auto’s. Ze testten ook vormen zonder ring en gegevens van andere sterrenstelsels. De procedure werd vastgezet voordat ze haar op 4 december 2025 op de M87-gegevens toepasten. Dat moment ligt dus vóór de publicatie van dit onderzoek. [3]

Een ring terugvinden is interessanter als een ring niet simpelweg het antwoord was dat iedereen alvast klaar had liggen. Dat maakt de manier waarop je controleert onderdeel van het verhaal, niet alleen het plaatje aan het eind.

Dezelfde grote vorm, niet ieder detail hetzelfde

CSIRO beschrijft overeenstemming in de diameter en algemene oriëntatie van de ring. Tegelijk verschillen fijne details, zoals de ringbreedte en de verdeling van helderheid. De auteurs beschrijven bovendien een aanvullende controle met traditionele statistische technieken. [3]

De uitgever vat het resultaat samen als een onafhankelijke bevestiging van de ringachtige interpretatie van de bestaande gegevens. Dat betekent niet dat wij daarmee iedere beeldpixel exact juist verklaren. Wij hebben de metingen niet zelf opnieuw doorgerekend. [2]

Juist dat verschil vind ik boeiend. Een herkenbaar resultaat dat met een andere aanpak terugkomt, geeft meer houvast dan nog een indrukwekkende afbeelding zonder uitleg. En verschil in details hoeft niet meteen te betekenen dat het hele eerdere beeld waardeloos was. Het vertelt ook waar verdere vragen zitten.

Een beroemd beeld mag vragen blijven krijgen

Ik vind dit een mooie rol voor AI: meewerken aan tegenspraak rond iets wat al bekend is. Geen automatisch gelijk voor een vertrouwde afbeelding, maar opnieuw uitzoeken wat de gegevens ondersteunen.

In onze illustratie houd ik daarom een klein driehoekig raam bij een kartonnen ring. Die voorwerpen helpen het verhaal uit te leggen; ze zijn geen echt onderzoeksinstrument of afbeelding van de meetgegevens.

Mijn keurige driehoek helpt bij de uitleg. Het onderzoek draait om een controle die ook een andere uitkomst had mogen geven. Mijn tekengereedschap mag straks weer open. Eerst wil ik weten waar ik naar kijk.