耀变体的研究智能体与光子环的神经网络

天体物理现在是一门拼后勤的学科。文献越堆越多，不同波段的观测数据格式各异，物理模型也越来越复杂。有些团队想做的不是自动化某一个环节，而是把整条流程组织起来。

面向耀变体的多智能体系统

AstroGenesis框架的作者来自亚美尼亚、意大利和美国，其中包括David Pasham和Alessandro Tramacere。这是一个领域多智能体系统，把文献检索与综合、多频段数据的获取与分析、理论建模、研究方向生成连在一起。监督智能体与规划器和重规划器的架构协作，核心是理论建模智能体，用的是预先训练好的神经代理模型。宽频段、多方面的复杂建模因此可以靠自然语言对话完成，不必每次都跑完整计算。

作者主要测的是文献检索这一层，用了两个测试集。一个测试集里每个问题对应一篇论文，另一个里答案需要多篇论文的证据。第一个测试集中76.6%的问题、第二个测试集中79.2%的问题，前五条结果里至少有一篇相关论文。示例工作流程展示了文献、观测数据、建模和提出假设如何组成一条可追踪的分析。创建者表示将扩展到天体物理的其他领域。

暴露自旋的环

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，因为它的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，观测中子环n = 0的辐射会叠加进来，必须先把它分离出去。

Courtney Duong、Frank Myhre和Joseph Farah的团队用eht-imaging工具生成的11.1万张模拟环图像训练了一个卷积神经网络。该网络重建子环n = 1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。提取出的特征还能恢复对自旋敏感的亮度调制。在KerrBAM和磁流体力学模拟的图像上，它能重建总体径向轮廓，不过强度剖面上会出现差异。作者把这与未来的任务联系起来，比如计划中的Black Hole Explorer。