NVIDIA прискорила процес обробки даних телескопу Event Horizon.
Обробка даних, отриманих від мережі радіотелескопів Event Horizon Telescope, раніше займала більше місяця, однак тепер, за інформацією від NVIDIA, цей процес скоротився до кількох хвилин. Компанія представила відкритий програмний засіб, що дозволяє об'єднувати сигнали з телескопів за допомогою графічних процесорів. На основі цих даних потім створюються зображення чорних дір.
Терабайти за хвилин
Згідно з інформацією, опублікованою у технічному блозі NVIDIA, модуль cuPhoton.xBeam зміг обробити 10 терабайтів даних з Event Horizon Telescope (EHT) всього за 70 секунд на системі Vera Rubin NVL72, що оснащена 64 графічними процесорами. Водночас, на звичайних x86 процесорах на обробку цього ж обсягу даних знадобилося майже дев'ять годин, що виявляється приблизно в 460 разів довше.
Телескопи EHT розташовані на різних континентах і разом працюють як одна антена розміром із Землю. Радіохвиля з околиць чорної діри приходить на кожну станцію з різною затримкою, тому записи спершу вирівнюють у часі. Потім сигнал розкладають на частотні канали і перемножують дані кожної пари телескопів. Увесь цей процес називають кореляцією, а з отриманої інформації про розподіл яскравості джерела пізніше відновлюють зображення.
Місяці невпинного чекання.
Під час кампанії у квітні 2017 року на восьми телескопах записали близько 3,5 петабайта сирих даних. Жорсткі диски із записами фізично везли до обсерваторії Хейстек Массачусетського технологічного інституту та Інституту радіоастрономії імені Макса Планка в Бонні. Там дані корелювали за допомогою програми DiFX, розрахованої на звичайні процесори. В окремому блозі про бібліотеки CUDA-X компанія наводить інше порівняння, за яким аналіз, що раніше тривав понад місяць, тепер займає вісім хвилин.
Перше фото тіні чорної діри, розташованої в галактиці M87, було опубліковано у квітні 2019 року, що стало можливим через два роки після проведення спостережень. Зображення Стрільця A*, отримане з тих самих даних 2017 року, стало доступним лише в травні 2022 року. Ця затримка пояснюється не лише кореляцією, а й тривалими етапами калібрування, створення зображення та проведення перевірок.
Відкритий програмний код для чипів NVIDIA
Пакет cuPhoton викладено на GitHub під ліцензією Apache 2.0, тож він безкоштовний і відкритий для змін. Написано його на CUDA, тому працює він лише на графічних процесорах NVIDIA, від серверних стійок до настільного комп'ютера DGX Spark.
Оголошення відбулося 16 листопада 2026 року на конференції суперкомп'ютерів SC26. Як зазначає Interesting Engineering, в цей же день компанія представила нові бібліотеки для фізики плазми та молекулярного моделювання, а також Nemotron for Science — відкриту платформу для наукових ШІ-агентів.
Межі інструмента
Незважаючи на те, що в одному з анонсів згадуються сусідство з ШІ-агентами, в xBeam не використовується машинне навчання — це традиційні обчислення. Тому питання довіри до штучного інтелекту в астрономії не є безпосередньо релевантним для цього інструменту.
NVIDIA співпрацює з Гарвард-Смітсонівським центром астрофізики та обсерваторією Хейстек для розвитку свого інструменту. В компанії вважають, що вдасться досягти відновлення зображення чорної діри в M87 у реальному часі. Однак калібрування та процес побудови зображення залишаються окремими кроками, що виходять за межі xBeam.
NVIDIA не оголосила про конкретну кампанію, в якій буде використано xBeam. Однак, найбільше цей інструмент стане в пригоді проєкту ngEHT, або ж EHT нового покоління, який планує розширити кількість станцій та досліджувати зміни навколо чорних дір. Кількість пар телескопів, що потребують кореляції, збільшується приблизно в квадраті від числа станцій. У кампанії 2017 року, що включала вісім телескопів, утворилося 28 пар, тоді як 13 станцій, згаданих NVIDIA в описі EHT, створюють вже 78 пар.
Той самий пакет cuPhoton також включає модуль xLens, призначений для досліджень у галузі фізики плазми. Цю технологію використовує компанія Pacific Fusion, яка займається розробкою керованого термоядерного синтезу, для аналізу даних під час проведення симуляцій. Водночас модель Nemotron виявилася корисною у хімічних дослідженнях. Лабораторія Lila Sciences, після додаткового навчання моделі на основі власних експериментальних даних, досягла 61% точності у підборі рецептів для синтезу квантових точок, які є нанокристалами, що використовуються в екранах та сонячних панелях. У той же час модель GPT-6 Astra показала результат у 54% на цьому ж завданні.