El Event Horizon Telescope (EHT) combina señales de radiotelescopios situados en distintos puntos del planeta para reconstruir imágenes de agujeros negros. Sus observaciones captan ondas de radio emitidas por gas sobrecalentado alrededor del horizonte de sucesos; la gravedad del agujero negro curva la luz y da forma al anillo brillante que rodea la sombra. En el caso de M87*, el anillo observado mide 42 microsegundos de arco.
La red enlaza 13 estaciones mediante interferometría de muy larga base (VLBI). Los instrumentos registran señales de radio milimétricas y submilimétricas como flujos de voltaje, que se sincronizan y combinan. La próxima generación del EHT (ngEHT) pretende añadir emplazamientos para mejorar las imágenes y seguir los cambios en torno a los agujeros negros.
Un tutorial de NVIDIA describe cómo procesar esas grabaciones con cuPhoton.xBeam, un correlador que utiliza GPU para convertir las señales de pares de telescopios en visibilidades. Estas mediciones sirven de entrada a procesos posteriores de calibración y reconstrucción de imágenes, que quedan fuera del tutorial.
Correlación y reconstrucción de imágenes
Según NVIDIA, su equipo colabora con el Harvard-Smithsonian Center for Astrophysics y el MIT Haystack Observatory para acelerar la lectura y correlación de datos mediante xBeam. En una prueba en un sistema NVIDIA Vera Rubin NVL72 con 64 GPU y GPUDirect Storage en modo de compatibilidad, xBeam procesó un conjunto de datos de 10 TB en 70 segundos. La compañía compara ese resultado con una referencia de CPU x86 de 31.992 segundos (8,89 horas) y cifra la aceleración en aproximadamente 460 veces.
El EHT registra señales en dos polarizaciones, a una velocidad de hasta 64 gigabits por segundo por telescopio, lo que genera petabytes de datos. La correlación entre pares de estaciones produce visibilidades que muestrean componentes de Fourier del brillo del cielo. Como la rotación terrestre deja mediciones dispersas y fuentes como Sgr A* cambian durante la observación, los algoritmos deben reconstruir la imagen a partir de muestras incompletas y de una fuente que puede evolucionar.
La luz que pasa cerca de un agujero negro puede orbitarlo antes de escapar y formar un anillo de fotones próximo al borde de la sombra. Su tamaño y forma pueden ayudar a limitar la masa, el giro y el ángulo de visión del agujero negro. El proyecto Black Hole Explorer (BHEX) pretende medir ese anillo, mientras que observaciones futuras del ngEHT a 345 GHz podrían detectar su señal mediante mediciones de polarización.
Qué procesa xBeam
cuPhoton.xBeam es el correlador FX del conjunto cuPhoton. Ordena las grabaciones para permitir lecturas en paralelo, crea un índice .vdix para localizar cada trama y carga los voltajes en la memoria de las GPU. Después transforma las señales de cada estación en canales de frecuencia y multiplica las señales de pares de estaciones, junto con sus polarizaciones, para producir las visibilidades.
El flujo incluye la lectura y ubicación temporal de las tramas VDIF; la aplicación de retardos y correcciones de fase; la división de las señales en canales mediante una transformada rápida de Fourier; la multiplicación y acumulación de productos; y la escritura de las visibilidades en formato SWIN de DiFX o en el formato propio xbeam-v1. Los datos ausentes o no válidos se siguen mediante el procesamiento y afectan a los pesos informados.
xBeam utiliza los retardos incluidos en el archivo del trabajo: no los calcula a partir de la posición de las estaciones ni sigue trayectorias de luz alrededor de un agujero negro. NVIDIA indica que DiFX, un correlador de CPU de código abierto, sirve como referencia para validar los resultados. Herramientas como HOPS, rPICARD y eht-imaging pueden emplear después las visibilidades para calibración y generación de imágenes.
Ejecución y escalado
El programa acepta un trabajo JSON normalizado, versión 1 del esquema, o un archivo DiFX .input. Antes de correlacionar, se pueden inspeccionar las grabaciones VDIF y crear índices laterales .vdix, que localizan los intervalos temporales sin reescribir los archivos. La lectura puede hacerse mediante POSIX o cuFile; el uso de una ruta directa desde el almacenamiento hasta la GPU depende de la configuración y de las condiciones de ejecución.
Para repartir el procesamiento en una máquina, la opción --devices inicia procesos en varias GPU. En distintos nodos, cada proceso trabaja en una fracción temporal o fragmento, definido con --shard-count y --shard-index; una vez finalizados, merge-shards reúne las salidas. La herramienta comprueba que los fragmentos correspondan al mismo trabajo, cubran el intervalo temporal completo y tengan encabezados SWIN compatibles.
En las pruebas descritas por NVIDIA, una grabación de 10 TB se distribuyó entre 1 y 64 GPU en varios nodos del sistema Vera Rubin NVL72. La compañía informa que el tiempo total de procesamiento en 64 GPU fue de 70 segundos, frente a unos 32.000 segundos para la referencia de CPU x86. Con GPUDirect Storage, la velocidad de lectura de esa grabación pasó de 20 GB/s con 4 GPU a 170 GB/s con 64 GPU.
Herramientas y desarrollos posibles
El artículo plantea que agentes de inteligencia artificial podrían automatizar tareas como revisar metadatos VDIF, preparar archivos de trabajo, iniciar correlaciones en clústeres de GPU y supervisar su ejecución. NVIDIA precisa que las pruebas actuales se centran en la aceleración mediante GPU, no en un control autónomo integral.
El conjunto cuPhoton también incluye herramientas para otros datos científicos: xDataReader, xScan, xPois y xFit para imagen óptica, y xRay para procesar directamente en memoria GPU imágenes de detectores de experimentos con láser de rayos X. El repositorio público de NVIDIA/cuPhoton ofrece los módulos de imagen y xBeam.
