How to take a picture of a black hole | Katie Bouman

Translator: Najmeh Mirian Reviewer: Leila Ataei

In the movie "Interstellar,"

در فیلم " بین‌ستاره‌ای"

we get an up-close look at a supermassive black hole.

تصویر نزدیکی از یک سیاه‌چاله کلان‌جرم داریم.

Set against a backdrop of bright gas,

قرار گرفته در پشت گازهای درخشان،

the black hole's massive gravitational pull

کشش گرانشی حجیم سیاه چاله

bends light into a ring.

نور را به شکل حلقه خم می‌کند.

However, this isn't a real photograph,

گر چه این یک عکس واقعی نیست،

but a computer graphic rendering --

و صرفا یک اثر گرافیکی کامپیوتری است--

an artistic interpretation of what a black hole might look like.

تفسیری هنرمندانه از آنچه که باید شبیه یک سیاه چاله باشد.

A hundred years ago,

صد سال پیش ،

Albert Einstein first published his theory of general relativity.

آلبرت انیشتین اولین بار تئوری نسبیت عام خود را منتشر کرد.

In the years since then,

در سالهای بعد از آن،

scientists have provided a lot of evidence in support of it.

دانشمندان در اثبات آن شواهد زیادی بدست آوردند.

But one thing predicted from this theory, black holes,

اما چیزی که از این تئوری پیشگویی شد، سیاه چاله‌ها،

still have not been directly observed.

هنوز به صورت مستقیم مشاهده نشده است.

با این وجود ما ایده‌ای داریم که سیاه چاله باید به چه شکل باشد،

Although we have some idea as to what a black hole might look like,

we've never actually taken a picture of one before.

ما قبلا هیچوقت از هیچ یک از آنها عکس نگرفتیم.

However, you might be surprised to know that that may soon change.

هرچند، شاید شگفت زده شوید اگر بشنوید که این امر خیلی زود ممکن است تغییر کند.

We may be seeing our first picture of a black hole in the next couple years.

ما ممکن است اولین عکس خودمان از سیاه چاله را در دو سال آینده ببینیم.

Getting this first picture will come down to an international team of scientists,

گرفتن این اولین عکس توسط یک تیم بین المللی دانشمندان،

an Earth-sized telescope

یک تلسکوپ با سایز زمین و

and an algorithm that puts together the final picture.

الگوریتمی که عکس نهایی را کنارهم قرار میدهد، انجام خواهد شد.

با وجود این که من امروز قادر نیستم یک عکس واقعی از سیاه چاله نشان دهم،

Although I won't be able to show you a real picture of a black hole today,

I'd like to give you a brief glimpse into the effort involved

مایلم یک دید سریع و اجمالی به شما از کوششی ارائه کنم

in getting that first picture.

که در رسیدن به آن عکس اولیه است.

My name is Katie Bouman,

اسم من کتی بومان است،

and I'm a PhD student at MIT.

و من دانشجوی دکترای در ام ای تی هستم.

I do research in a computer science lab

در آزمایشگاه علوم کامپیوتری تحقیق می کنم

that works on making computers see through images and video.

که روی ساخت کامپیوترهایی که تصاویر و ویدیوها را می بیند، کار می کند.

But although I'm not an astronomer,

با وجود این که ستاره شناس نیستم،

امروز مایلم به شما نشان دهم

today I'd like to show you

how I've been able to contribute to this exciting project.

که چطور قادرم در این پروژه هیجان انگیز همکاری کنم.

If you go out past the bright city lights tonight,

اگر شما امشب از روشنایی نور شهر خارج شوید،

ممکن است این قدر خوش شانس باشید که تصویرعالی

you may just be lucky enough to see a stunning view

of the Milky Way Galaxy.

از کهکشان راه شیری را ببینید.

و اگر شما بتوانید میلیونها ستاره را

And if you could zoom past millions of stars,

26,000 light-years toward the heart of the spiraling Milky Way,

که ۲۶،۰۰۰ سال نوری دورتر از قلب راه شیری مارپیچی هستند، بزرگ کنید

we'd eventually reach a cluster of stars right at the center.

در نهایت به گروهی از ستاره ها درست در مرکز می رسیم.

Peering past all the galactic dust with infrared telescopes,

با کنار زدن همه غبارهای کهکشانی توسط تلسکوپ مادون قرمز،

astronomers have watched these stars for over 16 years.

ستاره شناسان این ستاره ها را ۱۶ سال تماشا می‌کردند.

اما آنچه که آنها نمی‌بینند خیلی تماشایی است.

But it's what they don't see that is the most spectacular.

These stars seem to orbit an invisible object.

این ستاره ها به نظر یک شی غیر قابل رویت را دور می زنند.

By tracking the paths of these stars,

با پیگیری مسیر این ستاره ها،

اخترشناسان نتیجه گرفته اند

astronomers have concluded

that the only thing small and heavy enough to cause this motion

که تنها چیز کوچکی و سنگینی که منجر به این حرکت می شود

is a supermassive black hole --

یک سیاه چاله کلان جرم است

an object so dense that it sucks up anything that ventures too close --

و یک شی که هرچیزی که جرات نزدیک شدن به آن داشته باشد را میمکد

even light.

حتی نور.

But what happens if we were to zoom in even further?

اما چه اتفاقی می افتد اگر ما بیشتر آن را نزدیک کنیم؟

Is it possible to see something that, by definition, is impossible to see?

ممکن است که چیزی را ببینیم، که به تعریف، دیدنش غیر ممکن باشد ؟

Well, it turns out that if we were to zoom in at radio wavelengths,

اگر ما در طول موجهای رادیویی متمرکز شویم

we'd expect to see a ring of light

انتظار داریم حلقه نوری را ببینیم

caused by the gravitational lensing of hot plasma

که به دلیل گرانش عدسی مانند پلاسمای داغ

در اطراف سیاه چاله فشرده می شود.

zipping around the black hole.

In other words,

به عبارت دیگر،

سیاه چاله به طرح یک سایه در پشت این مواد نوری قرار می گیرد،

the black hole casts a shadow on this backdrop of bright material,

carving out a sphere of darkness.

که خارج یک کره تاریک حک شده.

This bright ring reveals the black hole's event horizon,

این حلقه روشن منطقه رویداد سیاه چاله را آشکار می کند.

where the gravitational pull becomes so great

جایی که کشش گرانشی چنان شدید می شود

که حتی نور هم نمیتواند فرار کند.

that not even light can escape.

Einstein's equations predict the size and shape of this ring,

معادلات انیشتین سایز و شکل این حلقه را پیش بینی می کند.

so taking a picture of it wouldn't only be really cool,

بنابراین گرفتن عکس از آن نه تنها فوق العاده است

it would also help to verify that these equations hold

بلکه همچنین کمک می کند تا به آن معادلات در شرایط شدید

in the extreme conditions around the black hole.

اطراف سیاه چاله اعتبار ببخشد.

However, this black hole is so far away from us,

اما، این سیاه چاله ها خیلی از ما دور هستند،

that from Earth, this ring appears incredibly small --

طوری که از زمین، این حلقه خیلی کوچک ظاهر می شود --

the same size to us as an orange on the surface of the moon.

آن سایز کوچک برای ما مثل یک پرتقال می ماند در صفحه ماه.

That makes taking a picture of it extremely difficult.

این مسله، گرفتن عکس از آن را به شدت سخت می کند.

Why is that?

چرا این گونه است ؟

Well, it all comes down to a simple equation.

خوب، اینها همه از یک معادله ساده شروع می شود.

Due to a phenomenon called diffraction,

براساس پدیده ای که آن را تداخل می نامند،

محدودیت های اساسی برای

there are fundamental limits

to the smallest objects that we can possibly see.

کوچکترین شی که ما میتوانیم ببینیم، وجود دارد.

This governing equation says that in order to see smaller and smaller,

این معادله می گوید که برای دیدن اشیاء کوچک و کوچکتر

we need to make our telescope bigger and bigger.

ما احتیاج داریم که تلسکوپهای بزرگ و بزرگتر بسازیم.

اما حتی با تلسکوپهای قوی اپتیکی روی زمین هم،

But even with the most powerful optical telescopes here on Earth,

we can't even get close to the resolution necessary

نمیتوانیم شفافیت لازم و تقریبی

to image on the surface of the moon.

عکس از سطح ماه را بدست آوریم.

In fact, here I show one of the highest resolution images ever taken

در واقع، اینجا به شما یکی از با کیفیترین عکسهایی که روی زمین

of the moon from Earth.

از ماه گرفتیم را نشان میدهم.

It contains roughly 13,000 pixels,

شامل تقریبا ۱۳،۰۰۰ پیکسل است.

and yet each pixel would contain over 1.5 million oranges.

و هر کدام از پیکسلها شامل ۱/۵ میلیون پرتقال هستند.

So how big of a telescope do we need

پس تلسکوپی که نیاز داریم چقدر بزرگ باشد

in order to see an orange on the surface of the moon

تا بتوانیم یک پرتقال را روی سطح ماه ببینیم

and, by extension, our black hole?

و با تعمیم، سیاه چاله مان را ببینیم؟

Well, it turns out that by crunching the numbers,

خوب به نظر می رسد، با خرد کردن عددها،

you can easily calculate that we would need a telescope

شما راحت میتوانید حساب کنید که به تلسکوپی نیازمندیم که

the size of the entire Earth.

در سایز کل زمین باشد.

(Laughter)

(خنده)

If we could build this Earth-sized telescope,

اگرمیتوانستیم تلسکوپی با این مقیاس بسازیم،

میتوانستیم از آن حلقه نور مشخص شروع کنیم

we could just start to make out that distinctive ring of light

indicative of the black hole's event horizon.

که نشانه ای از منطقه وقوع سیاه چاله است.

Although this picture wouldn't contain all the detail we see

با این حال این تصویر شامل همه جزِئیاتی نیست که در

تفسیر گرافیکی کامپیوتر می بینیم،

in computer graphic renderings,

it would allow us to safely get our first glimpse

به ما اجازه می دهد که اولین دیدگاه اجمالی

of the immediate environment around a black hole.

از محیط اطراف سیاه چاله را پیدا کنیم.

However, as you can imagine,

هرچند، همان طور که تصور می کنید،

ساختن یک تک دیش تلسکوپ با بزرگی زمین غیرممکن است.

building a single-dish telescope the size of the Earth is impossible.

But in the famous words of Mick Jagger,

اما یک نقل قول معروفی از میک چاگجر هست،

"You can't always get what you want,

《شما نمیتوانیم به هرآنچه میخواهد برسید

but if you try sometimes, you just might find

اما اگر برای چیزی تلاش کنید، شما ممکن است به

you get what you need."

آنچه احتیاج دارید برسید》

And by connecting telescopes from around the world,

و با متصل کردن تلسکوپها در همه دنیا،

an international collaboration called the Event Horizon Telescope

یک همکاری بین لمللی، که به آن افق رویداد تلسکوپی می گویند

is creating a computational telescope the size of the Earth,

یک تلسکوپ کامپیوتری در سایز زمین می سازد،

که قادراست به باسازی ساختارها

capable of resolving structure

on the scale of a black hole's event horizon.

در مقیاس پدیده افق یک سیاه چاله است.

This network of telescopes is scheduled to take its very first picture

این شبکه تلسکوپی برنامه ریزی می شود تا اولین تصویر را از

of a black hole next year.

یک سیاه چاله در سال آینده بگیرد.

هرکدام از تلسکوپها در شبکه جهانی با هم همکاری دارند.

Each telescope in the worldwide network works together.

Linked through the precise timing of atomic clocks,

هماهنگ شده از طریق زمانبندی ساعتهای اتمی دقیق،

teams of researchers at each of the sites freeze light

تیم های محققان در هر طرف نور را،

by collecting thousands of terabytes of data.

با جمع آوری هزاران ترابایت از دادههای اطلاعاتی منجمد می کنند.

This data is then processed in a lab right here in Massachusetts.

این داده ها به آزمایشگاه اینجا در ماساچوست فرستاده می شود.

So how does this even work?

بنابراین، چطور این اتفاق کار می کند؟

Remember if we want to see the black hole in the center of our galaxy,

یادمان باشد اگر ما بخواهیم که آن سیاه چاله در مرکز کهکشانمان را ببینم

we need to build this impossibly large Earth-sized telescope?

نیازمندیم که یک تلسکوپ غیرممکن در سایز زمین بسازیم؟

For just a second, let's pretend we could build

فقط برای یک ثانیه، بیایید وانمود کنیم که ما

a telescope the size of the Earth.

میتوانیم یک تسکوپ در سایز زمین بسازیم.

This would be a little bit like turning the Earth

این شبیه آن است که زمین را تبدیل کنیم

into a giant spinning disco ball.

به یک توپ چرخنده دیسکو قول پیکر.

Each individual mirror would collect light

هر کدام از آینه های منفرد نور را جمع می کند

that we could then combine together to make a picture.

تا ما بتوانیم با هم ترکیب کنیم و یک تصویر بسازیم.

However, now let's say we remove most of those mirrors

اما، حالا بگذارید بگویم، ما بیشتر این آینه ها را برداشتیم

بنابراین فقط تعداد کمی باقی ماند.

so only a few remained.

هنوز تلاش می کنیم که این اطلاعات را با هم ترکیب کنیم

We could still try to combine this information together,

اما حالا تعداد زیادی سوراخ وجود دارد.

but now there are a lot of holes.

این آینه های باقی مانده موقعیت هایی را نشان می دهند که آنجا تلسکوپ داریم.

These remaining mirrors represent the locations where we have telescopes.

This is an incredibly small number of measurements to make a picture from.

این تنها بخش خیلی کوچکی از اندازه گیریها در گرفتن تصویر است.

But although we only collect light at a few telescope locations,

اما با وجود این که ما فقط نور تعداد کمی از تلسکوپهای موضعی را جمع کردیم،

as the Earth rotates, we get to see other new measurements.

در چرخشهای زمین، اندازه گیریهای دیگری راهم می بینم.

In other words, as the disco ball spins, those mirrors change locations

به عبارتی، همان طور که توپ دیسکو می چرخد آن آینه ها مکانشان را عوض می کنند.

and we get to observe different parts of the image.

و ما قسمت های متفاوت تصویر را مشاهده می کنیم.

The imaging algorithms we develop fill in the missing gaps of the disco ball

این الگوریتم تصویری که توسعه می دهیم شکافهای توپ دیسکو را

in order to reconstruct the underlying black hole image.

برای ساختن تصویر یک سیاه چاله اصولی پر می کند.

If we had telescopes located everywhere on the globe --

اگر تسکوپهایی در همه جای دنیا قرار داشتیم--

in other words, the entire disco ball --

به عبارت دیگر درسرتاسر توپ دیسکو--

this would be trivial.

کار ناچیزی تلقی میشد.

However, we only see a few samples, and for that reason,

اما، ما فقط چند نمونه را می بینیم و به آن دلیل

there are an infinite number of possible images

تعداد بینهایتی از تصاویر ممکن وجود دارد

that are perfectly consistent with our telescope measurements.

که به طور کامل شامل اندازه گیری تلسکوپ ما خواهد شد،

However, not all images are created equal.

اما، همه تصاویر به طور یکسان ساخته نمی شوند

Some of those images look more like what we think of as images than others.

بعضی از آن تصاویر بیشتر به آنچه ما فکر می کنیم شبیه هستند.

And so, my role in helping to take the first image of a black hole

خوب، نقش من در گرفتن اولین تصویر از سیاه چاله

is to design algorithms that find the most reasonable image

طراحی الگوریتمی است که یک تصویر قابل قبول پیدا کند،

that also fits the telescope measurements.

که همچنان با اندازه گیریهای تلسکوپ تطبیق شود.

Just as a forensic sketch artist uses limited descriptions

درست مثل یک هنرمند طراح که از تعریفهای محدود استفاده می کند

to piece together a picture using their knowledge of face structure,

تا همه با هم تصویری را حاصل کنند که از دانش ساختار چهره بهره می گیرد،

the imaging algorithms I develop use our limited telescope data

الگوریتمهای تصویرسازی که بسط میدهم از داده محدود تلسکوپها استفاده می کند

to guide us to a picture that also looks like stuff in our universe.

تا برای تصویری حاصل شود که شبیه اجسام دنیای ما باشد.

Using these algorithms, we're able to piece together pictures

با استفاده از این الگوریتمها قادریم که عکسهایی را از

from this sparse, noisy data.

داده های پراکنده و نویزی بهم متصل کنیم.

So here I show a sample reconstruction done using simulated data,

خوب، اینجا من نمونه بازسازی شده از داده های شبیه سازی شده را نشان می دهم،

when we pretend to point our telescopes

مربوط به وقتی که ما توجه تلسکوپهایمان

to the black hole in the center of our galaxy.

را به سیاه چاله مرکز کهکشانمان فرا می خوانیم.

Although this is just a simulation, reconstruction such as this give us hope

با وجود اینکه، این فقط یک شبیه سازی است باسازی آن به ما این امید را میدهد

that we'll soon be able to reliably take the first image of a black hole

که به زودی قادریم اولین تصویرمان از یک سیاه چاله را بگیریم

and from it, determine the size of its ring.

و از روی آن سایز حلقه آن را مشخص کنیم.

با اینکه من علاقه مندم که درباره همه جزییات این الگوریتم صحبت کنم،

Although I'd love to go on about all the details of this algorithm,

luckily for you, I don't have the time.

ولی از خوش اقبالی شما، وقت آن ندارم.

But I'd still like to give you a brief idea

اما هنوز دوست دارم که یک ایده خلاصه بدهم که

of how we define what our universe looks like,

چگونه آنچه که دنیای ما به آن شبیه است را تعریف می کنیم،

and how we use this to reconstruct and verify our results.

و چطور از آن استفاده می کنیم تا نتیجه ها را بازسازی و معتبر کنیم.

Since there are an infinite number of possible images

از آنجا که تعداد بی شماری از تصاویر ممکن وجود دارد

that perfectly explain our telescope measurements,

که کاملا اندازه گیری های تلسکوپ ما را شرح می دهد،

we have to choose between them in some way.

باید با روشی را از بین آنها انتخاب کنیم.

We do this by ranking the images

با رتبه بندی تصاویر این کار را میکنیم،

based upon how likely they are to be the black hole image,

بر این اساس که چقدر آنها شبیه یک تصویر سیاه چاله هستند،

and then choosing the one that's most likely.

و سپس می شود یکی که بیشتر شبیه است را انتخاب نمود.

خوب، دقیقا منظور من چیست؟

So what do I mean by this exactly?

Let's say we were trying to make a model

بگوییم که در تلاش بودیم که مدلی بسازیم

that told us how likely an image were to appear on Facebook.

که به ما بگوید چقدر شبیه تصویری است که در فیس بوک ظاهر می شود.

ما احتمالا مدلی می خواهیم که بگوید

We'd probably want the model to say

it's pretty unlikely that someone would post this noise image on the left,

کاملا ناممکن است که کسی این تصویر پر از نویز سمت چپی را پست کند،

and pretty likely that someone would post a selfie

و کاملا ممکن است که کسی عکس سلفی مانند آن

like this one on the right.

سمت راستی را پست کند.

عکس وسط کدر است،

The image in the middle is blurry,

so even though it's more likely we'd see it on Facebook

خوب، حتی با اینکه مانند عکسهای فیسبوکی است که در مقایسه

compared to the noise image,

با عکس برفکی می بینیم،

it's probably less likely we'd see it compared to the selfie.

احتمالا کمتر مانند عکسهای سلفی است که دیدیم.

But when it comes to images from the black hole,

اما وقتی الگوریتم روی عکسهای سیاه چاله انجام شود

we're posed with a real conundrum: we've never seen a black hole before.

درگیر یک مسئله جدی میشویم ما هیچ وقت قبلا سیاه چاله را ندیده ایم.

In that case, what is a likely black hole image,

در این صورت، تصویر سیاهچاله به چه چیزی شبیه است.

و ما درباره ساختار سیاه چاله چه چیزی را باید در نظر بگیریم؟

and what should we assume about the structure of black holes?

We could try to use images from simulations we've done,

می توانیم از تصاویر که شبیه ساز کردیم استفاده کنیم.

like the image of the black hole from "Interstellar,"

مانند تصویر سیاه چاله در فیلم "بین ستاره ای"،

but if we did this, it could cause some serious problems.

اما اگر چنین کنیم، ممکن است منجر به بعضی از مشکلات جدی شود.

چه اتفاقی می افتد اگر تئوری انیشتن درست نباشد؟

What would happen if Einstein's theories didn't hold?

We'd still want to reconstruct an accurate picture of what was going on.

ما هنوز می خواهیم یک تصویر دقیق از آنچه رخ میدهد را بازسازی کنیم.

If we bake Einstein's equations too much into our algorithms,

اگر ما با الگوریتمهای خود معادلات انیشتن را بشدت رد کنیم،

we'll just end up seeing what we expect to see.

تنها منجر به مشاهده آنچه انتظار داریم خواهد شد.

In other words, we want to leave the option open

به عبارتی، ما میخواهیم این گزینه را باز رها کنیم

برای اینکه یک فیل غول پیکر در مرکز کهکشان ما وجود دارد.

for there being a giant elephant at the center of our galaxy.

(Laughter)

(خنده)

انواع مختلف تصاویر ویژگیهای خیلی متفاوتی دارند.

Different types of images have very distinct features.

ما میتوانیم خیلی ساده تفاوت بین تصاویر شبیه سازی سیاه چاله ها و

We can easily tell the difference between black hole simulation images

and images we take every day here on Earth.

تصاویری که هر روز روی زمین میگیریم را بگوییم.

We need a way to tell our algorithms what images look like

به روشی نیازمندیم که به الگوریتمهای ما بگوید

بدون تحمیل زیاد ویژگی یک نوع عکس تصاویر به چه میمانند.

without imposing one type of image's features too much.

One way we can try to get around this

یک روش برای رسیدن به این ایده

is by imposing the features of different kinds of images

تحمیل ویژگیهای انواع تصاویر مختلف است

and seeing how the type of image we assume affects our reconstructions.

و دیدن این که چطور نوع تصویری که ما در نظر می گیریم روی بازسازی ما اثر می گذارد.

If all images' types produce a very similar-looking image,

اگر همه انواع تصاویر یک تصویر واحد را بسازند،

then we can start to become more confident

ما می توانیم اعتماد به نفس پیدا کنیم که

that the image assumptions we're making are not biasing this picture that much.

آن فرضهای تصویری که گرفتیم این تصویر را خیلی عوض نکرده است.

This is a little bit like giving the same description

این کمی شبیه دادن یک توصیف مشابه

to three different sketch artists from all around the world.

به سه هنرمند مختلف طراح از سه نقطه دنیاست.

If they all produce a very similar-looking face,

اگر هر سه یک چهره شبیه هم ساختند

then we can start to become confident

می توانیم اعتماد به نفس پیدا کنیم

that they're not imposing their own cultural biases on the drawings.

که آنها تعصبهای مهم شخصی خود را روی طراحی اعمال نکرده اند.

One way we can try to impose different image features

یک روش که می توانیم ویژگیهای تصویری متفاوت اعمال کنیم

is by using pieces of existing images.

استفاده از تصاویر موجود است.

So we take a large collection of images,

بنابراین مجموعه بزرگی از تصاویر میسازیم

and we break them down into their little image patches.

و آن را به تکه های کوچک تجزیه می کنیم.

سپس می توانیم با این تکه های تصویری کمی شبیه پازل کار کنیم.

We then can treat each image patch a little bit like pieces of a puzzle.

And we use commonly seen puzzle pieces to piece together an image

و ما قطعه قطعه این پازل را می بینیم که

that also fits our telescope measurements.

که در ابتدا تلسکوپها اندازه گیری کرده اند.

انواع مختلف تصاویر مجموعه قطعه های پازل متمایزی را دارد.

Different types of images have very distinctive sets of puzzle pieces.

So what happens when we take the same data

بنابراین چه می شود وقتی ما داده های یکسانی را استفاده کنیم

but we use different sets of puzzle pieces to reconstruct the image?

اما مجموعه قطعه های پازل متفاوتی را استفاده می کنیم؟

Let's first start with black hole image simulation puzzle pieces.

اجازه بدهید اول از مجموعه پازل تصویر شبیه سازی سیاه چاله شروع کنیم.

OK, this looks reasonable.

خوب، منطقی به نظر می آید.

This looks like what we expect a black hole to look like.

این شبیه آن چیزی است که از سیاه چاله انتظار داریم.

But did we just get it

اما قابل درک است چون

چون با قطعات کوچک تصاویر شبیه سازی سیاه چاله تعذیه اش کردیم؟

because we just fed it little pieces of black hole simulation images?

Let's try another set of puzzle pieces

بیاید سری قطعات پازل دیگری

from astronomical, non-black hole objects.

از اختر شناسی و اشیاع غیر سیاه چاله را امتحان کنیم.

OK, we get a similar-looking image.

خوب، تصویر یکسان دیگری بدست میآوریم.

بعد از آن، بقیه قطعات از تصاویر روزانه

And then how about pieces from everyday images,

like the images you take with your own personal camera?

مانند تصاویری که شما با دوربین شخصی خودتان می گیرید، چطور؟

Great, we see the same image.

عالیست، ما تصاویر یکسانی را می بینیم.

When we get the same image from all different sets of puzzle pieces,

وقتی ما یک تصویر یکسان را از همه مجموعه های قطعات پازل حاصل می کنیم

then we can start to become more confident

می توانیم شروع به داشتن اعتماد بیشتری کنیم

that the image assumptions we're making

که فرض تصویری که گرفتیم

aren't biasing the final image we get too much.

بر اساس تصویر نهایی نیست که بدست میاید.

Another thing we can do is take the same set of puzzle pieces,

کار دیگری که می توانیم کنیم گرفتن مجموعه قطعات پازل یکسان است

چنانچه از تصاویر روزانه بشود بدست آورد،

such as the ones derived from everyday images,

and use them to reconstruct many different kinds of source images.

و از آنها استفاده کنیم تا انواع مختلفی از منشا تصاویر را بازسازی کنیم.

So in our simulations,

خوب در شبیه سازی های ما،

we pretend a black hole looks like astronomical non-black hole objects,

ما سیاه چاله را شبیه اشیاء غیر سیاه چاله ای اختری نمایش دادیم.

as well as everyday images like the elephant in the center of our galaxy.

همین طور تصاویر روزانه شبیه فیل مرکز کهکشان ما است.

When the results of our algorithms on the bottom look very similar

وقتی نتایج الگوریتم ما در پایین خیلی شبیه به

to the simulation's truth image on top,

تصاویر واقعی شبیه سازی شده در بالا شد

then we can start to become more confident in our algorithms.

میتوانیم شروع به داشتن اعتماد بیشتر به الگوریتهایمان کنیم.

And I really want to emphasize here

و من واقعا میخواهم اینجا تاکید کنم که

that all of these pictures were created

همه این تصاویری که خلق شدند

by piecing together little pieces of everyday photographs,

با کنار هم قرار دادن قطعات ریز عکسهای روزانه، شبیه عکسهایی

like you'd take with your own personal camera.

که شما با دوربین تان می گیرید حاصل می شود.

So an image of a black hole we've never seen before

خوب عکسی از سیاه چاله که هرگز قبلا ندیده ایم

may eventually be created by piecing together pictures we see all the time

را می شود با کنارهم قراردادن تصاویری که همه وقت از مردم،

of people, buildings, trees, cats and dogs.

ساختمانها، درختان، گربه ها و سگها می بینیم خلق کرد.

Imaging ideas like this will make it possible for us

ایده های تصویرسازی مانند این برای ما ممکن می کند که

to take our very first pictures of a black hole,

اولین عکس مان را از یک سیاه چاله بگیریم،

and hopefully, verify those famous theories

و امیدواریم که تئوریها معروف را ثابت کنیم.

on which scientists rely on a daily basis.

تئوریهایی که دانشمندان اساساٌ به آنها تکیه می کنند.

But of course, getting imaging ideas like this working

اما البته گرفتن ایده های تصویری شبیه این کار

would never have been possible without the amazing team of researchers

هرگز بدون تیم پژوهشگران ممکن نخواهد بود

that I have the privilege to work with.

که من امتیاز کار کردن با آنها را دارم.

هنوز من را متعجب می کند

It still amazes me

that although I began this project with no background in astrophysics,

که با اینکه من این پروژه را بدون هیچ زمینه قبلی از اخترشناسی شروع کردم،

what we have achieved through this unique collaboration

آنچه که از طریق این همکاری بی همتا حاصل کردیم

could result in the very first images of a black hole.

میتواند اولین تصویر از سیاه چاله را نتیجه دهد.

اما پروژه های بزرگ شبیه "تلسکوپ افق رویداد"

But big projects like the Event Horizon Telescope

are successful due to all the interdisciplinary expertise

به دلیل همه تخصصهای بین رشته ای که افراد متفاوت

different people bring to the table.

روی میز می گذارند، موفق می شود .

We're a melting pot of astronomers,

ما یک ظرف ترکیب شده از اختر شناسان

physicists, mathematicians and engineers.

فیزیکدانها، ریاضیدانها و مهندسان هستیم.

This is what will make it soon possible

این گونه است که چیزی را

که فکر می کنند غیر ممکن است حاصل شود را سریع ممکن می سازد.

to achieve something once thought impossible.

I'd like to encourage all of you to go out

من میخواهم همه شما را تشویق کنم که بیرون بروید

and help push the boundaries of science,

و به جلو راندن مرزهای علوم کمک کنید

even if it may at first seem as mysterious to you as a black hole.

حتی وقتی که در ابتدا مثل یک راز برای شما می ماند

Thank you.

سپاسگزارم.

(Applause)

(تشویق)