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

번역: SeungGyu Min 검토: Joowon Lee

In the movie "Interstellar,"

영화 '인터스텔라'에서

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

우리는 초대형 블랙홀을 가까이서 볼 수 있습니다.

Set against a backdrop of bright gas,

밝은 가스를 배경으로

the black hole's massive gravitational pull

블랙홀의 엄청난 중력은

bends light into a ring.

빛을 고리 모양으로 휘어지게 합니다.

However, this isn't a real photograph,

하지만, 이것은 실제 사진이 아닙니다.

but a computer graphic rendering --

예술적 해석을 가미하여

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

'블랙홀이 이렇게 생겼을 것이다'라고 컴퓨터 그래픽으로 표현한 것이죠.

A hundred years ago,

100여년 전에

Albert Einstein first published his theory of general relativity.

알버트 아인슈타인은 그의 이론인 '일반상대성이론'을 처음 출판하였습니다.

그 이후로

In the years since then,

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

과학자들은 일반상대성이론을 뒷받침하기 위한 증거들을 제시하고 있습니다.

But one thing predicted from this theory, black holes,

하지만 이 이론을 증명하는 단 하나

블랙홀은 직접 관찰된 적이 없습니다.

still have not been directly observed.

비록 블랙홀의 생김새에 대한 여러 아이디어는 제시되었지만,

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

우리는 한번도 블랙홀을 직접 찍어본 적이 없습니다.

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

하지만 여러분들은 아마 이것이 곧 바뀔 것이라는 점에 놀랄 겁니다.

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

우리는 몇 년 사이 찍힌 최초의 블랙홀의 모습을 볼 수 있을 것입니다.

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

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

첫 번째 블랙홀 사진은 지구만한 망원경과

an Earth-sized telescope

사진들을 합치는 알고리즘을 이용하여

and an algorithm that puts together the final picture.

여러 국가의 과학자들이 찍게 될 것이죠.

실제 블랙홀을 보여드릴 수는 없지만

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

최초의 사진을 찍기 위한 노력들에 대한

in getting that first picture.

간단한 소개를 해드리고자 합니다.

My name is Katie Bouman,

제 이름은 케이티 보먼이고

and I'm a PhD student at MIT.

MIT의 박사과정을 밟고 있습니다.

I do research in a computer science lab

저는 컴퓨터를 통해 비디오나 사진을 볼 수 있게 일을 하는

that works on making computers see through images and video.

컴퓨터 연구실에 있습니다.

But although I'm not an astronomer,

비록 저는 천문학자가 아니지만

오늘 이자리에서 저는

today I'd like to show you

제가 이 프로젝트에 어떻게 참여하는지 말씀드리고자 합니다.

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

만약 오늘밤 도시의 밝은 빛들을 지나쳐가면,

If you go out past the bright city lights tonight,

여러분들은 굉장히 아름다운 은하수를

you may just be lucky enough to see a stunning view

of the Milky Way Galaxy.

볼 수 있는 행운을 얻을 것입니다.

그리고 만약 수십만개의 별들을 확대해서 볼 수 있다면,

And if you could zoom past millions of stars,

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

운하의 중심부로부터 2만 6천광년이나 떨어진 은하수를 지나

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

중심부 위치한 별무리를 보게 될 것입니다.

Peering past all the galactic dust with infrared telescopes,

우주먼지들을 피하기 위한 적외선 망원경을 이용해서

천문학자들은 이 별들을 16년 넘게 관찰해왔습니다.

astronomers have watched these stars for over 16 years.

하지만 진면목은 보이지 않습니다.

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

이 별들은 보이지 않는 무언가의 주위를 멤돌고 있는 듯 합니다.

These stars seem to orbit an invisible object.

By tracking the paths of these stars,

이 별들의 궤도를 추적한 결과,

천문학자들은 결론을 내렸죠.

astronomers have concluded

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

이러한 움직임을 만들 수 있는 충분히 작고 무거운 물질은

밀도가 아주 높아 주위의 모든 것을 빨아들이는

is a supermassive black hole --

블랙홀 뿐이라는 것입니다.

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

블랙홀이 빨아들이는 것은 빛 또한 예외일 수 없습니다

even light.

더 확대해 본다면 어떨까요?

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

사진상 보이지 않는 것들을 볼 수 있게 될까요?

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

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

라디오 파장을 확대한다면

we'd expect to see a ring of light

블랙홀 주위에

caused by the gravitational lensing of hot plasma

고온의 플라스마가 중력을 가하는 렌즈가 생겨서

zipping around the black hole.

빛의 고리가 생길 것을 기대할 수 있습니다.

In other words,

즉

이 블랙홀은 밝은 물질을 배경으로 그림자를 생성하여

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

어둠의 영역을 조각해냅니다.

carving out a sphere of darkness.

이 밝은 고리의 중력이 매우 강해져서

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

빛 또한 벗어날 수 없는

where the gravitational pull becomes so great

that not even light can escape.

블랙홀의 지평선을 드러내게 됩니다.

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

아인슈타인의 방정식은 이 고리의 크기와 모양을 예측하므로,

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

이 사진을 찍는 것은 근사할 뿐만이 아니라

it would also help to verify that these equations hold

이 방정식이 블랙홀 주변의 극한의 상태에서도

in the extreme conditions around the black hole.

유지된다는 점을 입증합니다.

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

하지만, 이 블랙홀이 너무 멀기에

that from Earth, this ring appears incredibly small --

겨우 달의 오렌지만하게 보이는 고리는

매우 작게 보여질 뿐입니다.

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

That makes taking a picture of it extremely difficult.

따라서 사진에 담는것이 매우 어렵죠.

Why is that?

왜일까요?

Well, it all comes down to a simple equation.

그건 간단한 방정식 때문이죠.

Due to a phenomenon called diffraction,

'회절'이라는 현상에 때문에

볼 수도 있는 작은 물체들이

there are fundamental limits

to the smallest objects that we can possibly see.

근본적인 한계에 부딫히게 됩니다.

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

이 방정식에 따르면, 작은 물질을 보려면

we need to make our telescope bigger and bigger.

망원경을 더 크게 만들어야 한다고 합니다.

하지만 지구 가장 강력한 광학 망원경도

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

we can't even get close to the resolution necessary

달 표면의 영상 촬영에 필요한

to image on the surface of the moon.

해상도를 구현해내지 못합니다.

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

최상의 해상도로 달을 담은 사진을

of the moon from Earth.

보여드리겠습니다.

It contains roughly 13,000 pixels,

13,000개의 픽셀을 담은 사진 속

and yet each pixel would contain over 1.5 million oranges.

각각의 픽셀은 150만 개 이상의 오렌지를 포함합니다.

So how big of a telescope do we need

달 표면의 오렌지를 보기 위해서

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

아니면 블랙홀을 보기 위해서는

얼마나 큰 망원경이 필요할까요?

and, by extension, our black hole?

숫자를 적어 계산을 하면

Well, it turns out that by crunching the numbers,

you can easily calculate that we would need a telescope

지구 전체 크기의 망원경이

필요하다느 걸 알 수 있죠.

the size of the entire Earth.

(Laughter)

(웃음)

만일 지구 크기의 망원경을 만들게 된다면

If we could build this Earth-sized telescope,

블랙홀의 사건의 지평선을 나타내는

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

indicative of the black hole's event horizon.

독특한 빛의 고리를 보게 되겠죠.

이 사진은 자세하지 않지만,

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

컴퓨터 그래픽 해석을 통해

in computer graphic renderings,

블랙홀 주변의 환경을

it would allow us to safely get our first glimpse

of the immediate environment around a black hole.

안전하게 볼 수 있도록 해줄 것입니다.

하지만 여러분이 상상하시는 것과 같이

However, as you can imagine,

지구 크기의 단일 접시 망원경을 만드는 것은 불가능합니다.

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

But in the famous words of Mick Jagger,

하지만 믹 제거는 이렇게 말합니다,

"You can't always get what you want,

"원하는 것을 항상 가질 수는 없지만

but if you try sometimes, you just might find

시도를 한다면 원하는 것을

you get what you need."

찾고 가질 수 있을 것이다".

And by connecting telescopes from around the world,

그리고 전세계에 망원경을 연결하는

an international collaboration called the Event Horizon Telescope

국제적인 공동 작업인 "Event Horizon Telescope"는

is creating a computational telescope the size of the Earth,

사건의 지평선의 규모에서

구조를 해결할 수 있는

지구 규모의 전산 망원경을 만들고 있습니다.

capable of resolving structure

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

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

첫 사진은 내년에 찍게 될 예정입니다.

전 세계 네트워크 통신망을 통해

of a black hole next year.

망원경의 공동 작업이 이루어집니다.

Each telescope in the worldwide network works together.

Linked through the precise timing of atomic clocks,

정확한 시간을 통해 연결되고

연구소끼리 수천 테라바이트 데이터를 수집함으로써 빛을 동결시킵니다.

teams of researchers at each of the sites freeze light

by collecting thousands of terabytes of data.

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

그 데이터는 이후 바로 이 곳, 메사추세츠의 실험실에서 다뤄집니다.

So how does this even work?

그래서 이러한 작업이 어떻게 해서 이루어질까요?

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

만약 우리가 우리은하계의 중심에서 블랙홀을 보고 싶다면,

지구 크기의 망원경이 필요하다는 얘기를 했던 것을 기억하십니까?

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

잠시 동안 우리가 지구 크기만한 망원경을

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

a telescope the size of the Earth.

만들 수 있다고 가정해 봅시다.

이는 지구를 하나의 회전하는 거대한

This would be a little bit like turning the Earth

into a giant spinning disco ball.

미러볼로 바꾸어 생각할 수 있습니다.

각각의 거울은 빛을 모아주고

Each individual mirror would collect light

that we could then combine together to make a picture.

하나의 이미지를 만들기 위해 빛을 한군데로 모으죠.

만약 이들 대부분이 사라지고

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

so only a few remained.

아주 적은 양만 남았다고 해보겠습니다.

우리는 이 정보들을 합치기 위해 노력중이지만,

We could still try to combine this information together,

많은 양의 공백이 있습니다.

but now there are a lot of holes.

망원경이 설치된 장소가 그렇겠죠.

These remaining mirrors represent the locations where we have telescopes.

그런데 그건 미미한 수치일 뿐입니다.

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

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

망원경 설치 장소에서

지구가 자전하면 새로운 측정이 가능하죠.

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

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

다시 말해, 미러볼이 회전할 때 거울의 위치가 바뀌게 되면서

and we get to observe different parts of the image.

이미지의 다른 부분을 관찰할 수 있습니다.

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

우리가 개발한 영상 알고리즘이 미러볼의 빈 공간을 채우게 되는데

밑에 있는 블랙홀 이미지를 복원하기 위해서입니다.

in order to reconstruct the underlying black hole image.

If we had telescopes located everywhere on the globe --

만약 우리가 전세계 모든 곳에 망원경을 설치했다면

즉 미러볼에 비유하자면

in other words, the entire disco ball --

이것은 중요하지 않습니다.

this would be trivial.

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

하지만 적은 양의 샘플로는

there are an infinite number of possible images

만들어질 수 있는 사진이 너무 다양합니다.

that are perfectly consistent with our telescope measurements.

그 이미지는 망원경으로 측정한 것과 완벽하게 일치합니다.

그러나, 모든 이미지가 똑같지는 않습니다.

However, not all images are created equal.

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

이 이미지의 일부는 다른 것보다 우리가 생각하는 이미지와 일치합니다.

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

그래서, 블랙홀의 첫 이미지를 알아내기 위한 제 역할은

is to design algorithms that find the most reasonable image

가장 합리적인 이미지를 만들어 알고리즘을 설계하는 것입니다.

that also fits the telescope measurements.

또한 이 알고리즘은 망원경 측정치에도 부합해야 합니다.

Just as a forensic sketch artist uses limited descriptions

법의학 스케치 예술가가 자신의 얼굴구조에 대한 상식을 이용해

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

제한적인 서술을 통해 그림을 완셩해가는 것처럼

제가 개발한 영상 알고리즘은 우리 우주의 것처럼 보이는 이미지로

the imaging algorithms I develop use our limited telescope data

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

우리를 안내하기 위해 제한적인 망원경 데이터를 사용합니다.

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

이 알고리즘을 사용하면서, 희박하고 번거로운 데이터로부터

from this sparse, noisy data.

이미지를 만들어갈 수 있게 됩니다.

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

여기 우리가 망원경을 통해

우리은하계 중심에 있는 블랙홀을 보려 할 때

when we pretend to point our telescopes

to the black hole in the center of our galaxy.

시뮬레이션된 데이터를 사용하여 재구성된 샘플이 있습니다.

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

비록 시뮬레이션에 지나지 않지만, 이것과 같은 재구성은

우리에게 얼마 지나지 않아 블랙홀의 첫 이미지와

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

and from it, determine the size of its ring.

고리의 크기를 알아낼 수 있다는 희망을 줍니다.

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

전 이 알고리즘의 세부사항에 대해 계속 알아내 보고 싶지만

다행히도, 여러분께 제가 설명드릴수 있는 시간이 없습니다.

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

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

그러나, 간단하게나마 여러분께 아이디어를 드리고자 합니다.

of how we define what our universe looks like,

우리가 어떻게 우리은하계의 모양을 밝혀낼 수 있었는지

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

그리고 어떻게 이것을 저희 결과에 입증시키고 재구성하는지에 대해서요.

망원경을 통한 측정결과를 완벽하게 설명할 수 있는

Since there are an infinite number of possible images

that perfectly explain our telescope measurements,

이미지의 숫자가 무한하기 때문에

우리는 이 이미지들을 어떠한 방식으로든 나누어 선택해야 합니다.

we have to choose between them in some way.

We do this by ranking the images

블랙홀 이미지가 될 가능성에 따라

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

순위를 매기고

가장 근접한 이미지 하나를 선택합니다.

and then choosing the one that's most likely.

그래서 이 말은 정확히 무슨 뜻일까요?

So what do I mean by this exactly?

Let's say we were trying to make a model

모델을 만든다고 가정해봅시다.

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

이 화면은 페이스북에서 이미지를 예상한 것입니다.

우리는 아마 왼쪽의 이상한 사진을

We'd probably want the model to say

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

누군가가 게시할 가능성이 매우 낮을 것이라고 생각합니다.

and pretty likely that someone would post a selfie

그리고 오른쪽의 셀카 사진을

like this one on the right.

게시할 가능성이 높다고 생각합니다.

중간에 있는 사진은 흐릿합니다.

The image in the middle is blurry,

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

이런 사진을 페이스북에서 볼 확률이 더 높겠지요

잡음 영상과 비교했을때 말입니다.

compared to the noise image,

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

하지만 자신을 찍어 올린 그림과 비교한다면 확률은 낮을 수 있습니다.

But when it comes to images from the black hole,

그러나 블랙홀의 이미지로 넘어와서는

우리는 진정한 수수께끼에 처합니다 우리는 이전에 블랙홀을 본적이 없습니다.

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

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

이러한 상황에서, 무엇이 블랙홀 이미지에 가깝고

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

블랙홀 구조에 관해 어떻게 생각해야 할까요?

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

우리는 '인터스텔라'에 나오는 블랙홀의 이미지처럼

우리가 완성시켜놓은 시뮬레이션으로부터 이미지를 가져올 수 있습니다

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

그러나 우리가 이렇게 한다면, 상당히 심각한 문제를 야기할 수 있습니다

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

만약 아인슈타인의 이론이 유지되지 않았다면 무슨 일이 벌어졌을까요?

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

우리는 아직까지 어떤 일이 벌어졌는지 정확한 그림을 재구성하고 있겠죠.

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

아인슈타인의 방정식을 우리의 알고리즘에 너무 많이 적용시킨다면

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

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

결국 예상되는 결과를 보는 상황에 처해질 것입니다.

In other words, we want to leave the option open

즉, 우리는 많은 선택을 열어두고 싶습니다.

왜냐하면 우리 은하계의 중심에는 하나의 거대한 코끼리가 있기 때문입니다.

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

(Laughter)

(웃음)

다른 유형의 이미지들은 서로 구별되는 특징들을 가집니다.

Different types of images have very distinct features.

블랙홀 시물레이션 이미지와 지구에서 찍은 사진 사이에서

We can easily tell the difference between black hole simulation images

and images we take every day here on Earth.

쉽게 다른점을 찾는 것 처럼요.

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

우리는 한 유형의 사진 속 특징을 부각시키지 않으면서

알고리즘을 설명할 수 있는 방법이 필요합니다.

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

One way we can try to get around this

이와 비슷하게 실행 가능한 방법 중 하나는

is by imposing the features of different kinds of images

서로 다른 유형의 이미지 특징을 내세우고

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

예상된 유형의 이미지가 재구성에 어떤 영향을 미치는지 보는 것입니다.

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

만약 모든 유형의 사진이 매우 유사해보이는 인상을 준다면

우리가 만들고 있는 이미지 추정결과가 이 사진에 편향되어 있지 않다는

then we can start to become more confident

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

생각에 자신감을 가질 수 있게 될 것입니다.

This is a little bit like giving the same description

이는 전세계의 3명의 서로 다른 스케치 예술가들에게

to three different sketch artists from all around the world.

동일한 설명을 해준 것과 비슷합니다.

If they all produce a very similar-looking face,

만약 그들이 매우 비슷해 보이는 얼굴을 그려낸다면

then we can start to become confident

그들이 고유의 문화적 편견을 그림에 담아내지 않았다고

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

확신을 가져도 되는 것입니다.

One way we can try to impose different image features

서로 다른 이미지의 특징점을 부각시킬 수 있는 방법은

기존의 이미지 조각을 사용하는 것입니다.

is by using pieces of existing images.

So we take a large collection of images,

그래서 거대한 양의 사진 더미를 얻을 수 있고

and we break them down into their little image patches.

우리는 그것을 작은 이미지 조각으로 쪼갤 수 있게 됩니다.

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

그 후 각각의 이미지 조각을 하나의 퍼즐처럼 취급할 수 있습니다.

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

그리고 우리는 흔히 보이는 퍼즐처럼 하나의 이미지를 맞출 수 있게 되고

that also fits our telescope measurements.

망원경으로 측정한 것에도 똑같이 적용할 수 있죠.

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

다른 유형의 이미지는 매우 특징적인 퍼즐 조각을 가지고 있습니다.

So what happens when we take the same data

그렇다면 똑같은 데이터를 얻었으나

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

이미지를 재구성하는데 다른 퍼즐조각을 쓰면 어떤 일이 벌어질까요?

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

그럼 블랙홀 이미지 시물레이션 퍼즐 조각으로 시작해봅시다.

OK, this looks reasonable.

네, 상당히 괜찮군요.

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

이 사진은 블랙홀이 어떻게 생겼는지 우리가 예상하는 것과 비슷합니다.

But did we just get it

그러나 우리는 단지 이것이

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

소수의 블랙홀 이미지에 충족시킨다고 얻어낼 수 있었을까요?

Let's try another set of puzzle pieces

그렇다면 천문학적이지만 블랙홀이 아닌

from astronomical, non-black hole objects.

물체의 퍼즐 조각으로 실험해봅시다.

OK, we get a similar-looking image.

상당히 비슷한 이미지를 얻어냈군요.

And then how about pieces from everyday images,

그런 다음 일상적인 사진들

like the images you take with your own personal camera?

예를 들어 당신의 개인 카메라로 촬영하는 것들과 비교해본다면 어떨까요?

Great, we see the same image.

아주 좋네요, 똑같은 사진을 볼 수 있습니다.

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

모두 다른 퍼즐 조각 세트로부터 똑같은 이미지를 찾아낸다면

then we can start to become more confident

우리가 만들고 있는 이미지의 추정치가

that the image assumptions we're making

결과적 이미지에 영향을 받지 않았다는 것에

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

확신을 가질 수 있습니다.

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

시도해 볼 수 있는 다른 방법은, 똑같은 퍼즐 조각을 쓰는 것입니다.

such as the ones derived from everyday images,

일상사진에서 유래된 것처럼 말이죠.

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

많은 유형의 원본 이미지를 재구성할 수 있습니다.

So in our simulations,

우리의 시물레이션에서는

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

블랙홀이 천문학적이지만 블랙홀이 아닌 물체라고 가정했습니다.

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

우리은하계 중심에 있는 코끼리 같은 일상적인 사진처럼 말이죠.

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

제일 밑에 보이는 우리 알고리즘의 결과가

위쪽에 있는 시물레이션의 진짜 이미지와 매우 비슷해 보일 때

to the simulation's truth image on top,

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

우리 알고리즘에 대한 확신을 가질 수 있습니다.

And I really want to emphasize here

그리고 여기에서 여러분께 매우 강조하고 싶은 것이 있는데

that all of these pictures were created

여기 있는 모든 사진들은

by piecing together little pieces of everyday photographs,

자그마한 일상 사진들의 조각을 맞추어 만들어 낸것입니다.

like you'd take with your own personal camera.

당신의 개인 카메라로 찍은 사진들도 마찬가지죠.

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

그래서 우리가 여지껏 본 적 없는 블랙홀의 이미지도

결국에는 사람, 건물, 나무, 고양이, 개와 같은

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

항상 볼 수 있는 사진들로 만들어 낼 수 있을 것입니다.

of people, buildings, trees, cats and dogs.

Imaging ideas like this will make it possible for us

이런 아이디어를 상상한다는 것은 우리를 블랙홀 최초의 그림으로

to take our very first pictures of a black hole,

데려다 줄 수 있을 겁니다.

and hopefully, verify those famous theories

그리고 바라건대, 과학자들이 일상적으로 의존하는

on which scientists rely on a daily basis.

저런 유명한 이론들을 검증하십시오.

그렇지만 당연하게도 이러한 일처럼 상상한 아이디어를 이루어내는 것은

But of course, getting imaging ideas like this working

would never have been possible without the amazing team of researchers

제가 지금 함께 일할 수 있는 영광을 누린 좋은 팀의 연구원 분들 없이는

절대 가능하지 않을 것입니다.

that I have the privilege to work with.

아직도 저는 천체물리학적 배경이 없는 제가

It still amazes me

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

이 프로젝트를 시작했지만

what we have achieved through this unique collaboration

이런 특별한 연구를 통해

블랙홀 최초의 이미지를 만들 수 있었다는 것에 놀라곤 합니다.

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

Event Horizon Telescope 같은 엄청난 프로젝트는

But big projects like the Event Horizon Telescope

are successful due to all the interdisciplinary expertise

여러 학문 분야에서 서로에게 가져다주는 전문성 덕분에

different people bring to the table.

성공적입니다.

We're a melting pot of astronomers,

우리는 천문학자

물리학자, 수학자, 그리고 엔지니어 분들이 섞여 있었습니다.

physicists, mathematicians and engineers.

This is what will make it soon possible

이것이 바로 언뜻 생각해 보았을 때 불가능해 보이는 것을

to achieve something once thought impossible.

이뤄낼 수 있었던 비결이 되었습니다.

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

전 여러분 모두에게 밖으로 나가서

and help push the boundaries of science,

과학의 경계를 넓히도록 권하고 싶습니다.

그게 비록 처음에는 블랙홀처럼 이해하기 쉽지 않더라도요.

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

감사합니다.

Thank you.

(박수)

(Applause)