در سال ۱۳۹۶، تیمی بزرگ از محققان تلسکوپ‌های سراسر جهان را به سمت قلب کهکشان M87 نشانه گرفتند تا جزئیات سیاه‌چاله فوق‌پرجرم آن را ثبت کنند. این تلاش نه‌تنها منجر به تصویربرداری موفق از سیاه‌چاله شد، بلکه برخی از رفتارهای عجیب این سیاه‌چاله را نیز آشکار کرد.
اخیراً، اخترشناسان متوجه شدند یکی از این رفتارها یک “آروغ عظیم” بود – فوران پرتوهای گاما از یکی از جت‌های قدرتمند پلاسما که از قطب‌های سیاه‌چاله به هنگام تغذیه منتشر می‌شود.
جی‌آکومو پرینسیپ، اخترفیزیکدان دانشگاه تریسته ایتالیا، می‌گوید:
«ما خوش‌شانس بودیم که طی کمپین چندطولی‌موج تلسکوپ افق رویداد، فورانی از پرتوهای گاما را در کهکشان M87 شناسایی کردیم. این نخستین فوران پرتو گاما در این کهکشان طی بیش از یک دهه بود که به ما اجازه داد اندازه ناحیه‌ای که این انتشار گاما از آن نشأت گرفته را با دقت بیشتری تعیین کنیم.»
کهکشان M87، که کمتر از ۵۵ میلیون سال نوری با راه شیری فاصله دارد، به دلیل فعالیت سیاه‌چاله مرکزی آن انتخاب شد تا اولین تصویر بشر از سایه یک سیاه‌چاله فوق‌پرجرم را ثبت کند. این سیاه‌چاله از ابر بزرگی از مواد اطرافش تغذیه می‌کند.
اصطکاک و جاذبه در این ابر مواد باعث داغ شدن و درخشش آن می‌شود. این همان منبع نور توده‌ای است که در تصویر سیاه‌چاله M87* مشاهده می‌کنید. اما سیاه‌چاله‌های فوق‌پرجرم معمولاً پدیده دیگری نیز نشان می‌دهند: جت‌های اخترفیزیکی.
دانشمندان معتقدند این جت‌ها نتیجه تعامل بین مواد و میدان مغناطیسی خارجی سیاه‌چاله هستند. هنگامی که مواد از لبه داخلی دیسک گاز و غبار در اطراف سیاه‌چاله به سمت آن سقوط می‌کنند، بخشی از آن‌ها در خطوط میدان مغناطیسی منحرف شده و با سرعت‌های بالا، نزدیک به سرعت نور، به سمت قطب‌ها شتاب می‌گیرند و به فضا پرتاب می‌شوند.
این همان جت‌های اخترفیزیکی هستند و کهکشان M87 جت‌های برجسته‌ای دارد. مشاهدات سیاه‌چاله این کهکشان به دانشمندان کمک کرده تا این فرایند را بهتر درک کنند، با جزئیاتی که پیش‌تر هرگز از ناحیه منشأ این جت‌ها ثبت نشده بود.
جت‌های سیاه‌چاله‌های فوق‌پرجرم که به فضای بین‌کهکشانی جریان می‌یابند، می‌توانند با اجرام برخورد کرده یا آشفتگی‌های شدیدی ایجاد کنند. فوران‌های پرتو گامای دیده‌شده از این جت‌ها احتمالاً به دلیل مواد توده‌ای است که در جت سقوط کرده و به انرژی‌های بسیار بالا شتاب می‌گیرند، و این امر باعث ایجاد فوران‌های پرتو گامای پرانرژی می‌شود.
همان‌طور که تصور می‌کنید، این پدیده‌ها غیرقابل‌پیش‌بینی هستند. نمی‌توان برنامه‌ریزی کرد تا یکی از آن‌ها را مشاهده کنید؛ فقط باید امیدوار باشید که در زمان و مکان درست مشغول رصد باشید.
فورانی که به‌طور اتفاقی توسط تلسکوپ افق رویداد ثبت شد، بسیار قابل‌توجه بود. این فوران سه روز طول کشید و مدت‌زمان آن با ناحیه‌ای کمتر از ۱۷۰ واحد نجومی (حدود ۱۷۰ برابر فاصله زمین تا خورشید) مطابقت دارد.
دانیل مازین، اخترفیزیکدان دانشگاه توکیو، توضیح می‌دهد:
«تغییرات سریع در پرتوهای گاما نشان می‌دهد که ناحیه فوران بسیار کوچک است، تنها حدود ده برابر اندازه سیاه‌چاله مرکزی. جالب اینجاست که این تغییرات تیز در پرتو گاما در طول‌موج‌های دیگر دیده نشد. این نشان می‌دهد که ناحیه فوران ساختاری پیچیده دارد و در طول‌موج‌های مختلف ویژگی‌های متفاوتی از خود نشان می‌دهد.»
نکته جالب دیگر این است که تقارن نور حلقوی اطراف سیاه‌چاله هم‌زمان با فوران تغییر کرد. این تقارن به‌صورت بخش‌های روشن‌تر و تیره‌تر در حلقه ظاهر می‌شود؛ زمانی که فوران مشاهده شد، این بخش‌ها جابه‌جا شدند، که نشان‌دهنده ارتباطی بین حلقه و فوران است.
ماهیت این ارتباط هنوز یک راز است؛ محققان نتوانستند منشأ انتشار پرتو گاما یا دلیل آن را مشخص کنند. اما این مشاهدات اطلاعات جدیدی به ما می‌دهد که می‌تواند تلاش‌های تحقیقاتی آینده را هدایت کند.
سارا مارکوف، اخترفیزیکدان نظری دانشگاه آمستردام، می‌گوید:
«چگونگی و محل شتاب گرفتن ذرات در جت‌های سیاه‌چاله‌های فوق‌پرجرم، یک معمای دیرینه است. برای اولین بار، می‌توانیم تصویربرداری مستقیم از نواحی نزدیک به افق رویداد را در طول فوران‌های پرتو گاما از رویدادهای شتاب ذرات ترکیب کنیم و نظریه‌های مربوط به منشأ این فوران‌ها را آزمایش کنیم.»
![import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")](https://spacenota.ir/wp-content/uploads/2025/05/big-ring-body-420x280.webp)
