哈佛学生写的Python模块，用于模拟和操作VLBI数据并使用正则化最大似然法生成图像，模拟黑洞成像的算法。进入Github飙升榜TOP 3，超过1000星。
为了拍到本次的黑洞照片，科学家总共使用了8台亚毫米射电望远镜，构建成超级“虚拟”望远镜——事件视界望远镜（EHT），分别在南极、智利、墨西哥、美国夏威夷、美国亚利桑那州、西班牙同时对黑洞展开观测。
8台望远镜组成的EHT口径13000公里，约等于地球直径。而EHT能够实现，则要归功于甚长基线干涉测量VLBI（Very-long-baseline interferometry）。
VLBI是一种在电波天文学中使用的天文干涉测量方法。简单来说就是使用多个天文望远镜，同时观测一个天然的射电天体或有无线电信标的人造天体，从而得以模拟出一个巨形望远镜获得的观测效果。
接下来，各观测站将观测数据实时传送或记录在磁盘上运送到VLBI数据处理中心，然后进行数据回放和互相关计算；再利用得到的互相关谱数据，计算得到信号到达各观测站的时间差(时延观测值)及其变化率(时延率观测值)；最后利用这些VLBI观测值计算目标的角位置(赤经和赤纬)。
VLBI的测量精度可以达到百分之几角秒、千分之几角秒甚至更高。对于人造天体，如人造地球卫星、绕月卫星和深空探测器等的VLBI测轨，则利用VLBI观测值，综合测距、测速数据，进行精确的轨道测定。
VLBI在天体物理方面主要应用于类星体、射电星系核、星际脉泽源等致密射电源毫角秒级的精细结构研究和精确定位等。在天体和大地测量中，它在建立天球参考系、测定地球自转全部参数和地面参考系的基准点等方面具有不可取代的作用。
根据中科院报道，以我国学者为首，在国际合作中用VLBI测量银河系中心黑洞的边界和银河系精细结构的工作，近年来取得重大进展，赢得国际同行瞩目；在天球和地面参考系建立方面，上海和乌鲁木齐VLBI站多年以来是亚洲大陆的基准站之一。
中科院VLBI天文测量系统由上海(25米天线)、北京(50米天线)、昆明(40米天线)、乌鲁木齐(25米天线)四个VLBI观测站和上海VLBI数据处理中心组成。
中科院上海天文台自上世纪90年代起，也开始了VLBI应用于深空探测的研究，参加了多次国际合作的深空探测，如欧空局的惠更斯探测器与卡西尼宇宙飞船分离后飞向土卫六过程的VLBI测量。
听起来好像里我们非常遥远。不过，感谢Github，我们普通人也有机会接触VLBI。
哈佛大学物理系EHT理论和计算天体物理学研究生、博士生候选人Andrew Chael，在Github上创建了ehtim (eht-imaging)项目。
Andrew目前在Black Hole Initiative工作，主要研究领域是使用新的尖端方法来模拟和成像EHT的黑洞目标人马座A*(Sgr A*，后面的星号读作“star”或“星”）和室女A星系（也称为梅西尔87、M87或NGC 4486）。
ehtim主要通过一些Python模块来模拟和操作VLBI数据，并使用正则化最大似然法生成图像。包含几个用于加载、模拟和操作VLBI数据的主类。
主要的类有Image、Array、Obsdata、Imager和Caltable，提供了加载图像和数据的工具，并从真实的uv轨道生成模拟数据、校准、检查和绘制数据，以及从各种数据集生成图像，使用各种数据术语和正则化器进行极化。
安装过程非常简单，首先clone该项目
然后进入项目根目录，运行
此时应该会自动安装大多数所需的库，例如astropy，ephem，future，h5py，html，networkx，numpy，pandas，matplotlib，requests，scipy，skimage。
如需使用快速傅里叶变换，必须单独安装NFFT及其pynnft包装器。最简单的方法是使用conda来安装：
conda install -c conda-forge pynfft
或者，首先按照NFFT说明安装NFFT，**这里一定要确保在编译时使用**：
然后再用pip安装pynfft，按照README的教程将安装链接到NFFT的位置；最后，重新安装ehtim。pynfft的安装地址：
https://github.com/ghisvail/pyNFFT
用于读写.oifits文件的oifits_new代码是Paul Boley的软件包的略微修改版本，该功能目前仍在开发中，可能无法与所有版本的python或astropy一起使用。
oifits项目地址：
http://astro.ins.urfu.ru/pages/~pboley/oifits
同时这个项目版本较旧，如有任何问题请邮件联系：
achael@cfa.harvard.edu
参考链接：
http://www.cas.cn/zt/jzt/kyzt/scyqtcgcxgbd/200712/t20071211_2665222.shtml
想要了解更多资讯，请扫描下方二维码，关注机器学习研究会
转自：新智元
