-</a><a href=/ja/case-studies/blackhole-image/ class=navbar-item>日本語 (Japanese)</a></div></div></div></div></div></nav><section class=content-padding><div class=content-container><nav aria-label=Breadcrumb><ul id=breadcrumbs class=bd-breadcrumbs><li class="breadcrumb-item breadcrumb-home"><a href=/es/ class=nav-link aria-label=Home><i class="fas fa-home"></i></a></li><li class=breadcrumb-item><a href=/es/case-studies/ class=nav-link>Case-Studies</a></li><li class="breadcrumb-item active" aria-current=page>Caso de estudio: La primera imagen de un Agujero Negro</li></ul></nav><h1>Caso de estudio: La primera imagen de un Agujero Negro</h1><div><figure class=align-default id=id000><img src=/images/content_images/cs/blackhole.jpg alt="Imagen de agujero negro" class=align-center><figcaption><strong class=caption-title>Agujero Negro M87</strong><a class=headerlink href=#id000 title="Link to this image">#</a><br><a href=https://www.jpl.nasa.gov/images/universe/20190410/blackhole20190410.jpg>(Créditos de la imagen: Colaboración del telescopio del Horizonte de Sucesos)</a><p><span class=caption-text></span></figcaption></figure><blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs"><p>Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver.</p><p class=attribution>—Katie Bouman, <em>Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech</em></p></blockquote><h2 id=un-telescopio-del-tamaño-de-la-tierra>Un telescopio del tamaño de la Tierra<a class=headerlink href=#un-telescopio-del-tamaño-de-la-tierra title="Link to this heading">#</a></h2><p>El <a href=https://eventhorizontelescope.org>Telescopio Event Horizon (EHT) </a>, es un conjunto de ocho radiotelescopios terrestres que forman un telescopio computacional del tamaño de la Tierra, estudiando al universo con una sensibilidad y resolución sin precedente. El enorme telescopio virtual, que utiliza una técnica llamada Interferometría de línea de base muy larga (VLBI), tiene una resolución angular de <a href=https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole>20 microsegundos de arco</a> — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!</p><h3 id=objetivos-clave-y-resultados>Objetivos clave y resultados<a class=headerlink href=#objetivos-clave-y-resultados title="Link to this heading">#</a></h3><ul><li><p><strong>Una nueva vista del universo:</strong> El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando <a href=https://en.wikipedia.org/wiki/Eddington_experiment>Sir Arthur Eddington</a> dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.</p></li><li><p><strong>El agujero negro:</strong> EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por <a href="https://www.jpl.nasa.gov/news/news.php?feature=7385">más de 100 años</a>, pero nunca antes se había observado un agujero negro.</p></li><li><p><strong>Comparando las observaciones con la teoría:</strong> A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.</p></li></ul><h3 id=los-desafíos>Los desafíos<a class=headerlink href=#los-desafíos title="Link to this heading">#</a></h3><ul><li><p><strong>Escala computacional</strong></p><p>EHT plantea enormes desafíos de procesamiento de datos, incluyendo las rápidas fluctuaciones de fase atmosféricas, amplio ancho de banda de grabación, y telescopios que son ampliamente disímiles y geográficamente dispersos.</p></li><li><p><strong>Demasiada información</strong></p><p>Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.</p></li><li><p><strong>Hacia lo desconocido</strong></p><p>Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?</p></li></ul><figure class=align-center id=id002><img src=/images/content_images/cs/dataprocessbh.png alt="flujo de datos" class=align-center><figcaption><strong class=caption-title>Flujo de Trabajo de Procesamiento de Datos EHT</strong><a class=headerlink href=#id002 title="Link to this image">#</a><br><a href=https://iopscience.iop.org/article/10.3847/2041-8213/ab0c57>(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)</a><p><span class=caption-text></span></figcaption></figure><h2 id=el-rol-de-numpy>El Rol de NumPy<a class=headerlink href=#el-rol-de-numpy title="Link to this heading">#</a></h2><p>¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?</p><p>La colaboración del EHT respondió a estos desafíos haciendo que los equipos independientes evaluaran los datos, utilizando técnicas de reconstrucción de imágenes ya establecidas y de vanguardia. Cuando los resultados se mostraron consistentes, se combinaron para producir la primera imagen de su tipo de un agujero negro.</p><p>Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.</p><figure class=align-default id=id003><img src=/images/content_images/cs/bh_numpy_role.png alt="rol de numpy" class=align-center><figcaption><strong class=caption-title>El rol de NumPy en la imagen del agujero negro</strong><a class=headerlink href=#id003 title="Link to this image">#</a><br><p><span class=caption-text></span></figcaption></figure><p>Por ejemplo, el paquete de Python <a href=https://github.com/achael/eht-imaging><code>eht-imaging</code></a> proporciona herramientas para simular y realizar reconstrucción de imágenes en datos VLBI. NumPy está en el núcleo del procesamiento de datos de matrices utilizados en este paquete, como se muestra a continuación en el gráfico parcial de dependencias de software.</p><figure class=align-default id=id004><img src=/images/content_images/cs/ehtim_numpy.png alt="mapa de dependencias de ehtim resaltando a numpy" class=align-center><figcaption><strong class=caption-title>Gráfico de dependencias de software del paquete ehtim resaltando a NumPy</strong><a class=headerlink href=#id004 title="Link to this image">#</a><br><p><span class=caption-text></span></figcaption></figure><p>Además de NumPy, muchos otros paquetes, como <a href=https://www.scipy.org>SciPy</a> y <a href=https://pandas.io>Pandas</a>, son parte del flujo de procesamiento de datos para fotografiar el agujero negro. Los formatos estándar de archivos astronómicos y transformaciones de tiempo/coordenadas fueron manejados por <a href=https://www.astropy.org/>Astropy</a>, mientras que <a href=https://matplotlib.org/>Matplotlib</a> fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.</p><h2 id=resumen>Resumen<a class=headerlink href=#resumen title="Link to this heading">#</a></h2><p>El eficiente y adaptable arreglo n-dimensional que es la característica central de NumPy, permitió a los investigadores manipular grandes conjuntos de datos numéricos, proporcionando una base para la primera imagen de un agujero negro. Un momento histórico en la ciencia ofrece una impresionante evidencia visual de la teoría de Einstein. Este logro abarca no solo los avances tecnológicos sino también la colaboración internacional de más de 200 científicos y algunos de los mejores radio observatorios del mundo. Algoritmos innovadores y técnicas de procesamiento de datos, mejorando los modelos astronómicos existentes, ayudaron a desvelar un misterio del universo.</p><figure class=align-default id=id005><img src=/images/content_images/cs/numpy_dlc_benefits.png alt="beneficios de numpy" class=align-center><figcaption><strong class=caption-title>Capacidades clave de NumPy utilizadas</strong><a class=headerlink href=#id005 title="Link to this image">#</a><br><p><span class=caption-text></span></figcaption></figure></div></div><div id=shortcuts-container><div id=shortcuts><div id=shortcuts-header><i class="fa-solid fa-list"></i> On this page</div></div></div></section><div id=backtotop><a href=# id=backtotop-color><i class="fa-solid fa-arrow-up"></i></a></div><footer id=footer><div class=container><div id=footer-columns><div id=footer-logo-column><img id=footer-logo src=/images/logo.svg alt="NumPy logo. "></div><div class=footer-column><div class=footer-item><a href=/es/install>Instalar</a></div><div class=footer-item><a href=https://numpy.org/doc/stable>Documentación</a></div><div class=footer-item><a href=/es/learn>Aprende</a></div><div class=footer-item><a href=/es/citing-numpy>Citando a NumPy</a></div><div class=footer-item><a href=https://numpy.org/neps/roadmap.html>Mapa de ruta</a></div></div><div class=footer-column><div class=footer-item><a href=/es/about>Acerca de nosotros</a></div><div class=footer-item><a href=/es/community>Comunidad</a></div><div class=footer-item><a href=/es/user-surveys>Encuestas a usuarios</a></div><div class=footer-item><a href=/es/contribute>Contribuye</a></div><div class=footer-item><a href=/es/code-of-conduct>Código de Conducta</a></div></div><div class=footer-column><div class=footer-item><a href=/es/gethelp>Buscar ayuda</a></div><div class=footer-item><a href=/es/terms>Términos de uso</a></div><div class=footer-item><a href=/es/privacy>Confidencialidad</a></div><div class=footer-item><a href=/es/press-kit>Kit de prensa</a></div></div><div class=footer-actions>Sign up for the latest NumPy news, resources, and more<form action="https://numpy.us4.list-manage.com/subscribe/post?u=5ddd0d1d6e807900a8212481a&id=287fa4253c" method=post id=mc-embedded-subscribe-form name=mc-embedded-subscribe-form class="validate sign-up-container" target=_blank novalidate><div class=sign-up-image><svg class="icon mail-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M22 6c0-1.1-.9-2-2-2H4c-1.1.0-2 .9-2 2v12c0 1.1.9 2 2 2h16c1.1.0 2-.9 2-2V6zm-2 0-8 5-8-5h16zm0 12H4V8l8 5 8-5v10z"/></svg></div><input type=email name=EMAIL class="required email sign-up-input" id=mce-EMAIL aria-label="Input for email, press enter to submit" onkeypress='(event.which===13||event.keyCode===13||event.key==="Enter")&&sendThankYou()'><div class=submission-instructions>Press Enter</div><button class=signup-button onclick=sendThankYou() aria-label=Submit><svg class="icon sent-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M2.01 21 23 12 2.01 3 2 10l15 2-15 2z"/></svg></button><div id=mce-responses class=clear><div class=response id=mce-error-response style=display:none></div><div class=response id=mce-success-response style=display:none></div></div><div style=position:absolute;left:-5000px aria-hidden=true><input type=text name=b_5ddd0d1d6e807900a8212481a_287fa4253c tabindex=-1></div><div class=clear><input type=submit value=Subscribe name=subscribe id=mc-embedded-subscribe class=button style=display:none></div></form><div class=thank-you>Thank you! 🎉</div><div class=community-icons><a href=https://github.com/numpy/numpy aria-label=https://github.com/numpy/numpy><svg class="icon github-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M12 .297c-6.63.0-12 5.373-12 12 0 5.303 3.438 9.8 8.205 11.385.6.113.82-.258.82-.577.0-.285-.01-1.04-.015-2.04-3.338.724-4.042-1.61-4.042-1.61C4.422 18.07 3.633 17.7 3.633 17.7c-1.087-.744.084-.729.084-.729 1.205.084 1.838 1.236 1.838 1.236 1.07 1.835 2.809 1.305 3.495.998.108-.776.417-1.305.76-1.605-2.665-.3-5.466-1.332-5.466-5.93.0-1.31.465-2.38 1.235-3.22-.135-.303-.54-1.523.105-3.176.0.0 1.005-.322 3.3 1.23.96-.267 1.98-.399 3-.405 1.02.006 2.04.138 3 .405 2.28-1.552 3.285-1.23 3.285-1.23.645 1.653.24 2.873.12 3.176.765.84 1.23 1.91 1.23 3.22.0 4.61-2.805 5.625-5.475 5.92.42.36.81 1.096.81 2.22.0 1.606-.015 2.896-.015 3.286.0.315.21.69.825.57C20.565 22.092 24 17.592 24 12.297c0-6.627-5.373-12-12-12"/></svg>
0 commit comments