0

0
0

文字

分享

0
0
0

天文學家公布首張暗物質地圖

臺北天文館_96
・2012/01/15 ・842字 ・閱讀時間約 1 分鐘 ・SR值 566 ・九年級

蘇格蘭愛丁堡大學(University of Edinburgh)天文學家Catherine Heymans和加拿大英屬哥倫比亞大學(University of British Columbia)Ludovic Van Waerbeke等人,首度公布觀測到的暗物質在大尺度空間中的分布圖,呈現在約10億多光年的空間中,由暗物質和星系所組成、錯綜複雜的宇宙網絡。

Heymans等人領導的計畫稱為「加-法-夏望遠鏡重力透鏡巡天計畫(Canada-France-Hawaii Telescope Lensing Survey,CFHTLenS)」,主要分析分析加-法-夏望遠鏡宇宙遺寶巡天計畫(Canada-France-Hawaii Telescope Legacy Survey)的觀測資料。他們分析了4個不同天區、共約1000萬個星系影像,研究這些星系所發出的輻射到地球之前,因受到大團暗物質「重力透鏡效應(gravitational lensing)」影響所造成的變形程度。這個巡天計畫前後執行了5年,利用廣角相機MegaCam進行拍攝,這個相機的視野廣達1度×1度,像素高達340百萬像素(Megapixel)。這個計畫中分析的星系大都位在離地球約60億光年遠的宇宙空間中,相當於大霹靂至今、一半的宇宙年齡之處。

The densest regions of the dark matter cosmic web host massive clusters of galaxies. Credit: Van Waerbeke, Heymans, and CFHTLens collaboration.暗物質這種東西,看不到,但可以「感覺」得到,因為它與一般物質有重力交互作用;從左圖中可見,暗物質最密集的地方,通常也是大型星系團所在之處。根據以前電腦模擬的結果,由於暗物質具有重力,不論朝向宇宙那個方向,暗物質都應該與一般物質一樣,會連結形成龐大的網絡結構;但是因迄今不瞭解暗物質的性質,無法直接偵測暗物質的分布,因此一直不確定這種理論預測是否正確。直到Heymans等人的研究工作,才首度證明這個論點的正確性。

Van Waerbeke表示:能利用這種時空扭曲的方式「看」到原本不可見的暗物質,真是太棒了!不過,瞭解暗物質分布,只是最初步的工作,接下來要瞭解暗物質性質,以及這些神秘物質與目前已知物理學的相關性,才是重點所在。

-----廣告,請繼續往下閱讀-----

資料來源:2012.01.09

  1. Astronomers reach new frontiers of dark matter
  2. Astronomers Witness a Web of Dark Matter

轉載自台北天文館之網路天文館網站

-----廣告,請繼續往下閱讀-----
文章難易度
臺北天文館_96
482 篇文章 ・ 44 位粉絲
臺北市立天文科學教育館是國內最大的天文社教機構,我們以推廣天文教育為職志,做為天文知識和大眾間的橋梁,期盼和大家一起分享天文的樂趣!

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

20
6

文字

分享

0
20
6
暗能量是什麼?看不到也摸不著,我們該如何找到它?
PanSci_96
・2023/11/27 ・5683字 ・閱讀時間約 11 分鐘

-----廣告,請繼續往下閱讀-----

愛因斯坦對於宇宙的理解錯了嗎?

愛因斯坦的廣義相對論重新改寫我們對於時間、空間、與質量的認知,也開啟我們對廣大宇宙研究的大門。

在宇宙物理學如同大霹靂快速發展之時,我們也發現愛因斯坦最早提出的宇宙模型,可能並不完全正確。

正確來說,我們發現我們過去對宇宙的理解,可能真的太少了。少到我們至今所觀測到的所有物質,可能仍不到整個宇宙組成的百分之五。並不是說這些能量或物質距離我們太過遙遠,而是他們可能就在附近,而我們卻全然不了解它。

-----廣告,請繼續往下閱讀-----

其中佔了將近宇宙組成七成的「暗能量」,到底是什麼來頭?我們能徹底了解它,同時能為我們宇宙的存在,提供一個正確的解釋模型嗎?又或者我們能掌握它,來改變宇宙的未來嗎?

暗能量(dark energy)到底是什麼?這聽起來有夠中二的名字,難道是暗影大人的新能力嗎?

其實暗能量的「暗」,指的是我們看不到也摸不到,用上各種波段的電磁波都察覺不到,甚至現今沒有任何儀器能偵測到它的存在。因為我們無法感受到它、不知道他們的型態,所以稱為暗能量。也就是說,如果暗影大人或是哪個最終 BOSS 的絕招是「暗能量波動」,當巨大的能量朝你襲來,不用擔心,站在原地就好,因為它只會穿過你的身體,打不中你的。同樣的,你可能聽過的「暗物質」,指的也是我們無法探知的未知物質。也就是說,暗物質並不是指某種特定物質叫做暗物質,任何我們現在還無法探測到的,都可能是暗物質的其中一種。題外話,近年某些暗物質面紗底下的容貌,已經逐漸能被我們窺見,例如微中子。這部分,之後我們介紹暗物質的節目中,再來好好討論,今天先來和大家聊聊佔了宇宙質能 7 成的暗能量。

矛盾大對決來了,既然我們摸不到,也看不到,我們怎麼知道暗能量存在,還是僅存在我們的中二想像中呢?我們得將時間回推到最早認為宇宙中有未知能量存在的那個人,他不是別人,就是鼎鼎大名的愛因斯坦。

-----廣告,請繼續往下閱讀-----

1916 年愛因斯坦推導出廣義相對論,解釋物質和能量如何影響時空的彎曲和演化。愛因斯坦當時認為,宇宙應該是靜態的,但是若宇宙中只有物質,宇宙應該會受重力吸引而塌縮,因此需要與反向的能量來平衡重力,這股能量平均地存在在空間當中。愛因斯坦當時引入了宇宙常數 Λ 來平衡他的靜態宇宙模型,而直到非常近期的 1998 年,暗能量 (dark energy) 這個詞才由物理學家麥可.特納提出。

在愛因斯坦之後,著名宇宙學家傅里德曼提出不同看法,他認為宇宙不一定是平衡的,也可能正在收縮或膨脹當中,並根據廣義相對論推導出 Fridemann 方程式,關於 Fridemann 方程式的故事,先前我們有好好介紹過。

暗能量不只存在於理論上的預測,同時期天文學家開始發現我們熟知的銀河系,並無法代表整個宇宙,原來夜空中很多像星雲的天體,其實是遙遠的星系!宇宙遠比以前認為得大的太多了!1929 年,哈伯進一步發現,這些星系竟然正在遠離我們而去,而且距離我們愈遠的星系,遠離的速度就愈快!宇宙竟然真的是以地球為中心,而地球利用強大的排斥力,將其他星系用力向外推開嗎?當然不是,想像一下,宇宙就像一個葡萄乾麵包,上面布滿的葡萄乾就是各種天體,當麵包發酵膨脹時,不論站在哪顆葡萄乾的視角,所有天體的距離都是互相拉遠,而且距離愈遠的天體,彼此遠離的速度就愈快。

也就是說,哈伯觀測到的結果顯示整個宇宙正在膨脹。但還有一個問題,就是這個宇宙的膨脹速度,是隨著時間經過越來越快的加速膨脹,還是膨脹速度正隨著時間在趨緩的減速膨脹呢?為什麼這個問題很重要?因為如果是減速膨脹,靠現有的重力理論就可以解釋,宇宙中天體所提供的重力,正在使宇宙減速膨脹,甚至宇宙的結局可能會是宇宙重新塌縮。但如果宇宙正在加速膨脹,那麼只考慮重力就不夠了,為了抵抗向內塌縮的重力,勢必要有一股力量要將宇宙向外加速推開。這時,就需要加入暗能量的存在了。

-----廣告,請繼續往下閱讀-----

宇宙真的正在加速膨脹?

為了確認宇宙正在減速或加速膨脹,好推算暗能量是否存在,科學家再次將目光投向宇宙深處。隨著觀測技術愈來愈進步,天文學家可以透過不同方式,觀測更早期的宇宙。

愈遠的天體發出的光,需要經過愈長的時間才能傳到地球。假設我們觀察離地球1億光年遠的星球,由於我們看到的影像是從星球出發後,經過 1 億年後才到達地球,因此在望遠鏡中看到的,其實是該星球一億年前的樣子。只要利用這點,如果我們將望遠鏡頭對向更加遙遠的宇宙深處,就能看到更早期的宇宙樣貌,幫助我們了解宇宙過去的樣子。

科學家主要透過三種方法,分別用來觀測晚期、中期、到早期的宇宙。第一種方法是觀測 Ia 型超新星爆炸,它指的是當一顆緻密白矮星到了生命末期,吸收大量鄰近伴星的氣體,使得內部重力超過某個極限,引發失控的核融合而形成的超新星爆炸。這個爆炸會在瞬間釋放出許多能量,亮度甚至可以媲美整個星系,因此即使是很遙遠的超新星也可以被地球觀測到。最受天文學家關注的是,因為每個 Ia 型超新星爆炸時產生的尖峰光度都相同,可以直接作為觀測或是亮度的比對參考點,又稱為標準燭光。當它離我們愈遠亮度就愈小,只要觀測亮度就可以得知它離我們的距離。

Ia 超新星殘骸。圖/wikimedia

接著,透過光譜分析,我們還能得到這個超新星遠離我的的速度。這就像是救護車在靠近和遠離我們的時候,警笛的聲音頻率會因為我們和救護車相對速度的改變而產生變化,同樣的道理放在電磁波上,當超新星遠離我們,電磁波頻譜的頻率會下降,我們稱為頻譜「紅移」。最後,只要我們同時觀測好幾顆超新星,並且量測每一顆的距離和遠離我們的速度,看看是不是真的離我們越遠的超新星離開的速度越快,就可以知道宇宙正在加速或是減速膨脹。

-----廣告,請繼續往下閱讀-----

第二種方法是觀測宇宙大尺度結構,宇宙中星系的分佈其實是不均勻的,有些地方有星系團,也有一些地方是孔洞,整個宇宙就像是網子一樣。這是因為宇宙在形成星系時,向內的重力以及向外的氣體與光壓力會彼此抗衡,就像我們在擠壓彈力球一樣,向內壓時內部壓力會增強,導致物質向外拋射,壓力減弱後又會停止拋射,這樣來回震盪的過程,就在宇宙中形成一個個震波漣漪,稱為重子聲學振盪(BAO,baryon acoustic oscillations)。有趣的是,當好幾個地方都在震盪,就會產生類似好幾個水波互相撞在一起的干涉現象。而這個宇宙規模的超大水波槽中,波腹部份聚集較多物質就會形成星系團,波節部份不足以形成星系就形成孔洞,是不是覺得我們的宇宙就像是一鍋湯,而我們只是裡面毫不起眼的一顆胡椒粒呢?不過即使是連一粒胡椒都不如的我們,透過觀測宇宙星系分布並透過理論計算,人類科學家還是可以得知這些結構的大小,並且推知這些結構上的星系距離我們多遠,最後再搭配紅移光譜,一樣可以算出宇宙膨脹的速度。今年七月升空,11 月 8 號從太空傳回第一張照片的歐幾里得太空望遠鏡,它的其中一項任務,就是專門觀測重子聲學振盪,來研究宇宙大尺度結構。歐幾里得太空望遠鏡有望帶給我們對宇宙的全新認知,關於這一部分,我們很快會再來深入介紹。

第三種方法是透過觀測宇宙微波背景輻射,它是宇宙的第一道曙光,在此以前,宇宙能量很高,光和電漿相互作用,不會走直線。但是到了宇宙三十八萬歲時,宇宙已經冷卻到足以讓電子與原子核結合,宇宙終於變得乾淨了,光也終於可以走直線。而三十八萬歲時的早期宇宙的畫面,至今仍不斷經過遙遙 137 億年的時間抵達地球,被我們觀測到,稱為宇宙微波背景輻射。有趣的是,根據這些照片,我們能發現早在 137 億年前,宇宙各處就不是均勻的。透過分析這些微波的分布,科學家能計算出當時宇宙的組成成份。這時我們發現,目前的已知物質,也就是元素週期表上看得到的原子,只佔所有能量的 4.93%,而看不到的暗物質,佔 27.17%,那還有 67.9%,將近七成的組成分是什麼?科學家認為就是暗能量。

宇宙微波背景輻射。圖/wikimedia

哇!暗能量佔的比例這麼高?那我們未來有機會從空間中汲取無限的能量嗎?先不要想的這麼美,其實暗能量在宇宙中的密度很低,依照質能等價公式,質量跟能量是可以互相換算的。換算下來暗能量每立方公分只有 10 的負 24 次方公克,相比之下,水的密度是立方公分 1 公克!真的微乎其微。之所以暗能量在宇宙中佔的能量比這麼大,是因為它均勻的存在在廣大無垠的宇宙中,不像一般的物質,只集中在一些星系和星體中。

現在我們知道暗能量存在,而且量也不少,但回到最關鍵問題,這些暗能量到底是怎麼來的呢?

-----廣告,請繼續往下閱讀-----

宇宙與暗能量的未來

科學家普遍認為暗能量是來自「真空能量」,根據量子力學,我們過往認為的真空,其實會不斷短暫的出現粒子並消失。而這些量子漲落便會產生真空能量。雖然這聽起來很玄,但各位看完我們的影片並按下訂閱之後,這些訂閱數就一定會是真的。都看到影片最後一段了,就拜託大家再多動一下手指吧!

而量子力學除了能在真空中產生真空能量以外,這個過程甚至可能幫助我們開啟蟲洞!關於真空能量與時空旅行的關係,可以參考我們的這一集哦(閃電俠)。

為了重新認識我們的宇宙,科學家此時再次拿出了宇宙常數 Λ 和 Fridemann 方程式,建立了一個可以完美解釋前面三種觀測結果的模型-ΛCDM 模型。

ΛCDM 是近代在解釋宇宙微波背景輻射、宇宙大爆炸時,最常被使用的理論。目前對於宇宙歷史與加速膨脹的圖像,也都基於此模型。

-----廣告,請繼續往下閱讀-----
ΛCDM模型,加速擴張的宇宙。圖/wikimedia

不過 ΛCDM 理論仍有兩個致命的問題待解決。第一個是理論中的宇宙常數 Λ,應該要與位置、時間無關,是一個不隨時間變化的常數。然而針對觀測早期和晚期宇宙所計算出來的宇宙常數數值卻不一樣,要如何解釋這個觀測差異?第二個問題是,假設暗能量是真空中的量子漲落所造成,依此推算出的宇宙常數數值,還跟觀測差了 120 個數量級!也就是 10 後面有 120 個零,整個宇宙中的原子數量也才 82 個數量級而已!

因此科學家也提出其他可能的暗物質理論。比如認為暗能量不是來自真空能量,而是由一種未知的粒子場所驅動,而這個場與時間有關,導致早期和晚期宇宙的觀測結果有差異。還有人認為根本沒有暗能量存在,宇宙會膨脹,是因為愛因斯坦的廣義相對論在宇宙學這種大尺度中是不適用的!就像牛頓的萬有引力公式在地球上管用,到了太陽系規模就會出現誤差。或許在宇宙規模還有比廣義相對論更完備的其他理論等待我們發現!另一派科學家也認為沒有暗能量,我們會看到加速膨脹,只是因為銀河系剛好位於宇宙大尺度結構的孔洞中,也就是葡萄乾麵包裡面空氣比較多,口感比較鬆的地方,由於這個地方總體重力比較小,天體也就是葡萄乾之間向外膨脹的速度比較快,但不代表整個葡萄乾麵包都在加速膨脹,宇宙加速膨脹只是局部觀測的假象。

這些理論或許可以解釋部份的問題,但沒有一個能解釋所有觀測數據,而且由於觀測的限制,這些理論都缺乏數據的佐證。因此目前我們只能說,暗能量的效應確實存在,但我們還不知道它確切是什麼。

有人可能想問,研究暗物質對我們真的那麼重要嗎?其實,它不只影響了宇宙過去演化的歷史,也影響著我們將來的命運。由於宇宙膨脹,物質的密度會因為膨脹被稀釋,但如果暗能量是常數,就代表密度不會改變,因此宇宙會膨脹的愈來愈快,導致遙遠的星系加速離我們遠去,最後暗能量會超過所有的基本作用力,包括重力、電磁力和核力,星系、太陽系、地球都將被拉開,甚至中子和質子都互相分離,使原子不復存在,進入大撕裂時期,也將是宇宙最孤獨的結局。不過這是一百多億年後的事情,在那之前地球會先被死去的太陽吞沒,我們應該要先煩惱的是要如何移民其他星球才是。

-----廣告,請繼續往下閱讀-----

最後總結一下,暗能量到底是什麼?很抱歉,經過了幾十年的努力,這個問題依舊是一個問號,但藉由宇宙學的研究,使我們更謙卑更加發覺自身的渺小,我們或許已經掌握許多物質運作的原理,也開發出許多高科技產品,但這些只是整個宇宙的 5% 仔,宇宙中還有許多未知等待我們去探索,而它深深關係到我們的過去和未來。

最後也想問問大家,你覺得當一切真相大白之時,我們會發現暗能量是什麼呢?

  1. 符合最直覺的 ΛCDM 理論,它就是宇宙加速膨脹的元凶!
  2. 它根本不存在,我們甚至需要比廣義相對論更強的理論來解釋!
  3. 依照人類這個物種的感知等級,可能永遠無法了解暗能量的真相!
  4. 我、我已經無法抑制我左手的暗能量了!啊啊啊~

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

0

8
2

文字

分享

0
8
2
宇宙學的最大謎團!有超過90%的世界都是暗物質和暗能量,但,它們究竟是什麼?──《大人的宇宙學教室:透過微中子與重力波解密宇宙起源》
台灣東販
・2022/08/08 ・3400字 ・閱讀時間約 7 分鐘

觀測星系時,科學家發現了「看不見的物質」

我們現在所看到的人類、太陽、星系以及星系群等等,所有東西都是由物質構成。「物質構成了宇宙的全部」這個概念長年以來深植於人類心中。

宇宙是由物質構成的,但究竟是由甚麼物質構成的呢?圖 / twenty20photos

不過,後來我們了解到,宇宙中存在著許多我們人類看不到的物質,那就是「暗物質(dark matter)」。這個名稱聽起來很像科幻作品中的虛構物質,卻實際存在於宇宙中,而且暗物質在宇宙中的含量,遠多於我們看得到的「物質」

1934 年,瑞士的天文學家茲威基(Fritz Zwicky,1898~1974)觀測「后髮座星系團」時,發現周圍星系的旋轉速度所對應的中心質量,與透過光學觀測結果推算的中心質量不符。

周圍星系的轉速明顯過快,推測存在 400 倍以上的重力缺損(missing mass)。

在這之後,美國天文學家魯賓(Vera Rubin,1928~2016)於 1970 年代觀測仙女座星系時,發現周圍與中心部分的旋轉速度幾乎沒什麼差別,並推論仙女座的真正質量,是以光學觀測結果推算出之質量的 10 倍左右。

-----廣告,請繼續往下閱讀-----

到了 1986 年,科學家們觀測到了宇宙中的大規模結構,發現星系的分布就像是泡泡般的結構。若要形成這種結構,僅靠觀測到的質量是不夠的。

為了補充質量的不足,科學家們假設宇宙中存在「看不見的物質=暗物質」。

看不到卻存在?暗物質究竟是什麼?

既然看不到,那我們怎麼確定暗物質真的存在?圖 / twenty20photos

前面提到我們看不見暗物質,而且不只用可見光看不到,就連用無線電波、X 射線也不行,任何電磁波都無法檢測出這種物質(它們不帶電荷,交互作用極其微弱)。

因為用肉眼、X 射線,或者其他方法都看不到它們,所以稱其為「暗」物質。

不過,從星系的運動看來,可以確定「那裡確實存在眼見所及之上的重力(質量)」。這就是由暗物質造成的重力。

-----廣告,請繼續往下閱讀-----

看不到的能量:暗能量

事實上,科學家們也逐漸了解到,宇宙中除了暗物質之外,還存在「看不見的能量」。

原本科學家們認為,宇宙膨脹速度應該會愈來愈慢才對,不過,1998 年觀測 Ⅰa 型超新星(可精確估計距離)時,發現宇宙的膨脹正在加速中。這個結果證明宇宙充滿了我們看不到的能量「暗能量(dark energy)」。而且,暗能量的量應該比暗物質還要更多。

我們過去所知道的「物質」,以及暗物質、暗能量在宇宙中的估計比例,如下圖所示。 這項估計是基於 WMAP 衛星(美國)於 2003 年起觀測的宇宙微波背景輻射(CMB),計算出來的結果。

圖/台灣東販

後來,普朗克衛星(歐洲太空總署)於 2013 年起開始觀測宇宙,並發表了更為精準的數值。

-----廣告,請繼續往下閱讀-----
  • 什麼是「普朗克衛星」?

歐洲太空總署(ESA)為了觀測距離我們 138 億光年的宇宙微波背景輻射(CMB)而發射至宇宙的觀測裝置(人造衛星)。可與 NASA 發射,廣視角、低感度的 WMAP 衛星互相對照。由 WMAP 衛星製成的 CMB 地圖,計算出宇宙年齡應為 137 億年左右,誤差在正負 2 億年內;普朗克衛星則製作出了更為詳細的 CMB 地圖,並以此推論出宇宙年齡應為 138 億年左右,誤差在正負 6000 萬年內,數字更為精準。

歐洲太空總署(ESA)為了觀測距離我們 138 億光年的宇宙微波背景輻射(CMB)而發射至宇宙的觀測裝置(人造衛星)。可與 NASA 發射,廣視角、低感度的 WMAP 衛星互相對照。由 WMAP 衛星製成的 CMB 地圖,計算出宇宙年齡應為 137 億年左右,誤差在正負 2 億年內;普朗克衛星則製作出了更為詳細的 CMB 地圖,並以此推論出宇宙年齡應為 138 億年左右,誤差在正負 6000 萬年內,數字更為精準。  

暗物質的真面目,究竟是什麼?微中子嗎?

既然暗物質有質量,那會不會是由某種基本粒子構成的呢?也有人認為暗物質是在宇宙初期誕生的迷你黑洞(原始黑洞),而我也致力於這些研究,不過相關說明不在此贅述。

已知的基本粒子(共 17 種)以及其他未知粒子,都有可能是暗物質,在這些粒子當中最被看好的是微中子。

因為暗物質不帶電荷,不與其他物質產生交互作用,會輕易穿過其他物質。這些暗物質的特徵與微中子幾乎相同。而且,宇宙中也確實充滿了微中子。因此,微中子很可能是暗物質的真面目。

-----廣告,請繼續往下閱讀-----

不過,目前的物理學得出的結論卻是「微中子不可能是暗物質的主要成分」。

NASA 曾經想透過星系團的碰撞來了解暗物質的特性。圖/NASA

為什麼微中子被撇除了呢?

這是因為,雖然微中子大量存在於宇宙中,質量卻太輕了。雖然科學家們現在還不確定微中子的精準質量是多少,不過依照目前的宇宙論,3 個世代的微中子總質量上限應為 0.3eV。如果暗物質是微中子,那麼 3 個世代的微中子總質量應高達 9eV 才對,兩者相差過大。

另一方面,暗物質中的冷暗物質(cold dark matter)的速度應該會非常慢才對。

宇宙暴脹時期會產生密度的擾動,進而產生暗物質的擾動(空間的擾動應與觀測到的 CMB 擾動相同),這種微妙的重力偏差,會讓周圍的暗物質聚集,提升重力,進一步吸引更多原子聚集,最後形成我們現在看到的星系。

-----廣告,請繼續往下閱讀-----

相較於此,微中子過輕(屬於熱暗物質,hot dark matter),會以高速飛行。微中子無法固定在一處,這樣就無法聚集起周圍的原子,自然也無法形成星系。

暗物質、暗能量的真相究竟是甚麼?仍然是宇宙學中最大的謎團!

熱暗物質、冷暗物質

這裡要介紹的是熱暗物質與冷暗物質。所謂的「熱暗物質」,指的是由像微中子那樣「以接近光速的速度飛行」的粒子組成暗物質的形式。

宇宙微波背景輻射(CMB)可顯示出宇宙初期的溫度起伏,因而得知存在相當微小,卻十分明顯的擾動,此擾動與暗物質的擾動相同。擾動中,物質會往較濃的部分聚集,並形成星系或星系團等大規模結構。

不過,如同我們前面提到的,科學家們認為以接近光速的速度運動的微中子,在程度那麼微弱的宇宙初期擾動下,很難形成現今的星系團。

-----廣告,請繼續往下閱讀-----

於是,科學家們假設宇宙中還存在著速度非常慢的未知粒子「冷暗物質」。

冷暗物質的候選者包括「超對稱粒子(SUSY 粒子)」當中光的超伴子——超中性子(neutralino)、名為軸子(axion)的假設粒子;另外,也有人認為原始黑洞可能是「冷暗物質的候選者」,雖然黑洞並不是基本粒子。

在討論暗物質時,即使不假設這些未知粒子的存在,在標準模型的範圍內,微中子也是呼聲很高的候選者。

如同在討論熱暗物質時提到的,當我們認為微中子應該不是主要暗物質時,就表示基本粒子物理學需要一個超越標準理論的新理論,這點十分重要。

-----廣告,請繼續往下閱讀-----
宇宙微波背景(CMB)是宇宙大霹靂後遺留下來的熱輻射,充滿了整個宇宙。圖 / 台灣東販

那麼,微中子真的完全不可能是暗物質嗎?

倒也並非如此。如果存在右旋的微中子,由於我們還不曉得它的質量以及存在量,所以「微中子是暗物質」的可能性還沒完全消失。不過,這樣就必須引入超越標準理論的理論才行。

在目前只有發現左旋、符合標準理論的微中子的情況下,一切都還未知。關於這點,我們將在《大人的宇宙學教室:透過微中子與重力波解密宇宙起源》第 6 章第 7 節詳細說明。

——本文摘自《大人的宇宙學教室:透過微中子與重力波解密宇宙起源》,2022 年 6 月,台灣東販,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
台灣東販
5 篇文章 ・ 3 位粉絲
台灣東販股份有限公司是在台灣第1家獲許投資的國外出版公司。 本公司翻譯各類日本書籍,並且發行。 近年來致力於雜誌、流行文化作品與本土原創作品的出版開發,積極拓展商品的類別,期朝全面化,多元化,專業化之目標邁進。