0

0
0

文字

分享

0
0
0

觀測通知:NGC 3239星系中的明亮超新星SN 2012A

臺北天文館_96
・2012/01/23 ・1050字 ・閱讀時間約 2 分鐘 ・SR值 535 ・七年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

祝大家新春愉快!

2012年發現的第一顆超新星SN 2012A,出現在獅子座的不規則星系NGC 3239邊緣,大約在NGC 3239星系中心以東25″、以南16″的地方,赤經、赤緯分別是R.A. = 10h25m07s.39, Decl. = +17o09’14”.6 (J 2000.0)。這顆超新星目前已被確認為是II型超新星,而且相當明亮,最新報告(1/20)指出亮度已達13.7等,利用口徑15~20公分以上的望遠鏡,配合天文攝影方式,便可觀測到這顆超新星,不過這顆超新星目前已經開始逐漸減暗中,有興趣要觀測的人可得盡快把握機會囉。

這顆超新星由B. Moore、J. Newton和T. Puckett等人,於1月7.3869日(UT,以下同)利用位在美國亞利桑納州的40公分反射式望遠鏡及未加濾鏡的CCD發現的(極限星等18.8等),發現當時的亮度約14.6等,並在1月8.3352日的影像中確認,此時亮度增為14.4等。Moore等人利用這座40公分的望遠鏡從事超新星巡天的工作,因此會固定間隔一段時間便回頭拍攝他們定下的目標天體。他們檢查2011年12月29日的拍攝影像(極限星等19.0等),確定這個影像中的相同位置並沒有任何天體。這個發現剛開始被視為激變星而被編號為PSN J10250739+1709146,但後續光譜觀測確認為超新星之後,便重新正名為SN 2012A。

後續其他天文臺利用光譜觀測SN 2012A發現,這顆超新星屬於II型超新星(type-II supernova),也就是大質量恆星演化到生命末期,因重力崩潰致使核心快速塌縮而引起的超新星爆炸,這類大質量恆星爆炸前的質量,大約在9倍至40-50倍太陽質量之間。其中,阿帕契山頂天文臺(Apache Point Observatory)ARC3.5米望遠鏡所做的低解析光譜顯示:SN 2012A的光譜在藍光波段為連續光譜,此外還有天鵝座P型的氫原子巴爾曼譜線特徵(P-Cyg Balmer features),也就是同一條譜線同時具有發射線和吸收線的特徵,顯示是個膨脹中的氣體外殼;正是這些特徵,讓天文學家確認這是II型超新星。從氫原子巴爾曼譜線中的H-alpha譜線的吸收線藍位移值計算,超新星殘骸膨脹的速度高達每秒9000公里。

此外, 1月10日時,另一組研究團隊用IUCAA Girawali Observatory進行中解析狹縫光譜觀測(Medium-resolution slit spectroscopy,350-750 nm),結果顯示有很寬的H-alpha和H-beta譜線特徵。此外,他們測得的SN 2012A的光譜特徵,與IIP型超新星( type-IIP supernova)SN 2004et在達到最大亮度前1.9天的類似,而當時是發現SN 2004et超新星之後的14.2天;SN 2012A的光譜還與亦為IIP型超新星SN 2008in在達到最大亮度之前的光譜型態類似。因此,這些天文學家認為:SN 2012A也是發現於它爆發後,但尚未達到最大亮度之前。

NGC 3239星系(另編號為Arp 263)本身是個高度不規則星系,很可能是近期曾受到其他星系重力擾動的結果,但尚未找到讓這個星系嚴重變形的兇手。它的總亮度約11.7等,距離地球約4900萬光年,從地表觀察的大小約為5.0’×3.3’。

資料來源:CBET 2974(2012.01.11), CBET 2975(2012.01.12)AAVSO Special Notice #264(2012.01.20)

轉載自台北天文館之網路天文館網站

文章難易度
臺北天文館_96
482 篇文章 ・ 27 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!

1

133
3

文字

分享

1
133
3
AI 是理科「主場」? AI 也可以成為文科人的助力!
研之有物│中央研究院_96
・2022/08/13 ・5646字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文/田偲妤
  • 美術設計/蔡宛潔

AI 的誕生,文理缺一不可

人工智慧(Artificial Intelligence,簡稱 AI)在 21 世紀的今日已大量運用在生活當中,近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等,都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維,除了仰賴工程師的先進技術,更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員,帶大家釐清什麼是 AI?文科人與工程師合作時,需具備什麼基本 AI 知識?AI 如何應用在人文社會領域的工作當中?

中央研究院人文社會科學研究中心蔡宗翰研究員。圖/研之有物

詩詞大對決:人與 AI 誰獲勝?

一場緊張刺激的詩詞對決在線上展開!人類代表是有「AI 界李白」稱號的蔡宗翰研究員,AI 代表則是能秒速成詩的北京清華九歌寫詩機器人,兩位以「人工智慧」、「類神經」為命題創作七言絕句,猜猜看以下兩首詩各是誰的創作?你比較喜歡哪一首詩呢?

猜猜哪首詩是 AI 做的?哪首詩是人類做的?圖/研之有物

答案揭曉!A 詩是蔡宗翰研究員的創作,B 詩是寫詩機器人的創作。細細賞讀可發覺,A 詩的內容充滿巧思,為了符合格律,將「類神經」改成「類審經」;詩中的「福落天赦」是「天赦福落」的倒裝,多念幾次會發現,原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯;而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯,整首詩創意十足,充滿令人會心一笑的魅力!

相較之下,B 詩雖然有將「人工」兩字穿插引用在詩中,但整體內容並沒有呼應命題,只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝!

由此可見,當前的 AI 缺乏創作所需的感受力與想像力,無法做出超越預先設定的創意行為。然而,在不久的將來,AI 是否會逐漸產生情感,演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人?

AI 其實沒有想像中聰明?

近期有一則新聞「AI 有情感像 8 歲孩童?Google 工程師爆驚人對話遭停職」,讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示:「當前的 AI 還是要看過資料、或是看過怎麼判讀資料,經過對應問題與答案的訓練才能夠運作。換而言之,AI 無法超越程式,做它沒看過的事情,更無法替人類主宰一切!

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言,多半是因為我們對 AI 的訓練流程認識不足,也缺乏實際使用 AI 工具的經驗,因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上,更延伸到文科人與理科人的合作溝通上,因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識,不僅能讓跨領域的合作更加順利,還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是,由於文科人不了解 AI 的訓練流程,因此對 AI 產生錯誤的期待,認為辛苦標注的上千筆資料,應該下個月就能看到成果,結果還是錯誤百出,準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚,兩方就會陷入僵局,導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議:

如果文科人了解基本的 AI 訓練流程,並在每個訓練階段協助分析:錯誤偏向哪些面向?AI 是否看過這方面資料?文科人就可以補充缺少的資料,讓 AI 再進行更完善的訓練。

史上最認真的學生:AI

認識 AI 的第一步,我們先從分辨什麼是 AI 做起。現在的數位工具五花八門,究竟什麼才是 AI 的應用?真正的 AI 有什麼樣的特徵?

基本上,有「預測」功能的才是 AI,你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現,而且人類手工操作就辦得到,那就不是 AI。

數位化到 AI 自動化作業的進程與舉例。圖/研之有物

蔡宗翰研究員以今日常見的語音辨識系統為例,大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話,你會發現自己無法事先知曉將產生什麼文字或回應,結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同:AI 無法百分之百正確!

因此,AI 的運作需建立在不斷訓練、測試與調整的基礎上,盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段,工程師彷彿化身老師,必須設計一套學習方法,提供有助學習的豐富教材。而 AI 則是史上最認真的學生,可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI,讓其根據工程師所定義的資料相似度算法,逐漸學會將相似資料分在同一堆,再由人類檢視並標注每堆資料對應的類別,進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI,讓其逐漸學會將任意資料對應到正確答案。

圖/研之有物

學習到一定階段後,工程師會出試題,測試 AI 的學習狀況,如果成績只有 60、70 分,AI 會針對答錯的地方調整自己的觀念,而工程師也應該與專門領域專家一起討論,想想是否需補充什麼教材,讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作,也可能因為時事與技術的推陳出新,導致準確率下降。這時,AI 就要定時進修,針對使用者回報的錯誤進行修正,不斷補充新的學習內容,讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後,蔡宗翰研究員建議:文科人可以看一些視覺化的操作影片,加深對訓練過程的認識,並實際參與檢視與標注資料的過程。現在網路上也有很多 playground,可以讓初學者練習怎麼訓練 AI,有了上述基本概念與實務經驗,就可以跟工程師溝通無礙了。

AI 能騙過人類,全靠「自然語言處理」

AI 的應用領域相當廣泛,而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因,他充滿自信地回答:因為自然語言處理是「AI 皇冠上的明珠」!這顆明珠開創 AI 發展的諸多可能性,可以快速讀過並分類所有資料,整理出能快速檢索的結構化內容,也可以如同真人般與人類溝通。

著名的「圖靈測試」(Turing Test)便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代,傳奇電腦科學家艾倫・圖靈(Alan Turing)設計了一個實驗,用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好,並派一個人操作終端機,再找一個第三者來進行對話,判斷從終端機傳入的訊息是來自 AI 或真人,如果第三者無法判斷,代表 AI 通過測試。

圖靈測試:AI(A)與真人(B)同時傳訊息給第三者(C),如果 C 分不出訊息來自 A 或 B,代表 AI 通過實驗。圖/研之有物

換而言之,AI 必須擁有一定的智力,才可能成功騙過人類,讓人類不覺得自己在跟機器對話,而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在:人文研究文本分析、新聞真偽查核,更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料,追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化,而大量數位化的經典更被主動分享到「Chinese Text Project」平台,讓 AI 自然語言處理有豐富的文本資料可以分析,包含一字不漏地快速閱讀大量文本,進一步畫出重點、分門別類、比較相似之處等功能,既節省整理文本的時間,更能橫跨大範圍的文本、時間、空間,擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的?就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋,由鎮江、杭州一帶的說書人所創作,著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉,才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素,接著用這批標記好的語料來訓練 BERT 等序列標注模型,以便將「文本向量化」,進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現,白蛇傳的原型可追溯自印度教的那伽蛇族故事,傳說那伽龍王的三女兒轉化成佛、輔佐觀世音,或許與白蛇誤食舍利成精的概念有所關連,推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外,故事的雛型可能早從唐代便開始醞釀,晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事,而法海和尚、金山寺等關鍵人物與景點皆真實存在,金山寺最初就是由唐宣宗時期的高僧法海所建。

白蛇傳中鎮壓白娘子的雷峰塔。最早為五代吳越王錢俶於 972 年建造,北宋宣和二年(1120 年)曾因戰亂倒塌,大致為故事雛形到元素齊全的時期。照片中雷峰塔為 21 世紀重建。圖/Wikimedia

在 AI 的協助之下,我們得以跨時空比較不同文本,了解說書人如何結合印度神話、唐代傳奇、在地的真人真事,創作出流傳千年的白蛇傳經典。

最困難的挑戰:AI 如何判斷假新聞

除了應用在人文研究文本分析,AI 也可以查核新聞真偽,這對假新聞氾濫的當代社會是一大福音,但對 AI 來說可能是最困難的挑戰!蔡宗翰研究員指出 AI 的弱點:

如果是答案和數據很清楚的問題,就比較好訓練 AI。如果問題很複雜、變數很多,對 AI 來說就會很困難!

困難點在於新聞資訊的對錯會變動,可能這個時空是對的,另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器,可輸入當前的新聞讓機器去判讀真假,但過一段時間可能會失準,因為新的資訊源源不絕出現。而且道高一尺、魔高一丈,當 AI 好不容易能分辨出假新聞,製造假新聞的人就會破解偵測,創造出 AI 沒看過的新模式,讓先前的努力功虧一簣。

因此,現在多應用「事實查核法」,原理是讓 AI 模仿人類查核事實的過程,尋找權威資料庫中有無類似的陳述,可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊,致力於建立英文事實查核法模型所能運用的資源,並透過舉辦國際競賽,廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後,也與合作夥伴事實查核中心及資策會討論,正著手建立中文事實查核法模型所需資源。預期在不久的將來,AI 就能幫讀者標出新聞中所有說法的資料來源,節省讀者查證新聞真偽的時間。

AI 的無限可能:專屬於你的療癒「杯麵」

想像與 AI 共存的未來,蔡宗翰研究員驚嘆於 AI 的學習能力,只要提供夠好、夠多的資料,幾乎都可以訓練到讓人驚訝的地步!圖/研之有物

AI 的未來充滿無限可能,不僅可以成為分類與查證資料的得力助手,還能照護並撫慰人類的心靈,這對邁入高齡化社會的臺灣來說格外重要!許多青壯年陷入三明治人(上有老、下有小要照顧)的困境,期待有像動畫《大英雄天團》的「杯麵」(Baymax)機器人出現,幫忙分擔家務、照顧家人,在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式,新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」(Nadine),由感知、處理、互動等三層架構組成,可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境,並將上述資訊發送到處理層。處理層會依據感知層提供的資訊,連結該用戶先前與娜丁互動的記憶,讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象,或對陌生事物感到不安,常選擇靜默不語,需要照護者主動引導。因此,娜丁內建了注視追蹤模型,當偵測到住戶已長時間處於被動狀態,就會自動發起話題。

實驗發現,在娜丁進駐長照機構一段時間後,住戶有一半的天數會去找她互動,而娜丁偵測到的住戶情緒多為微笑和中性,其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

照護機器人娜丁的運作架構。圖/研之有物

至於未來的改進方向,研究團隊認為「語音辨識系統」仍有很大的改進空間,需要讓機器人能配合老年人緩慢且停頓較長的語速,音量也要能讓重聽者可以清楚聽見,並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人,首要任務就是要開發一套臺灣人專用的 AI 語言模型,包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型,期待政府能整合學界與業界的力量,降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感,但卻可以成為人類大腦的延伸,協助我們節省處理資料的時間,更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨,如何讓自己的行事邏輯跟上 AI 時代,讓 AI 成為自己的助力,是值得你我關注的課題。

延伸閱讀

文章難易度
所有討論 1
研之有物│中央研究院_96
253 篇文章 ・ 2220 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

5
3

文字

分享

0
5
3
解析韋伯太空望遠鏡第一批影像背後的科學意義
EASY天文地科小站_96
・2022/07/14 ・4350字 ・閱讀時間約 9 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • 作者:林彥興|EASY 天文地科小站主編、清大天文所碩士生,努力在陰溝中仰望繁星

萬眾矚目的詹姆士韋伯太空望遠鏡,在經過半年的校準與測試後,終於公開了它拍攝到的第一批成果。這些五彩斑斕、美麗絕倫的照片究竟是什麼樣的天體,照片的背後又有哪些深藏的意義?就讓我們一起深入解密,韋伯的第一批照片吧!

韋伯望遠鏡是什麼?

詹姆士.韋伯太空望遠鏡是美國、歐洲與加拿大太空總署合作開發的新一代旗艦級紅外線太空望遠鏡,也是無數天文學家夢寐以求、能幫助人類破解許多未解天文迷團的利器。

韋伯的研發其實早從 1996 年就已經開始,但是由於開發時遇到諸多困難,導致嚴重的預算超支與進度延宕,這台耗資上百億美金的超級望遠鏡,直到去年年底才終於從法屬圭亞那發射中心,用一枚亞利安 5 號運載火箭發射升空,前往距離地球 150 萬公里的日地第二拉格朗日點。

拉格朗日點是什麼?

日地拉格朗日點一共有五個。當物體在這些點上,其受到來自太陽與地球的重力恰到好處,因此太空船只需要少量的燃料,就可以長期與地球和太陽保持穩定的相對位置,可謂是地球軌道附近的風水寶地。

而韋伯繞行的,是位於地球後方的第二拉格朗日點,簡稱 L2。之所以選擇這裡,是因為只有 L2 的位置剛好會讓地球、太陽、月亮都在同一側,而這三個星體正是天文望遠鏡的主要紅外線光害來源。位在 L2 的韋伯,就可以用它的遮陽帆一次把三顆星體全部擋住,認真凝望遠方而不受干擾,因此 L2 可以說是觀測宇宙的絕佳地點。升空的幾個月之間,韋伯已經完成一系列的儀器校準工作,一步步把望遠鏡調整到最佳狀態。

相比知名前輩「哈伯太空望遠鏡」,韋伯的優勢不只是擁有比哈伯大六倍的鏡面,更重要的是它是以紅外線為主力觀測波段。宇宙膨脹造成嚴重紅移,但哈伯望遠鏡的守備範圍主要是可見光,波長範圍是 90 – 2500 奈米,可說是鞭長莫及啊。

這時換上以波長 600 – 28500 奈米的紅外線為守備範圍的韋伯,就可以讓我們看到更遙遠、更古老的宇宙。此外,同一個天體在可見光和紅外線看起來,往往長得相當不一樣。這個強大的紅外線觀測能力,正是韋伯最引以為傲的武器。

作為深具儀式感的第一批科學影像,韋伯這次公布的影像分別對應四個主要科學主題:早期宇宙星系演化恆星的生命循環系外行星

1. 早期宇宙—— 星系團 SMACS 0723 與重力透鏡效應

星系團 SMACS 0723。圖/Webb Space Telescope

畫面中心黃白色的天體,是由成百上千的星系共同組成的星系團 SMACS 0723。在韋伯之前,哈伯太空望遠鏡就曾經花費數個禮拜的時間拍攝這個星系團。然而擁有更大鏡面、更精良儀器的韋伯,僅用了 12.5 個小時就拍出了解析度更高、畫面品質更好的照片,讓我們看到許多以前難以辨識的黯淡星系。可見哈伯與韋伯在觀測能力上的差距。

對天文學家來說,圖中最令人興奮的其實不是前景壯闊的星系團,而是後方這些經過重力透鏡扭曲和放大的小小星系們。星系團龐大的質量扭曲了周圍的時空,讓整個星系團好像一塊巨大的放大鏡一樣,可以偏折和聚焦通過的星光,稱為「重力透鏡效應」。

當星系團後方更遙遠、更古老的星系發出的光線通過星系團時,就會被星系團的重力透鏡效應偏折和聚焦,形成而圖中無數弧形的扭曲影像。

紅圈為照片上受重力透鏡影響的區域之一,可以看到星系被拉長。

這些仍在襁褓中的小小星系,往往正在快速的孕育新的恆星,或是互相合併,因此有著混沌不規則的形狀。離我們越遠的星體發出的光,需要越長的時間才能到達我們的眼中。因此研究這些遙遠且古老的星系,能幫助天文學家理解宇宙早期的模樣。

2. 星系演化——史蒂芬五重奏(Stephan’s Quintet)

上一張照片讓我們認識星系的起源,這張「史蒂芬五重奏(Stephan’s Quintet)」則可以讓天文學家更仔細地研究星系內的複雜結構,以及星系與星系之間的交互作用。

史蒂芬五重奏(Stephan’s Quintet)。圖/Webb Scape Telescope

正如其名,「史蒂芬五重奏(Stephan’s Quintet)」是由五個視覺上相當靠近的星系所組成。但其實最左邊的這個星系(NGC7320)與另外四者並無關聯,只是從地球上看剛好位在天空中差不多的位置而已。

圖片中偏向黃白色,感覺如絲綢般順滑的部分是在近紅外線波段拍攝,主要顯示的是星系中恆星的分布;而醒目的橘紅色,則是來自中紅外波段的資料,展示的是星系中的高溫塵埃,以及星系中的氣體高速對撞時產生的震波(Shock wave)。

除了影像,韋伯還使用光譜儀仔細檢視了影像中右上方的星系(NGC 7319)中心,因為那裏有一顆比太陽重 2400 萬倍的超大質量黑洞,正在吸食周遭的氣體,並在過程中釋放巨大的能量。

藉由觀察光譜的細節,韋伯可以分辨出像是氬離子、氖離子或是氫分子等等化學組成,甚至知道氣體的溫度、運動速度這些從一般照片難以辨識的資訊。

史蒂芬五重奏就像一個天然的實驗場,讓天文學家研究星系演化的詳細過程。

3. 系外行星——WASP-96 b 的大氣光譜

這一張照片可能是整批影像中,視覺上最不起眼的一張,它是系外行星 WASP-96 b 的大氣光譜。

WASP-96 b 的大氣光譜。圖/Webb Scape Telescope

最近 20 多年來,人類對太陽系以外行星的認識越來越多。截至今日,人類已經發現超過 5000 顆系外行星。然而,以現有的觀測技術,天文學家通常只能用一些間接的方法,測量它們的質量、半徑、軌道週期等粗略的特性。想知道這個行星是否適合生命生存,就不能少了行星大氣層的化學組成和溫度資訊。

那要怎麼取得行星的大氣資訊呢?當行星通過恆星跟地球中間時,恆星的一部分星光將會通過行星的大氣層,並被行星的大氣吸收。吸收的多寡和波段,取決於行星大氣層的溫度和化學組成等特性。此時,天文學家就可以藉由分析光譜中的各種特徵,去回推行星大氣層的性質。

圖片中的白點,即是韋伯實際觀測 WASP-96 b 時取得的光譜資訊。而藍色的線,則是天文學家認為最貼合觀測數據的理論模型。

根據這個觀測結果,天文學家計算出 WASP-96 b 的大氣溫度約為 725°C,大氣中明顯有著水氣,並推測可能還有雲和霾存在。未來進一步的分析和觀測,將為世人揭開更多系外行星的神祕面紗。

4. 恆星的生命循環——「南環狀星雲」與「船底座大星雲(Carina)」

最後兩張照片都與恆星的生命循環有關。正如人會有生老病死,恆星也是一樣。

恆星一般誕生在巨大分子雲中,氣體在重力吸引下逐漸塌縮、升溫並點燃核融合,成為一顆恆星。

當小質量的恆星步入晚年,其結構容易變得不穩定,最終將自己的外層氣體拋射出去,形成美麗的行星狀星雲,也將氣體吐回到星際空間中,成為下一代恆星的養分。氣體都拋射完之後留下的核心,就是白矮星。

各位現在看到的,是暱稱「南環狀星雲」的行星狀星雲,左右兩張圖分別於近紅外線與中紅外線拍攝。

南環狀星雲。圖/Webb Scape Telescope

我們可以看到,左圖中的影像比右圖要更清晰一些,這是因為在相同的望遠鏡口徑下,波長越短所能達到的理論解析度就越高。

有趣的是,在左圖中看起來位於星雲中心的明亮恆星,其實並不是行星狀星雲的核心。真正的核心其實是在其左下方,一顆被塵埃包裹著的黯淡白矮星。在近紅外線波段的影像中,這顆白矮星幾乎淹沒在隔壁恆星的炙烈星芒之中。

但在中紅外波段,由於恆星的亮度相對降低,包裹著白矮星的塵埃發出的光就變得清晰可見。再次展示即使是同一個天體,使用不同的波段進行觀測,往往可以看到不同的東西。

最後這片壯麗的宇宙山崖,則是位於「船底座大星雲 Carina」西北角的 NGC3324 恆星形成區。在這裡,源自星雲中無數初生恆星所發出的炙烈輻射、恆星風與噴流,吹散、游離了星雲中原有的濃密氣體與塵埃。交織出這片壯闊而複雜的結構。

船底座大星雲(Carina)。圖/Webb Scape Telescope

這張照片一共結合了這六個不同的濾鏡的影像拍攝而成。每個濾鏡涵蓋的波段各不相同,代表的物理意義也不一樣。比如(F090W、F200W、F444W)這三個寬帶濾鏡,分別在影像中按照波長順序,以藍色、綠色和紅色這三原色呈現,為照片打下骨幹。而在此之上,照片的製作團隊又疊上青色代表氫原子的(F187N)濾鏡影像,以黃色代表氫分子的(F470N)濾鏡影像,以及用橘色代表甲烷和多環芳香烴的 (F335M) 濾鏡影像,為照片再添更多的細節。

想要將這麼多個波段的影像全部結合起來,仔細調整讓細節更加突出,最終呈現出一張如此絢麗又震撼的照片,是非常不容易的。這展示了韋伯太空望遠鏡不僅在科學上相當重要,在藝術上也價值非凡。

最後別忘了,以上只挑選介紹了第一批資料中最具代表性的幾張,更多關於五個目標的照片和光譜,可以在韋伯的官網上找到。而這批照片,又只是韋伯未來二十年服役生涯中,前兩個月的小試牛刀而已。韋伯的時代,才剛剛要開始!

EASY天文地科小站_96
21 篇文章 ・ 766 位粉絲
EASY 是由一群熱愛地科的學生於 2017 年創立的團隊,目前主要由研究生與大學生組成。我們透過創作圖文專欄、文章以及舉辦實體活動,分享天文、太空與地球科學的大小事

1

12
9

文字

分享

1
12
9
為什麼在下雨天時,你不會被雨滴狠狠痛扁?
若芽_96
・2022/04/21 ・5518字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

下雨天的時候走在路上,天氣涼涼的,聽著雨聲的感覺非常好。但是你有沒有想過,為什麼雨滴會從天上掉下來?

「啊!就像蘋果會掉到地面一樣,會受到重力的作用嗎?」你可能會這麼說。

好,那我們這邊就來帶大家算一下,一滴雨從高空落到地面,純粹只有受到重力時,應該是什麼樣子的感覺吧!

只有受到重力作用雨滴的運動分析

當不考慮空氣阻力時,由高空落下的物體全程會受到重力加速度值 g 的作用,而因為地表的重力加速度約為定值,以海平面且緯度 45º 為標準,其數值為 9.8m/s2 [1]。因此雨滴從高空落下時,可以視為一個單純的等加速度運動,而這個運動我們又稱之為自由落體

假設雨滴是靜止落下且受到重力加速度值 g 作用,即可根據等加速度運動公式,求得雨滴從高度 h 自由落下時的末速度值:

然而,在探討雨滴落下的末速度之前,我們必須對於雲的分類以及大致上的高度有一個基本的了解,才能比較明確地知道我們要探討的雨滴大概是從什麼樣的高度落下來的。

氣象學家 Luke Howard 於 1803 年中的著作《論雲的變形》(The Essay on the Modification of Clouds)中,按照不同雲的形狀、組成、形成原因,將雲分為 10 大雲屬,並且將這 10 大雲屬劃為三個雲族,分別為:位於距地表 6,000 至 7,000 公尺的高雲族,位於距地表 2,000 至 6,000 公尺的中雲族,以及位於距地表 0 至 2,000 公尺的低雲族[2]。另外,則還有橫跨了三個不同雲族高度的直展雲族,常常造成短暫但是相當豐沛的降雨量[3]

國際氣象組織所提供的基本雲的分類標準對照圖。圖/世界氣象組織[2]

按照國際氣象組織所提供的分類,以及 Luke Howard 的定義,天空中主要的降雨來源為積雨雲(cumulonimbus)以及雨層雲(nimbostratus),降雨來源以雨層雲較為常見,且其雲底多為 1,200 公尺以下。故我們這邊計算雨滴的高度時,便以 1,200 公尺作為高度的參考依據。

因此,當一滴雨從高空落下,代入前述自由落體公式,即可計算出雨滴理論上應該要有的末速度:

根據上述的計算式子可以知道,當雨滴從高處落下時,如果沒有任何的空氣阻力,雨滴落到地面的速度大約會是 153 m/s。

對於這個數字沒有感覺嗎?那這邊簡單地計算給你看一下,讓你有點 fu。但是在這個計算之前,首先我們要先對於雨滴的大小有個概念。

依照 2009 年的相關研究[4]顯示,小雨滴在降落時幾乎是圓形,可是隨著體積越大,就會變得越扁平,受到空氣的影響也會越明顯。當雨滴達到特定的大小時,就會被切割為較小的雨滴,也因此最大的雨滴直徑會被限制在 6 mm 左右。

而按照另一個研究[5]對於雨滴粒徑的分布探討,發現雨滴的直徑多數是落在 0.5 mm 至 4 mm 之間,也就是半徑 0.25 mm 至 2 mm 之間。

不同大小的雨滴受到空氣影響的形變研究示意圖。圖/Wikipedia [6]

這邊先姑且不論雨滴本身的化學成分所帶來的密度差異,以及落下過程中的密度和質量變化。因此我們可以簡單的利用密度、質量和體積的關係式,假設有一顆雨滴的成分皆為水,密度為 1 g/cm3,半徑 2 mm,且為均勻球體的情況下,計算這顆雨滴的質量如下:

接著,我們利用牛頓第二運動定律動量衝量的概念,來計算平均一顆雨滴所造成的衝擊力大小。這邊,我們假設你是淋雨的狀態,雨滴跟你的腦袋接觸的時間大約為 0.001 秒,且雨滴最後會完全靜止在你的腦袋上,也就是末速度為 0。

此時,造成雨滴會有速度變化的作用力有二,一為雨滴所受到的重力、二為腦袋給雨滴的正向力。根據牛頓第三運動定律,腦袋給雨滴的作用力,與雨滴給腦袋的作用力,為「作用力與反作用力」之間的關係。

那我們要怎麼知道雨滴對於腦袋的衝擊力有多少呢?

根據前面的假設,我們假設腦袋給雨滴的作用力使用變項為 N,可以列式如下:

雖然我們前面說,在計算正向力 N 時,應該要將重力納入考量,不過實際計算後會發現雨滴本身重量也不算大,相較之下,後面的重力項是可以忽略的,因此計算出來的衝擊力約為 0.52 kgw。

嗯?你說你還是沒有感覺嗎?再說白話一點好了,這個重量就差不多是一瓶 500 ml 的礦泉水壓在你身上的感覺。這只是單一顆雨滴,平常在下雨的時候絕對不可能只有一顆雨滴。一瓶礦泉水壓在身上其實是有感覺的,那很多雨滴下在身上,等同於很多很多瓶礦泉水壓在身上,那肯定也是非常有感。

修但幾勒,這個結論跟我們平常淋雨的感覺完全不同吧!那到底問題出在哪裡?

其實雨滴不只受到重力的作用

雨雲本身存在於大氣層的對流層內,而對流層內充滿很多空氣分子。當雨滴在這些空氣分子所形成的「流體」裡面移動的時候,會使得雨滴本身除了受到重力以外,還會額外受到空氣阻力(drag force)的作用。

在流體動力學中,在流體中移動的物體會受到一個和運動方向相反的阻力。這個阻力來自流體,會存在於兩個流體層之間,或者是流體與固體之間。可是,這和以往我們所學的固體和固體之間的摩擦力不同,因為物體在流體中受到的阻力其實是和物體移動的速度有關[7][8]

物體在流體中所受到的阻力,會受到物體大小、形狀、特性,以及流體性質的影響。阻力方程式(drag equation)概括了這些因素,描述如下[7]

其中,ρ 為流體的密度(如果是在空氣中,則是空氣的平均密度)、A 為物體在流體中的有效面積、v 為物體在流體中之速度;CD 則是阻尼係數,是一個沒有因次的數字,一般來說會跟物體的形狀以及雷諾數(Reynolds number)有關。

而雷諾數則是在流體動力學之中,流體慣性力(inertial force)和黏性力(viscous force)的比值,用來預測流體狀態的無因次物理量。對於不同的流體來說,雷諾數會有很多不同的表達方式,但一般來說都會包含流體的密度(density)、黏滯性(viscosity)、流體的流速,以及特徵長度或尺寸。

最基本的雷諾數可以表示如下[9]

其中,ρ 為流體的密度,v 為流體的平均流速、D 為特徵長度,而 μ 則為流體的黏滯性。

雷諾數低的時候,流體會呈現層流(laminar flow)的狀態。流體分子會在每一層中平順流動,相鄰層之間就像堆疊的紙牌,鮮少或甚至幾乎沒有混合,當然也不會產生漩渦[10]

相反地,在雷諾數高的時候,流體則是會呈現紊流(turbulent flow)的狀態,流體的流速跟壓力沒有一定的變化規律,流體分子也沒有明顯的平行層,很常會互相混合在一起[11]

圖 a 為層流的流線示意圖,而圖 b 則為紊流的流線示意圖。圖/SimScale [12]
黏滯力是一種流體受到外來作用力所產生的阻力,來源為液體內部的摩擦力。黏度較高的流體比較不容易流動,黏度較低的流體反之。本圖為不同黏性的流體所呈現出來的狀態模擬。左邊為黏性低的流體、右邊則為黏性高的流體。圖/Wikipedia [13]

扯遠了扯遠了,我們還是繼續回到原本的阻力方程式。

根據實驗觀察,在雷諾數較高,也就是流體的密度較大、流速較快,而且黏滯性較小時,阻力係數可以幾乎視為定值。此時,阻力就會跟流體流速的平方成正比,公式如下:

而在雷諾數低,也就是流體密度較小、流速較慢且黏滯性較大時,阻力係數會和雷諾數的倒數成正比,因此我們結合雷諾數本身的定義以及阻力方程式,就可以知道「在雷諾數較低時,阻力與流速之間的關係為線性關係」,公式如下:

依照前面講過的阻力方程式和流速之間關係的背景知識,讓我們回到最一開始遇到的雨滴問題。

之前在分析雨滴的受力時,只有考慮到重力的作用,計算出雨滴自 1200 m 高的雨雲雲底落到頭上時,速度約為 153 m/s。在考慮到空氣阻力時,由於阻力與雨滴的運動方向恆相反,因此我們可以將雨滴的質量先以 m 作為變項,假設雨滴為正球形且半徑為 R,繪製雨滴所受到的力圖如下:

雨滴所受到的力。圖/筆者親繪

因為空氣阻力恆與物體運動的速度反向,而雨滴在落下的時候,速度一定是向下的,加速度也向下,故空氣阻力會向上。

阻力方程式中的 A 是投影的等效面積,在球形的雨滴中,即為上圖斜線部分,可以用半徑 R 和圓面積的公式來計算。此時,我們利用牛頓第二運動定律計算雨滴運動過程中所受到的加速度量值,來觀察雨滴運動的情形:

如果今天的流體狀況是屬於高雷諾數的情況(流體的密度較大、流速較快且黏滯性較小)時,則前述的式子可以下表示,並計算出加速度的關係式:

反之,如果是低雷諾數的情形(流體的密度較小、流速較慢且黏滯性較大),則前述的式子可以下表示,也順手計算出加速度的關係式:

從前面的兩條化簡式子,可以看出雨滴掉落時,不論雷諾數如何,速度漸大都將造成阻力漸大,並使得加速度漸小。當達到一定的速度時,雨滴就不再會有加速度,而是改以等速度的方式落下。此時,雨滴所具有的速度即終端速度(terminal velocity, vt)。在終端速度時,我們可以知道雨滴所受到的重力與拖曳力達到力平衡,因此可以根據不同的雷諾數而列式。高雷諾數的情況下所計算出的終端速度如下:

低雷諾數的情況下所計算出的終端速度如下:

我們這邊以高雷諾數的流體情形來考量大氣中的情況,與前面的條件相同假設,也就是雨滴為半徑是 2 mm 的正球體,雨滴密度主要成分為水,因此密度為 1000 kg/m3,而阻尼係數這邊我們根據雨滴的形狀和經驗公式簡單取 0.6 來概略估算[14]

利用高雷諾數的情況計算終端速度實際值時,會需要流體的密度。在這裡,我們討論的對象是空氣中的雨滴,故理想上(當然,這是很理想的情況下)可以使用理想氣體方程式來求出於 1 大氣壓、20ºC 時候的空氣密度,來代入終端速度的公式。

代入我們目前空氣的條件,也就是 1 大氣壓、20ºC 的情形,而這邊務必將所有單位都轉為 SI 制,加上理想氣體常數,此時使用的是 8.314。其中,M 為空氣的分子量,我們這邊使用 28.97 g 配合以上的條件代入計算[15]

將前述所得到的空氣密度數值,結合前面的其他條件,代入高雷諾數情況的終端速度公式,即可計算終端速度:

由計算結果可以知道,當考慮到空氣阻力時,雨滴會以 8.52 m/s 的終端速度落下,比起之前純粹考慮重力時,求出的 153 m/s 來說小了非常多,是原本的二十分之一。按照牛頓第二運動定律,這樣的雨滴打到腦袋時,對於腦袋瓜的正向力也會減為原本的二十分之一。如此一來,就比較像我們平常淋雨的情況了。

由前面的計算過程,我們可以明白從高空落下的雨滴不只有受到重力。能夠讓我們下雨天走在路上不被雨滴狠狠槌死的最重要因素,其實就是空氣阻力的功勞。同時,我們可以知道,造成雨滴落下的運動過程並非等加速度,而是變加速度運動。利用牛頓第二運動定律得出加速度的關係式後,也知道速度越來越大,加速度就會越來越小。在加速度為 0 時,則會以終端速度等速落下。

最後,讓我們來感謝空氣阻力,讓每一個人在下雨天的時候都能安心走在路上。

註解

所有討論 1
若芽_96
1 篇文章 ・ 2 位粉絲
因為人生想要追求知識跟技能樹的全開,而遊走在物理、法律、職業安全衛生、數位行銷、數據分析等各種不同領域的人。下一個領域會去哪呢?我也不知道,不過持續不停向前這是絕對必要的。個人網站:https://wakame.tw