Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

降落彗星,開啟彗星研究新視野

臺北天文館_96
・2012/02/10 ・1041字 ・閱讀時間約 2 分鐘 ・SR值 568 ・九年級

歐洲的羅賽達號太空船(Rosetta)正朝向它的目標—67P/Churyumov-Gerasimenkoand彗星前進,預計在2014年進入環繞這顆彗星的軌道,並釋放一個探測器,降落在這顆彗星的表面。這是彗星探測史上的兩個創舉。

彗星是45億年前太陽系形成歷史之初遺留下的原始物質所構成的小天體,一生中絕大部分時間都待在寒冷的太陽系外圍,性質鮮少變化,因此被天文學家視為研究太陽系早期歷史的金礦。

當它們沿著狹長的軌道逐漸逼近太陽時,受到的太陽光熱愈來愈熾烈,逐漸轉化成地球夜空中令人摒息的美景。歐洲太空總署(ESA)於2004年發射羅賽達號,讓它們盡量靠近這個美景的最佳賞景點,近距離研究這些帶著太陽系原始訊息的天體。

到目前為止,科學家們對彗星的瞭解,有很大一部份是來自數次的彗星飛掠任務。然而,飛掠式的彗星任務,只能匆匆瞥一眼處在某一演化階段的彗星外貌,無法獲得更全面的資料。這就是羅賽達號有別於其他彗星任務的地方,因為羅賽達號將環繞67P彗星達17個月之久,隨著彗星接近太陽再遠離太陽,科學家們將可親眼見到整個彗星受到猛烈太陽光熱影響下的演化狀況。

-----廣告,請繼續往下閱讀-----

還在努力航向67P彗星的此時,羅賽達號處在休眠的狀態,預定在2014年的元旦復甦,之後進行一個月的自我檢測工作。如果一切安好,那麼將在2014年8月進入環繞67P彗核的軌道,掃瞄彗星表面,尋找降落地點。一旦選定降落地點後,太空船將降低高度至距離彗核表面約1公里之處,並放出登陸器(lander)。

登陸器名為「菲萊(Philae)」,此名原是埃及尼羅河中一座小島的名稱,科學家在這座靠近亞斯文的島上的神廟中,發現一塊石碑,就是得以讓世人破解古埃及文奧秘的「羅賽達石碑(Rosetta Stone)」。菲萊登陸器預定將在2014年11月登陸彗星表面;這是首次被完全控制的彗核登陸行動,類似阿波羅號登陸月表一樣。由於彗星表面重力極低,菲萊登陸器一確定登陸成功後,便會以類似魚叉的鉚釘鑽透彗核表面以便固定。固定後,登陸器才終於能著手取得這個彗核的第一手資料:收集彗核樣本,利用探測器中的顯微鏡自動檢測,並拍攝彗核地表的全景影像。

在此同時,上空環繞的太空船也很忙。船上的感應器不斷測繪彗星表面地形和磁場,監測彗星爆發噴流和間歇噴泉,測量物質流速率等等。將在彗核地表的登陸器和上空環繞的太空船資料予以整合後,還可獲得彗星的3D立體影像,甚至是彗核表面以下的地質結構等。

這個獨一無二的彗星任務,最終結果必定將讓彗星研究的歷史寫上一段好長的故事。

-----廣告,請繼續往下閱讀-----

 

資料來源:Mission to Land on a Comet[2012.01.31]

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

7
2

文字

分享

0
7
2
水是從哪裡來的?改寫宇宙謎團:科學家揭露地球水源的真正來源!——《你的身體怎麼來的?》
商周出版_96
・2025/01/25 ・2808字 ・閱讀時間約 5 分鐘

彗星送水論?地球的水是從哪來?

想知道古地球如何得到水的行星科學家將矛頭指向大泥球。似乎數十億年前曾有彗星雨落下,為我們帶來大量的水。

但,彗星又來自何方?

科學家長期認為彗星誕生於比火星更遠的寒冷區域。一九九〇年代,學者更進一步認定大部分彗星已經被日益成長的行星吸收。然而荷蘭天文學家揚.歐特(Jan Oort)提出不同見解,主張可以有數以兆計的彗星在太陽系邊緣存活,它們距離行星太遠所以沒被重力拉扯,最終圍繞太陽系形成巨大球形外殼,現在將該區域稱為歐特雲。歐特雲的大量彗星可以填滿地球海洋,問題是它們太遠,是地日距離的數千倍,實在不大可能到得了。

揚·歐特認為彗星圍繞太陽系形成遠距離的歐特雲,雖然數量足夠填滿地球的海洋,但距離遠到不易抵達地球。圖 / unplash

於是又有研究者懷疑部分彗星在太陽系較內側存活,或許是土星軌道外,這樣也比歐特雲近了一千倍。然而僅僅停留在臆測,因為想要在那麼遠的地方找到直徑不過數十英里或更小的彗星太困難,大家沒有傻到去做這種嘗試。

-----廣告,請繼續往下閱讀-----

唯二例外是年輕的麻省理工學院教授戴夫.朱維特(Dave Jewitt)和他的研究生盧珍(Jane Luu)。裘伊特頭頂高聳,笑容可掬,性格充滿英國式幽默,父母是倫敦的工廠工人和電話操作員。童年時偶然在夜空看見流星勾起他對天文學的迷戀。

從天文學觀測到重水比例:揭開水的宇宙密碼

一九八五年,他突發奇想將新的數位型光感測器 CCD(譯按:感光耦合元件)連接到望遠鏡,藉此在太陽系遙遠角落尋找彗星這種小天體。朱維特認為我們看不見不代表不存在,但研究需要資金,只可惜多數人都不相信,所以計畫案一次一次被拒絕。三十多年後,回憶起當初遭受的輕蔑他依舊義憤填膺。「最常得到的回答是『無法證明計畫裡的測量實際可行』,」他說:「我的天,這是什麼蠢邏輯?整個計畫的意義就是去做一些以前沒做過的嘗試。就算最後真的不可行又怎麼樣呢,重點不就是得試試看嗎?」批判他的人可能陷入了「現有工具檢測不到就代表不存在」的認知偏誤,習慣性地假設科學家尚未找到就代表目標處什麼也沒有。

朱維特和盧珍拒絕放棄,偷偷從其他研究案借用望遠鏡時間尋找數十億英里外可疑的微小物體。

很長時間毫無收穫。一年又一年,然後四年五年六年。直到一九九二年夏夜,他們在夏威夷大島茂納凱亞天文臺工作。那時候他們心灰意冷,覺得五年多光陰白費了,卻沒想到忽然發現了非常微弱的光點。察覺這個點微微移動時,朱維特還暗忖「不可能是真的」,但它確實存在。兩人找到的天體位於海王星外的軌道,後來進一步證實那邊還有數百萬顆彗星。該區域被命名為古柏帶,淵源是最早提出此概念的荷蘭天文學家30,他在一九五〇年代就探討了這個可能(諷刺的是他本人不相信)。

-----廣告,請繼續往下閱讀-----

科學家在古柏帶找到大量彗星,人體內的水看似已經確定來源。地球形成後不久,彗星從古柏帶,或許一部分從更遠的歐特雲抵達,送來覆蓋這顆行星表面的水。彗星堪稱飛行的冰山,攜帶的水量確實足以填滿地球海洋。理論很快得到多數人接納及傳播,謎題終於得到解答。

科學家認為古柏帶與歐特雲彗星攜帶的水,可能就是地球水源的來源。圖 / unplash

小行星的貢獻:來自太空岩石的生命之源

真的嗎?一九九五年,波瀾再起。亞利桑那州鳳凰城附近一場觀星派對上,輪到混凝土供應公司零件經理湯瑪斯.博普(Thomas Bopp)借用朋友的望遠鏡,他留意到視野角落有個模糊光點。同一天晚上,新墨西哥州克勞德克羅夫特村天文學家艾倫.海爾在家中發現同樣物體。這顆新發現的彗星,是有史以來見過最亮的,命名為稱為海爾─博普彗星。

翌年,戴夫.朱維特隨學者團隊返回茂納凱亞觀測站,這次以強大的電波望遠鏡觀測海爾─博普彗星。他們在海拔一萬四千英尺(約四千兩百六十七公尺)的稀薄空氣中每十三至十六小時輪班一次測量夜間光譜,試圖比較彗星中一種罕見的水形式比例是否與地球海洋相符。

或許有些人還不知道其實水分子有不同形式。大部分水由氫原子組成,核心只有一個質子。但還有別種水存在,由於重量多出一成所以稱為重水,其氫原子是同位素,核心除質子外還包含一個中子。重水很罕見,在地球海洋中每六千四百個水分子只有一個是重水。因此,茂納凱亞團隊準備測量海爾─博普彗星時原本很有信心會找到相同比例的重水,畢竟地球的水應該來自彗星。

-----廣告,請繼續往下閱讀-----

然而觀測結果並非如此。海爾─博普彗星重水含量是地球海洋兩倍。這就麻煩了,先前天文學家在哈雷彗星發現類似的高比例重水,當初只視為異常案例,然而後來在百武二號彗星又測量到相同數據。三次觀測結果一致成為難以忽視的證據,顯示彗星並不吻合地球海洋的水分子組成。

「天文學家對海爾─博普的觀測結果作何反應?」我問。

「嚇壞了。」朱維特的意思是指數據背後的涵義:「有點像新時代運動31的意識覺醒之類。」他笑了笑又說:「好像不該說這種話才對。」但顯而易見,學界頗受震撼,一夕間又不能靠融化彗星形成海洋了。雖然惠普爾沒說錯,彗星確實充滿水,但海洋來自太陽系其他地方。具體究竟是哪兒?

朱維特和其他許多學者一樣,注意力轉向飄浮在太空中的巨大岩石,即所謂小行星。

-----廣告,請繼續往下閱讀-----

從石頭榨水,乍聽很無稽,但事實上有些岩石確實可以。如果加熱隕石,也就是從小行星落到地球的碎片,困在晶體結構內的水分子就能變成水蒸氣。多年前科學家已經知道小行星含水,這些岩石含水量差異很大。多數靠近太陽形成的小行星幾乎不含水,但在火星之外冰冷區域形成者水分含量則可高達百分之十三。

朱維特等人的想法是:如果撞擊地球的小行星夠大就會帶來豐沛的水。此外,天文學家還知道火星木星之間軌道上有一大群小行星,並將該區域稱為小行星帶。而且,小行星中重水與彗星不同,吻合地球海洋和人體。各種線索指向我們這兒的水應該來自宇宙岩石。

感覺好像結案了,但其實小行星帶距離地球三億英里遠。從那種距離要一桿進洞得有多高明的技術?有足夠數量的小行星算準角度飛向地球以水覆蓋地表,這個現象發生機率有多高?人類又如何進一步理解?

——本文摘自《你的身體怎麼來的?從大霹靂到昨日晚餐,解密人體原子的故事》,2025 年 01 月,商周出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

商周出版_96
123 篇文章 ・ 364 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。

1

8
4

文字

分享

1
8
4
太陽系如何形成、如何演化?就讓「靈神星」來解答!
EASY天文地科小站_96
・2023/04/12 ・2962字 ・閱讀時間約 6 分鐘

  • 文/黃子權|掉入岩石堆中的研究生,現就讀台大地質所
  • 文/林彥興|現就讀清大天文所,努力在陰溝中仰望繁星

M 型小行星與行星的誕生

了解太陽系的形成歷史與演化,是行星科學最重要的使命之一。然而,身在太陽系形成後 46 億年的我們所看到的行星,都是經過漫長演化後的結果。它們的表面特性、內部結構,早已與剛形成時大相逕庭。

因此,想要研究太陽系的形成與演化,小行星是相當重要的目標。由於小行星質量小、冷卻快,更不會有複雜的風化和地質運動,因此它們從太陽系形成之初到現在都沒有什麼改變,就像活化石一般。而過去幾十年,人類也確實對小行星進行了廣泛而詳細的研究,比如拍攝照片計算它們的軌道,用光譜分析化學組成,甚至派遣太空船(如 JAXA 的隼鳥一號、隼鳥二號、NASA 的 OSIRIS-REx)直接前往小行星,將樣本採回地球分析。

而在太陽系目前已知的一百多萬顆小行星中,有一個相當特殊的族群,它們大多具有較大的密度和較高的雷達反照率,同時在光譜上缺乏特徵。基於上述特點,科學家們認為它們的組成中有含有不少金屬,因此稱之為 M 型小行星。

根據目前天文學家對行星形成的理解,原行星盤(protoplanetary disk)中的金屬元素分布理應相當分散,因此能夠自然產生元素分異並聚集大量金屬的地方,只有足夠大、足夠熱的原行星(protoplanet)的行星核。所以傳統上,M 型小行星被視為受到撞擊後裸露的行星核,同時也是鐵隕石的來源之一。但截至目前,仍未有探測器直接造訪 M 型小行星,確認這個假說是否正確。

-----廣告,請繼續往下閱讀-----

近期,新的觀測資料更顯示,某些 M 型小行星似乎比人們預想的還輕,各種特徵也和人們對行星核的認知不盡相同(例如,在表面觀測到含水礦物的訊號)。這表示傳統的行星形成與演化模型,也許不盡正確。換個角度看,這也代表對 M 型小行星的研究,也許將能幫助我們揭開行星演化理論中的盲區。

M 型小行星是由什麼構成的?它們的演化歷史又是如何?苦於距離遙遠,過去人們對這些問題往往只能止於粗略的推測。但隨著靈神星號任務逐漸上軌,我們離解答這些問題(的一部分)只有一步之遙了。

靈神星號探測器。圖/NASA/JPL-Caltech/ASU

靈神星探索任務

靈神星探索任務(Psyche)是 NASA 發現計畫(Discovery Program)的一部分。發現計畫始於 1989 年,每隔幾年就會向全美國徵求任務提案,經過重重篩選後,最具有科學價值且最可行的團隊,就可以獲得 NASA 提供的經費,將他們的構想付諸實行。從 1996 年的 NEAR 任務開始,發現計畫已經為十幾個重要的太陽系探索任務提供機會,包含近期因太陽能板發電量降低而終止的火星「洞察號(InSight)」任務。2014 年,第 13、14 次發現計畫徵選開始,最後脫穎而出的其中一個計畫,正是靈神星探索任務。

而計畫要觀測的目標靈神星(16 Psyche)於 1852 年被義大利天文學家加斯帕里斯(Annibale de Gasparis)發現,並以希臘神話中靈魂之神「賽姬」命名。祂是第 16 個被發現的小行星,雖然不是最大的小行星(平均寬度約 220 公里)但卻是目前已知小行星中第 10 重的,其質量佔小行星帶總質量的 1%。根據估算,靈神星的密度大約為 3.9 g/cm3,遠低於鐵鎳隕石的 7.9 g/cm3,因此靈神星不太可能真的完全由金屬構成,比較可能是類似石鐵隕石那樣,由金屬與岩石共同組成。

-----廣告,請繼續往下閱讀-----
科學家對靈神星的想像。圖/ NASA/JPL

作為發現計畫的一員,靈神星計畫切實地反映了該系列任務的宗旨:便宜、快速的解答重要的疑問。M 型小行星是行星形成與演化中相當重要的一片拼圖,而靈神星又是體積最大的 M 型小行星,其重要性不言而喻。對靈神星的探測,勢必能更加推進人們對行星演化的認知。

靈神星號的科學目標及預期解答的問題為:

  1. 靈神星是行星核還是未熔結物質?
  2. 靈神星表面的相對年齡為何?
  3. 小型金屬天體是否含有和高壓地核同比例的輕金屬?
  4. 靈神星形成環境的氧化還原性?
  5. 靈神星地表及撞擊坑特徵?

為了達到這些目標,靈神星號上搭載了以下儀器:

  • 多光譜成像儀 (Multispectral Imager)
  • 伽馬射線/中子光譜儀 (Gamma-Ray and Neutron Spectrometer, GRNS)
  • 通量閘磁強計 (Fluxgate Magnetometer)
  • X頻無線電實驗 (Radio Science (X-band))

整體而言,靈神星號的載酬相當簡要,科研儀器加總起來只占約 30 公斤,且每項儀器都是經過「實戰」驗證過的:多光譜成像儀來自火星好奇號探測車,GRNS 來自水星的信使號任務、磁強計參與了洞察號任務、X 頻無線電實驗(利用通訊時訊號的都卜勒效應測量重力強度變化)更是有多項成功紀錄。使用這些驗證過的儀器不僅能減少任務風險,同時能省下不少研發經費,提高任務的 CP 值。另外,靈神星號同時也會為深空網路(Deep Space Network, DSN)測試全新的「深空光學通訊(Deep Space Optical Communication, DSOC)」系統,利用雷射作為資料載體進行傳輸,科學家估計 DSOC 的資料傳輸速度,將比過去使用無線電的 DSN 快 10 到 100 倍。

靈神星號各項儀器位置圖。圖/修改自NASA/JPL-Caltech/ASU
靈神星號的伽馬射線光譜儀及中子光譜儀。圖/Johns Hopkins APL/Ed Whitman

另外,隨著科技進步,太空探索不再是國家機構的天下,各種商業公司紛紛加入了衛星製造的行列。因此重視任務 CP 值的靈神星號,從設計初期,科學家們便決定向商業公司尋求成熟、有發射紀錄且搭載了離子推進系統的衛星載具。最終他們選定了 Maxar 旗下的 Space Systems/Loral(SSL)公司的 1300 系列框架作為靈神星號的主體,並由噴氣推進實驗室(JPL)整合飛行系統(包含指令及資料處理系統)。靈神星號的推進系統是一具 SPT-140 霍爾效應推進器(Hall effect thruster),藉由游離氙氣並透過磁場將其加速噴出以獲得推力。搭配發電量達 20 千瓦的太陽能板及 922 公斤的氙氣,足夠支持靈神星號走完將近六年的航程。

抵達靈神星後,探測器將嵌入軌道開始環繞靈神星。科學家為靈神星號安排了四個逐漸降低的軌道(A 到 D),每個軌道都有各自主要的研究目標:

  1. 最高也是最初始的軌道 A 半徑約 700 公里,靈神新號將會在這裡測量靈神星的磁場。
  2. 56 天後,探測器將降至軌道 B(半徑 290 公里)並且開始對靈神星的地貌進行調查。
  3. 76 天後,靈神星將下降至半徑 170 公里的軌道 C,這是最小的穩定繞極軌道,同時也是最適合用來探測靈神星重力場的高度。
  4. 100 天後靈神星號將會降至最後、最低的軌道 D,軌道半徑僅 85 公里,在這探測器將利用 GRNS 調查靈神星表面的元素分布。
靈神星號任務示意圖。圖/修改自 NASA/JPL-Caltech

靈神星號原訂的發射日期為 2022 年 9 月。然而在飛行前的測試中,任務團隊發現飛行軟體異常,導致它錯過了 2022 年的發射窗口。經過幾個月的調查和調整,目前 NASA 公布的下個發射窗口為 2023 年 10 月 10 日以後,屆時靈神星號將會搭乘 SpaceX 的獵鷹重型火箭進入太空,就讓我們好好期待靈神星號傳回來的各種資料吧!

-----廣告,請繼續往下閱讀-----

延伸閱讀

  1. 我們的征途是星辰大海:回顧隼鳥二號的億里長征
  2. Just Look Up!小行星監測系統「哨兵」全面升級
  3. 災難片成真!?小行星「貝努」行蹤飄忽,撞地球的機率有多大?
-----廣告,請繼續往下閱讀-----
所有討論 1
EASY天文地科小站_96
23 篇文章 ・ 1578 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