0

0
0

文字

分享

0
0
0

地震的成因是因為板塊錯動?事情沒有那麼簡單!——《震識》

震識:那些你想知道的震事_96
・2017/05/15 ・3718字 ・閱讀時間約 7 分鐘 ・SR值 543 ・八年級

文/潘昌志|「你地質系的?」不,但我待過地質所,而且還是海研所的碩士。無論在氣象局、小牛頓…都一樣熱愛地科與科普。現在從事試題研發工作,並持續在《地球故事書》、《泛科學》、《國語日報》等專欄分享地科的各種知識,想以科普寫作喚醒人們對地球的愛。

集集大地震後倒塌的東星大樓。source:wikipedia

這篇我們來聊聊稍微難一點點的地震科學,不過會盡可能用簡單方式切入。

過去,如果有機會和對小朋友講到地震成因時,我經常會提一個很簡單又不簡單的問題:

我:「地震是怎麼來的?」
小朋友:「是板塊運動!」
我:「那板塊是什麼?」
小朋友:「是我們腳下的地方」
我:「板塊『運動』就會地震?那板塊是地震時才運動?還是一直都在動呢?」

這可不是故意要刁難孩子們,而是在科普推廣的經驗中發現了許多常見的盲點,一有機會我就會想盡辦法導正。過往許多教育或某些片段的科普知識,在「地震成因」的部分,經常會以板塊構造運動的學說,來解釋板塊運動伴隨而生的地震。

-----廣告,請繼續往下閱讀-----
臺灣處於板塊交界處,地震頻繁,小孩對於地震都有基本認知,但認知都是對的嗎?圖/By Aaron Siirila,創用CC 姓名標示-相同方式分享 2.5,wikimedia commons

不過,事情才沒這麼簡單呢!人們嘗試用不同方式去了解地震成因的歷史已有數千年,不過到了 1906 年舊金山地震後,人們才連結了地震與斷層的關聯,至於 1960 年代才興起板塊學說,也和地震的關係密不可分,板塊學說可以用來解釋地震,地震其實也是建構板塊學說模型的佐證,今天我們不止談科學,也談歷史,從地震的科學史來看人們探尋地震成因的脈絡。

將地震和斷層摻在一起的第一人:萊尹爾爵士

最早的人們觀測地震的狀況,不過就是「地在搖晃」而已,但因為大地沒事不會搖晃,加上古代人也不會知道地下除了石頭之外還有些什麼,所以也根本想不懂地震是哪來的。

自古以來有許多人嘗試了解地震,不過因為距離理論仍太遙遠,我們直接跳到較重要的一位主角:英國地質學家萊尹爾爵士。

你可能沒聽過他,但他是在地質學和演化論的發展上皆扮演了重要角色,他支持赫登的「均變說」,覺得世間的許多地質的現象都是經年累月慢慢形成的,就像滴水能穿石般的緩慢……而後來達爾文在發展演化論時,多少也受到地質學的影響(這又是另一個故事,我們之後再聊)。

-----廣告,請繼續往下閱讀-----
萊伊爾爵士(1865~1870 之間拍攝照片)圖/By John & Charles Watkins,公有領域,wikimedia commons

回到正題,萊伊爾走遍大江南北,看了很多「斷層」,他的想法是:

「斷層不是一天造成的!」

我們在國中課本上看到的斷層,經常都會看得出它的「錯動」方向,但實際上很多時候斷層長得又是另一種樣子,甚至斷層兩側是八竿子打不著邊的岩層,認真一算,搞不好從古至今滑動了好幾十公尺。所以,萊伊爾就覺得這應該是一點一滴累積而成的。

這時,恰巧有一起證萊伊爾想法的地震發生,1855 年地震發生時紐西蘭雖不能算是殖民地,但也是英國的好朋友,萊尹爾就從紐西蘭地震後得到的資料,確認了地震與斷層的關聯。

不過對於當時萊伊爾的想法僅止於找出「相關」而非「因果」,這就像是雞生蛋在先,還是蛋生雞在先的問題一般,到底地震是「怎麼樣發生」,還無法解釋。

-----廣告,請繼續往下閱讀-----

感謝那些地震後變形的圍籬

時間跳到近 50 年後,1906 年舊金山地震造成加州灣區嚴重的傷亡,但也因為它發生在人們已充分開發的地區,所以有完整的測量資料,就像是我們現在家家戶戶都有畫好地圖地籍一樣。地震後重新測量,發現有些地方的錯動量十分驚人啊!

欸?不對啊,這件事不是跟萊伊爾看到的狀況一致?到底是要怎麼看出斷層「怎麼動」的?

這時就要感謝辛勤的加州的畜牧業者,幫我們記下了斷層在地面留下的痕跡,如果要開個牧場,勢必要蓋圍籬。有些牧場的圍籬就正好蓋在斷層線上,在地震過後,正好就發現了這些先來後到的圍籬,記下了截然不同的變形。

1906舊金山震後因斷層錯動變形的圍籬。圖/取自 USGS

如果是已經蓋好非常久的圍籬,地震後幾乎完美的截成兩半,明顯的看出斷層的變形。不過,如果是地震前沒多久才蓋好的圍籬,卻是斷成弧形的,這樣太奇怪了!

-----廣告,請繼續往下閱讀-----
型式一:完整的變形;型式二:同震變形。(這兩者差異於後面的文章中將說明)圖/震識提供

然後,在 1906 地震後多達一千六百多頁的報告中,有一篇「地震的機制」,作者里德(Henry Fielding Reid)闡述了地震與斷層的關係,提出彈性回跳理論來解釋斷層上發生的現象和地震之間的關係…真要細講應該寫個三個星期都講不完,所以還是先跳結論-斷層錯動引發地震的過程可以分成三個階段

第一階段:斷層未受外力的作用也沒產生變形的階段

第二階段:隨著力量的累積,變形也慢慢的變化,而此時斷層面因為摩擦力的作用,是整塊卡住還沒有斷開的,整塊地層像有彈性般變形。

第三階段:斷層上面的作用力和摩擦力的平衡達到臨界點,一口氣錯動開來,並同時發生地震,地震就是釋放突然錯動產生的能量變化。

-----廣告,請繼續往下閱讀-----

就加州的聖安德列斯斷層來說,斷層上的地震便以這樣的方式周而復始發生,在一次大地震後,就有點像是重置這個循環回到第一階段一樣。這個理論不是隨便說說,而是建立在精密的震後測量上,包括前面提到的圍籬變形方式。

彈性回跳理論的三個基本階段循環的示意圖,斷層面在地震發生前會「鎖住不動」而累積應力,直到臨界點才會一口氣錯動,並周而復始重覆。圖/震識提供

而前面提到的「型式二」的變形方式與彈性回跳理論並不矛盾,反而是忠實呈現接近同震的變形:

我們可以想成在斷層面開始累積應力與應變時,才蓋上了新的籬笆,所以離斷層較遠的地方已經先變形了,而斷層面在地震當下的錯動才是最劇烈的!圖/震識提供

更重要的是,上述用圍籬的示意方式,不僅僅是個概念上的理論,還能用數學式子來解釋。因此現在我們才能運用地震波、精密測量與地震後的觀察紀錄來研究斷層的行為,雖然並不是每個斷層的特性都相同,但多數經過重覆的觀察後都可以簡化成上述的行為與方式,這也是目前我們對於地震成因的認識。

雖然這個理論至今仍普遍用來解釋地震的成因,不過其實當時的這個理論還沒辦法完全幫我們解開問題。從前文的脈絡至少就可以列出幾點疑問:

-----廣告,請繼續往下閱讀-----

1. 這個理論有沒有例外?

2. 讓斷層附近變形和錯動的「外力」是哪來的?

3. 理論上提到的狀況是已經有斷層了,那斷層又怎麼「從無到有?」

我們先來聊聊「例外」的情況,有沒有不是循這種模式的呢?

有!譬如火山地區岩漿庫內的岩漿增加、移動或冷卻時所造成的地震。

source:Wikimedia

而就算是與斷層作用相關的地震,也不是百分之分就能分成這三個階段,有些斷層經常緩緩的錯動,不發生地震或是僅發生規模很小的地震,有些斷層則是既會發生大地震,也會發生無震的滑移或是小地震,這些差異受了很多因素影響,像是斷層面上的摩擦性質、外力作用的大小與變化,甚至鄰近地區的大地震,也可能間接改變了斷層面性質與能量累積的臨界等,這種種差異,也讓現今科學家不斷修正、調整各項理論的看法。

至於第 2 和第 3 點疑問?其實現今的科學已早有解答。板塊構造學說用板塊運動解釋了「為什麼會有外力」讓地表附近的岩層產生各種變形,而斷層怎麼「從無到有」,則又可以從實驗室中岩石力學的實驗來驗證。不過這兩項又得再花個兩篇文章來細說分明,就暫且賣個關子或請參閱延伸閱讀略知一二吧。

-----廣告,請繼續往下閱讀-----
各種不同的板塊邊界。source: Wikimedia

讀到這裡,可以發現「地震成因」在科學上仍然是個待解之謎,我們還有更長的路要走,這些假說、理論都還有調整修改的空間。即使如此,也沒什麼好洩氣的,更不要想「這些理論又不一定是真理」而認為地震學者都在做些無意義的事,起碼這些層層疊疊的前人肩膀,逐漸長高到讓我們越來越靠近真理。未來若有人能完全解開所有的地震機制之謎,可以想見他也是像牛頓一樣,站在巨人的肩膀上吧!

本文原發表於《震識:那些你想知道的震事》部落格,或是加入按讚我們的粉絲專頁持續關注。將會得到最科學前緣的地震時事、最淺顯易懂的地震知識、還有最貼近人心的地震故事。

延伸閱讀:

關於地震機制的文獻:

  • Scholz, C. H. The Mechanics of Earthquakes and Faulting 439New York: Cambridge University Press, 1990.

關於彈性回跳理論的文獻:

  • Reid, H.F., The Mechanics of the Earthquake, The California Earthquake of April 18, 1906, Report of the State Investigation Commission, Vol.2, Carnegie Institution of Washington, Washington, D.C. 1910
文章難易度
震識:那些你想知道的震事_96
38 篇文章 ・ 9 位粉絲
《震識:那些你想知道的震事》由中央大學馬國鳳教授與科普作家潘昌志(阿樹)共同成立的地震知識部落格。我們希望透過淺顯易懂的文字,讓地震知識走入日常生活中,同時也會藉由分享各種地震的歷史或生活故事,讓地震知識也充滿人文的溫度。

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

  • 作者/賴昭正|前清大化學系教授、系主任、所長;合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒,那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬.霍金(Stephen Hawking) 英國理論物理學家

大約在八十年前,當第一台數位計算機出現時,一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧;但七十年後,還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」(Artificial Intelligent,簡稱 AI)的能力最近十年突然起飛,在許多(所有?)領域的測試中擊敗了人類,正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元(graphic process unit,簡稱 GPU)是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia(英偉達)股票從每股不到 $5,上升到今天(5 月 24 日)每股超過 $1000(註一)的全世界第三大公司,其創辦人(之一)兼首席執行官、出生於台南的黃仁勳(Jenson Huang)也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人!可是多少人了解圖形處理單元是什麼嗎?到底是時勢造英雄,還是英雄造時勢?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

在回答這問題之前,筆者得先聲明筆者不是學電腦的,因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事,不是我們外行人需要了解的;但作為一位現在的知識分子或公民,了解基本原理則是必備的條件:例如了解「能量不滅定律」就可以不用仔細分析,即可判斷永動機是騙人的;又如現在可攜帶型冷氣機充斥市面上,它們不用往室外排廢熱氣,就可以提供屋內冷氣,讀者買嗎?

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」(central process unit,簡稱 CPU)。CPU 是電腦的「腦」,其電子電路負責處理所有軟體正確運作所需的所有任務,如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作;但為了簡單化,我們在這裡所談的工作將只是執行算術和邏輯運算的工作(arithmetic and logic unit,簡稱 ALU),如將兩個數加在一起。在這一簡化的定義下,CPU 在任何一個時刻均只能執行一件工作而已。

-----廣告,請繼續往下閱讀-----

在個人電腦剛出現只能用於一般事物的處理時,CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後,CPU 開始顯示心有餘而力不足:例如電玩動畫需要應用程式處理數以萬計的像素(pixel),每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年,英偉達將其一「具有集成變換、照明、三角形設定/裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」(註二)定位為「世界上第一款 GPU」,「GPU」這一名詞於焉誕生。不像 CPU,GPU 可以在同一個時刻執行許多算術和邏輯運算的工作,快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢?因每一時刻只能做一件事,所以其步驟為:

  • 計算 7×5;
  • 計算 6/3;
  • 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢?很多工作便可以同時(平行)進行:

-----廣告,請繼續往下閱讀-----
  • 同時計算 7×5 及 6/3;
  • 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間,但如果我們有 16 對 a×b 要相加呢?單獨的 CPU 需要 31 個運算的時間(16 個 × 的運算時間及 15 個 + 的運算時間),而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間(1 個 × 的運算時間及 4 個 + 的運算時間)!

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了,如何將它擺正成右圖呢? 一句話:「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點(座標 x, y)組成的,所以這句簡單的話可讓 CPU 忙得不亦樂乎了:每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

-----廣告,請繼續往下閱讀-----

即每一點均需要做四個 × 及兩個 + 的運算!如果每一運算需要 10-6 秒,那麼讓《我愛科學》一書做個簡單的角度旋轉,便需要 6 秒,這豈是電動玩具畫面變化所能接受的?

圖形處理的例子

人類的許多發明都是基於需要的關係,因此電腦硬件設計家便開始思考:這些點轉換都是獨立的,為什麼我們不讓它們同時進行(平行運算,parallel processing)呢?於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算,那上圖的轉換只需 10-6 秒鐘!

GPU 的興起

GPU 可分成兩種:

  • 整合式圖形「卡」(integrated graphics)是內建於 CPU 中的 GPU,所以不是插卡,它與 CPU 共享系統記憶體,沒有單獨的記憶體組來儲存圖形/視訊,主要用於大部分的個人電腦及筆記型電腦上;早期英特爾(Intel)因為不讓插卡 GPU 侵蝕主機的地盤,在這方面的研發佔領先的地位,約佔 68% 的市場。
  • 獨立顯示卡(discrete graphics)有不與 CPU 共享的自己專用內存;由於與處理器晶片分離,它會消耗更多電量並產生大量熱量;然而,也正是因為有自己的記憶體來源和電源,它可以比整合式顯示卡提供更高的效能。

2007 年,英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後,科學家發現獨立 GPU 不但能夠快速處理圖形變化,在需要大量計算才能實現特定結果的任務上也非常有效,因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理,不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化,也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬(註三)等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分,正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲,遠遠落在英偉達(80%)及超微半導體公司(Advance Micro Devices Inc.,19%,註四)之後,大約只有 1% 的市場。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

事實上現在的中央處理單元也不再是真正的「單元」,而是如圖二可含有多個可以同時處理運算的核心(core)單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心,因此其核心功能不如 CPU 核心強大,但它們能同時高速執行大量相同的指令,在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心;GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書,不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等,也知道它擺斜了。這種「平行運作」的能力不僅限於視覺,它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是:嘴巴在講,腦筋思考已經不知往前跑了多少公里,常常為了追趕而越講越快,將不少學生拋到腦後!這不表示筆者聰明,因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技,因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣(matrix)的讀者應該知道,如果用矩陣和向量(vector)表達,上面所談到之座標轉換將是非常簡潔的(註五)。而矩陣和向量計算正是機器學習(machine learning)演算法的基礎!也正是獨立圖形處理單元最強大的功能所在!因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石:它們的架構就是充分利用並行處理,來快速執行多個操作,進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」(deep learning)。

黃仁勳在 5 月 22 日的發布業績新聞上謂:「下一次工業革命已經開始了:企業界和各國正與英偉達合作,將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升,幫助企業降低成本和提高能源效率,同時擴大收入機會。」

附錄

人工智慧的實用例子:下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後,讀者是不是認為筆者該退休了?

-----廣告,請繼續往下閱讀-----

GPU(圖形處理單元)和 AI(人工智慧)之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力,特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步,使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率,使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐,而且使其更具成本效益,因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展,GPU 的角色可能會變得更加不可或缺,推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標,這些神經元網路可以獨立但有凝聚力地工作,使我們能夠執行複雜的任務,例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外,研究表明,與非人類動物相比,人類大腦具有更多平行通路,這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上,一邊聽音樂一邊做飯,或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技,因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵:透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

(註一)當讀者看到此篇文章時,其股票已一股換十股,現在每一股約在 $100 左右。

(註二)組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」(GeForce 256)插卡吧?

(註三)筆者於 1984 年離開清華大學到 IBM 時,就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士(fellow)」Enrico Clementi 的團隊:因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層,我們只能自己寫軟體將 8 台中型電腦(非 IBM 品牌!)與一大型電腦連接來做平行運算,進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

-----廣告,請繼續往下閱讀-----

(註四)補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商:英偉達及 ATI(Array Technology Inc.)。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立,2006 年被超微半導體公司收購,品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐(Lisa Tzwu-Fang Su)博士為執行長後,股票從每股 $4 左右,上升到今天每股超過 $160,其市值已經是英特爾的兩倍,完全擺脫了在後者陰影下求生存的小眾玩家角色,正在挑戰英偉達的 GPU 市場。順便一題:超微半導體公司現任總裁(兼 AI 策略負責人)為出生於台北的彭明博(Victor Peng);與黃仁勳及蘇姿豐一樣,也是小時候就隨父母親移居到美國。

(註五)

延伸閱讀

  • 熱力學與能源利用」,《科學月刊》,1982 年 3 月號;收集於《我愛科學》(華騰文化有限公司,2017 年 12 月出版),轉載於「嘉義市政府全球資訊網」。
  • 網路安全技術與比特幣」,《科學月刊》,2020 年 11 月號;轉載於「善科教育基金會」的《科技大補帖》專欄。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。