1910 年諾貝爾物理獎：想知道氣體與液體的差異？范德華用數學說給你聽——《物理雙月刊》

• 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？

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。

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：

• 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

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？

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。

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？

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?

（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）或。

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。

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/s^{2 [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]。

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。

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和動量衝量的概念，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；C_D 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]。

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：

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

• 註 1：Halliday, D., Resnick, R. and Walker, J. (2011) Fundamentals of physics. 9th Edition, John Wiley & Sons, Inc., New York.
• 註 2：Classifying clouds | World Meteorological Organization
• 註 3：中央氣象局，天空的魔術師—千變萬化的雲朵
• 註 4：Villermaux, E., Bossa, B. Single-drop fragmentation determines size distribution of raindrops. Nature Phys 5, 697–702 (2009).
• 註 5：McFarquhar, G. M. (2010). Raindrop size distribution and evolution. In Rainfall: State of the Science (pp. 49-60). (Geophysical Monograph Series; Vol. 191). American Geophysical Union.
• 註 6：Drop (liquid) – Wikipedia.
• 註 7：Drag (physics) – Wikipedia.
• 註 8：NASA (2010). What is drag?
• 註 9：Reynolds number – Wikipedia.
• 註 10：Laminar flow – Wikipedia.
• 註 11：Turbulence – Wikipedia.
• 註 12：What is Laminar Flow?
• 註 13：Viscosity – Wikipedia.
• 註 14：Drag coefficient – Wikipedia.
• 註 15：科學Online，大氣組成的檢測(Air)-上