首度發現超新星｜科學史上的今天：12/7

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。

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。

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）」！

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。

以研華科技為例，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。

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。

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。

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）。

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。

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。

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

• 文／語星葉，與一隻米克斯黑狗簡單地生活在新竹，正在努力成為天文學家。

看星星，是大多數人接觸天文的契機。現今，看見滿天星斗對於被光害荼毒的都市人而言是一種奢侈，相較於古時夜無燈火，總有許多靜謐無光的夜晚，能讓人們一同仰望星空，思索空中的奧秘。多數星星安靜地閃爍，被人類賦予神話故事，成了現在為人所知的「星座」。另外，有少數幾顆不安分地移動著，它們的移動方式看似有規則，有時候卻會逆行，這些在天空中漫遊的星星，我們就稱之為「行星」 。

在極少數的情況，我們會發現過去未曾注意到的星點，猶如初來乍到的旅客，古時中國稱之為「客星」 ^[註一]。現在我們知道，這些看似新生的星，實則氣數已盡。利用強大的各波段望遠鏡，人類偵測到大量「新」光，並提出多種機制來解釋星光快速且劇烈改變的現象。

本文將介紹 3+1 種天文現象，分別為「新星（Nova）」、「超新星（Supernova）」和「極亮超新星（Superluminous supernova / Hypernova）」，以及「千級新星（Kilonova）」。前兩者的觀測歷史源遠流長，後兩者則歸功於現代發達的觀測技術，才讓我們得以一探究竟。

新星：我可一點都不年輕！

新星（Nova）來自拉丁文，有 「new」 之意。過去，人們仰望寧靜無波（一成不變）的星空時，若是偶然發現從未見過的星星，便稱之為「新星」。但如今我們知道，新星其實不是剛誕生的星，而是古老的小質量恆星，會在它們的生命終章──白矮星時期，突然變得異常明亮。

白矮星是小質量恆星死亡後的產物，緻密、溫度高，但亮度低，平常不易觀測。一般而言，白矮星是非常穩定的天體，但如果身邊有個伴，情況就不同了。若是白矮星和伴星互繞的距離過近，使得伴星的氫被吸向白矮星表面，並在其表面點燃核融合反應，產生劇烈的光度變化，讓白矮星成為用肉眼可見的「新星」。

近年，天文學家發現，新星的出現經常伴隨強烈的伽瑪射線，推測是來自新星爆發時產生的衝擊波。後續研究指出，新星的高光度也是以衝擊波作用為主，而不是來自表面的核融合反應，打破了以往既有的觀點。

超新星──宇宙中的燦爛花火

超新星（Supernova）顧名思義是新星的 Super 版，比「新星」更亮的星星──天文名詞總是取得如此淺顯易懂。超新星的光度遠超越新星，其形成機制也有所不同。

目前科學界認為超新星有兩種不同的形成機制，分別為「熱核超新星（Thermonuclear supernova）」與「核心塌縮超新星（Core-collapse supernova）」。

「熱核超新星（Thermonuclear supernova）」前身和新星一樣是白矮星，差別在於熱核超新星爆炸極具毀滅性。當白矮星的質量增加到「錢德拉賽卡極限（Chanfrasekhar limit）」，也就是臨界值時，引爆其核心的碳元素將劇烈爆炸，將使白矮星灰飛湮滅。質量增加是因為白矮星身邊有個伴，可能是兩個白矮星白頭偕老、最終合併，也可能和新星一樣是老少配，然後白矮星吸走年輕伴星的表面物質。但究竟是哪種配對導致熱核超新星爆炸，天文學家還在熱議。

「核心塌縮超新星（Core-collapse supernova）」則來自大質量恆星核心塌縮後造成的熱壓爆炸。當大質量恆星的核心燃料用罄，無法支撐極強的重力而塌縮時，就會產生巨量的熱能，並向外爆發。整個過程僅以秒計。爆發後，周圍形成漂亮的超新星殘骸，核心則塌縮成中子星或黑洞。

值得一提的是，超新星是少數能夠串聯古今天文學的研究領域。歷史上數個著名的超新星爆發事件，在世界各地的文明史料中皆能發現記錄。目前推測人類文明見過最亮的超新星事件是 SN1006（西元 1006 年），最亮時甚至比啟明更亮 ^[註二]，即使在白天仍可用肉眼看見，而且持續長達數星期。著名的梅西爾天體 M1（蟹狀星雲）也是超新星爆炸後的殘骸，自 1054 年的超新星爆發中產生，相關記錄散見史冊，而且至今仍是天文界炙手可熱的研究對象。

+1 的部分：極亮超新星

現代觀測技術的進步使超新星事件變得常見，有多部自動望遠鏡凝視著宇宙虛空，在星際間搜尋著超新星的亮光，這類計畫稱為巡天（Survey）計畫。在眾多的觀測數據中，天文學家注意到一類特別明亮的「極亮超新星」（令人不禁想吐槽天文學家如此單純的命名邏輯），這些超新星比一般情況亮了 2 個數量級以上，並且非常罕見。

到 2017 年止，人類僅觀測到約 100 顆極亮超新星。由於數據過少，天文學家對其形成機制的想像可謂瞎子摸象、暫無定論，目前仍歸類為超新星。那麼，極亮超新星究竟是超新星的超級版，抑或是來自不同的形成機制，唯有持續探向更遙遠無垠的古老宇宙，才有機會揭發這個謎團了。

千級新星──看見宇宙之音

「千級新星」是非常新的天文研究領域，研究過程也極具戲劇性。故事得從科學家研究重力波開始說起。

重力波是重力作用產生的時空漣漪。百年前，愛因斯坦的理論便預測其存在，但重力波非常微弱，連愛因斯坦本人都不相信人類有朝一日能偵測到重力波。直到 2015 年，人類才首次「聽」到兩顆黑洞合併產生的重力波 ^[註三]。不過，重力波的訊號指向性不佳，難以「聽音辨位」，也就是用重力波訊號回推事件發生地點。若我們能同時「看」到電磁輻射訊號（該事件發出的電磁波），便可蒐集更多更精確的數據，以了解究竟是在宇宙何處發生了什麼事。

令人難過的是，兩顆黑洞合併幾乎不會產生電磁輻射，因此無法用上述的方法獲得更多資訊。

後來，科學家發現，當兩顆中子星合併、或一顆中子星與一顆黑洞合併時，發出的重力波訊號雖較兩顆黑洞合併更弱、也更難偵測，但這兩種事件不只會產生重力波，也會發出電磁輻射，因此是重力波干涉儀的重要偵測目標。2010 年，天文物理學家探討了這兩種合併事件可能的電磁輻射樣態，得出的結論是和新星事件一樣會有劇烈的光度改變，而且最大亮度約是新星的千倍，於是命名為「千級新星（Kilonova）」。

千級新星的發光機制和超新星不同：超新星的光度主要來自爆炸產生的放射性鎳元素衰變，而千級新星則主要來自兩顆中子星，或中子星與黑洞碰撞合併時，大量發生的核反應——「中子捕獲作用」，此類核反應僅在極端物理環境下產生，是形成金、銀、鉛等重元素的重要機制。過去科學家認為宇宙中重元素的生產者是超新星，然而超新星爆炸的觀測數據卻發現，超新星事件發生的中子捕獲作用的「產能」並不足以支撐現有的重金屬比例，因此千級新星便躍上研究舞台，被認為是重元素的主要產地。

2017 年，LIGO 及 VIRGO 重力波干涉儀共同偵測到人類史上第一場雙中子星合併事件 GW170817。當時，世界各地的望遠鏡幾乎都暫時放下常規任務，爭相投入這場觀測馬拉松。最終的成果令人振奮，不但同時偵測到重力波與相應的電磁波源，分析結果也與千級新星理論預測的訊號相符，這代表我們首次觀測到了千級新星！

這場盛會更昭示了「多信使天文學」時代的來臨 ^[註四]。重力波探測與多波段電磁觀測的結合，替人類的宇宙探索之旅翻開嶄新的一頁。今日，科學家們正期待著下一對共舞的緻密天體搖響精密儀器的銀鈴，讓更多未解之謎得以撥雲見日。

宇宙看似恆常不變，然而在無盡好奇的驅使下，人類以最新科技突破既有的感官極限。我們洞見宇宙深邃瞬變的幽光，聆聽時空悠遠微弱的呢喃。宇宙「新」光的無盡奧秘，還有待來日的勤奮深掘。

註解

註一：客星指新出現的星，意義上包含彗星等在太陽系內遊走的天體，惟不在本文範疇。

註二：金星是地球的夜空中最明亮的星，清晨及黃昏也可見。古時稱金星出現於黃昏為「太白」、「長庚」，出現於清晨為「啟明」。

註三：人類聽見的聲音主要來自空氣分子的震盪，只要震盪頻率在 20~20000 Hz 的範圍，並且經由介質傳遞使耳膜震動，我們就能聽見。雖然重力波是時空震盪，無法直接以耳朵聽見，但概念上類似，因此常見到科學家將重力波訊號轉換成「音訊」，方便人們感受。

註四：多信使天文學（Multi-messenger astronomy）指利用多種訊號探索宇宙的現象。不同於早期僅以可見光探看宇宙，人類如今能夠探測光子、電磁波、微中子、重力波和宇宙射線等高能帶電粒子。透過這些訊號，可以傳達不同面向的資訊，協助我們拼湊出單一宇宙現象更細緻的原貌。GW170817 事件除了以重力波和電磁輻射觀測，亦有微中子觀測站參與，只是沒有找到相關聯的微中子訊號，因此理論在這方面尚未證實，有待解惑。

延伸閱讀

• 令人『震』驚的新星研究新發現 – A Nova Outburst Powered by Shocks
• 超新星 SN 1987A 30 週年超新星理論模型 – 科學月刊 Science Monthly
• 千級新星與重元素起源
• 宇宙中的金屬是怎麼來的？宇宙中重金屬元素的起源 – 科學月刊 Science Monthly
• 重力波：探測十三億光年外的黑洞合併──《宇宙的顫抖》 – PanSci 泛科學

1. Li, KL., Metzger, B.D., Chomiuk, L. et al. (2017). A nova outburst powered by shocks. Nat Astron 1, 697–702. https://doi.org/10.1038/s41550-017-0222-1
2. Aydi, E., Sokolovsky, K.V., Chomiuk, L. et al. Direct evidence for shock-powered optical emission in a nova. Nat Astron 4, 776–780 (2020). https://doi.org/10.1038/s41550-020-1070-y
3. Gal-Yam, A. (2019). The most luminous supernova. Annual Review of Astronomy and Astrophysics, 57, 305–333. https://doi.org/10.1146/annurev-astro-081817-051819
4. Metzger, B.D., Martínez-Pinedo, G., Darbha, S., Quataert, E., Arcones, A., Kasen, D., Thomas, R., Nugent, P., Panov, I.V., Zinner, N.T.. (2010). Electromagnetic counterparts of compact object mergers powered by the radioactive decay of r-process nuclei. Monthly Notices of the Royal Astronomical Society, 406(4), 2650–2662. https://doi.org/10.1111/j.1365-2966.2010.16864.x
5. Smartt, S., Chen, TW., Jerkstrand, A. et al. (2017). A kilonova as the electromagnetic counterpart to a gravitational-wave source. Nature 551, 75–79 . https://doi.org/10.1038/nature24303

• 本文轉載自科技大觀園，原文為《那些年，哈伯望遠鏡帶我們看到的宇宙》
• 作者／歐柏昇｜科技大觀園特約編輯

以哈伯望遠鏡觀測的經典天文照片

哈伯太空望遠鏡（Hubble Space Telescope）在 1990 年 4 月 24 日發射升空，今年歡慶 31 週年。這座舉世聞名的望遠鏡，以前所未有的解析度與靈敏度，讓人們窺見宇宙中許多天體的真面目。 

哈伯望遠鏡網站上，經常公布五彩繽紛的天文照片。大家可能不知道，許多經典的天文照片，幕後推手是中央研究院天文及天文物理研究所所長朱有花。朱有花在 2014 年返回臺灣之前，是美國伊利諾大學天文系教授，長期使用哈伯望遠鏡進行研究。她拍的許多天體影像，經過哈伯望遠鏡後製團隊巧奪天工之手，變成網路上廣為流傳的經典照片。

朱有花的一件得意作品，是 NGC 3603 星雲的照片。這張照片在 2000 年 1 月登上《國家地理雜誌》封面。朱有花說，當時她剛好有訂閱雜誌，收到雜誌才發現，封面竟然是自己的觀測影像，於是立刻打開來看，想知道內文如何介紹他們的成果。結果發現書中內容與這張照片毫無關係，只是因為雜誌編輯很喜歡這張照片，而將它放在封面。 

經典天文照片，藏著對宇宙的問題與解答 

哈伯望遠鏡拍攝的照片不只是美麗，更重要的是提供許多科學訊息。在 NGC 3603 星雲照片的左上角（雜誌封面的字母 G 上方）有一顆藍超巨星，與著名的超新星 1987A 的前身星相似。早先地面望遠鏡在這顆星周圍偵測到恆星拋出的物質，引起朱有花的興趣，於是她利用哈伯望遠鏡的高解析度，看見了清楚的環狀構造，發現半徑與超新星 1987A 周圍的環相近。朱有花認為，這顆藍超巨星大概很快就會爆炸，說不定會成為 21 世紀銀河系內的第一顆超新星！

在 NGC 3603 星雲的照片中間，還可看到一個星團，而星團中的大質量恆星把周圍氣體吹出一個氣泡。恆星風吹出的氣泡，也是朱有花利用哈伯望遠鏡研究的重要課題。

「大質量恆星都會吹出氣泡嗎？」朱有花在 1976 年讀博士班的時候，就提出這個問題。理論上，大質量恆星都會吹出氣泡，然而大多數恆星的影像中，都無法看到氣泡。到了 1990 年代，朱有花就想，假如氣泡真的存在，那哈伯望遠鏡總該看得到了吧！

然而觀測結果出爐後，卻發現仍然看不見氣泡。不過，朱有花利用光譜做動力學分析，確實找到了膨脹的氣泡。原來是因為氣泡膨脹速度太慢，約每秒 10-15 公里，只比宇宙中游離化氣體的聲速快一點（相較於地表，這些氣體密度很低、溫度很高，因此聲速快很多），因此震波（shock wave）微弱，不容易用影像拍攝的方式偵測。簡而言之，氣泡真的存在，只不過拍照拍不出來。經過 25 年努力，朱有花的疑惑終於得到解答！

朱有花也曾用哈伯望遠鏡，嘗試在超新星殘骸 N63A 尋找氣泡，結果沒有看到氣泡，卻看到許多微小的雲氣團塊。這些團塊被超新星殘骸快速膨脹的震波侵襲、加熱，正在蒸發。這個奇特的現象，讓人們窺見星雲之中複雜的交互作用。哈伯拍攝到的 N63A 影像相當特殊，但僅能看到雲氣團塊，無法看到超新星殘骸的球形外殼，需要 X 射線望遠鏡才能掌握全貌。 

2014 年回到臺灣後，朱有花主持科技部計畫，利用哈伯望遠鏡的資料研究 Ia 型超新星殘骸的起源。Ia 型超新星的爆炸機制，目前有兩種主流的說法：「一顆白矮星吸取伴星的物質而爆炸」，以及「兩顆白矮星合併而爆炸」。如果以第一種機制爆炸，伴星理論上會存活下來，因此若能找到存活的伴星，就是第一種機制的重要佐證。2017 年，朱有花與指導的學生李傳睿（現為中研院天文所博士後研究）合作，在超新星殘骸 N103B 尋找存活下來的伴星，找到一顆可能是伴星的星球，並在《天文物理期刊》發表成果。 

想使用哈伯望遠鏡，先提出觀測計畫 

朱有花能夠用哈伯望遠鏡拍攝這麼多影像，並非易事。事實上，想要使用哈伯望遠鏡，必須先提出觀測計畫，與全世界天文學家激烈競爭，以 2019 年來說，只有不到 20% 的觀測計畫通過。朱有花說，競爭到最後還是有點運氣成分，許多自認完美的計畫最後失敗了，反而有些倉促完成的計畫書，竟然無心插柳柳成蔭。光是爭取望遠鏡時間，天文學家就有不少甘苦談。

除了主動爭取觀測時間之外，朱有花也常利用哈伯的資料庫做研究。筆者在朱有花老師門下，亦有從資料庫中挖到寶的經驗。哈伯望遠鏡 30 年來累積了大量珍貴的數據，仍蘊藏許多人們未曾發掘的資訊。

哈伯望遠鏡拍攝的每一張美麗照片，背後都有天文學家的艱辛，以及豐富的科學內涵。欣賞照片的同時，不妨試著了解，人們如何透過這些照片，認識宇宙精彩的面貌。