Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

且看卡西尼號呈現泰坦眾相

臺北天文館_96
・2012/03/01 ・1101字 ・閱讀時間約 2 分鐘 ・SR值 564 ・九年級

最近多名科學家發表一系列論文,利用卡西尼號太空船(Cassini)的觀測資料,呈現土星最大的衛星—土衛六(泰坦,Titan)隨著季節推移與晝夜變換的不同面貌;有趣的是,這泰坦眾相,竟與地球如此相似。

泰坦雖是土星的衛星,但具有主要由碳氫化合物組成的濃厚大氣;隨著季節不同,或是晝夜變換,泰坦大氣的溫度和表面特徵如大氣中的雲層、降雨、河谷和湖泊等也會隨之變化。這個現象,出乎科學家意料之外。其中,泰坦大氣最明顯的季節變換特徵之一,就是北極區上空的大片雲層。此外,由卡西尼五年多的可見光與紅外光譜資料,也可見泰坦北半球由冬入春之際的雲層厚度如何漸漸變薄的景象。

卡西尼號太空船是在2004年時抵達土星系統時,就開始偵測到泰坦大氣有雲朵漂浮,科學家認為這些雲朵的主要成分是乙烷(ethane)。在卡西尼號在2006年12月恰好飛越泰坦半明半暗的北極上空,有機會以光譜檢測此處大氣,此時的雲層覆蓋由北極至約北緯55度的整片區域上空。但在2009年類似機會所拍攝的光譜中,覆蓋在北極上空的雲層出現大量間隙,卡西尼號因而得以透過這些雲層間隙看到極區附近由碳氫化合物形成的海怪海(Kraken Mare)和周圍環繞的其他湖泊。這些不同時期拍攝的影像,是泰坦大氣會隨季節變化的直接證據。

由於特定紅外波長可穿透雲層阻擋,直擊地表狀況,經由卡西尼號的合成紅外光譜資料分析泰坦地表溫度,不僅讓科學家們直接看到泰坦表面會隨季節變化,而且還首度發現泰坦表面溫度也會隨晝夜變換而改變。泰坦表面溫度一般在絕對溫度90幾度左右,但如同地球表面一樣,在午後時分的地表氣溫會比清晨曙光時分還溫暖些,溫差大約1.5K左右,比地球晝夜溫差小很多。不過,雖然泰坦晝夜溫差變化模式與地球類似,但泰坦「一天」的長度卻相當於16地球日之多。

-----廣告,請繼續往下閱讀-----

此外,其中一篇論文經由電腦模擬與卡西尼號電波科學實驗觀測資料比對之後,提出關於泰坦謎樣的內部結構和其地表所見與地球表面類似的地質特徵的解釋,認為泰坦內部可能成完全分異(differentiated)狀態,意味著泰坦核心部分的密度比其他部分還高,不過核心密度還是沒有原本預期的那麼大,可能是因為核心仍然含有大量的冰,或是因為岩石與水交互作用過而形成低密度礦物。地球和其他類地行星都是完全分異狀態,擁有密度甚高的鐵核;不過這篇論文模擬結果剔除泰坦擁有金屬核心的可能,因而與卡西尼號的磁場強度計觀測 資料符合,所以泰坦內部應是溫度不高的含水岩石狀態。這個模擬同時可以解釋為何泰坦大氣中不太容易出現某些重要的氣體,例如甲烷或氬-40,主因就是因為它們根本逃出核心。

資料來源:The Many Moods of Titan[2012.02.23]

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

6
10

文字

分享

0
6
10
如果天空少了月亮,地球會怎麼樣?——《有趣的天文學》
麥浩斯
・2022/04/25 ・1477字 ・閱讀時間約 3 分鐘

如果天空少了月亮?文學家應該會很難過,音樂家也會少了創作的題材,沒有中秋節就少了月餅,也沒有烤肉。不過夜晚少了一個大光害,天文學家絕對會很高興!

潮汐變小、一天變短

地球上的潮起潮落,主要是月球繞地球運行造成的。太陽也會影響地球的潮汐,不過對地球的潮汐力只有月球的 46%。如果沒有月球的話,造成地球潮起潮落就只剩下太陽,滿潮和乾潮的幅度就會變小。

月球讓地球產生的潮汐,使地球愈轉愈慢。數十億年前,地球剛形成時,地球自轉的速度比現在快許多;因為月球的潮汐力,讓地球自轉的速度漸漸變慢,慢到現在的一天 24 小時。如果沒有月球,地球的一天可能不到 10 小時。

月球讓地球產生的潮汐,使地球愈轉愈慢。圖/Pexels

左搖右晃的地球

月球就像是走鋼索的人握的平衡桿,讓地球自轉軸保持穩定,如果少了月球這個平衡桿,地球自轉軸左搖右晃的幅度就會變大。

目前地球自轉軸相對於公轉平面的傾斜角是 23.4 度,因為月球的存在,這個傾角的變化幅度不大,大約在 22.1 度和 24.5 度之間。傾角讓太陽直射地球的位置在北回歸線和南回歸線間移動,讓地球出現四季變化。

-----廣告,請繼續往下閱讀-----

如果沒有月球,地球的自轉軸變動的幅度就會變大,自轉軸的變動會對我們有什麼樣的影響?假設兩個極端的例子,地球的自轉軸傾角是 0 度和 90 度。

如果地球傾角是 0 度,太陽永遠直射赤道,地球上不會有北回和南回歸線,地球將不再有四季變化。

如果地球傾角是 90 度,太陽直射的區域會從北極到南極,也就是北回歸線位在北緯 90 度(也就是北極點),而南回歸線在南緯 90 度(南極點)。這種情況下,地球四季變化會非常劇烈,北半球夏天時,北極不會結冰,溫度比現在還高,南半球冰凍的區域比現在還大,這種極端氣候絕對不利現在地球上生物的生存。

未來人類可能先在月球建立基地,作為人類前進火星的跳板,在月球上測試火星裝備和訓練太空人,準備完成後再前往火星。如果少了月球的整備演練,要一步登陸火星將會困難重重。圖/麥浩斯出版

月球替地球擋子彈

月球是地球的衛星,一直以來它都保護著我們的地球。用望遠鏡看月球,會發現月球上有許多坑洞,這些坑洞幾乎都是隕石撞擊後形成的隕石坑,表示月球在早期受到許多的撞擊。如果少了月球擋下這些隕石,這些隕石可能就會撞上地球。

-----廣告,請繼續往下閱讀-----

隕石撞擊對地球的生命影響很大。6600 萬年前,一顆 10 公里左右的隕石撞擊地球,造成恐龍滅絕。恐龍滅絕後,哺乳類才能興起,人類才有機會出現在地球上。

那些沒有被月球擋下的隕石,如果撞上地球,可能會改變地球物種的演化,人類說不定就不會出現在地球! 最後,如果沒有月亮,阿姆斯壯和另外 11 名阿波羅太空人也就無法登陸月球。人類少了探索月球的寶貴經驗,要直接踏上其他行星表面(例如火星),難度會高許多,甚至變得不可能!

——本文摘自《噢!原來如此 有趣的天文學》,2022 年 3 月,麥浩斯出版
-----廣告,請繼續往下閱讀-----

0

2
1

文字

分享

0
2
1
冰與水之歌:零度以下不結冰,魔鬼藏在密度裡!
linjunJR_96
・2020/11/05 ・1932字 ・閱讀時間約 4 分鐘 ・SR值 537 ・八年級

在座各位地球人肯定對「水」一點不陌生。不論是液態水還是固態冰,在生活中都隨處可見。但如果你以為我們已經完全了解水和冰的構成與變化,那你可就錯了,因為它可是超乎想像的複雜。

冰也會七十二變?常見的物質竟然有這麼多型態!

學校裡教過的三相圖將水區分成固、液、氣三種相(Phase)。不過除了這種簡單的分類,固態的冰在不同的壓力與溫度條件下其實還有許多不同面貌。

小時候學過水的三相固體、液體、氣體,除此之外,其實固態冰還有其他型態。圖/Pexels

一般條件下,自然結凍的水只會呈現六角結晶或立方結晶,兩種晶體結構合稱為「冰一」(Ice I)。你可能有些好奇:既然有一,那或許會有二(咦)

沒錯!目前已知的冰共有二十幾種型態,比 iPhone 的型號還多!只是除了冰一之外,其他的型態都極為少見。

-----廣告,請繼續往下閱讀-----

所謂少見是有多少見呢?

一直到 2017 年時,科學家才首次在實驗室中合成出冰七(Ice VII),這種稀有的結晶形態通常只有在彗星或系外行星上才見得到,因為它需要超大的壓力(例如:兩個含冰量豐富的小行星體對撞),才有可能形成。

實驗室中高壓環境下合成的冰七 。圖/實驗團隊(A. E. Gleason)提供

相隔一年後,另一組研究團隊利用 X 光繞射技術,在世界各地的鑽石中發現冰七的蹤影

為什麼鑽石中會有冰七?推測原因是由於當初在地底時,有少量水分被困在高溫高壓的鑽石礦脈中,而後這些水分隨著鑽石一同被挖掘到地表,雖然溫度下降到普通室溫,但堅固的鑽石內卻仍然維持著高壓。如此獨一無二的條件,讓冰七得以自然生成。

-----廣告,請繼續往下閱讀-----

零度以下也不結冰?神秘的過冷水!

光是固態冰就有這麼多花樣了,水結冰的過程同樣也是科學家有興趣的主題。在 Science 期刊上最新的研究發現,過冷水其實是由兩種結構不同的形態混搭而成。

一般的情況下,零度以下的水需要一些雜質或擾動來「啟動」結晶的過程,才能凝固成冰。在缺乏這些條件時,水可以在零度以下仍維持液態,也就是所謂的「過冷」。

關於過冷水的理論模型可說是眾說紛紜,因為這種狀態十分不穩定,輕微的干擾就會讓過冷水全部結晶,讓實驗學家十分頭痛。另外,也很難單從實驗中觀察並判斷過冷水不結晶到底是不是因為還未達到熱平衡。

過冷水的狀態不穩定,稍微干擾就會全部結晶,也讓實驗學家十分頭疼。圖/giphy

以往的相關研究通常只能依賴分子模擬,不過最近在實驗上有了最新突破。

-----廣告,請繼續往下閱讀-----

美國西北太平洋國家實驗室的研究人員準備了一片僅有 15 奈米厚的薄冰,接著利用短暫的雷射脈衝,極速加熱一小塊區域,使其轉為液態過冷水,直到它很快地降溫並重新結晶。

整個過程只有短短幾十奈秒,不過,這個突破已經足夠讓我們使用紅外線光譜來測量過冷水的分子結構。

結果發現,早在結晶開始的短短的幾十奈秒之間,過冷水就找到了它最舒服的平衡狀態;這個狀態還是由兩種結構不同的液體型態所組成,分為高密度與低密度結構,密度分別約為 0.9 和 1.1 g/cm3

實驗發現,過冷水中高密度水所佔的比例,會隨著溫度降低逐漸減少。也就是說,過冷水能在低於攝氏零度的環境下維持液態,很有可能是兩種不同密度的水比例不同所造成的。

-----廣告,請繼續往下閱讀-----

其實,這種特殊的二元性質也能在一般常溫的液態水中看到,分為四面體和非四面體結構。不過這類的現象在過冷水是首次被發現,也為水在低溫時的行為提供重要的實驗數據。關於水的各種理論模型,我們終於得以區分何者較接近真實。

  1. Water structure and science
  2. Gleason, A. E., Bolme, C. A., Galtier, E., Lee, H. J., Granados, E., Dolan, D. H., … & Swift, D. (2017). Compression freezing kinetics of water to ice VII. Physical Review Letters119(2), 025701.
  3. Tschauner, O., Huang, S., Greenberg, E., Prakapenka, V. B., Ma, C., Rossman, G. R., … & Tait, K. (2018). Ice-VII inclusions in diamonds: Evidence for aqueous fluid in Earth’s deep mantle. Science359(6380), 1136-1139.
  4. Kringle, L., Thornley, W. A., Kay, B. D., & Kimmel, G. A. (2020). Reversible structural transformations in supercooled liquid water from 135 to 245 K. Science369(6510), 1490-1492.
  5. Shi, R., & Tanaka, H. (2020). Direct evidence in the scattering function for the coexistence of two types of local structures in liquid water. Journal of the American Chemical Society142(6), 2868-2875.
-----廣告,請繼續往下閱讀-----
linjunJR_96
33 篇文章 ・ 914 位粉絲
清大理工男。不喜歡算數學。喜歡電影、龐克、和翻譯小說。不知道該把科普當興趣還是專長,但總之先做再說。