博雷爾誕辰｜科學史上的今天：1/7

本文由 德州儀器 委託，泛科學企劃執行。

從 IC 之父 Jack Kilby 在德州儀器發明世上第一顆積體電路，到現在已過了 65 年，而這項科技已經成為我們的日常，並且還在不斷進步。德州儀器不僅是積體電路的先驅者，更長期投資氮化鎵 (GaN) 的電源應用，例如資料中心伺服器電源、再生能源、或是小體積的電源供應器等，開發許多獨創的電路結構。在已到來的次世代半導體浪潮中，德州儀器早已站穩了腳步，成為高壓半導體領域的領導者。

氮化鎵作為新材料的崛起，已成為充電領域的新寵，甚至打敗了傳統的矽 (Si) 基充電頭。然而，要充分發揮氮化鎵的潛力，需要量身定制相對應的策略和戰術。

何謂電路拓樸？電路設計要考量什麼？

拓樸電路是氮化鎵最好的後勤部隊，能讓它發揮 100% 的力量。但這個拓樸電路又是什麼呢？

先來談一下比較陌生的名詞「拓樸」。拓樸是幾何學中重要的概念，主要在研究物體在連續變化下時的不變性質。舉個數學家最愛的例子，就是研究如何把一個帶手把的馬克杯變成甜甜圈。這是什麼鬼題目？這就像問炭治郎什麼時候要開 5 檔，八竿子打不著吧？但對數學家來說，這個題目是可能的，因為帶手把的馬克杯和甜甜圈有個共通特徵，就是有一個洞！只要有這個共同特徵，我們確實就可以透過一系列的數學運算，將馬克杯變成甜甜圈。

舉例來說，漫威電影中班納博士變身成浩克，如果希望浩克的身上能看得出班納博士的影子，就必須用拓樸學先將班納博士的五官這些「特徵」定位好，製作成大家常看到有如網格的 3D 建模，變身成浩克時才不會整個走鐘（台語），臉部比例亂成一團。沒錯，拓樸解決的，是在兩種形狀間切換時，這些特徵與圖案的比例不會隨便亂跑，成為四不像的東西。

回到我們的氮化鎵電路，難道我們要利用拓樸學，把電路板的形狀變成一個甜甜圈或是浩克嗎?當然不是，這邊指的是用更少的元件、更低的延遲與漏電的設計，把相同功能的電路重新改寫配置。

簡單來說，電路拓樸就像是電路板上的藍圖，告訴我們如何把各種電子元件，比如電阻、電容、電感、電晶體等組織在一起，來完成我們想要的任務。

每種電路拓樸都有它的優點和適用的場合。例如，Buck轉換器可以將輸入的電壓降低，適合用在需要較低電壓的應用上。Boost轉換器則可以提升電壓，適合用在需要較高電壓的應用上。LLC轉換器具有高效率和寬輸入電壓範圍的特性，適合用在需要高效率和靈活性的應用上。PFC（Power Factor Correction）則是一種用來提高電源效率的技術，它可以使輸入電流與電壓同步，減少能量損失等等。

然而，這些都是以矽為主的拓樸電路，為了充分發揮氮化鎵百分之百的潛力，我們不能僅僅依賴傳統的電路設計方法和拓樸，而是要重新塑造！

GaN＋電路拓樸=最強？

那麼，我們要如何重新塑造才能全部發揮 GaN 的實力呢？讓我們以一種常見的電路拓樸—功率因數校正 PFC 為例。

PFC，是電路中的交通指揮，負責將電路中電流與電壓同步，以達到最佳的效率。在電訊號經過漫長電路之後，常常導致輸出的電流與電壓波形出現時間差，不再同步。我們知道功率等於電壓乘以電流，因此兩者好好配合，才能發揮最大效益，如果兩者沒有同步，就會降低整體電路的有效功率。

PFC 功率因數修正電路，現在看到在做的事情，就是讓它們好好同步，降低無謂的能量浪費。目前世界各地許多法規都直接要求在電路中加入 PFC，提升用電效率。

那麼問題來了，同樣是 PFC 電路拓樸，現在我們有兩種設計，下方的圖 1－雙升壓 PFC，跟下方圖 2－圖騰柱 PFC。

依照我們希望體積盡可能小的需求，直覺來說你要選哪一個呢？

當然是圖 2，因為他看起來比較簡單嘛。可惜的是，市面上大多矽基半導體的 PFC，都是選擇圖 1 方案。因為圖 2 方案的簡約設計，前提是關鍵的二極體必須具備低的「反向恢復時間」。

所謂反向恢復時間，指的是電晶體在電源切斷的瞬間，電晶體內仍有殘留電荷，會反向放電，造成電路阻塞。而矽基半導體過長的反向恢復時間，會導致電源損耗上升。反之，氮化鎵因為反向恢復時間為零，可以完全適應高效的圖騰柱 PFC。

這邊提到的 PFC 只是氮化鎵的其中一種運用，別忘了，除了零反向恢復時間外，它還有著能承受高電壓與高溫的特性，再加上低漏電率的關鍵被動技能，在目前的半導體戰場上，可說是最強的挑戰者。未來在各種電源供應器上，應該很快都能看見它的身影。

當然，講到這邊，都僅止在題本作答。在實際的晶片設計中，各元件間的距離與電路安排，都需要經過多次的試驗和調整，才能找到最適合的電路拓樸和元件配置，而這也正是德州儀器所擅長的領域。

德州儀器設計出的電源供應器，已經遍佈全世界的重要設備中。除了提供高效的能源供應，節省下的能源，也直接減少了許多碳排。根據估計，對一個 100 MW 的資料中心來說，換上 GaN FET 之後，就算只有提升 0.8% 的效率增益，在 10 年內就能節省多達 700 萬美元的能源成本。尤其在 AI、量子電腦等科技發展蓬勃的現在，在「節流」這一塊的投資，真的非常重要！

看到這鋰，如果你也想訓練這個「黑科技」氮化鎵，打造更強的電路、為世界的節能貢獻一份心力。或甚至像 IC 之父 Jack Kilby 那樣，發展全新的電路架構，做出足以改變世界的創舉，德州儀器歡迎所有熱血人才加入，一起來改變世界吧！

• 本文轉載自林澤民的部落格

「多重宇宙」是我教統計時常用到的名詞，我用它來解釋隨機變異（stochastic variation）的概念：

例如民調抽得一個樣本，此樣本的受訪者固然是一群特定人士，但理論上我們可以抽出許多許多樣本，這些樣本之間雖然會有隨機變異，但樣本彼此的宏觀性質仍會相近。這些不同的隨機樣本，可以以「多重宇宙」一詞來形容。即使事實上只有一個樣本（一個宇宙），我們可以想像在多重宇宙的每個宇宙裡，都有一個微觀上隨機變異的樣本存在。

什麼是隨機樣本？

其實，數理統計學中「隨機樣本」（random sample）的概念指的是「一組獨立且同一分布的隨機變數」（a set of independently and identically distributed random variables）。

在這個定義之下，樣本的每一個單位（資料點）都不是固定不變的數值，而是一個依循某機率分布的隨機變數。「隨機樣本」的要求是樣本所有的 Ｎ 個單位不但要互相獨立，而且要依循同一的機率分布。

我們可以想像我們平常所謂「一個樣本」的 Ｎ 個觀察值，每一個觀察值背後都有一個產生這個數值的隨機變數，也可以說所謂「一個樣本」其實只是這「一組獨立且同一分布的隨機變數」的一個「實現」（realization）。那麼，不同的樣本就是這「一組獨立且同一分布的隨機變數」的不同「實現」。這樣了解之下的不同樣本、不同「實現」，我喜歡把它們稱為「多重宇宙」。

多重宇宙中的隨機變異，是我們在分析一個樣本的資料時必須作統計推論的原因。

比如我們分析本屆所有 113 位立委的議事行為，既然立委一共只有 113 人，我們分析的對象不就是立委的母體嗎？那是不是就不必做統計推論？

不是！原因是我們仍然可以想像有多重宇宙存在，每個宇宙都有 113 位立委，而同一位立委在不同的宇宙裡其議事行為會有隨機變異。正是因為這隨機變異的緣故，我們即使分析的是所謂「母體」，我們仍然要做統計推論。

「多重宇宙」的概念可以說就是「假如我們可以重來」的反事實思想實驗。被分析的單位不是在時間中重來一次，而是在多重宇宙的空間中展現「假如我們可以重來」的隨機變異的可能性。

名為 Monday 的這集 X 檔案電視劇中，主角的夢境不斷重複，每次夢境的結構大致類似，但細節卻有所不同，這正是「多重宇宙—隨機變異」概念的戲劇化。

【媽的多重宇宙】（Everything Everywhere All at Once）也是。

「看，這是你的宇宙，一個漂浮在存在宇宙泡沫中的泡泡。周圍的每個氣泡都有細微的變化。但你離你的宇宙越遠，差異就越大。」——【媽的多重宇宙】對白

這是說：變異程度越小的是離你越近的宇宙，程度越大的是離你越遠的宇宙。這裡所謂變異的程度，在統計學裡可以用誤差機率分布的標準差來衡量。

什麼是隨機變異？

關於「隨機變異」這個概念，我最喜歡的例子是研究所入學申請的評審。

例如有 120 人申請入學，我詳細閱讀每人投遞的申請資料（包括性別、年齡等個人特質還有 SOP、大學成績單、GRE 分數、推薦信等），然後打一個 Y=0～100 的分數。全部評閱完畢，我便得到一份 N=120 的資料。這個資料包括了所有的申請者，那麼它是樣本呢？還是母體？

如果我要分析我自己評分的決定因素，我會把分數 Y 回歸到性別、年齡等個人特質以及資料中可以量化的變數，例如大學成績平均分數（GPA）和 GRE 分數。跑這個迴歸時，需不需要做統計推論，看迴歸係數是不是有統計的顯著性？

我的看法是這份 N=120 的資料是樣本而不是母體，做迴歸分析當然要做統計推論。

那麼我資料的母體是什麼？

迴歸分析資料的母體其實是所謂「母體迴歸函數」（population regression function），也就是通常所說的「資料產生過程」（data generating process, DGP）。

這個 DGP 就是我在評閱每份資料時腦海中的思考機制，它考量了許多量化和質化的變數，賦予不同的權重，然後加總起來產生 Y。

量化變數的權重就是母體迴歸函數的係數，質化變數則是母體迴歸函數的係數的誤差項。如果有很多質化變數攏總納入誤差項，我們通常可以根據中央極限定理，假設誤差項是呈現常態分布的隨機變數。這個誤差項就是「隨機變異」的來源。

評審入學申請，我通常只把所有資料評閱一次。這一次評審結果，會有幾家歡樂幾家愁，這便構成了一個「宇宙」。如果我第二天又把所有 120 份資料重新評分一遍，得到第二個樣本。因為我腦中的「資料產生過程」包括隨機變數，這個新樣本保證跟第一個樣本會有差異。用白話說：我的評分機制不精確，我自己甚至不知道我給每個量化變數多少權重，而且第二次評閱所用的權重也會跟第一次不盡相同，更不用說質化變數如何影響我的評分了。

這第二個樣本，申請者的排比不會跟第一個樣本一樣，雖然也是幾家歡樂幾家愁，歡樂與愁悶的人也可能不一樣。這是第二個宇宙。依此類推，我們可以想像同樣的120位申請者，因為我「資料產生過程」的隨機變異，活在多重宇宙裡。

這些宇宙有的差異不大，根據【媽的多重宇宙】的說法，它們的泡泡互相之間的距離就較近，差異較大的宇宙，距離就較遠。如果申請者可以像電影所述那樣做宇宙跳躍，他們會看到自己在不同宇宙裡的命運。

我擔任德州大學政府系的研究部主任時，常耽心有申請者拿我們入學評審委員的評分資料去做迴歸分析。如果分析結果顯示種族、性別等變數有統計顯著性，說不定會被拿去控告我違反所謂「平權行動」（affirmative action）的相關法律。如果沒有顯著性，我就不耽心了。

多重宇宙之間會不會有「蝴蝶效應」？也就是宇宙跳躍時，隨機變異產生的微小差異，會不會造成新舊宇宙生命路徑的決然不同？

在【媽的多重宇宙】中，伊芙琳只要當初做了一個不同的決定，以後的生命便可能跟現世（home universe）有很不一樣的命運。這在統計學也不是不可能。時間序列分析中，有些非線性模式只要初始值稍微改變，其後在時間中的路徑便會與原來的路徑發散開來。

你做時間序列分析時，會不會想想：時間序列資料究竟是樣本還是母體？如果你的研究興趣就只限於資料期間，那要不要做統計推論？當然要的，因為隨機變異的緣故。

如果你今年申請外國研究所不順利，也許在另一個宇宙裡，你不但獲名校錄取，得到鉅額獎學金，而且你的人生旅途將自此一路順遂，事業婚姻兩得意呢。

• 作者：墨爾 David S. Moore、諾茨 William I. Notz
• 譯者：鄭惟厚、吳欣蓓

實驗法中「隨機化」的必要性

隨機化比較實驗是統計學裡面最重要的概念之一。它的設計是要讓我們能夠得到釐清因果關係的結論。我們先來弄清楚隨機化比較實驗的邏輯：

• 用隨機化的方法將受試者分組，所分出的各組在實施處理之前，應該各方面都類似。
• 之所以用「比較」的設計，是要確保除了實驗上的處理外，其他所有因素都會同樣作用在所有的組身上。
• 因此，反應變數的差異必定是處理的效應所致。

我們用隨機方法選組，以避免人為指派時可能發生的系統性偏差。例如在鐮形血球貧血症的研究中，醫師有可能下意識就把最嚴重的病人指派到羥基脲組，指望這個正在試驗的藥能對他們有幫助。那樣就會使實驗有偏差，不利於羥基脲。

從受試者中取簡單隨機樣本來當作第一組，會使得每個人被選入第一組或第二組的機會相等。我們可以預期兩組在各方面都接近，例如年齡、病情嚴重程度、抽不抽菸等。舉例來說，隨機性通常會使兩組中的吸菸人數差不多，即使我們並不知道哪些受試者吸菸。

新藥研究上不隨機分組帶來的後果：安慰劑效應

如果實驗不採取隨機方式，潛藏變數會有什麼影響呢？安慰劑效應就是潛藏變數，只有受試者接受治療後才會出現。如果實驗組別是在當年不同時間進行治療，所以有些組別是在流感季節治療，有些則不是，那麼潛藏變數就是有些組別暴露在流感的程度較多。

在比較實驗設計中，我們會試著確保這些潛藏變數對全部的組別都有相似的作用。例如為了確保全部的組別都有安慰劑效應，他們會接受相同的治療，全部的組別會在相同的時間接受相同的治療，所以暴露在流感的程度也相同。

要是告訴你，醫學研究者對於隨機化比較實驗接受得很慢，應該不會讓你驚訝，因為許多醫師認為一項新療法對病人是否有用，他們「只要看看」就知道。但事實才不是這樣。有很多醫療方法只經過單軌實驗後就普遍使用，但是後來有人起疑，進行了隨機化比較實驗後，卻發覺其效用充其量不過是安慰劑罷了，這種例子已經不勝枚舉。

曾有人在醫學文獻裡搜尋，經過適當的比較實驗研究過的療法，以及只經過「歷史對照組」實驗的療法。用歷史對照組做的研究不是把新療法的結果和控制組比，而是和過去類似的病人在治療後的效果做比較。結果，納入研究的 56 種療法當中，用歷史對照組來比較時，有 44 種療法顯示出有效。然而在經過使用合適的隨機化比較實驗後，只有 10 種通過安慰劑測試。即使有跟過去的病人比，醫師的判斷仍過於樂觀。

目前來說，法律已有規定，新藥必須用隨機化比較實驗來證明其安全性及有效性。但是對於其他醫療處置，比如手術，就沒有這項規定。上網搜尋「comparisons with historical controls」（以歷史對照組來比較）這個關鍵字，可以找到最近針對曾使用歷史對照組試驗的其他醫療處置，所做的研究。

對於隨機化實驗有一件重要的事必須注意。和隨機樣本一樣，隨機化實驗照樣要受機遇法則的「管轄」。就像抽一個選民的簡單隨機樣本時，有可能運氣不好，抽到的幾乎都是相同政治傾向一樣，隨機指派受試者時，也可能運氣不好，把抽菸的人幾乎全放在同一組。

我們知道，如果抽選很大的隨機樣本，樣本的組成和母體近似的機會就很大。同樣的道理，如果我們用很多受試者，加上利用隨機指派方式分組，也就有可能與實際情況非常吻合。受試者較多，表示實驗處理組的機遇變異會比較小，因此實驗結果的機遇變異也比較小。「用足夠多的受試者」和「同時比較數個處理」以及「隨機化」，同為「統計實驗設計」的基本原則。

——本文摘自《統計，讓數字說話》，2023 年 1 月，天下文化出版，未經同意請勿轉載。