一閃一閃亮晶晶──發現光學脈衝星｜科學史上的今天：1/16

• 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。

1894 年，美國物理學家邁克生（Albert Abraham Michelson）作為芝加哥大學物理系的創立者，在為學校的瑞爾森物理實驗室（Ryerson Physical Laboratory）落成典禮致詞時，表示：「雖然無法斷言說，未來的物理學不會比過去那些驚奇更令人驚嘆，但似乎大部分的重要基本原則都已經被穩固地建立了。」

以我們現在的後見之明，這段話聽起來固然錯得離譜，但在當時，從 17、18 到 19 世紀，在伽利略、牛頓、馬克士威等前輩的的貢獻之下，物理學已經達成了非凡的成就。

我們現在稱為古典的物理學，對於整個世界的描述幾乎是面面俱到了，事實上沒有人預料到 20 世紀將出現徹底顛覆世界物理學認知的重要理論，量子力學。

而這最一開始竟只是出自於一件不起眼的研究，關於物體發出的光。

萬物皆輻射

在此我們要先理解一個觀念：所有物體無時無刻不在發出電磁波輻射，包括了你、我、你正使用的螢幕，以及我們生活中的所有物品。

至於為什麼會這樣子呢？其中一個主要原因是，物體都是由原子、分子組成，所以內部充滿了帶電粒子，例如電子。這些帶電粒子隨著溫度，時時刻刻不停地擾動著，在過程中，就會以電磁波的形式放出能量。

除了上述原因之外，物體發出的電磁波輻射，還可能有其他來源，我們就暫時省略不提。無論如何，從小到大我們都學過的，熱的傳遞方式分成傳導、對流、輻射三種，其中的輻射，就是我們現在在談的，物體以電磁波形式發出的能量。

那麼，這些輻射能量有什麼樣的特徵呢？為了搞清楚這件事，我們必須先找個適當的範本來研究。

理想上最好的選擇是，這個範本必須能夠吸收所有外在環境照射在上面的光線，只會發出因自身溫度而產生的電磁輻射。這樣子的話，我們去測量它發出的電磁波，就不會受到反射的電磁波干擾，而能確保電磁波是來自它自己本身。

這樣子的理想物體，稱為黑體；畢竟，黑色物體之所以是黑的，就是因為它能夠吸收外在環境光線，且不太會反射。而在我們日常生活中，最接近理想的黑體，就是一點也不黑、還超亮的太陽！這是因為我們很大程度可以肯定，太陽發出來的光，幾乎都是源於它自身，而非反射自外在環境的光線。

或者我們把一個空腔打洞後，從洞口發出的電磁波，也會近似於黑體輻射，因為所有入射洞口的光都會進入空腔，而不被反射。煉鐵用的鼓風爐，就類似這樣子的結構。

到目前為止，一切聽起來都只是物理學上一個平凡的研究題目。奇怪的是，在對電磁學已經擁有完整瞭解的 19 世紀後半到 20 世紀初，科學家儘管已經藉由實驗得到了觀測數據，但要用以往的物理理論正確推導出黑體的電磁波輻射，卻遇到困難。正是由此開始，古典物理學出現了破口。

黑體輻射

由黑體發出的輻射，以現在理論所知，長得像這個樣子。縱軸代表黑體輻射出來的能量功率，橫軸代表黑體輻射出來的電磁波波長。

在理想狀況下，黑體輻射只跟黑體的溫度有關，而跟黑體的形狀和材質無關。

以溫度分別處在絕對溫標 3000K、4000K 和 5000K 的黑體輻射為例，我們可以看到，隨著黑體的溫度越高，輻射出來的能量功率也越大；同時，輻射功率最高的波段，也朝短波長、高頻率的方向靠近。

為了解釋這個曲線，物理學家們開始運用「當時」畢生所學來找出函數方程式，分成了兩派：

一派是 1896 年，由德國物理學家維因（Wilhelm Carl Werner Otto Fritz Franz Wien），由熱力學出發推導出的黑體輻射公式，另一派，在 1900 與 1905 年，英國物理學家瑞立（John William Strutt, 3rd Baron Rayleigh）和金斯（James Jeans），則是藉由電磁學概念，也推導出了他們的黑體輻射公式，稱為瑞立－金斯定律。

你看，若是同時擺上這兩個推導公式，會發現他們都各自對了一半？

維因近似 Wien approximation 只在高頻率的波段才精確。而瑞立－金斯定律只對低頻率波段比較精確，更預測輻射的強度會隨著電磁波頻率的提升而趨近無限大，等等，無限大？――這顯然不合理，因為現實中的黑體並不會放出無限大的能量。

顯然這兩個解釋都不夠精確。

就這樣，在 1894 年邁克生才說，物理學可能沒有更令人驚嘆的東西了，結果沒幾年，古典物理學築起的輝煌成就，被黑體輻射遮掩了部分光芒，而且沒人知道，這是怎麼一回事。

普朗克的黑體輻射公式

就在古典物理學面臨進退維谷局面的時候，那個男人出現了——德國物理學家普朗克（Max Planck）。

普朗克於 1900 年就推導出了他的黑體輻射公式，比上述瑞立和金斯最終在 1905 年提出的結果要更早，史稱普朗克定律（Planck’s law）。普朗克假想，在黑體中，存在許多帶電且不斷振盪、稱為「振子」的虛擬單元，並假設它們的能量只能是某個基本單位能量的整數倍。

這個基本單位能量寫成 E=hν，和電磁輻射的頻率 ν 成正比，比例常數 h 則稱為普朗克常數。換言之，黑體輻射出來的能量，以hν為基本單位、是一個個可數的「量」加起來的，也就是能量被「量子化」了。

根據以上假設，再加上不同能量的「振子」像是遵循熱力學中的粒子分佈，普朗克成功推導出吻合黑體輻射實驗觀測的公式。

普朗克的方程式，同時包含了維因近似和瑞立－金斯定律的優點，不管在低頻率還是高頻率的波段，都非常精確。如果我們比較在地球大氣層頂端觀測到的太陽輻射光譜，可以發現觀測數據和普朗克的公式吻合得非常好。

其實有趣的是普朗克根本不認為這是物理現象，他認為，他假設的能量量子化，只是數學上用來推導的手段，而沒有察覺他在物理上的深遠涵意。但無論如何，普朗克成功解決了黑體輻射的難題，並得到符合觀測的方程式。直到現在，我們依然使用著普朗克的方程式來描述黑體輻射。不只如此，在現實生活中，有許多的應用，都由此而來。

正因為不同溫度的物體，會發出不同特徵的電磁波，反過來想，藉由測量物體發出的電磁波，我們就能得知該物體的溫度。在疫情期間，我們可以看到某些場合會放置螢幕，上面呈現類似這樣子的畫面。

事實上，這些儀器測量的，是特定波長的紅外線。紅外線屬於不可見光，也是室溫物體所發出的電磁輻射中，功率最大的波段。只要分析我們身體發出的紅外線，就能在一定程度上判斷我們的體溫。當然，一來我們都不是完美的黑體，二來環境因素也可能產生干擾，所以還是會有些許誤差。

藉由黑體輻射的研究，我們還可以將黑體的溫度與發出的可見光顏色標準化。

在畫面中，有彩虹背景的部分，代表可見光的範圍，當黑體的溫度越高，發出的電磁輻射，在可見光部分越偏冷色系。當我們在購買燈泡的時候，會在包裝上看到色溫標示，就是由此而來。所以，如果你想要溫暖一點的光線，就要購買色溫較低，約兩、三千 K 左右的燈泡。

結語

事實上，在黑體輻射研究最蓬勃發展的 19 世紀後半，正值第二次工業革命，當時鋼鐵的鍛冶技術出現許多重大進步。

德國鐵血宰相俾斯麥曾經說，當代的重大問題要用鐵和血來解決。

就傳統而言，煉鋼要靠工匠用肉眼，從鋼鐵的顏色來判斷溫度，但若能更精確地判斷溫度，無疑會有很大幫助。

德國作為鋼鐵業發達國家，在黑體輻射的研究上，曾做出許多貢獻，這一方面固然可能是學術的求知慾使然，但另一方面，也可以說跟社會的需求與脈動是完全吻合的。
總而言之，普朗克藉由引進能量量子化的概念，成功用數學式描述了黑體輻射；這件事成為後來量子力學發展的起點。儘管普朗克本人沒有察覺能量量子化背後的深意，但有另一位勇者在數年後繼承了普朗克的想法，並做出意味深長的詮釋，那就是下一個故事的主角――愛因斯坦的事了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• 謝承安／ EASY 天文地科團隊成員，因喜愛動畫《戀愛中的小行星》開始研究小行星，現就讀臺大物理系。
• 林彥興／清大天文所碩士， EASY 天文地科團隊總編輯，努力在陰溝中仰望繁星。

• Take Home Message
  • 殘屑盤是恆星周遭的盤狀結構，由於北落師門殘屑盤離地球僅 25 光年，數十年來天文學家時常會藉由觀測它以了解殘屑盤的特性。
  • 去（2023）年韋伯望遠鏡的觀測結果與過去不同，顯示北落師門殘屑盤其實分成多個部分，更讓他們相信北落師門中有多個行星環繞。
  • 韋伯望遠鏡提供的影像還揭露許多來源未知的構造及現象，例如內側殘屑盤與內側裂縫等，都有待繼續探索。

北落師門（Fomalhaut）又稱南魚座 α 星，是秋季星空中著名的亮星之一。去年 5 月，以美國亞利桑那大學（University of Arizona）天文學家加斯帕（András Gáspár）為首的研究團隊在《自然天文學》（Nature Astronomy）期刊上發表，他們藉由詹姆士．韋伯太空望遠鏡（James Webb Space Telescope, JWST，簡稱韋伯望遠鏡），在北落師門周圍殘屑盤（debris disk）中首次發現了「系外小行星帶」的存在。韋伯望遠鏡拍下美麗的照片，也瞬間席捲各大科學與科普媒體的版面（圖一）。

天文學家選擇北落師門作為目標並非偶然。半個世紀以來，北落師門一直是天文學家研究殘屑盤時的首選目標之一。韋伯望遠鏡的新影像為我們帶來什麼新發現？過去與現在的觀測方式又有什麼差異？本文將帶著大家一起回顧北落師門殘屑盤的觀測史。

行星相互碰撞後的殘屑盤

殘屑盤是環繞在恆星周遭，由顆粒大小不一的塵埃所組成的盤狀結構。如果讀者們聽過行星形成的故事，也知道行星是從恆星四周、由氣體與塵埃組成的「原行星盤」（protoplanetary disk）中誕生，那你或許會認為殘屑盤可能就是行星形成後剩下的塵埃。但實際上並非如此，在恆星形成初期的數百萬年間，原行星盤中的氣體和塵埃會被恆星吸積或是吸收恆星輻射的能量後蒸發，同時也會聚集成小型天體或行星，這些原因都會使原行星盤消散。而殘屑盤則是由盤面上的小行星等天體們互相碰撞後，產生的第二代塵埃組成（圖二）。

這些塵埃發光的機制主要有兩種。第一，塵埃本身可以散射來自母恆星的星光，從而讓天文學家能在可見光與近紅外波段看到它們。第二，塵埃在吸收來自恆星的星光之後，以熱輻射的形式將這些能量重新釋放。由於恆星的光強度與距離成平方反比，愈靠近恆星，塵埃的溫度就愈高，因此發出的輻射以近紅外線為主；反之，愈是遠離恆星，塵埃的溫度就愈低，發出的光就以中遠紅外線為主。

觀測目標：北落師門

北落師門殘屑盤的觀測始於 1983 年。當時，美國國家航空暨太空總署（National Aeronautics and Space Administration, NASA）的紅外線天文衛星（Infrared Astronomical Satellite, IRAS）發現北落師門在紅外線波段的亮度異常高，代表周圍很可能有殘屑盤圍繞。由於北落師門離地球僅約 25 光年，這項發現引起眾多天文學家的關注，並在未來數十年前仆後繼地拿出各波段最好的望遠鏡，希望藉此深入了解殘屑盤的特性。其中，哈伯太空望遠鏡（Hubble Space Telescope, HST，簡稱哈伯望遠鏡）、阿塔卡瑪大型毫米及次毫米波陣列（Atacama Large Millimeter/submillimeter Array, ALMA）與韋伯望遠鏡擁有非常好的空間解析度，因此能夠清楚地觀測殘屑盤的結構。

● 哈伯的觀測

2008 年， NASA 公布哈伯望遠鏡在 2004 與 2006 年對北落師門的觀測結果（圖三），讓天文學家首次清晰地看到北落師門殘屑盤的影像。這張照片是哈伯望遠鏡以日冕儀（coronagraph）在 600 奈米（nm）的可見光波段下拍攝，中間的白點代表北落師門的位置，而周圍的環狀亮帶正是因散射的北落師門星光而發亮的殘屑盤，放射狀的條紋則是日冕儀沒能完全消除的恆星散射光。除此之外，天文學家還發現有一個亮點正圍繞著北落師門運行，並認為此亮點可能是一顆圍繞北落師門的行星，於是將它命名為「北落師門 b 」。很可惜在往後的觀測中，天文學家發現北落師門 b 漸漸膨脹消散，到 2014 年時就已經完全看不見了。因此它很可能只是一團塵埃，而非真正的行星。

● ALMA 的觀測

ALMA 對北落師門的完整觀測於 2017 年亮相，他們展示出更加清晰漂亮的環狀結構，且位置與哈伯望遠鏡的觀測吻合。正如前面提到，殘屑盤中的塵埃溫度愈低，放出的輻射波長就愈長。因此 ALMA 在 1.3 毫米（mm）波段觀測到的影像，主要來自離殘屑盤中恆星最遠、最冷的部分。

● 韋伯望遠鏡的觀測

最後則要來看去年韋伯望遠鏡所使用中紅外線儀（mid-infrared instrument, MIRI）拍攝的影像（圖五）。與之前的觀測不同，這次的影像顯示北落師門的殘屑盤其實分成幾個部分：

首先，哈伯望遠鏡與 ALMA 之前就已觀測到的塵埃環，它的半徑約 136～150 天文單位（AU）、寬約 20～25 AU，而溫度則落在約 50～60 K，與太陽系的古柏帶（Kuiper belt）十分相似，因此被稱為「類古柏帶環」（KBA ring）。雖然在觀測上的溫度相似，但其實此塵埃環與北落師門的距離是古柏帶到太陽的四倍；不過北落師門光度約為太陽的 16 倍，根據前述提及的平方反比關係，才導致兩者的溫度相近。此外，在更外層名為「暈」（halo）的黯淡結構則對應古柏帶外圍天體密度較低的區域。

再來，韋伯望遠鏡還發現了更多未解的謎團：內側殘屑盤（inner disk）與中間環（intermediate ring）。其實早在本次韋伯望遠鏡的觀測之前，天文學家就已經從北落師門的光譜推測，北落師門的殘屑盤中除了存在前面提過的類古柏帶環之外，應該還有另一批更靠近恆星、溫度更高的塵埃，溫度與大小對應太陽系中的環狀小行星帶。但當韋伯望遠鏡實際觀測後，卻發現與太陽系的環狀小行星帶相比，北落師門有著相當瀰散的內側殘屑盤。為什麼會有這樣的不同呢？目前天文學家也不清楚，仍待進一步研究。

最後，在類古柏帶環與內側殘屑盤之間，還存在著一個半長軸約 104 AU 的「中間環」，在太陽系中則沒有對應的結構，這項新發現也需要進一步的研究來了解它的來源。

此外，雖然北落師門 b 最終被證實並不是一顆行星，但這並不代表北落師門旁沒有行星環繞。最初，殘屑盤的形成原因是由小行星等天體不斷碰撞所產生，經過不斷地碰撞合併，其實就有可能已經產生直徑數百到數千公里的行星。從北落師門的殘屑盤還可以推論，在內側殘屑盤與中間環之間可能有一顆海王星質量以上的行星，它就像鏟雪車般清除軌道上的塵埃，從而產生「內側裂縫」（inner gap）的結構。

另一方面，天文學家也藉由數值模擬發現，如果僅考慮來自北落師門的重力影響，類古柏帶環應該要比觀測到的更寬才對。因此他們推測，很可能在類古柏帶環內外兩側有兩顆行星，像控制羊群的牧羊犬一樣以自身的重力限制塵埃移動，才產生了這麼細的塵埃環。

● 更多的殘屑盤觀測

北落師門雖然是一顆年齡僅4.4億年的年輕恆星，卻已經是一個擁有殘屑盤、形成行星的成熟恆星系統。而來自韋伯望遠鏡的最新觀測結果，無疑讓天文學家更深入地認識殘屑盤中複雜的結構，也更令他們相信北落師門系統中有多個行星環繞。

不過，北落師門系統仍舊有許多未解之謎。例如為什麼太陽系有著環狀的小行星帶，北落師門卻是瀰散的內側殘屑盤？在無數的恆星中，究竟是太陽系還是北落師門的殘屑盤構造比較常見？殘屑盤中是否有行星存在？如果有，在北落師門的演化歷史中又扮演著怎樣的角色呢？這些問題都有待更多的觀測與理論模擬來解答。

在北落師門之後，觀測團隊預計將韋伯望遠鏡指向天琴座的織女星（α Lyr, Vega），以及位於波江座的天苑四（ε Eri），兩者都是離地球非常近且擁有殘屑盤的恆星。其中織女星的溫度與質量比北落師門更大，而天苑四的質量與溫度雖然比太陽小，卻有強烈的磁場活動。藉由觀測不同系統中殘屑盤的性質差異，並與太陽系進行對比，不僅能更加認識殘屑盤的起源、與行星的交互作用，更能理解我們自己的恆星系中，數百萬顆的太陽系小天體從何而來。

JWST 原始資料的處理過程影片介紹，非常值得一看！

• 〈本文選自《科學月刊》2024 年 01 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

延伸閱讀

1. Galicher, R. et al. (2013). Fomalhaut b: Independent analysis of the Hubble space telescope public archive data. The Astrophysical Journal, 769(1), 42.
2. MacGregor, M. A. et al. (2017). A complete ALMA map of the Fomalhaut debris disk. The Astrophysical Journal, 842(1), 8.
3. Gáspár, A. et al. (2023). Spatially resolved imaging of the inner Fomalhaut disk using JWST/MIRI. Nature Astronomy, 1–9.