Loading [MathJax]/extensions/tex2jax.js

0

1
0

文字

分享

0
1
0

電報的發明者──惠斯登誕辰|科學史上的今天:2/6

張瑞棋_96
・2015/02/06 ・864字 ・閱讀時間約 1 分鐘 ・SR值 532 ・七年級

十九世紀初,倫敦一家樂器行走出來一位十幾歲的學徒,他握著剛領到的工資,興奮地又來到附近的舊書攤買書。這一次他的目光被一本描述伏打 (Alessandro Volta) 所作電學實驗的書給吸引住,但他身上的錢不夠,而且這是本法文書,他還得再買本辭典才能看得懂。他還是下定決心將手中的錢給老闆當訂金,並在之後攢夠錢時將書與辭典買回家。

查爾斯.惠斯登。圖/wikimedia

研讀之後,他找了哥哥一起打造書中所述的伏打電池,但只剩零錢不夠買所需的銅片。他靈光一閃,根本不用買,就拿手上的銅板便士 (penny) 取代就行啦!這就是惠斯登,從小就努力追求新知,並展露發明的天份。

他的發明橫跨不同領域。除了在自己的本行上發明六角形手風琴,他也是全世界最先發明 3D 圖片顯示裝置的人──他讓左右兩眼同時各自觀看 45 度角的反射鏡,而產生立體效果。他發現不同的金屬放電時產生的火花,透過稜鏡會呈現各自特有的光譜,為光譜學開啟了先河。他還發明一種矩陣加密法 (Playfair cipher),而廣被軍隊採用,直到第二次世界大戰初期仍被部分英軍使用。

不過他奉獻最多的還是在電磁學方面。他將電線從中切開,接上萊頓瓶,再用快速旋轉的鏡子測量跳過電線缺口的火花延遲的時間,而估算出電流的速度。雖然他得出的數值比真正的電流速度還快了 50%,但他所發明的旋轉鏡卻在後來物理學家測量光速時派上用場。他和威廉・庫克 (William F. Cooke) 於 1837 年共同發明電報,不但成為最早的發明者,並且在兩年後沿著鐵路建造了世界上第一條商用電報線路。他改良別人的設計而發明的「惠斯登電橋」(Wheatstone bridge) 至今仍被廣泛用來測量電阻。他也是最先在發電機中用電磁鐵取代永久磁鐵,而成為能產生大電流的工業用發電機的發明人之一。

-----廣告,請繼續往下閱讀-----

惠斯登靠著自學,從一個樂器行的學徒變成一位多產的發明家,還成為英國皇家學會的一員,可說是事在人為的最佳例證。

 

本文同時收錄於《科學史上的今天:歷史的瞬間,改變世界的起點》,由究竟出版社出版。

 

 

-----廣告,請繼續往下閱讀-----
文章難易度
張瑞棋_96
423 篇文章 ・ 1028 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。

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

-----廣告,請繼續往下閱讀-----

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

1
0

文字

分享

0
1
0
連結世界的革命性發明:山謬.摩斯(Samuel Morse)與電報
數感實驗室_96
・2024/05/26 ・648字 ・閱讀時間約 1 分鐘

本文由 國立臺灣師範大學 委託,泛科學企劃執行。 

每個人都有自己的特長,有些人擅長理工科,有些人則有著藝術天份。但擅長一件事並不僅僅取決於天賦,還可能與個性、興趣或生活經歷有關。今天我們要介紹的主角就是一個很好的例子。他不僅是電報的發明家,消除了空間的隔閡,讓遠方的人們能瞬間被拉近,從這個角度來看,他是一位科學家、工程師。但其實他還有另一個身分,是一位偉大的畫家。沒錯,他就是山謬.摩斯(Samuel Morse)。

摩斯發明了電報,徹底改變了通信的速度,將全世界緊緊地拉在一起。不只如此,就像現在流行短影音,大家就會想辦法把內容擠在很短的時間內說出來。電報發明後,為了要讓訊息能有效被傳遞出去,人們的溝通方式也因此轉變。史學家 Garry Will 就認為電報因為不能傳太多字,這種強制性的簡潔,影響了林肯的演說風格,他著名的《蓋茲堡演說》簡潔有力,就是一個最好的例子。

一個偉大的發明,連副作用都這麼強大,改變了人們的溝通習慣。摩斯的成就不僅是在科技領域,更是在影響人們的文化和溝通方式上留下了深遠的影響。

-----廣告,請繼續往下閱讀-----

喜歡這系列將影片或有其它想法,歡迎留言分享喔!

更多、更完整的內容,歡迎上數感實驗室 Numeracy Lab 的 youtube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

數感實驗室_96
76 篇文章 ・ 50 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/

1

7
1

文字

分享

1
7
1
整個宇宙都是我的動物園?——歡迎進入「天文化學」的思考領域
ntucase_96
・2021/09/24 ・3150字 ・閱讀時間約 6 分鐘

  • 撰文|許世穎

本文轉載自 CASE 科學報整個宇宙,都是我的動物園——天文化學

整個宇宙就像是一座「分子動物園」,藉由研究的分子光譜,我們可以得知這分子的分佈、溫度等性質;而由於不同的分子有著不同的「習性」,我們還可以得知孕育這些分子的星際環境。

要了解星際環境,可以從透過分子開始!圖/ESA/Hubble, CC4.0

天文化學是什麼?

天文學是研究宇宙間天體的自然科學,除了一般大眾較為知道的「天文物理學」以外,宇宙擁有很多的面向,其中一個就是本文的主題:「天文化學」。

同樣都是研究「物質」的科學,物理學與化學卻是以不太一樣的方式來觀察這個世界。天文化學著重那些宇宙間「不同天體環境中的原子、分子、離子」等,研究它們的形成、分布、彼此之間的交互作用,或是與環境的交互作用。(接下來為了方便起見,我們將分子、離子等統稱為分子。)

天文學雖然是最古早的科學之一,但是天文化學這個學門,則要到 20 世紀中期才開始慢慢出現。理由很簡單:因為分子看不到呀!星星那麼大一顆,用望遠鏡都不一定能看清楚了,更何況是擺在眼前都看不到的分子呢?

-----廣告,請繼續往下閱讀-----

因此要研究宇宙中的分子,必須要靠特別的技術才行;其中,最重要的技術之一,就是「光譜學」。

研究宇宙中的分子,必須依賴「光譜學」才行。圖/envato elements

光譜(spectrum)是將光依照波長或頻率排列出來的圖案,像「彩虹」就是一種光譜,是太陽光依照不同頻率分開來的圖案。而光的範疇除了可見光以外,還有很多肉眼看不到的波段,例如無線電波、紅外線、紫外線、X光……等。

每一種分子都有著屬於自己的光譜,在地球上的我們,如果想要知道分子的光譜長什麼樣子的話,除了可以做實驗量測以外,更多的是用電腦做精密的模擬計算來預測。分子的光譜就像它們的「指紋」,就像警察會將採集到的指紋與資料庫比對,來得知這枚指紋是哪個人留下來的,天文學家則是將觀測到的光譜與資料庫比對,來得知遙遠星際的另一端有哪些分子,甚至是它們的含量、溫度等(圖 1)。

想要了解更多天文學家如何使用光譜學,可以參考:<把光拆開來看:天文學中的光譜>。

-----廣告,請繼續往下閱讀-----
銀河系中央的光譜,從中可以分析出很多不同的分子,甚至包括他們的含量、溫度、分佈等等。圖/ESO/J. Emerson/VISTA, ALMA (ESO/NAOJ/NRAO), Ando et al. Acknowledgment: Cambridge Astronomical Survey Unit [2]

為什麼宇宙是「分子動物園」

動物們往往能反應出當地的環境,舉例來說,看到河馬就知道那邊是有水有草的環境;看到櫻花鉤吻鮭就知道有水溫偏低的溪流 [3]。將宇宙視為分子動物園也是一樣的,觀察分子的分佈、含量,也可以讓我們回推物理環境。目前,我們已從星際間,觀測到了約 200 多種分子,這裡就介紹幾種常見的星際分子吧!

宇宙中有很多不同的分子,分佈在不同的地方(示意圖)。圖/EAS2020[4]

氫分子(molecular hydrogen, H2

宇宙中含量最高的分子,也是「分子雲」的主要成分。分子雲中每一立方公分大約有一萬個氫分子(104 cm-3)。

分子雲是恆星、行星誕生的地方,所以了解氫分子的分佈,能幫助我們研究恆星形成。同時,氫分子能與較重的元素反應,是許多化學反應的催化劑,產生其他的分子如一氧化碳(CO)、二氧化碳(CO2)、 氰基自由基(CN)等。

氫分子對天文化學來說相當重要,可惜在分子雲這種均溫只有零下 200 多度的環境,幾乎是不太可能觀測到(因為它是個對稱的分子,有興趣的讀者可以再進一步了解。)[5][6]

-----廣告,請繼續往下閱讀-----

一氧化碳(carbon monoxide, CO)

一氧化碳分佈在星際間低溫、高密度的區域。它是星際間含量第二高的分子。

比起氫分子,一氧化碳容易觀測太多了,所以天文學家更容易從一氧化碳的圖像,來得知分子雲的分佈。由於分子雲幾乎沒辦法用可見光直接觀測,早期的科學家根本不知道我們周邊有這麼多分子雲的存在,直到觀測了一氧化碳的圖像之後才大開眼界。 [5][6][7]

被戲稱為「中指星雲」的分子雲。圖/維基百科, CC0

氨(ammonia, NH3

氨也是很容易被觀測到分子。歷史上第一個觀測到的分子是就是氨。氨有許多譜線,而這些譜線的強度對於環境變化非常敏感,能對應到很多種不同的星際環境。對氨的觀測能讓我們更精確地回推出該處的環境狀況 [8][9]

宇宙中的環境變化太大了,不同的環境下化學反應可能會有很大的差異。宇宙間的發散星際雲(diffuse cloud)、密集分子雲(dense cloud)、恆星形成的熱原恆星核(hot core)等這些已經偵測到大量分子的區域,溫度分佈從 10 K~1000 K(約攝氏 -200 度到 +800 度)、密度從每立方公分一百顆粒子到十兆顆粒子(102 cm-3~1013 cm-3)都有!

-----廣告,請繼續往下閱讀-----

這裡接著再介紹幾種分子含量高的星際環境。

恆星形成區域(star-forming region)

分子雲內部高密度、正在形成恆星的地方。獵戶座 KL 星雲(Orion KL)是獵戶座大分子雲中,恆星形成最活躍的區域。在這裡有許多的「複雜飽和有機分子」出現,如:甲醇(CH3OH)、甲酸甲脂(HCOOCH3)等,也有一些長鏈的碳分子,如:氰基乙炔(HCCCN)[10]

獵戶座 KL 星雲。圖/NASA, ESA/Hubble [10]

彗星 67P/Churyumov-Gerasimenko (comet 67P/C-G)

在近幾年的觀測資料中,科學家在這裡看到了含量極高的氧分子(molecular oxygen, O2),這讓他們感到非常意外。因為氧分子在宇宙中很容易起反應、變成其它的分子,而在彗星這麼樣一個容易揮發的環境中,卻能有高含量的氧分子存在,代表這些氧分子很有可能是在彗星形成的時候,就已經存在周遭的環境中,並且冰封在彗星上 [11][12]

彗星 67P/C-G(右)以及它的光譜(左)。圖/ESA/Rosetta/NAVCAM [12], CC 3.0(右)A. Bieler et al. (2015) (左)[11]

天文化學所牽涉到的範圍很廣,橫跨了許多不同的領域。 整個宇宙就是一座「分子動物園」。天文學家觀察這些宇宙中的分子,來得知遙遠天體中具有什麼樣的環境。星際間也發現了許多有機分子,研究這些分子甚至能幫助我們理解生命的起源,這是現在天文化學研究的一個重點方向。

-----廣告,請繼續往下閱讀-----

-----廣告,請繼續往下閱讀-----
所有討論 1
ntucase_96
30 篇文章 ・ 1482 位粉絲
CASE的全名是 Center for the Advancement of Science Education,也就是台灣大學科學教育發展中心。創立於2008年10月,成立的宗旨是透過台大的自然科學學術資源,奠立全國基礎科學教育的優質文化與環境。