水雖然在生活中很常見，但是關於水的性質卻還有很多不被認識，像是水很黏跟水很有彈性，這兩件事情在一般生活中因為重力還有表面附著力，很難被真的感受到。雖然之前介紹過一些水珠的彈跳，但是常常只能在很小的尺度上或是超疏水的表面上發生。
這影片是非常好的實驗影片，一位太空人在空閒時候在太空中做的一些水膜實驗。在地球上，因為重力的因素，沒有介面活性劑的泡泡一下子就會因為重力而破裂，但是在無重力下，單純的水就可以形成水膜。這樣的水膜比一般的肥皂膜厚，所以關於水一些有趣的性質就可以被好好觀察。
影片一開始介紹如何在太空做水膜，接著展示水膜的震動跟撈水珠遊戲，在遊戲中也發現水滴可以在水膜上彈跳。最後介紹在溫度梯度下水所產生的流動。一個重要的發現是水在特定情況下可以反著一般認識的 marangoni effect 而流動，或許這樣的觀察可以解決在一些情況下不能理解的水流運動！
轉載自 科學影像 scimage
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
人類上太空的夢想會被我們親自摧毀嗎？
隨著火箭成本降低，人人都能把衛星丟上太空，現在，當你晚上抬頭看天空，你看到的星星可能不是星星，而是人造衛星。你看到一閃而過的的流星，可能只是墜入大氣的太空垃圾。
這些多到不行的太空垃圾已經成為隱憂，更可怕的是，這些以超音速飛行的太空垃圾可能摧毀其他衛星，在衛星軌道上製造更多不可預期的致命飛彈。有人擔心，人類終有一天會無法穿過這片垃圾雲，天空永遠被自己封閉。 終於，有人提出清理太空垃圾的方法了，但這些方法真的可行嗎？
所有在繞行地球的軌道上失去功能的東西，都會成為太空垃圾，最大的包含壞掉的衛星、和大量運送衛星上太空的第二節推進火箭，例如 1960 年代太空競賽時大量發射的火箭，有許多至今還在宇宙遊蕩，每一個都像公車一樣大。而小東西，則包含太空人在太空漫步時遺忘的東西，或是太空垃圾互相碰撞後產生的碎片，最小可能只有數毫米，小的像隻蚊子。但不論太空垃圾來自哪裡，只要缺乏妥善的管理和追蹤，就可能成為其他運作中設施和儀器的致命血滴子。
為了不被地心引力拉入大氣，墜向地球，在軌道上繞行地球的物體大多都以非常快的速度在移動，包括現在還在運作的衛星與各種設施。舉例來說國際太空站位於距離地球表面四百公里高的近地軌道（Low Earth Orbit），以大約每秒 7 ~ 8 公里的速度高速移動，是地表音速的 20 倍。也就是說，太空上的車禍可嚴重多了，來自不同方向或不同傾角的物體，可能會以超過每秒 10 公里的相對速度發生碰撞。別說公車大小的太空垃圾了，只要直徑超過 1 公分的碎片就足以對太陽能板或玻璃造成損害。更麻煩的是，大小在 10 公分以下的物體，大多還因為尺寸過小難以追蹤。
根據歐洲太空總署 ESA 的資料，目前軌道上有 6800 個運作中的衛星，相對的有超過 3 萬 2千個可追蹤的太空垃圾。但如果估計所有無法追蹤的物體，大於 10 公分的物體可能有超過 3 萬 6 千個，介於 1 公分到 10 公分的則高達一百萬個。
在這些太空垃圾中，大多數大型太空垃圾就是來自發射衛星後，一起留在太空的第二節推進火箭，小型太空垃圾則來自火箭爆炸或各種大大小小碰撞所產生的碎片。
歷史上比較嚴重的一次撞擊事件發生在 2009 年，銥衛星公司運作中的通訊衛星，重量 700 公斤的 iridium 33，和失效、重 900 公斤的蘇聯軍用衛星 kosmos 2251，在 789 公里的高空，兩台衛星以每秒 11.7 公里的相對速度直接撞上，化成了兩團在軌道上繞行的碎片團。
NASA 估計，這單一次的碰撞產生了超過 2000 片可追蹤的碎片，雖然許多碎片受地球引力慢慢墜入大氣燒毀，但直到到 2023 年 2 月的統計，大約還有一半，也就是 1000 片碎片留在軌道上。過往也曾經觀察到碎片從距離國際太空站僅 100 多公尺的位置驚險掠過。
2023 年三月，NASA 發表一篇研究，整理了關於各種清理太空垃圾的方法與成本，包含從地面或太空發射雷射推動垃圾改變軌道，或是直接物理性撞擊改變軌道，還有透過捕捉垃圾，直接在太空將垃圾循環利用，作為燃料或其他用途的再利用等方法。
清理不同大小的物體，要用的方法跟產生的效益也不同，因此他們評估了針對兩種策略。第一種策略將會優先處理目前最大、最具威脅性的 50 個太空垃圾，例如完整的第二節火箭或是失去功能的完整衛星。第二種策略則是優先移除 1 到 10 公分的十萬個小型垃圾。NASA 分別評估處理這兩種目標帶來的效益，恩，所謂的效益，就是預估能減少多少因為太空垃圾碰撞而產生的損失。
移除大型垃圾主要的方法主要是再入大氣層（re-entry），簡單來說就是讓垃圾落入大氣層燒毀。這個方法預計讓運送任務完成的火箭載具，透過剩餘的推進燃料，順手將其他大型垃圾帶下來。移除這 50 個大型垃圾預計總共會花費 10 億美金，但在移除 30 年後所帶來的效益，將會超過花費的成本，非常划算。
至於小型太空垃圾，主要使用的方法將會是成本較低的雷射。藉由雷射產生的微弱動能來改變垃圾的軌道，將它們送入大氣層或推離常用的軌道。發射雷射的裝置可以設置在地面或是太空中，單純以使用效率來說，設置在太空所需要的能量較低，但是設置在地面維護和管理比較方便。然而這也衍伸了許多爭議，主要圍繞在這個清除垃圾的雷射也可以作為武器使用，例如在戰爭爆發時用雷射攻擊敵國的衛星。不過如果順利設置的話，清除十萬個小型垃圾後大約只要十年就可以達到等同於成本的效益，比移除大型垃圾能更快回收成本。
方法有了，但我們真的能讓太空再次乾淨嗎？
如果把歷史發射資料整理出來，會發現近五年人類的衛星發射數量幾乎是直線攀升，2012 年一整年全世界也只發射了 200 多顆衛星，到了 2022 年已經成長到一年 2000 多顆衛星。而且絕大部分都是來自於美國的衛星，想當然很大一部份都來自於 SpaceX 的星鏈計畫。而受益於獵鷹九號的高成功率和可回收造就的低廉成本，也能夠發射更多的中小型衛星，像是我們臺灣也發射了不少自主研發的立方衛星上太空，例如 2021 的「飛鼠」和「玉山」以及最近才剛發射的珍珠號立方衛星。
如果所有的衛星與火箭都會變成太空垃圾，我們清理垃圾的速度又不夠快，還有可能發生凱斯勒現象（Kessler syndrome），也就是碰撞產生的碎片引發連鎖反應，造成更多撞擊和更多碎片，讓不可控的太空垃圾快速增加，直到新的火箭與衛星都難以穿越，我們將無法前往太空，被自己的創造出的人造物封鎖在地球。
1967 年在聯合國通過並簽署的《關於各國探索和利用包括月球和其他天體的外太空活動所應遵守原則的條約》，簡稱為《外太空條約》。這個條約制定了各國在外太空活動所應該遵守的原則，其中和人造衛星有關的原則主要有三個：
也就是說，雖然各國需要將太空活動回報給聯合國統計，但實際上在制定規範和進行管制的還是各國本身。以美國來說，分別需要和 FAA 聯邦航空總署申報火箭發射和再入大氣層的計畫，以及向 FCC 聯邦通訊委員會申報衛星的通訊規格，至於要如何避免在太空發生碰撞，是發射單位要自己負起責任，公部門只提供有追蹤的物體軌道資料。
不過對於衛星任務結束後的處置，FCC 倒是有相關的規定和罰鍰。因為如果衛星有動力系統，可以在任務結束時就控制墜入大氣層或飛離常用軌道，進到所謂的死亡軌道（Graveyard Orbit），而通常在申請發射衛星時，也需一併提供任務結束後的處置方式。
去年，衛星電視業者 Dish Network 沒有按照它在 2012 年所制定的衛星處置計畫，將衛星從離地 36000 公里的地球同步軌道再往外推 300 公里。這顆衛星在移動的半途中就燃料耗盡失去了動力，只離開原本的軌道 120 公里，FCC 因此對衛星電視業者開罰了 15 萬美元。這起首次針對太空垃圾的開罰，對於太空垃圾的管制具有重大的意義，代表著對太空垃圾危害性的重視，也代表著清理太空垃圾的商機正在逐漸成長。
隨著商業化的太空活動逐漸熱絡，如何讓清理太空垃圾不只是空談也成了一個重要的問題。如果軌道上的垃圾減少，受益的會是所有使用軌道的衛星。就與現存的回收與垃圾處理方式一樣，我們可以規定所有衛星的生產者都必須繳交「太空垃圾處理費」，如果在發射的過程中產生額外的太空垃圾，則必須提高費率。相對的，如果一家公司提供清理太空垃圾的服務，則可以獲得這些「太空垃圾權」並換成對應的金額。
另外，雖然目前對於在軌道上進行捕捉再回收的直接經濟效益並不突出，但如果未來在太空可以建立起專門的處理設施，或許可以作為一個長期的太空垃圾處理機制，沒想到吧，人類要成為跨行星文明的第一步，竟然是得先成立太空垃圾清潔隊。
不過話說回來，要讓各國政府願意砸大錢在太空垃圾回收產業可能還需要一點時間。畢竟相較於直接影響到生活的全球暖化，太空垃圾的危害並不那麼可怕，大型垃圾的撞擊也可以預測並提前避開，因此短時間內也還不會有明顯的感受，但如果你是需要觀測的天文學家，可能就覺得垃圾好礙眼了。
最後想問問大家，你覺得處理太空垃圾最好的辦法會是什麼呢？
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！
本文轉載自中央研究院「研之有物」，為「中研院廣告」
水在攝氏零度以下會結冰。然而，當水被擠壓到極限時，會形成二維的奈米薄冰，不僅室溫下穩定存在，還有從未見過的鐵電特性（Ferroelectricity），而石墨烯則是實現這種擠壓條件的關鍵。中央研究院「研之有物」專訪院內原子與分子科學研究所的謝雅萍副研究員，她與我們分享了實驗室如何意外發現這層特殊的二維薄冰，以及團隊如何利用二維薄冰的鐵電特性製作有記憶電阻功能的奈米元件，研究成果發表在科學期刊《自然通訊》（Nature Communications）。
謝雅萍的主要研究題目之一就是合成新穎的二維材料，這是奈米科技的領域。奈米是什麼？奈米（nanometer）是長度單位，即 10-9 公尺，一根頭髮的直徑長度約為 1 奈米的十萬倍。奈米尺度之下，很多物質的特性會隨之改變，最常見的例子是「蓮花效應」，因為蓮花葉上具有奈米等級的表面結構，為蓮葉賦予了疏水與自我清潔的特性，髒污與水珠都不易附著在蓮葉上。
奈米材料（nanomaterial）是指三維尺寸的材料，至少有一個維度的尺寸小於 100 奈米。只縮小一維，就是平面的二維材料（2D），例如石墨烯；縮小兩個維度，就是奈米線（1D）；三維都縮小，就是零維的奈米顆粒（0D）。
奈米科技（nanotechnology）的概念最早可追溯到 1959 年美國物理學家理查費曼（Richard Feynman）在演講中提出的願景「為什麼我們不能把大英百科全書全部寫在一根針頭上呢？」。1974 年日本科學家谷口紀男則是首度創造「奈米科技」這個詞的人，他認為奈米科技包括原子與分子層次的分離、固定與變形。
過去有不少科學家嘗試奈米材料的研發，但受限於製造技術不成熟，而無法順利製作出精細製程的奈米材料。1981 年，在掃描隧道顯微鏡（Scanning Tunneling Microscope, STM）發明之後，不僅有助於材料的微觀分析，操縱單個原子和分子也成為可能，奈米科技也逐漸實現。
我們生活周遭的奈米科技俯拾即是，從大賣場商品到半導體產業的電子元件都有。謝雅萍舉例：防曬霜之所以是白色，是因為裡面有二氧化鈦的奈米顆粒；許多塗料與噴漆亦會以奈米添加物，來增進耐蝕、耐磨、抗菌與除汙的特性，例如汽車鍍膜或奈米光觸媒；羽球拍或牙醫補牙會使用奈米樹脂，讓球拍和補牙結構更堅固。
至於半導體產業，奈米科技更是關鍵。透過縮小元件尺寸以及調整奈米元件的幾何形狀，以便於在單一晶片上乘載更多電晶體。「當今的電晶體大小皆是奈米等級，製作電子元件就等同在處理奈米科技的問題」，謝雅萍說道。
對謝雅萍來說，發現二維的奈米薄冰是個意外的驚喜。最初謝雅萍團隊其實是要製作以石墨烯為電極的開關，畢竟石墨烯是實驗室的主要研究項目，理論上當兩層石墨烯很靠近時，分別給予兩端電壓會是導通的「ON」狀態，沒電時就是斷開的「OFF」狀態。
然而，實驗過程中團隊卻發現當電壓為零時，石墨烯開關仍會導通，甚至要給予負電壓時才會成為 OFF 狀態。這個奇特的現象讓研究團隊苦惱許久，嘗試思考了各種可能性，但都無法完善的說明此現象。
「原本以為實現石墨烯開關應該是一件能夠很快完成的題目，沒想到過程中卻出現了這個意料之外的難題，因此這個研究比預期多花了一兩年」，謝雅萍無奈地笑道。
靈感總是突如其來，某次謝雅萍在與朋友討論研究時，突然想到一個可能的方向：「一直以來都有人猜測水是否為鐵電材料，但都沒有真正證實。臺灣氣候潮濕，開關關不緊會不會就是水的影響？」
設計實驗跑下去之後，謝雅萍團隊終於擺脫了一直以來的疑雲。原來，兩層石墨烯結構中，真的有水分子的存在！「一般水分子用手去捏，還是會維持液體的狀態。但是我們發現，當水被兩層石墨烯擠壓到剩下原子厚度時，水分子就會變成具有鐵電特性的二維薄冰！」，謝雅萍開心地說道。
換句話說，當極限擠壓之下，水會結成冰，而這層超薄的平面奈米薄冰會轉變成鐵電材料，而且可以在室溫下穩定存在！
鐵電材料乍聽之下很抽象，謝雅萍表示：「相較於會吸磁鐵的鐵磁材料，大多數人對鐵電材料比較不熟悉，其實概念十分相似」。她說，鐵磁材料經過外加磁場的「磁化」之後，即使不加磁場仍可維持原本的磁性。相對地，鐵電材料經過外加電場的「極化」之後，即使不加電場仍可維持原本的電荷極化方向。
謝雅萍團隊發現的二維冰具有鐵電性，這意味著水分子的正負極在外加電場之下會整齊排列，形成一個永久的電偶極，並且在電場消失後保持不變。
接著，謝雅萍發現，二維冰的鐵電性只存在於單層原子，增加多層原子之後，鐵電性會消失，變成普通的冰，這是因為多層原子的交互作用會打亂原本的極化排列。因此研究團隊發現的二維冰，是非常特殊的固態水，不是手搖飲加的冰塊那麼簡單。
因為石墨烯的擠壓和固定，二維冰可以在室溫下穩定存在，不會蒸發。謝雅萍團隊實驗發現，要升溫到攝氏 80 度，被夾住的二維冰才會變成水。如此大範圍的操作溫度，這讓謝雅萍開始思考將二維冰作為鐵電材料使用的可能性。
於是，謝雅萍團隊嘗試開發新型的電子元件，他們將二維冰與石墨烯整合成機械式的奈米開關。由於二維冰具有鐵電特性，在施加不同外加電壓之後，元件可以維持上次操作的電阻值，並保留至下次操作，有這種特性的元件稱為「憶阻器」（memristor）。
憶阻器這個詞是由記憶體（memory）與電阻（resistor）組合而成，字面上的解釋便是：具備記憶先前電阻值的能力。
謝雅萍表示：「我們可以藉由不同的外加大電壓寫入電阻值，再以微小電壓讀取之前的電阻值，允許快速存取」。而單獨一個二維冰奈米開關可以記住 4 個位元的資料，具備未來記憶體的發展潛能。
此外，二維冰奈米開關也是很好的開關裝置，團隊驗證導通電流和截止電流的比值可以達到 100 萬，開路和斷路的功能極佳，並且允許雙向操作。而開關的功能經過 1 萬次循環還不會衰減，相當穩定。
謝雅萍團隊是全世界第一個證實二維薄冰鐵電性的團隊，並實現第一個以石墨烯為架構的二維冰機械式憶阻器。她的團隊將往新穎二維材料的方向繼續邁進，目前實驗室有和台積電（TSMC）合作，希望透過產學合作，將更多奈米技術的應用落地實現。
謝雅萍目前除了是中研院原分所的副研究員，同時也是國立臺灣大學 MY Lab 實驗室的共同主持人，她和人生伴侶 Mario Hofmann 教授共同指導的 MY Lab 發揮了 1+1>2 的效果，創意與想法的激盪和交流，是產生傑出研究的關鍵。
回到碩博士時期，謝雅萍都在臺大物理所，鑽研材料的光電性質與新穎光電元件的機制。她回憶：「當時我們都要向化學系要材料，他們給什麼我們就得用什麼，但難以了解整個材料製造的細節。」後來她體認到，擁有製造材料的調控能力才能真正突破元件設計上的侷限。
謝雅萍在博士班時申請到了千里馬計畫，讓臺灣博士生獲得國科會補助前往國外頂尖研究機構，進行為期約半年至一年的研究。「我認為這個計畫非常好，也可以幫助學生建立重要人脈！」在指導教授引薦下，謝雅萍因緣際會進入美國麻省理工學院（MIT）的二維材料實驗室，自此與二維材料結下不解之緣，她認為：「好材料與好元件是相輔相成的，前瞻材料更是如此。」
「我到了 MIT 之後，深刻體悟到他們做研究的態度與臺灣學生的不同。臺灣學生像是把研究當作一份工作，然而我在 MIT 時就感受到他們學生對於自身研究的熱忱。討論風氣也非常盛行，學生之間會互相分享自己的研究內容，互相幫忙思考、激盪出新想法」，謝雅萍分享自己在 MIT 時期的觀察。
當年二維材料還在萌芽階段，她所在的 MIT 實驗室已是此領域的佼佼者，她也因此立下了目標：「希望未來我有能力時，能夠自己掌控自己的材料做出好元件！」如今，謝雅萍正走在自己目標的道路上，過去認識的朋友也都是各頂尖大學的二維材料實驗室主持人，直到現在都還會互相幫忙。
從物理到二維材料，身處這些男性為主的學術環境，謝雅萍顯得自在，而且積極參與討論和交流。「我發現女科學人會把自己變得較中性，讓自己融入整個以男性居多的環境中，才不會在團體中有突兀的感覺」，她分享道。
謝雅萍的實驗室 MY Lab，是與臺大物理系 Mario Hofmann 教授共同主持的奈米科技實驗室，他們除了是工作上的夥伴，更是人生中的最佳拍檔！當初兩人就是在美國麻省理工大學 MIT 相識，再一起回到臺灣。
讓「研之有物」團隊好奇的是：這種共同主持的模式與一般實驗室相比，是否有特別之處？
「從多個面向而論，我認為都是 1+1>2 的」，謝雅萍說道，「實驗室會有兩倍的資源、儀器、計畫與兩倍的人脈。遇到一個題目，兩個人思考時會從不同的觀點切入。即便是夫妻，我們在研究上看的面向也都不一樣，因此可以激盪出許多有趣的想法」。
她補充，不僅對實驗室本身而言，對學生也有很大的好處，「因為學生的研究必須同時說服我們兩個人，代表學生的研究成果會非常扎實，也可以為學生帶來信心。」重要的是，「學生也會得到兩倍的照顧與關愛，我覺得我們的學生是蠻幸福的」，謝雅萍笑笑地說。
狐禪
