Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

銀河系紅矮星的適居區中的岩質行星數量可能達數百億顆

臺北天文館_96
・2012/04/07 ・1400字 ・閱讀時間約 2 分鐘 ・SR值 538 ・八年級

-----廣告,請繼續往下閱讀-----

一項最新研究結果顯示:大小與地球類似的岩質系外行星(rocky planet)在銀河系紅色恆星(red star)周圍的適居區(habitable zone)中非常普遍,數量可能高達數百億顆,甚至可能在很靠近太陽的鄰近恆星周圍就有100顆左右。這是首度直接測量紅矮星(red dwarf)周圍超級地球的出現頻率,這項研究幾乎涵蓋了銀河系80%左右的恆星,因此可信度應該相當高。

法國Grenoble宇宙科學觀測站(Observatoire des Sciences de l’Univers de Grenoble)Xavier Bonfils等人,使用歐南天文台(ESO)位在智利La Silla觀測站的3.6米望遠鏡,加上HARPS光譜儀,直接測量來自紅矮星周圍的行星所發出的光。先前使用不同觀測方式、靈敏度不若這次的研究結果已顯示銀河系中的行星相當普遍。而HARPS研究團隊僅針對銀河系數量最多的恆星—紅矮星來研究。紅矮星又稱為M型矮星,這類恆星表面溫度比太陽低很多,相當昏暗,但壽命極長,天文學家估計銀河系所有恆星中,有80%都是紅矮星,相當於1600億顆左右。而這些銀河系紅矮星中,約有40%左左右在其適居區中存有超級地球,此處的水可以液態存在於岩質行星表面,這意味著單就銀河系而言,岩質行星的數量就有數百億顆。

Bonfils等人挑選了102顆紅矮星樣本進行監測,HARPS光譜儀可測量恆星光譜,從是否有譜線來回移動來尋找系外行星,這稱為都卜勒效應法(Doppler effect method)或徑向速度法(radial velocity method)。在長達6年的監測工作期間,共發現9顆質量約1~10倍地球質量的超級地球(super-Earth)。其中的Gliese 581和Gliese 667 C各有一顆位在其適居區中。天文學家可以藉由這些觀測資料來估計這些行星的質量,以及距離它們母星多遠等。

經綜合各項觀測資料,包括那些沒有行星的恆星資料,看看已發現行星的恆星比例是多少,這些天文學家因而能估計銀河系紅矮星周圍各種不同型態的行星有多普遍。結果發現紅矮星適居區出現超級地球出現的高達41%,誤差範圍在28%到95%之間。另一方面,質量約100~1000倍地球質量的木星級或土星級系外行星,在紅矮星周圍出現的頻率並不高,僅有不到12%的紅矮星擁有這類巨行星。

-----廣告,請繼續往下閱讀-----

Bonfils等人設定以10秒差距(相當於32.6光年)為「太陽系鄰近區域」的範圍,估計顯示此範圍內可能有100顆的超級地球位在紅矮星適居區內。適居區是恆星周圍一個溫度恰好可讓液態水存在於行星表面的帶狀區域,如果岩質行星位在適居區中,且其表面又有液態水,那麼可能是個適合生物生存發展之地;而紅矮星因為表面溫度比太陽低,因此紅矮星的適居區比地球的還靠近其母星。然而,紅矮星表面常見閃焰爆發,可能讓其行星處在X射線或紫外輻射的籠罩下,讓生命存在的可能性又降低不少。

HARPS系外行星巡天工作發現的其中一顆紅矮星系外行星Gliese 667 Cc,是在Gliese 667 C行星系統中第二顆發現的行星。這顆行星幾乎恰好位在Gliese 667 C適居區的中間,表面有液態水的可能性非常大,其質量雖約為地球的4倍重,但已是迄今發現最類似地球環境的行星。它是繼Gliese 581d之後,HARPS巡天工作第2個在紅矮星適居區中發現的超級地球。而Gliese 667本身又是個三重星系統,在Gliese 667 Cc上也可見到Gliese 667 A和B兩顆恆星,如頁首的藝術家想像圖所見。

但在新的HARPS巡天工作估算結果出爐後,天文學家已確定銀河系紅矮星適居區中的超級地球數量非常龐大,所以顯然未來HARPS巡天工作必定可以找到更多這類行星。有些這類行星恰好會從其母恆星前方通過,造成行星凌日現象,天文學家還可藉此研究行星大氣,並趁機搜尋可能的生命特徵。

資料來源:Many Billions of Rocky Planets in the Habitable Zones around Red Dwarfs in the Milky Way, [2012.03.28]

-----廣告,請繼續往下閱讀-----

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

-----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。

1

11
3

文字

分享

1
11
3
什麼是「造父變星」?標準燭光如何幫助人類量測天體距離?——天文學中的距離(四)
ntucase_96
・2021/10/22 ・3032字 ・閱讀時間約 6 分鐘

  • 撰文|許世穎

「造父」是周穆王的專屬司機,也是現在「趙」姓的始祖。以它為名的「造父變星」則是標準燭光的一種,讓我們可以量測外星系的距離。這幫助哈柏發現了宇宙膨脹,大大開拓了人們對宇宙的視野。然而發現這件事情的天文學家勒梅特卻沒有獲得她該有的榮譽。

宇宙中的距離指引:標準燭光

經過了三篇文章的鋪陳以後,我們終於要離開銀河系,開始量測銀河系以外的星系距離。在前作<天有多大?宇宙中的距離(3)—「人口普查」>中,介紹了距離和亮度的關係。想像一支燃燒中、正在發光的蠟燭。距離愈遠,發出來的光照射到的範圍就愈大,看起來就會愈暗。

我們把「所有發射出來的光」稱為「光度」,而用「亮度」來描述實際上看到的亮暗程度,而它們之間的關係就是平方反比。一旦我們知道一支蠟燭的光度,再搭配我們看到的亮度,很自然地就可以推算出這支蠟燭所在區域的距離。

舉例來說,我們可以在台北望遠鏡觀測金門上的某支路燈亮度。如果能夠找到那支路燈的規格書,得知這支路燈的光度,就可以用亮度、光度來得到這支路燈的距離。如果英國倫敦也安裝了這支路燈,那我們也可以用一樣的方法來得知倫敦離我們有多遠。

我們把「知道光度的天體」稱為「標準燭光(Standard Candle)」。可是下一個問題馬上就來了:我們哪知道誰是標準燭光啊?經過許多的研究、推論、歸納、計算等方法,我們還是可以去「猜」出一些標準燭光的候選。接下來,我們就來實際認識一個最著名的標準燭光吧!

-----廣告,請繼續往下閱讀-----

「造父」與「造父變星」

「造父」是中國的星官之一。傳說中,「造父」原本是五帝之一「顓頊」的後代。根據《史記‧本紀‧秦本紀》記載:造父很會駕車,因此當了西周天子周穆王的專屬司機。後來徐偃王叛亂,造父駕車載周穆王火速回城平亂。平亂後,周穆王把「趙城」(現在的中國山西省洪洞縣一帶)封給造父,而後造父就把他的姓氏就從本來的「嬴」改成了「趙」。因此,造父可是趙姓的始祖呢!(《史記‧本紀‧秦本紀》:造父以善御幸於周繆王……徐偃王作亂,造父為繆王御,長驅歸周,一日千里以救亂。繆王以趙城封造父,造父族由此為趙氏。)

圖一:危宿敦煌星圖。造父在最上方。圖片來源/參考資料 2

回到星官「造父」上。造父是「北方七宿」中「危宿」的一員(圖一),位於西洋星座中的「仙王座(Cepheus)」。一共有五顆恆星(造父一到造父五),清代的星表《儀象考成》又加了另外五顆(造父增一到造父增五)。[3]

英籍荷蘭裔天文學家約翰‧古德利克(John Goodricke,1764-1786)幼年因為發燒而失聰,也無法說話。1784 年古德利克(John Goodricke,1764-1786)發現「造父一」的光度會變化,代表它是一顆「變星(Variable)」。2 年後,年僅 22 歲的他就當選了英國皇家學會的會員。卻在 2 週後就就不幸因病去世。[4]

造父一這顆變星的星等在 3.48 至 4.73 間週期性地變化,變化週期大約是 5.36 天(圖二)。經由後人持續的觀測,發現了更多不同的變星。其中一群變星的性質(週期、光譜類型、質量……等)與造父一接近,因此將這一類變星統稱為「造父變星(Cepheid Variable)」。[5]

-----廣告,請繼續往下閱讀-----
圖二:造父一的亮度變化圖。橫軸可以看成時間,縱軸可以看成亮度。圖片來源:ThomasK Vbg [5]

勒維特定律:週光關係

時間接著來到 1893 年,年僅 25 歲的亨麗埃塔‧勒維特(Henrietta Leavitt,1868-1921)她在哈佛大學天文台的工作。當時的哈佛天文台台長愛德華‧皮克林(Edward Pickering,1846-1919)為了減少人事開銷,將負責計算的男性職員換成了女性(當時的薪資只有男性的一半)。[6]

這些「哈佛計算員(Harvard computers)」(圖三)的工作就是將已經拍攝好的感光板拿來分析、計算、紀錄等。這些計算員們在狹小的空間中分析龐大的天文數據,然而薪資卻比當時一般文書工作來的低。以勒維特來說,她的薪資是時薪 0.3 美元。順帶一提,這相當於現在時薪 9 美元左右,約略是台灣最低時薪的 1.5 倍。[6][7][8]

圖三:哈佛計算員。左三為勒維特。圖片來源:參考資料 9

勒維特接到的目標是「變星」,工作就是量測、記錄那些感光板上變星的亮度 。她在麥哲倫星雲中標示了上千個變星,包含了 47 顆造父變星。從這些造父變星的數據中她注意到:這些造父變星的亮度變化週期與它們的平均亮度有關!愈亮的造父變星,變化的週期就愈久。麥哲倫星雲離地球的距離並不遠,可以利用視差法量測出距離。用距離把亮度還原成光度以後,就能得到一個「光度與週期」的關係(圖四),稱為「週光關係(Period-luminosity relation)」,又稱為「勒維特定律(Leavitt’s Law)」。藉由週光關係,搭配觀測到的造父變星變化週期,就能得知它的平均光度,能把它當作一支標準燭光![6][8][10]

圖四:造父變星的週光關係。縱軸為平均光度,橫軸是週期。光度愈大,週期就愈久。圖片來源:NASA [11]

從「造父變星」與「宇宙膨脹」

發現造父變星的週光關係的數年後,埃德溫‧哈柏(Edwin Hubble,1889-1953)就在 M31 仙女座大星系中也發現了造父變星(圖五)。數個世紀以來,人們普遍認為 M31 只是銀河系中的一個天體。但在哈柏觀測造父變星之後才發現, M31 的距離遠遠遠遠超出銀河系的大小,最終確認了 M31 是一個獨立於銀河系之外的星系,也更進一步開拓了人類對宇宙尺度的想像。後來哈柏利用造父變星,得到了愈來愈多、愈來愈遠的星系距離。發現距離我們愈遠的星系,就以愈快的速度遠離我們。從中得到了「宇宙膨脹」的結論。[10]

-----廣告,請繼續往下閱讀-----
圖五:M31 仙女座大星系裡的造父變星亮度隨時間改變。圖片來源:NASA/ESA/STSci/AURA/Hubble Heritage Team [1]

造父變星作為量測銀河系外星系距離的重要工具,然而勒維特卻沒有獲得該有的榮耀與待遇。當時的週光關係甚至是時任天文台的台長自己掛名發表的,而勒維特只作為一個「負責準備工作」的角色出現在該論文的第一句話。哈柏自己曾數度表示勒維特應受頒諾貝爾獎。1925 年,諾貝爾獎的評選委員之一打算將她列入提名,才得知勒維特已經因為癌症逝世了三年,由於諾貝爾獎原則上不會頒給逝世的學者,勒維特再也無法獲得這個該屬於她的殊榮。[12]

本系列其它文章:

天有多大?宇宙中的距離(1)—從地球到太陽
天有多大?宇宙中的距離(2)—從太陽到鄰近恆星
天有多大?宇宙中的距離(3)—「人口普查」
天有多大?宇宙中的距離(4)—造父變星

參考資料:

[1] Astronomy / Meet Henrietta Leavitt, the woman who gave us a universal ruler
[2] wiki / 危宿敦煌星圖
[3] wiki / 造父 (星官)
[4] wiki / John Goodricke
[5] wiki / Classical Cepheid variable
[6] wiki / Henrietta Swan Leavitt
[7] Inflation Calculator
[8] aavso / Henrietta Leavitt – Celebrating the Forgotten Astronomer
[9] wiki / Harvard Computers
[10] wiki / Period-luminosity relation
[11] Universe Today / What are Cepheid Variables?
[12] Mile Markers to the Galaxies

-----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。

2

7
2

文字

分享

2
7
2
什麼是「視差」?為何它讓古天文學家以為地球不會動?——天文學中的距離(二)
ntucase_96
・2021/10/08 ・2728字 ・閱讀時間約 5 分鐘

  • 撰文|許世穎

本文轉載自 CASE 科學報天有多大?宇宙中的距離(2)—從太陽到鄰近恆星

「視差(parallax)」是天文學家常用來量測距離的好工具。藉由視差,我們得以精準的量測地球到太陽的距離,再更進一步量測周遭恆星的距離。目前直接量測距離的方法中,視差是能量測最遠的一種,目前的極限大約是 1 萬光年。天文學家利用視差的概念已經很久了。然而在中古世紀,視差量測的結果卻讓當代的天文學家得出了「地球不會動」的結論……

圖/Pixabay 

太陽的距離:金星凌日、視差法

前作〈天有多大?宇宙中的距離(1)—從地球到太陽〉提到,我們可以在金星凌日的時候,藉由「視差(parallax)」來量測地球與金星的距離,並間接得到太陽的距離。「視差」就是「因為觀察位置不同,讓看到位置也不同」的現象。讀者們可以試試看,伸出一隻手指頭比個「1」、放在眼前大約 50 公分左右的地方。接著兩眼輪流交替閉上。如果讀者們真的有照做的話,應該會發現手指頭相較於背景來回大幅度地跳動。仔細觀察的話,會發現背景並不是不動,只是幅度很小而已。

圖 1:視差示意圖。隨著觀察位置的不同,不同距離的物件看起來相對位置會不同。近距離的物件差異會比較大。圖/維基百科

從這個實驗我們得到幾個結論:(1)從不同的眼睛看出去,看到的物品位置會不同。這個現象就是視差;以及(2)距離愈近的東西,這個差異會愈大,也就是視差愈明顯(如圖 1)。我們可以根據這個視差的效果,來推算出物體的距離。

其實這也就是我們的眼睛判斷距離的方法!每個不同距離的物品從我們的左右眼看出去的位置差異不同。這兩個影像經過大腦判斷後,我們就可以得到距離的資訊。這也是 VR 實境立體畫面的原理。開發者先計算出每個物件在各自的距離下,兩眼會看到的視差效果。接著根據計算結果給予兩隻眼睛看到不一樣的畫面,我們的大腦就會自動合成出立體的圖像!

-----廣告,請繼續往下閱讀-----

「兩個觀察位置的距離」稱為「基線(baseline)」,會影響視差的效果。一般而言,基線愈長,看到的視差就愈明顯。前面說到:「距離愈近的物品,視差會愈明顯。」換句話說,距離太遠的東西,視差就愈不容易觀察到。天文學家盡可能的把基線拉大,在兩個相距很遠的地方觀察天體,才能更精確的得到這些天體的距離。金星凌日發生的時候,科學家就是在地球找兩個相距很遠的地點做觀測,才有辦法測量出較為精確的金星視差,換算成金星的距離,最後計算出地球至太陽的距離。

鄰近恆星的距離:視差法……?

恆星當然也有視差了。提到量測恆星的視差,一定要提到 16 世紀著名的丹麥天文學家第谷.拉赫(Tycho Brahe)。當時還是個在爭論「地心說」、「日心說」的時代。他想利用恆星的時差來推論「地球到底會不會動」。如果「日心說」是對的,那麼隨著地球位置的不同,應該要看到恆星的視差。如果「地心說」才是對的,那麼因為地球的位置不變,不管怎麼觀察,恆星都不會出現視差。

在「日心說」的假設下,最遠的兩個觀察點是哪裡呢?可不是地球的兩端,而是「相隔 6 個月的地球」!可以想像,如果地球繞著太陽每一年繞轉一圈的話,那麼相隔 6 個月的地球會在太陽的兩端,這個間距可比地球的兩端大多了(見圖 2)!既然兩個觀測點是地球在太陽兩端,就代表基線(兩個觀測點間距)就是 2 倍的「日-地距(地球到太陽距離)」。用前面的方法得到的「日-地距」愈精確,那麼藉由視差法測出來到恆星的距離就能愈準。

圖 2。圖/網路天文館

為了精密的量測恆星的位置,必須要有非常良好的天文台。第谷可是丹麥的貴族啊!他直接花錢蓋了一棟天文台來量測、紀錄星星的位置,卻發現怎麼樣都量測不出恆星的視差。這代表了兩個可能性,一個是「地球不動」,另一個可能性就是「恆星太遠」。第谷認為,如果恆星真的這麼遠,而我們在地球上還是看得到的話,這些恆星未免太大了!他認為這不太可能,因此認定「地球不動」。

-----廣告,請繼續往下閱讀-----

那到底哪裡出錯了呢?用一個簡單的例子來說明:「拿捲尺去量一張紙的厚度,當然怎麼量厚度都是 0 公分啊!」其實第谷的推論完全合理,量測不到恆星視差的原因真的就是因為「恆星太遠」,所以視差太小而無法看到。從現代的數據我們可以回推他當時的情況,太陽以外最近的一顆恆星是位於「半人馬座」裡的「比鄰星(Proxima Centauri)」,距離是 4.22 光年。產生的視差比第谷使用的天文台精密度還要更小了好幾倍!他所推估這些恆星的大小從現在眼光來看也非不合理,只是真的難以想像。

現在的我們有了更良好的儀器,已經可以靠視差來推算恆星的距離了。不過視差法曠日費時,倒也不難理解,畢竟要有好的基線要等半年啊……而且儀器的辨識率也是有極限的,目前視差法的極限差不多是 10 微角秒(1 角秒為 1/360 度) [2],相當於十億分之一度!換算成能量測到的距離極限,差不多是 1 萬 6 千光年左右。聽起來很多嗎?銀河系的直徑約 10 萬至 18 萬光年,這個距離極限連銀河系都看不穿。所以視差法雖然好用,但只能拿來測量鄰近恆星的距離(見圖 3)。

圖 3:哈伯太空望遠鏡所能精準定位距離的恆星範圍。內層是過去的極限約1,600光年,外圈是現在的極限,約10,000光年。雖然已經很厲害了,但其實連銀河系都還看不穿。圖/改自 NASA, ESA, A. Feild (STScI), A. Riess (JHU/STScI), S. Casertano (STScI/JHU), J. Anderson and J. MacKenty (STScI), and A. Filippenko (University of California, Berkeley)

視差法是直接量測距離的盡頭了。想要把銀河系看穿、想要知道銀河系中其他成員們的距離,我們得開始「間接量測」。先做出一些物理學上的假設,才能夠「猜」出距離。想要知道更遙遠的距離,則需要更多的假設,這個概念叫做「宇宙距離階梯(cosmic distance ladder)」。下一篇文章中,我們將帶大家進行恆星的「人口普查」,並且利用普查結果來得到更遙遠的距離。

  1. pixabay / martinklass
  2. wiki / Parallax
  3. 網路天文館 / 恆星的距離測量


本系列其它文章
天有多大?宇宙中的距離(1)—從地球到太陽
天有多大?宇宙中的距離(2)—從太陽到鄰近恆星
天有多大?宇宙中的距離(3)—「人口普查」

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
所有討論 2
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。