發現超新星的前身恆星？

• 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。

疫情期間學烹飪，再拍照上傳社群網站，是凡夫俗子的成果發表；將煮義大利麵的心得筆記，發表在《流體物理學》（Physics of Fluids）期刊上，^[1]則是科學家的華麗炫技。

煮麵的動機

美國伊利諾大學Sameh Tawfick副教授的實驗室，專攻靈活可變形的纖維和有彈性的結構，所產生的「流體結構交互作用」（fluid structure interaction）。「過去幾年老是開玩笑，說義大利麵的黏著力與我們的研究息息相關」，他說團隊發覺分析麵條力學質地的轉變，「可以體現黏著力、力學質地和烹煮熟度的關聯。」^[2]

以上研究動機有聽沒懂，無所謂。煮麵要緊。

煮麵的方法

當 COVID-19 疫情襲來，學生與博士後研究人員，開始在家中和實驗室裡煮義大利麵。^[2]

他們在實驗室裡，用的不是鍋子和瓦斯爐等通俗的烹飪設備，而是燒杯與加熱板。^[3]加熱板是一種有發熱平面的機器，比開放式的火源安全。^[4]

依照一般食譜的建議，煮義大利麵的步驟，是先把麵條扔進大滾的鹽水中，等熟了再撈出來瀝乾。^[5]不過，實驗的這個部份沒加鹽，大概是想把變數降到最低，後面再討論食鹽的作用。以滾水煮熟的麵條，在脫離水的時候，殘留的水份會在麵條之間形成「彎液面」，以「表面張力」把一根根的麵條黏在一起。^{[2, 3]}

_{左圖／參考資料3}

整個過程就像圖中所示，左側為二條（橙色）義大利麵條，被置在（粉色）加熱板上的燒杯內烹煮；中央是麵條離水；右邊則為局部放大圖，呈現義大利麵條之間的彎液面。

表面張力之所以會產生，是因為水分子與水分子之間，每個方向的引力本來都一樣，可以相互抵銷，然而到了水面就失衡了，因此有儲存能量的張力。 ^{[6, 7]}

_{右圖／參考資料3}

傳統義大利麵講求的口感，叫做「al dente」，意思是「煮到內硬外軟」，恰到好處。從物理的角度來看，水份由麵條表面，逐漸擴散進入內部，所以首先軟化的當然是最外層。吸水的過程中，麵條體積會隨之膨脹。煮愈久，效果愈明顯。下圖是研究團隊在觀察義大利麵「吸濕膨脹」（hygroscopic swelling）時，進行的量化紀錄。^[3]

圖片上方中間的麵條剖面，從圓心向外，由深至淺，有輕微的色彩變化。然而，水份達到飽和後的右上剖面，便不再有任何的顏色漸層，大概就是所謂煮過頭的狀態。^[3]

至於縱向的吸濕膨脹，則展示在下方。以最左邊的生麵條為比例尺，對照用 100 度 C 的滾水，分別烹煮 12、18、24、30 分鐘後的膨脹變化。整體而言，麵條剖面周長增加的比例，大於長度的成長比例。這是基於內部沒有與水接觸的核心，限制了麵條縱向的延展。^[3]

_{左圖／參考資料3}

所以，到底要怎麼做，才能擁有al dente的口感？

研究團隊發現義大利麵條達到 al dente 前，其周長與長度分別的膨脹率相比，所得的比率是3.5比1。一旦超過了，就會軟爛。^[2]此外，由於麵條煮愈久，離水時彼此相黏的部份就愈長。研究團隊認為，專業廚師也可以測量相黏長度，來推論起鍋時間，以後再將成熟的技術，推廣至普通民家…^[3]（原文口氣意外地認真。）總之，要知道煮好沒，不是用嘴試吃，也別拿錶計時，科學家的建議竟是用尺測量！

煮麵的鹽和光

明明義大利麵條的包裝上，都有建議的烹煮時間。為什麼科學家不直接告訴大家，煮多久能起鍋？原來如果照正常的煮法，在水中加食鹽，麵條的化學和力學特性都會起變化。比起用蒸餾水，鹽水不僅有助麵條膨脹，而且會增添嚼勁。^[3]此外，Sameh Tawfick 副教授解釋，滾水中的鹽量，會改變達到 al dente 所需的時間。有鑑於此，他未來要探討食鹽，在義大利麵膨脹時所扮演的角色。^[2]同時，這個研究正如一道照亮前程的光，或許會引領其他人，也來嘗試用簡單的方式，研究軟物質的特性。

參考資料：

1. Hwang J., Ha J., Siu R., Kim Y. S., and Tawfick S. (2022) ‘Swelling, Softening, and Elastocapillary Adhesion of Cooked Pasta’, Physics of Fluids, 34 (042105)
2. Physics Models Better Define What Makes Pasta Al Dente (Physics of Fluids, 2022)
3. Hwang J., Ha J., Siu R., Kim Y. S., and Tawfick S. (2022) ‘Swelling, Softening and Elastocapillary Adhesion of Cooked Pasta’, arXiv
4. Hot Plate Use and Safety in Laboratory (University of Wisconsin-Madison, 2013)
5. Spaghetti and Meatballs (Gourmet Traveller, 2018)
6. 第11章  有趣的界面現象（國立成功大學化學工程學系）
7. Chemical Science Lesson Plan: Hydrogen Bonding and Surface Tension (University of Illinois, 2010)
8. Enjoy better-cooked pasta with…physics and a ruler? (University of Illinois, 2022)

• 文／語星葉，與一隻米克斯黑狗簡單地生活在新竹，正在努力成為天文學家。

看星星，是大多數人接觸天文的契機。現今，看見滿天星斗對於被光害荼毒的都市人而言是一種奢侈，相較於古時夜無燈火，總有許多靜謐無光的夜晚，能讓人們一同仰望星空，思索空中的奧秘。多數星星安靜地閃爍，被人類賦予神話故事，成了現在為人所知的「星座」。另外，有少數幾顆不安分地移動著，它們的移動方式看似有規則，有時候卻會逆行，這些在天空中漫遊的星星，我們就稱之為「行星」 。

在極少數的情況，我們會發現過去未曾注意到的星點，猶如初來乍到的旅客，古時中國稱之為「客星」 ^[註一]。現在我們知道，這些看似新生的星，實則氣數已盡。利用強大的各波段望遠鏡，人類偵測到大量「新」光，並提出多種機制來解釋星光快速且劇烈改變的現象。

本文將介紹 3+1 種天文現象，分別為「新星（Nova）」、「超新星（Supernova）」和「極亮超新星（Superluminous supernova / Hypernova）」，以及「千級新星（Kilonova）」。前兩者的觀測歷史源遠流長，後兩者則歸功於現代發達的觀測技術，才讓我們得以一探究竟。

新星：我可一點都不年輕！

新星（Nova）來自拉丁文，有 「new」 之意。過去，人們仰望寧靜無波（一成不變）的星空時，若是偶然發現從未見過的星星，便稱之為「新星」。但如今我們知道，新星其實不是剛誕生的星，而是古老的小質量恆星，會在它們的生命終章──白矮星時期，突然變得異常明亮。

白矮星是小質量恆星死亡後的產物，緻密、溫度高，但亮度低，平常不易觀測。一般而言，白矮星是非常穩定的天體，但如果身邊有個伴，情況就不同了。若是白矮星和伴星互繞的距離過近，使得伴星的氫被吸向白矮星表面，並在其表面點燃核融合反應，產生劇烈的光度變化，讓白矮星成為用肉眼可見的「新星」。

近年，天文學家發現，新星的出現經常伴隨強烈的伽瑪射線，推測是來自新星爆發時產生的衝擊波。後續研究指出，新星的高光度也是以衝擊波作用為主，而不是來自表面的核融合反應，打破了以往既有的觀點。

超新星──宇宙中的燦爛花火

超新星（Supernova）顧名思義是新星的 Super 版，比「新星」更亮的星星──天文名詞總是取得如此淺顯易懂。超新星的光度遠超越新星，其形成機制也有所不同。

目前科學界認為超新星有兩種不同的形成機制，分別為「熱核超新星（Thermonuclear supernova）」與「核心塌縮超新星（Core-collapse supernova）」。

「熱核超新星（Thermonuclear supernova）」前身和新星一樣是白矮星，差別在於熱核超新星爆炸極具毀滅性。當白矮星的質量增加到「錢德拉賽卡極限（Chanfrasekhar limit）」，也就是臨界值時，引爆其核心的碳元素將劇烈爆炸，將使白矮星灰飛湮滅。質量增加是因為白矮星身邊有個伴，可能是兩個白矮星白頭偕老、最終合併，也可能和新星一樣是老少配，然後白矮星吸走年輕伴星的表面物質。但究竟是哪種配對導致熱核超新星爆炸，天文學家還在熱議。

「核心塌縮超新星（Core-collapse supernova）」則來自大質量恆星核心塌縮後造成的熱壓爆炸。當大質量恆星的核心燃料用罄，無法支撐極強的重力而塌縮時，就會產生巨量的熱能，並向外爆發。整個過程僅以秒計。爆發後，周圍形成漂亮的超新星殘骸，核心則塌縮成中子星或黑洞。

值得一提的是，超新星是少數能夠串聯古今天文學的研究領域。歷史上數個著名的超新星爆發事件，在世界各地的文明史料中皆能發現記錄。目前推測人類文明見過最亮的超新星事件是 SN1006（西元 1006 年），最亮時甚至比啟明更亮 ^[註二]，即使在白天仍可用肉眼看見，而且持續長達數星期。著名的梅西爾天體 M1（蟹狀星雲）也是超新星爆炸後的殘骸，自 1054 年的超新星爆發中產生，相關記錄散見史冊，而且至今仍是天文界炙手可熱的研究對象。

+1 的部分：極亮超新星

現代觀測技術的進步使超新星事件變得常見，有多部自動望遠鏡凝視著宇宙虛空，在星際間搜尋著超新星的亮光，這類計畫稱為巡天（Survey）計畫。在眾多的觀測數據中，天文學家注意到一類特別明亮的「極亮超新星」（令人不禁想吐槽天文學家如此單純的命名邏輯），這些超新星比一般情況亮了 2 個數量級以上，並且非常罕見。

到 2017 年止，人類僅觀測到約 100 顆極亮超新星。由於數據過少，天文學家對其形成機制的想像可謂瞎子摸象、暫無定論，目前仍歸類為超新星。那麼，極亮超新星究竟是超新星的超級版，抑或是來自不同的形成機制，唯有持續探向更遙遠無垠的古老宇宙，才有機會揭發這個謎團了。

千級新星──看見宇宙之音

「千級新星」是非常新的天文研究領域，研究過程也極具戲劇性。故事得從科學家研究重力波開始說起。

重力波是重力作用產生的時空漣漪。百年前，愛因斯坦的理論便預測其存在，但重力波非常微弱，連愛因斯坦本人都不相信人類有朝一日能偵測到重力波。直到 2015 年，人類才首次「聽」到兩顆黑洞合併產生的重力波 ^[註三]。不過，重力波的訊號指向性不佳，難以「聽音辨位」，也就是用重力波訊號回推事件發生地點。若我們能同時「看」到電磁輻射訊號（該事件發出的電磁波），便可蒐集更多更精確的數據，以了解究竟是在宇宙何處發生了什麼事。

令人難過的是，兩顆黑洞合併幾乎不會產生電磁輻射，因此無法用上述的方法獲得更多資訊。

後來，科學家發現，當兩顆中子星合併、或一顆中子星與一顆黑洞合併時，發出的重力波訊號雖較兩顆黑洞合併更弱、也更難偵測，但這兩種事件不只會產生重力波，也會發出電磁輻射，因此是重力波干涉儀的重要偵測目標。2010 年，天文物理學家探討了這兩種合併事件可能的電磁輻射樣態，得出的結論是和新星事件一樣會有劇烈的光度改變，而且最大亮度約是新星的千倍，於是命名為「千級新星（Kilonova）」。

千級新星的發光機制和超新星不同：超新星的光度主要來自爆炸產生的放射性鎳元素衰變，而千級新星則主要來自兩顆中子星，或中子星與黑洞碰撞合併時，大量發生的核反應——「中子捕獲作用」，此類核反應僅在極端物理環境下產生，是形成金、銀、鉛等重元素的重要機制。過去科學家認為宇宙中重元素的生產者是超新星，然而超新星爆炸的觀測數據卻發現，超新星事件發生的中子捕獲作用的「產能」並不足以支撐現有的重金屬比例，因此千級新星便躍上研究舞台，被認為是重元素的主要產地。

2017 年，LIGO 及 VIRGO 重力波干涉儀共同偵測到人類史上第一場雙中子星合併事件 GW170817。當時，世界各地的望遠鏡幾乎都暫時放下常規任務，爭相投入這場觀測馬拉松。最終的成果令人振奮，不但同時偵測到重力波與相應的電磁波源，分析結果也與千級新星理論預測的訊號相符，這代表我們首次觀測到了千級新星！

這場盛會更昭示了「多信使天文學」時代的來臨 ^[註四]。重力波探測與多波段電磁觀測的結合，替人類的宇宙探索之旅翻開嶄新的一頁。今日，科學家們正期待著下一對共舞的緻密天體搖響精密儀器的銀鈴，讓更多未解之謎得以撥雲見日。

宇宙看似恆常不變，然而在無盡好奇的驅使下，人類以最新科技突破既有的感官極限。我們洞見宇宙深邃瞬變的幽光，聆聽時空悠遠微弱的呢喃。宇宙「新」光的無盡奧秘，還有待來日的勤奮深掘。

註解

註一：客星指新出現的星，意義上包含彗星等在太陽系內遊走的天體，惟不在本文範疇。

註二：金星是地球的夜空中最明亮的星，清晨及黃昏也可見。古時稱金星出現於黃昏為「太白」、「長庚」，出現於清晨為「啟明」。

註三：人類聽見的聲音主要來自空氣分子的震盪，只要震盪頻率在 20~20000 Hz 的範圍，並且經由介質傳遞使耳膜震動，我們就能聽見。雖然重力波是時空震盪，無法直接以耳朵聽見，但概念上類似，因此常見到科學家將重力波訊號轉換成「音訊」，方便人們感受。

註四：多信使天文學（Multi-messenger astronomy）指利用多種訊號探索宇宙的現象。不同於早期僅以可見光探看宇宙，人類如今能夠探測光子、電磁波、微中子、重力波和宇宙射線等高能帶電粒子。透過這些訊號，可以傳達不同面向的資訊，協助我們拼湊出單一宇宙現象更細緻的原貌。GW170817 事件除了以重力波和電磁輻射觀測，亦有微中子觀測站參與，只是沒有找到相關聯的微中子訊號，因此理論在這方面尚未證實，有待解惑。

延伸閱讀

• 令人『震』驚的新星研究新發現 – A Nova Outburst Powered by Shocks
• 超新星 SN 1987A 30 週年超新星理論模型 – 科學月刊 Science Monthly
• 千級新星與重元素起源
• 宇宙中的金屬是怎麼來的？宇宙中重金屬元素的起源 – 科學月刊 Science Monthly
• 重力波：探測十三億光年外的黑洞合併──《宇宙的顫抖》 – PanSci 泛科學

參考資料

1. Li, KL., Metzger, B.D., Chomiuk, L. et al. (2017). A nova outburst powered by shocks. Nat Astron 1, 697–702. https://doi.org/10.1038/s41550-017-0222-1
2. Aydi, E., Sokolovsky, K.V., Chomiuk, L. et al. Direct evidence for shock-powered optical emission in a nova. Nat Astron 4, 776–780 (2020). https://doi.org/10.1038/s41550-020-1070-y
3. Gal-Yam, A. (2019). The most luminous supernova. Annual Review of Astronomy and Astrophysics, 57, 305–333. https://doi.org/10.1146/annurev-astro-081817-051819
4. Metzger, B.D., Martínez-Pinedo, G., Darbha, S., Quataert, E., Arcones, A., Kasen, D., Thomas, R., Nugent, P., Panov, I.V., Zinner, N.T.. (2010). Electromagnetic counterparts of compact object mergers powered by the radioactive decay of r-process nuclei. Monthly Notices of the Royal Astronomical Society, 406(4), 2650–2662. https://doi.org/10.1111/j.1365-2966.2010.16864.x
5. Smartt, S., Chen, TW., Jerkstrand, A. et al. (2017). A kilonova as the electromagnetic counterpart to a gravitational-wave source. Nature 551, 75–79 . https://doi.org/10.1038/nature24303