大麥哲倫星系觸發，銀河系部分結構的反應運動

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。

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！

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）」！

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。

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。

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）。

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。

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。

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

• 作者：林彥興｜EASY 天文地科小站主編、清大天文所碩士生，努力在陰溝中仰望繁星

你看過銀河嗎？

如果你在晴朗的夏日午夜旅行到沒有光害的山上，將會看到天上有一條淡淡的、若有似無的亮帶，好像一條薄薄的雲橫跨夜空，它正是我們所居住的星系 ── 銀河系（Milky Way）的盤面。在數位相機的加持之下，我們還能看到這薄薄的盤面上，其實布滿恆星、星雲、以及塵埃帶，複雜、深邃而美麗。

但如果，你有一雙能夠看到「伽瑪射線」的眼睛，你將看到兩個視角高 50 度、寬 40 度的巨大橢圓形「泡泡」，矗立於銀河盤面兩側。它們名為「費米泡泡 Fermi Bubbles」，是銀河系中巨大且神祕的結構之一。

費米泡泡的起源，以及存在的意義，一直是過去十多年來，天文學家相當關注的研究主題。

最近（2022 年 3 月），一篇刊登於《自然天文學》（Nature Astronomy）的研究顯示，壯闊的費米泡泡很可能源自兩百多萬年前，銀河系中心超大質量黑洞的一次能量爆發。

費米泡泡的發現

當我們一聽到「費米泡泡」這個詞，腦海中浮現的第一個問題往往是：

「費米是誰？這個泡泡跟他有什麼關係？」

在物理界，恩里科．費米（Enrico Fermi）這個名字可謂家喻戶曉。他是 20 世紀初最重要的物理學家之一，曾參與曼哈頓計畫，設計與建造世上第一個核子反應爐和原子彈；並且在量子力學、核子物理、粒子物理和統計力學都貢獻卓越。後世以他命名的物理概念、研究計畫不計其數。這之中，就包含「費米伽瑪射線太空望遠鏡 Fermi Gamma-ray Space Telescope」。

正如其名，費米是一座專門用於觀測伽瑪射線的太空望遠鏡，它於 2008 年發射升空，是軌道上最好的伽瑪射線太空望遠鏡之一。比起前輩們，費米擁有更大的視野、更高的靈敏度和空間解析度，可以看得更廣、更暗、更清楚。

它的主要任務，是不斷的掃視整片天空，繪製伽瑪射線的全天地圖（all sky map），研究黑洞、中子星、超新星等宇宙中最高能的天體。

費米太空望遠鏡升空短短兩年後，天文學家就從觀測資料中發現，如果我們將費米的全天伽瑪射線圖中已知的星體（比如銀河系的瀰散氣體、中子星、其他星系等）全部扣除，將會看到銀河中心的上下兩側，各有一對高 50 度、寬 40 度的巨大橢圓形區域，而這是從未發現過的銀河系新結構！

天文學家於是將它命名為「費米泡泡 Fermi Bubble」，以紀念費米太空望遠鏡的重要貢獻。

而除了在伽瑪射線看到的費米泡泡之外，天文學家也在微波和 X 射線波段看到了相似的結構。

在微波波段，威爾金森微波各向異性探測器（WMAP）和普朗克衛星（Planck）都在費米泡泡的位置觀測到兩片橢圓形的明亮區域，天文學家稱之為「微波薄霧 microwave haze」。而在 X 射線波段，2019 年才昇空的義羅西塔（eROSITA）衛星則發現了與費米泡泡相似，但是更大的泡泡狀結構，被稱為「eROSITA 泡泡」。

另外，在紫外線波段，雖然沒辦法直接看見泡泡狀的結構，但天文學家藉由遙遠天體通過費米泡泡中的稀薄氣體時產生的吸收譜線，可以計算出費米泡泡的膨脹速率，大約是每秒數百到數千公里的等級。

綜合以上資料，天文學家認為費米泡泡應該是源自數百萬至一千萬年前，銀河系中心的一次巨大爆炸。這場爆炸大約釋放了 10⁴⁸ – 10⁴⁹ 焦耳的龐大能量（相當於太陽終其一生釋放的能量，再乘以 10000 倍以上），並加熱了銀河系中心的氣體，使其以每秒數千公里的速度劇烈膨脹。百萬年後的今天，就成為了橫跨數萬光年巨大泡泡。

但是，這張錯綜複雜的拼圖，還缺少了最核心的一塊：

這麼龐大的能量，究竟是從何而來？

超新星爆發還是黑洞噴流？費米泡泡的身世之謎

費米泡泡剛被發現不久，天文學家就對驅動費米泡泡的核心引擎，提出了兩位候選人：

第一種觀點，認為銀河系中心在數千萬年前可能曾有大量的恆星形成，其中年輕的恆星由於壽命短暫，很快的就走完它的一生，並發生超新星爆炸，釋放出巨大的能量。

另一種觀點，則認為銀河系中心的超大質量黑洞在數百萬年前可能短時間內吃進了大量氣體，並在過程中將能量以噴流（jet）或外流（outflow）的形式釋放出來。

兩種說法聽起來都頗有可能，而且天文學家都有在其他星系看過類似的現象，那該怎麼知道哪邊才是對的呢？這時，天文學家們就兵分兩路，觀測學家們繼續對費米泡泡進行更多觀測，尋找更多可能的隱藏線索；理論學家則利用電腦模擬，嘗試在電腦中重現出觀測結果。

早年，兩派假說各有各的優勢，也有各自難以解釋的弱點。但隨著觀測資料的不斷累積，天文學家漸漸發現黑洞的噴流假說似乎更符合觀測結果，因此更具說服力。但即使如此，想要在電腦模擬中一次重現費米泡泡所有的觀測特徵，仍是相當困難的挑戰。

三個願望，一次滿足

然而今（2022）年三月，清大天文所楊湘怡教授利用三維磁流體力學電腦模擬（MHD Simulation），就一次重現了費米泡泡、義羅西塔泡泡與微波薄霧三個重要的觀測特徵。

他們假設銀河系中心的超大質量黑洞，在 260 萬年前曾經朝著銀河系盤面的上下兩側噴出兩道噴流。噴流帶有 10⁵⁰ 焦耳的強大能量，其中含有大量以接近光速運動的高能電子。當這些高能電子與低能量的光子碰撞時，電子會將能量傳遞給光子，就好像被保齡球打到的球瓶一樣，讓光子從低能量的可見光，變成高能量的伽瑪射線。這個被稱為「逆康普頓散射 Inverse Compton Scattering」的機制，讓我們能在伽瑪射線看到費米泡泡。

與此同時，這些高能電子在銀河系的磁場中運動時，會以「同步輻射 Synchrotron Radiation」的方式放出微波與無線電波，形成我們看到的微波薄霧。最後，強大的噴流在撞擊銀河系中的氣體時，會產生以每秒數千公里高速移動的震波（Shock Wave）。震波所到之處，受到壓縮而加溫的氣體就會釋放出 X 射線，成為我們看到的義羅西塔泡泡。而且氣體運動的速度，也與紫外線觀測的結果相符。

這個研究結果，將伽瑪射線、X 光、紫外線到微波的所有觀測結果，用黑洞噴流漂亮的一次重現，這無疑是我們對費米泡泡理解的一大進展。

未來展望

那麼，費米泡泡的身世之迷，就此蓋棺論定了嗎？

嗯⋯⋯還沒這麼快。

無論多麼精細的模擬，終究是對真實世界的近似與簡化，理論學家永遠可以繼續考慮更多的物理機制，計算出更精細的結果。觀測天文學家也會不斷拿出更多、更好的儀器，挑戰模擬的結果。

更宏觀的看，如果銀河系中心的超大質量黑洞在兩百多萬年前真的曾經如此活躍，它釋放出的龐大的能量，是否曾對銀河系造成其他的影響？我們是否能夠從中學到更多關於銀河系的歷史，以及黑洞跟星系間複雜的共同演化機制？這些都有待天文學家的持續探索。

費米泡泡的故事，仍未完結。

銘謝

感謝論文第一作者、清大天文所楊湘怡老師對本文的指導與建議。

參考資料（學術論文）

1. Fermi and eROSITA bubbles as relics of the past activity of the Galaxy’s central black hole | Nature Astronomy
2. Unveiling the Origin of the Fermi Bubbles – NASA/ADS
3. X-Ray and Gamma-Ray Observations of the Fermi Bubbles and NPS/Loop I Structures – NASA/ADS
4. Fermi Gamma-ray Space Telescope: High-Energy Results from the First Year

延伸閱讀（報導與科普文章）

1. 本次研究相關
   • Fermi and eRosita bubbles may originate from past activity of the Galactic black hole | Nature Portfolio Astronomy Community
   • 銀河系的巨大泡泡可能與中心的超大質量黑洞活動有關｜楊湘怡老師個人網頁
   • Massive bubbles at center of Milky Way caused by supermassive black hole | University of Michigan News
   • Giant Bubbles Above and Below Milky Way’s Center Caused by Galaxy’s Central Black Hole | Sci-News.com
   • Study says massive ‘bubbles’ in space might share origins – Taipei Times
   • Gigantic Bubbles at Center of Milky Way Caused by Powerful Jet of Energy From Supermassive Black Hole
   • Scientists Seek Origin of Mysterious Gigantic Bubble Structures In Our Galaxy
   • 百万度高温，横跨5万光年，银河系中心的巨大高能气泡 Tracing the Fermi bubble within our galaxy
2. 費米泡泡相關
   • 銀河系巨大費米泡-科學人雜誌
   • 銀河系黑洞吹泡泡,噴流留殘影- PanSci 泛科學
   • Was the Milky Way a Quasar?
3. 其他相關天文物理科普文章
   • 毀滅與新生：超大質量黑洞觸發的恆星形成- PanSci 泛科學
   • 宇宙「新」光──新星、超新星與千級新星- PanSci 泛科學
   • 電腦裡的小宇宙，重現絢麗的恆星爆炸！專訪陳科榮
   • 中研院天文所季報：多彩魅力的CHARMS

• 本文轉載自科技大觀園，原文為《自旋一圈只要半小時！奇特的超快自旋小行星》
• 作者／李昫岱（屋頂上的天文學家）｜科技大觀園特約編輯

科學家相信，一顆小行星的內部可能是由一堆大大小小的碎片組成，這些碎片靠著彼此的重力聚集成一顆小行星，這就是所謂的「瓦礫堆模型」。瓦礫堆小行星無法自旋太快，如果自旋速度超過一個極限，整顆小行星就會遭受強大的離心力而崩解。瓦礫堆模型可以解釋為什麼小行星有一個自旋週期 2 小時的極限，因為超過這個極限，小行星就會瓦解。 

「凡事都有例外」，這句話在小行星的自旋週期上也適用。2002 年，科學家發現一顆特別的小行星，它的長度大約 700 公尺，自旋週期只有半小時！這種小行星被稱為「超快自旋小行星」。這個例外讓天文學家感到困惑，是什麼原因讓它自旋這麼快而不崩解？瓦礫堆模型不適用了嗎？還有其他更多的超快自旋小行星嗎？這些問題就成了章展誥的研究主題。

如何量測小行星的自旋週期？

小行星本身不發光，只會反射太陽光。假設小行星的形狀是長橢圓形，當太陽照射到面積最大那一側，小行星看起來最亮；當太陽照射面積最小那一側，小行星看起來最暗。從小行星的亮度變化就可以知道它的自旋週期。 

章展誥於 2011 年取得中央大學天文所博士學位，當時是跟隨高仲明教授研究銀河系結構。畢業後他先留在原團隊做博士後研究，後來轉跟隨葉永烜教授，與美國加州理工學院合作研究小行星的旋轉與結構模型，自此與超快自旋小行星結緣。

為了尋找其他的超快自旋小行星，章展誥利用加州理工學院帕洛馬瞬變工廠（Palomar Transient Factory）的 1.2 公尺廣視野望遠鏡，進行大量小行星自旋週期的測量。2014 年春季，他發現一顆疑似超快自旋小行星，這顆小行星的亮度相當暗，無法確定它是不是真的轉得很快，就像聽音樂時，音量很低，很難聽清楚是哪一首歌；這時如果你有一對大象般巨大的耳朵，就可以把旋律聽得清楚。音樂和光一樣都是一種訊號，章展誥需要大口徑的望遠鏡，進一步確認這顆小行星是不是真的轉得很快。 

當時他正在加州理工學院訪問，便與加州理工學院的合作者使用他們的 5 公尺口徑望遠鏡進行自旋週期確認，結果顯示它確實是一顆超快自旋小行星。這顆超快自旋小行星的發現，證實了 2002 年發現的第一顆超快自旋小行星並不孤單，超快自旋小行星是一個族群。 

提到那次經驗，章展誥心中除了喜悅還有震撼，原來美國一流名校是這樣做研究的！取得 5 公尺望遠鏡的使用時間就像是走到對街買杯奶茶一樣容易，資源如此豐富，做研究自然得心應手。

除了轉得快，與其他小行星有什麼不同？

因為超快自旋小行星的相關研究成果，在 2017 年 4 月舉行的「小行星、彗星、流星國際研討會」（Asteroids, Comets, Meteors 2017, ACM 2017）上，國際天文學會（IAU）宣布將編號 10679 的小行星命名為 Chankaochang——章展誥小行星。到 2020 年 3 月為止，已知的超快自旋小行星一共有 26 顆，其中的 23 顆是章展誥的團隊發現的。除了尋找更多超快自旋小行星，章展誥還進一步研究它們的組成和分佈，比較它們與其他小行星有什麼異同。

小行星距離我們那麼遠，天文學家要如何研究小行星的組成呢？假設建築工地裡有三種建材，分別是磚頭、水泥和大理石，如果它們放在手碰不到的距離，要如何分辨？你一定知道從顏色就可以分辨它們的材質，紅色是磚頭，灰色是水泥，白色是大理石。實際上天文學家也用類似的方法，他們用小行星的顏色來分辨它們的組成。章展誥的研究發現，這些超快自旋小行星的組成與一般的小行星並沒有不同。

小行星主要分佈在火星與木星的軌道之間，這些小行星分佈的區域稱為小行星帶。超快自旋小行星在小行星帶的分佈位置有什麼特別的地方嗎？它們比較靠近火星或木星？章展誥發現超快自旋小行星分佈的位置並不特別，與其他小行星分佈的位置很相似。

超快自旋小行星除了自旋得超快，它們的組成與分佈跟其他小行星並沒有什麼不同。至於為什麼它們可以轉得超快而不裂解，目前仍是未解之謎，期待未來章展誥能夠解開謎團，告訴我們答案。 

從星團到小行星　章展誥繞著天文轉

章展誥大學是念中央大學物理系，修過普通天文學後，覺得天文容易上手，後來進入天文所蔡文祥教授的研究室做暑期學生，開始他的天文研究之路。當時的時空背景，大多數的大學生畢業後都會選擇念碩士班，章展誥覺得天文比較親近，所以選擇報考天文所。考上中央大學天文所，繼續跟隨蔡文祥教授研究球狀星團。

碩士班畢業後，章展誥到成功大學物理系許瑞榮教授實驗室協助研究紅色精靈，紅色精靈是一種高空閃電現象，他參與的團隊很幸運地拍到紅色精靈，這是臺灣首次記錄這種特殊、罕見的現象。

離開成大後，章展誥曾經到科技業工作，後來覺得不同部門之間，對解決問題方式存在很大的差異，因此在一年後離開企業界，回到中央大學擔任高仲明教授的研究助理，工作是用大量的天文數據和影像建構虛擬天文台。處理大數據的經驗，讓他可以幫助學弟解決研究上的問題，這讓章展誥興起攻讀博士的念頭。於是在 2006 年，他進入中央大學天文所博士班就讀，研究銀河系；博士後一直到現在，則聚焦在小行星。

從球狀星團、紅色精靈、虛擬天文台、銀河系到小行星，章展誥跨足天文、太空多個研究領域，至於未來，且讓我們拭目以待！

• 延伸閱讀：銀河系至少存在36個智慧文明，真的嗎？
• 延伸閱讀：災難片成真！？小行星「貝努」行蹤飄忽，撞地球的機率有多大？

• 本文轉載自臺北天文館，《臺北星空》第 99 期。
• 文／美國夏威夷大學天文研究所 泛星計畫博士後研究員｜林建爭
• 校稿／美國夏威夷 專案文物修復師｜王品方

來自愛丁堡大學的天文學家 Michael S .Petersen 與 Jorge Peñarrubia 近期在自然 (Nature) 期刊中，針對銀河系與大麥哲倫星系 (The Large Magellanic Cloud) 的交互運動，有了新的發現。這份最新的研究指出受到大麥哲倫星系重力場的影響，銀河盤面發生偏移，透過測量銀暈（銀河系的主要部分向外延伸，大致成球形的結構）上不同類型恆星的運動，發現銀河盤面正朝著大麥哲倫星系過往的軌跡方向移動，這個觀測結果與數值模擬的模型相符。

銀河系最大的衛星星系——大麥哲倫星系

大麥哲倫星系是銀河系最大的衛星星系，其質量超過銀河系的十分之一，近期觀測發現，它正以高達每秒 327 公里的速度從銀河系旁通過，離銀河系中心距離僅約 16 萬光年（註：銀河半徑約 5 萬光年），是最接近銀河系的。這樣規模的衛星星系在如此近的距離下高速經過銀河系帶來重力場的變化，使銀河盤面相對於質量中心產生偏移，然而銀暈與盤面受到衛星星系重力牽引的影響不同，位於銀暈越外圍的恆星需要較長的時間尺度才能將重力場的變化反應在運動軌跡上。

當一個外力突然進入一穩定旋轉的慣性系統，如同用手去觸碰正在旋轉的陀螺會使它產生偏移，銀河盤面因大麥哲倫重力場影響而會發生偏移且朝某一方向移動，銀暈的運動軌跡也會出現變化以維持動態平衡，這個銀暈因受盤面偏移而產生的運動改變稱作反應運動 (reflex motion)。

其實反應運動的測量在恆星尺度上也被拿來當作尋找系外行星的工具之一，如圖 1 所示，反應運動主要與系統中質點的質量比有關，舉例來說，一個質量越大的行星繞著母恆星旋轉，母恆星的反應運動越大（繞系統質心的旋轉半徑越大）；因此，天文學家們可藉由觀測恆星的反應運動來發現周圍的未知行星，隨著觀測技術的進步，可以偵測到的自行運動越來越小，距離量測也越趨準確，未來藉由反應運動的測量將有機會發現更小質量的系外行星。

那如何藉由反應運動的測量來分析銀河盤面與大麥哲倫星系的交互運動呢？天文學家 Petersen 等人利用銀暈上的 K 型巨星 (K Giants)、藍水平分支星 (Blue Horizontal Branchs) 和衛星星系來分析銀河盤面的移動速度。這三個分類中，資料樣本數量龐大的亮星來源 K 型巨星，擁有較精確的自行運動測量數值，有助於將盤面移動速度限縮在較小的範圍內，如圖 3 紅色區域所示。

綜合分析三類不同來源恆星的觀測資料後，Petersen 等人發現目前銀河盤面正以相對於外圍銀暈（離銀河中心 13-39 萬光年範圍）約每秒 32 公里的速度，朝向大麥哲倫星系早期通過銀河系的軌跡方向移動，而不是朝向大麥哲倫星系當前的位置移動，如圖 2 的模擬圖以及圖 3 觀測資料的結果所示。這樣的現象主要是因為大麥哲倫星系移動的速度太快，使得銀河盤面在重力牽引導致的位移上發生延遲，這個觀測結果與數值模擬銀河系與大麥哲倫星系的交互運動模型一致。

Petersen等人透過六項恆星參數的測量，包含有距離 (heliocentric distances)、銀河座標 (Galactocentric coordinates)、自行運動 (proper motion) 與視向速度 (line-of-sight velocities)，估算出銀暈上恆星的反應運動；這個觀測結果說明了在模擬銀河系的動態模型時，大麥哲倫星系接近銀河系時所帶來的重力擾動是不可忽略的。此外，在觀測銀暈上的恆星時所使用的參考座標系，也必須針對銀河盤面產生的反應運動進行校正。

研究人員更進一步地利用貝氏擬合 (Bayesian-fitting) 的技術（註：將模型參數看成隨機變量，利用馬可夫鍊蒙地卡羅法來估算出模型參數的一種統計解法）來測試目前銀河系與大麥哲倫星系的數值模型，發現從銀河系現有的反應運動所對應到的是一個較大質量的大麥哲倫星系，這個結果暗示著大麥哲倫星系在接近時可能伴隨著帶有暗物質的星系暈。他們認為未來光譜觀測的巡天計畫與 Gaia 資料的公開，將有助於更精確的模擬大麥哲倫星系通過銀河系時的軌跡，甚至有機會進一步了解暗物質在銀河系與大麥哲倫星系中的分佈與結構。

更加精準的測量數據 揭開星系間的奧秘

這項研究結果也指出，我們不能單純的將銀河系當是做一個動態平衡系統。觀測者需要校正重力擾動對盤面質心位移所產生的非慣性效應；儘管我們目前已針對太陽的反應運動進行校正，但銀河盤面與其他星系的動力學研究，如大麥哲倫星系造成銀河系的反應運動，仍不可忽略。

總和來說，這份研究探討了位於銀暈外圍（半徑大於 13 萬光年）的恆星運動因銀河盤面位移而產生反應運動，位於較小半徑內，反應運動的程度幾乎可以忽略。此外，這份研究也指出，受到銀河系和大麥哲倫星系相互重力牽引的影響，這兩星系間的系統位能也隨著時間變化，若我們能更了解這部分動態的能量轉移，許多問題將有望被一一解開，例如大麥哲倫星系的接近軌跡與暗物質如何影響其路徑？大麥哲倫會在接近銀河系時因潮汐力而流失其暗物質嗎？這些暗物質又會往何處去呢？

隨著近期 Gaia 資料的公開，在自行運動上有更大範圍且準確的測量，綜合一些大型望遠鏡的光譜巡天計畫，例如 LAMOST、4MOST 及 VLT-MOONS，銀暈上恆星的視向速度測量資料將會更加準確，也有助於我們了解大麥哲倫星系接近銀河系的軌跡與其潮汐碎片 (tidal debries) 的位置。於此，在接下來的幾十年中，我們將有機會一揭銀河系與星系周圍動態運動的神秘面紗。

原文及參考資料

• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall | Nature Astronomy
• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall
• The Milky Way in disequilibrium | Nature Portfolio Astronomy Community
• Reflex motion in the Milky Way stellar halo resulting from the Large Magellanic Cloud infall

延伸閱讀

• 探討大麥哲倫星系
• 銀河系將與大麥哲倫星系相撞