來自恆春的意外「鯨」喜，科博館臺灣鯨魚化石挖掘團隊專訪——《科學月刊》

• 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。

• 文 胡潔曦｜黑潮海洋文教基金會 鯨豚保育研究員
• 本文轉載自黑潮海洋文化基金會《海洋盛宴——抹香鯨落》，歡迎喜歡這篇文章的朋友訂閱支持黑潮喔！

編按：本文主要內容與圖片摘錄、翻譯自文獻Three-year investigations into sperm whale-fall ecosystems in Japan，期望在頻繁目擊抹香鯨的 7 月，跟大家分享抹香鯨落的研究。

生存在深海中並非容易的事，由於深海裡缺乏陽光與有機物質，許多生物是藉著海水表層落入深海的有機物質維生。當鯨豚死亡後沉入海底，這段過程、遺體以及過程中所形成的生態系均可被稱為「鯨落」。鯨落可以說是生命的延續之源，而這些殞落至海底的鯨豚有如「金山銀山」，不僅能提供大量的有機物，同時也將許多硫化物帶入海底，造福許多海洋生命，因此也有一句話說：「鯨落，萬物生」。這篇文章透過閱讀國外文獻與整理，希望跟大家分享抹香鯨死亡之後的貢獻！

故事的開始——集體擱淺在日本的抹香鯨

在 2002 年 1 月，日本的西南海岸發生了一起集體擱淺，共發現了 14 隻抹香鯨，而其中 12 隻抹香鯨被綁上水泥塊後，被當地政府沉入了 Nomamisaki 岬角周邊深度大約兩、三百公尺的海裡，形成了多座人工鯨落。當時有許多學者對於抹香鯨落感到好奇，究竟牠們會吸引來哪些生物？而抹香鯨龐大的遺體會需要花費多長時間分解呢？透過這項研究，或許能讓人們對大型齒鯨落的分解過程更加瞭解。

事實上，在 2002 年以前，多數的鯨落研究出自於美國的加利福尼亞州外海，並以鬚鯨為主要研究對象，而這些鯨落的深度幾乎都落在一、兩千公尺深，比起這次抹香鯨落群的深度深了非常多。而這次大量出現在日本西南海域的多座人工鯨落有著種種獨特性，包含了：深度淺、是大型齒鯨的鯨落等等，也讓學者們充滿好奇心。

究竟要如何長期觀察抹香鯨落呢？

閱讀至此，不知道讀者們是否有一項疑問？在兩三百公尺深的海裡，既缺乏可見光，同時也承受著數十倍的大氣壓，在這樣的條件下到底要如何觀察抹香鯨落呢？「ROV——水下探測載具」即是這個研究的一大助手，能夠幫助科學家們突破這些困難，不僅能在深海中蒐集珍貴的影像，也可以完成採集的工作。而在團隊耗費了 3 年運用水下載具追蹤其中的五隻抹香鯨後，他們也有了些有趣的收穫，透過圖四可以看到這段時間抹香鯨的外觀變化。

經過數年的追蹤後，研究團隊發現，抹香鯨落歷經分解的速度堪稱飛快！根據 2003 年的鯨落研究，學者將鯨豚分解的過程定義為下述四個階段（Smith and Baco 2003），而第一個階段到最後階段可能會歷時數年甚至到數十年，當鯨豚的遺體越大，可能耗時越長：

1. 移動清道夫階段（Mobile-scavenger）：生物會快速消耗掉鯨豚體表上的肉與脂肪。
2. 機會主義者階段（Enrichment opportunist）：生物開始進駐鯨豚裸露的骨頭及周邊富含營養的底層泥沙上。
3. 化能自養階段（Sulphophilic）：骨骼釋放硫化物，供養海洋中依靠硫化物維生的生物。
4. 骨礁階段（Reef）：在所有有機物質被消耗之後，即會進入骨礁的階段。

註解：上述中文名詞翻譯參考自國家地理頻道及國立海洋科技博物館 鯨落展區。

鯨落最快被消耗掉的部分是身上的肉跟脂肪，而這份文獻研究的 5 座抹香鯨落，肉跟脂肪在經過 1 年之後已幾乎被消耗殆盡；經過 1.5 年之後，抹香鯨落已進入化能自養階段，骨骼開始釋放硫化物質；有些大型鯨落從化能自養階段轉為骨礁期要歷經數十年，根據這項研究發現，部分抹香鯨落竟在 3 年後就能夠進入骨礁期，身上所有的有機質都被消耗殆盡，而這樣的進度相較於過去鬚鯨落的研究是非常快的！研究人員初步推測，可能是因為此處的平均水溫相較其他鯨落研究的海域高，生物分解的速度比較快。

抹香鯨落上意想不到的生物多樣性

這次的研究共有發現超過百種生物聚集在抹香鯨落周邊，包含軟體動物門、多毛綱與甲殼綱的生物等，在 1.5 年後，貽貝是抹香鯨骨骼上最為豐富的生物類群（圖五）。而抹香鯨落整體的生物多樣性在到達 3.5 年時來到高峰，紀錄中共有八十多種生物出現。

除了確認抹香鯨的腐化速度之外，研究人員也會在探測載具每次下海時採集底部的泥沙，經分析發現，抹香鯨身體下方泥沙中的硫化物濃度，隨著鯨落分解的時間越久，濃度也會逐漸提高，並吸引來大量仰賴硫化物生存的生物。為了進一步確認周遭環境的生物是否與抹香鯨身上的有差異，研究人員也將抹香鯨 10 米以內與外的生物做了比較，發現鯨落 10 米以外的物種與鯨落上的生物完全沒有重疊，也證明了鯨落的出現確實吸引來許多的生物。

鯨落，萬物生

鯨落的各個分解階段吸引了許多生物造訪，肉與脂肪等在幾個月內快速地被消耗掉，有機碎屑也能讓周邊海底的富含養分，而抹香鯨骨能釋放硫化物數年，部分大型鯨甚至可能長達數十年。「鯨落，萬物生」，在鯨豚生命的最後一章，牠們的身體緩緩沉入海底，成為了大量生物的食物來源。至 2022 年為止，目前世界已知鯨落共有約 160 座，也希望隨科技進步，人們能更深入認識鯨落為環境帶來的影響。

影片分享：美國於2019年在NOAA保護區發現的深海鯨落。

參考資料

1. Fujiwara, Y., Kawato, M., Yamamoto, T., Yamanaka, T., Sato-Okoshi, W., Noda, C., Tsuchida, S., Komai, T., Cubelio, S.S., Sasaki, T., Jacobsen, K., Kubokawa, K., Fujikura, K., Maruyama, T., Furushima, Y., Okoshi, K., Miyake, H., Miyazaki, M., Nogi, Y., Yatabe, A. and Okutani, T. (2007), Three-year investigations into sperm whale-fall ecosystems in Japan. Marine Ecology, 28: 219-232.
   https://doi.org/10.1111/j.1439-0485.2007.00150.x
2. Li Q, Liu Y, Li G, Wang Z, Zheng Z, Sun Y, Lei N, Li Q and Zhang W (2022) Review of the Impact of Whale Fall on Biodiversity in Deep-Sea Ecosystems. Front. Ecol. Evol. 10:885572. doi: 10.3389/fevo.2022.885572
3. https://oceanservice.noaa.gov/facts/whale-fall.html
4. https://natgeomedia.com/environment/article/content-6001.html
5. https://www.soest.hawaii.edu/oceanography/faculty/csmith/Files/Smith%20and%20Baco%202003.pdf
6. http://hi.people.com.cn/BIG5/n2/2020/0409/c228872-33936490.html

• 作者／陳哲佑
  • 任職於日本理化學研究所，專長為黑洞物理、宇宙學、重力理論等。
  • 熱愛旅行、排球與珍珠奶茶

• Take Home Message
  • 今（2023）年 6 月，北美奈赫茲重力波天文臺（NANOGrav）團隊觀察到宇宙中的低頻重力波。
  • NANOGrav 團隊利用數個脈衝星組成「脈衝星陣列」（PTA），測量各脈衝星訊號到達的時間，計算不同訊號的到達時間是否存在著相關性。
  • PTA 得到的重力波訊號相當持續，沒有明確的波源。科學家推測此訊號可能來自多個超大質量雙黑洞系統互繞而產生的疊加背景。

2015 年 9 月，位於美國的雷射干涉儀重力波天文臺（Laser Interferometer Gravitational-Wave Observatory, LIGO）成功偵測來自雙黑洞碰撞的重力波訊號（請見延伸閱讀 1）。

這個發現不僅再次驗證愛因斯坦（Albert Einstein）「廣義相對論」的成功，更引領人類進入嶄新的重力波天文學時代。到了現在，我們不僅能使用各種電磁波波段進行觀測，還多了重力波這個強而有力的工具能夠窺探我們身處的宇宙，甚至還有同時結合兩者的多信使天文學（multi-messenger astronomy）^註1，皆能帶給人類許多單純電磁波波段觀測無法觸及的資訊（請見延伸閱讀 2）。

如同不同波段的電磁波觀測結果為我們捎來不同的訊息，重力波也有不同的頻譜，且頻譜與產生重力波的波源性質有非常密切的關係。以雙黑洞碰撞為例，系統中黑洞的質量與碰撞過程中發出的重力波頻率大致上成反比，因此當系統中黑洞的質量愈大，它產生的重力波頻率就愈低。

目前地球上的三個重力波天文臺：LIGO、處女座重力波團隊（The Virgo Collaboration, Virgo），以及神岡重力波探測器（Kamioka Gravitational wave detector, KAGRA, or Large-scale Cryogenic Gravitational wave Telescope, LCGT）都受限於干涉儀的長度，只對頻率範圍 10～1000 赫茲（Hz）的重力波有足夠的靈敏度，此範圍的重力波對應到的波源即是一般恆星質量大小的雙黑洞系統。

然而，來自超大質量黑洞互繞所發出的重力波頻率幾乎是奈赫茲（Nano Hertz，即 10^-9 Hz）級別，如果想要探測到此重力波，就需要一個「星系」規模的重力波探測器。雖然這聽起來彷彿天方夜譚，但就在今年 6 月，北美奈赫茲重力波天文臺（North American Nanohertz Observatory for Gravitational Waves, NANOGrav）的團隊利用「脈衝星計時陣列」（pulsar timing array, PTA）成功地觀測到這些低頻重力波存在的證據。

以不同方式觀察不同頻率的重力波

NANOGrav 如何觀測低頻重力波？

讀者聽過脈衝星（pulsar）嗎？它是一種高速旋轉且高度磁化的中子星（neutron star）^註2，會從磁極放出電磁波。隨著脈衝星的旋轉，它的電磁波會以非常規律的時間間隔掃過地球，因而被身處於地球上的我們偵測到，就像是海邊的燈塔所發出的光，會規律地掃過地平面一般。由於脈衝星的旋轉模式相當穩定，掃過地球的脈衝就如同宇宙中天然的時鐘，因此在天文學上有相當多的應用——甚至可以用來觀測重力波。

利用脈衝星觀測重力波的第一步，首先要記錄各個脈衝星的電磁脈衝到達地球的時間（time of arrival），並且將這些訊號與脈衝星電磁脈衝的理論模型做比對。

如果訊號和理論模型相符，那麼兩者相減後所得到的訊號差（residual）只會剩下一堆雜訊；相反的，如果宇宙中存在著重力波，並且扭曲了該脈衝星和地球之間的時空，那麼兩訊號相減之後就不會只有雜訊，而會出現時空擾動的蹤跡。

然而以觀測的角度來看，即便我們從來自單一脈衝星的訊號中發現訊號差出現偏離雜訊的跡象，也不能直接推論這些跡象一定是來自重力波。畢竟科學家對脈衝星的內部機制和脈衝傳遞的過程也並未完全了解，這些未知的機制都可能會使單一脈衝星的訊號差偏離雜訊。

因此為了要判斷重力波是否存在，就必須進行更進一步的觀測：利用數個脈衝星組成脈衝星陣列，測量每個脈衝星訊號到達的時間，並且計算這些不同脈衝星訊號的到達時間是否存在某種相關性。

舉例來說，如果脈衝星和地球之間沒有重力波造成的時空擾動，那麼即便每顆脈衝星的訊號差都出現偏離雜訊的跡象，彼此之間的訊號也會完全獨立且不相干；反之，如果脈衝星和地球之間有重力波經過，這些重力波便會扭曲時空，不僅會改變這些脈衝訊號的到達時間，且不同脈衝星訊號到達的時間變化也會具有某種特定的相關性。

根據廣義相對論的計算，一旦有重力波經過，不同脈衝星訊號之間的相關性與脈衝星在天球上的夾角會滿足一條特定的曲線，稱為 HD 曲線（Hellings-Downs curve）。

科學家以兩顆脈衝星為一組觀測單位，藉由觀測多組脈衝星的訊號、計算它們之間的相關性，再比較這些數據是否符合 HD 曲線，就能夠進一步推斷低頻重力波是否存在。值得一提的是，由於重力波訊號非常微弱，用來作為陣列的脈衝星必須有非常穩定的計時條件，因此一般會選擇自轉週期在毫秒（ms）級別的毫秒脈衝星作為觀測對象。

NANOGrav 在今年 6 月發布的觀測結果就是利用位於波多黎各的阿雷西博天文台（Arecibo Observatory，已於 2020 年因結構老舊而退役）、美國的綠堤望遠鏡（Robert C. Byrd Green Bank Telescope）和甚大天線陣（Very Large Array, VLA）觀測 68 顆毫秒脈衝星。

他們分析了長達 15 年的觀測數據後，發現這些脈衝星訊號的相關性與 HD 曲線相當吻合，證實了低頻重力波確實存在於我們的宇宙中。

除了 NANOGrav，其他團隊例如歐洲的脈衝星計時陣列（European Pulsar Timing Array, EPTA）、澳洲的帕克斯脈衝星計時陣列（Parkes Pulsar Timing Array, PPTA）、印度的脈衝星定時陣列（Indian Pulsar Timing Array, InPTA），以及中國的脈衝星計時陣列（Chinese Pulsar Timing Array, CPTA）等，皆得到相符的結果。

NANOGrav 觀測結果帶來的意義

與先前 LIGO 觀測到的瞬時重力波訊號不同，目前利用 PTA 得到的重力波訊號是相當持續的，而且並沒有較明確的單一波源，反而像是由來自四面八方數個波源組成的隨機背景訊號。

打個比方，LIGO 收到的重力波訊號像是我們站在海邊，迎面而來一波一波分明的海浪，每一波海浪分別對應到不同黑洞碰撞事件所發出的重力波；而 PTA 的訊號則是位於大海正中央，感受到隨機且不規則的海面起伏。

目前對這些奈赫茲級別的重力波訊號最合理也最自然的解釋，是來自多個超大質量雙黑洞系統互繞而產生的疊加背景。若真是如此，那這項發現將對天文學產生重大的意義。

過去科學界對於如此巨大的雙黑洞系統能否在可觀測宇宙（observable universe）的時間內互繞仍普遍存疑，如果PTA觀測到的重力波真的來自超大質量雙黑洞互繞，那代表這類系統不僅存在，它們的出現還比過去我們預期的更為頻繁，且產生的訊號也更強。

NANOGrav 的觀測結果

不過除了雙黑洞系統，也有其他「相對新奇」的物理機制也可能產生這樣的重力波背景，包含早期宇宙的相變、暗物質，以及其他非標準模型的物理等。若要從觀測的角度去區分這些成因，最重要的關鍵在於，能否從隨機背景中找到特定的波源方向。

如果是雙黑洞系統造成的重力波，勢必會有來自某些方向的訊號比較強；反之，如果是早期宇宙產生的重力波，那麼這些重力波將會隨著宇宙的膨脹瀰漫在整個宇宙中，因此它們勢必是相當均向的。

為了找到波源方向，提升訊號的靈敏度成為了當務之急。而若要提升 PTA 的靈敏度，最主要的方式有兩種——其一是將更多的脈衝星加入陣列；其二則是延長觀測的時間。

目前，不同的 PTA 團隊已經組成國際脈衝星計時陣列（International PTA）互相分享彼此的脈衝星觀測資料。隨著觀測技術的進步，解密這些奈赫茲級別的神祕重力波將指日可待。

註解

1. 相較於過往只能以可見光觀測宇宙，多信使天文學能利用多種探測訊號，如電磁波、微中子、重力波、宇宙射線等工具探索宇宙現象，獲得更多不同資訊及宇宙更細微的面貌。
2. 質量較重的恆星在演化到末期、發生超新星爆炸（supernova）後，就有可能成為中子星。

延伸閱讀

1. 林俊鈺（2016）。發現重力波！，科學月刊，556，248–249。
2. 金升光（2017）。重力波獨白落幕 多角觀測閃亮登場，科學月刊，576，892–893。
3. NANOgrav. (Jun 28 2023). Scientists use Exotic Stars to Tune into Hum from Cosmic Symphony. NANOgrav.

• 〈本文選自《科學月刊》2023 年 10 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。