Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

韋伯太空望遠鏡對人眼健康有益

臺北天文館_96
・2011/08/09 ・1648字 ・閱讀時間約 3 分鐘 ・SR值 469 ・五年級

一套Scanning Shack Hartmann System掃描系統,簡稱”SSHS”,為兩組成對的一個大型鏡面測試機臺,用來量測詹姆斯韋伯太空紅外望遠鏡(簡稱: JWST)的鏡面平整度。在執行SSHS計畫專案過程中,波前偵測的技術重大突破,也大幅提升眼科儀器雷射光束的對齊精確度。圖片來源:雅培醫療光學公司

最先進的詹姆斯韋伯紅外太空望遠鏡(以下簡稱JWST或「韋伯望遠鏡」)雖然是為了天文研究用途所打造,不過,相關的技術成果已證明對人體眼睛健康有益,施工建造仍在進行,最先享受到這項尖端科技的領域卻是:眼科。

據雅培醫療光學公司研究人員表示,韋伯望遠鏡不僅在天文學、鏡面加工等領域開發出最新科技,還對於人體眼球測量、眼部疾病診斷,也帶來許多改良,未來還有機會使眼科手術精確度大增。

韋伯望遠鏡是美國 NASA 所建造的有史以來科學貢獻力道最強大的望遠鏡 – 性能比哈柏太空望遠鏡更強大 100 倍。我們將用它來發現:宇宙早期,第一個星系如何形成?然後便能知道宇宙大霹靂和我們的銀河系之間有何關聯。還可用它的 「紅眼」(紅外線)看透塵埃雲,目睹正在誕生的恆星和行星,恆星成形的過程,然後,從恆星形成又可以知道,我們太陽系相對於銀河系關連性如何。

任職 L3 Integrated Optical Systems 這家公司,負責韋伯望遠鏡鏡面磨光工作的人員表示,韋伯望遠鏡的鏡面磨光精確度已可達到1百萬分之1英吋。原先,科學家為了測試 JWST 的 18 片主鏡而開發先進的波前偵測技術,結果,已在其他領域造就出新應用。

-----廣告,請繼續往下閱讀-----

波前偵測器可在製造光學鏡面時,用來量測鏡面形狀如何,另外,當太空望遠鏡升上太空、進入運轉軌道以後,它同樣也可以用來輔助光學控制。

眼科醫師也經常使用波前技術來測量眼球像差。眼球像差的測量有助於眼睛健康問題的診斷,研究、鑑定和規劃治療。

對即將接受雷射屈光手術的患者,運用這種技術,能提供更精確的眼球測量。根據產業相關人員表示,到目前為止,單在美國,已有1千200萬顆眼球接受過雷射近視手術程序(Lasik Procedure),技術更進步,Lasik的品質也還可以再進一步提升。

「掃描與拼接」本來也是一種為了韋伯望遠鏡而開發的技術,經過它,推動了數項儀器在概念上的創新,讓隱形眼鏡和水晶體量測變得更加精確。此外還有另一項優點,可以把眼球表面當成地形一樣,加以精確測量,想得到嗎?這對眼科的醫療保健很有幫助。

-----廣告,請繼續往下閱讀-----

眼睛像地形。想想看要是你的眼睛是和月球表面一樣凹凸不平,而評估配戴隱形眼鏡的時候要是能精確量測到這些凹凸,這對於配出一付專門適合你的眼球的隱形眼鏡當然大有幫助。精進的掃描與拼接技術,幫了眼科醫師一個大忙,因為只要幾秒鐘,他就可以取得和你的眼球相關的各項資訊,譬如眼球形狀和「眼球地形圖」,過去這個工作可得花上幾個小時。自 JWST 計畫衍生而來,已有4項相關專利,這些工具都可用來建造出下一代造福人類眼科的測量設備。

簡而言之,韋伯望遠鏡的影響所及,不止是在幫天文學家找一些像盤古開天一樣老,在宇宙邊上的遙遠星星而已。它對科學技術智庫的建立以及人類視力的提升,同樣具有很大的影響。

透過「Can you See it Now?(現在你看到了嗎?)」這個專案活動, NASA的「創新夥伴關係計劃辦公室」(IPPO)正在將波前偵測和自適應光學技術等程序和實驗室設備開放供民營企業加以利用。這個網址 http://ipp.gsfc.nasa.gov/wavefront 公告了許多可以申請專利的相關技術。

由於財政困難上的考量,美國眾議院撥款委員會商業、司法和科學小組曾在2011年7月的年度預算案中表達,下個年度將完全不撥給韋伯望遠鏡任何經費。(Lauren譯)

-----廣告,請繼續往下閱讀-----

PS. 原編者按:由NASA所發布的本篇新聞稿清楚讓我們明白,有時原本為了太空任務而開發的科技,往往在地球上為人類生活帶來實用、有益、甚至出乎意料以外的應用。此僅為其中許多例子之一。

資料來源:轉載自中研院天文網, 2011.08.03, KLC

引用自臺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!

2

12
2

文字

分享

2
12
2
史上最大口徑的 JWST 要如何塞進火箭?——認識韋伯太空望遠鏡(二)
EASY天文地科小站_96
・2021/10/07 ・3106字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

  • 作者/陳子翔|師大地球科學系| EASY 天文地科團隊創辦者

作為 NASA 最新一代旗艦級太空望遠鏡,詹姆士.韋伯望遠鏡在性能上當然必須是太空望遠鏡中的佼佼者。然而,工程師與科學家要如何設計韋伯望遠鏡,才能讓它擁有強大的觀測能力呢?這個問題深究起來相當複雜,不過大方向卻出乎意料的簡單,那就是:「越大越好」。

如何衡量望遠鏡的觀測能力

在說明望遠鏡為什麼越大越好前,讓我們先想想,要如何衡量一部望遠鏡的觀測性能好不好呢?一般來說,望遠鏡最重要的兩項性能指標,就是它的「解析力」和「集光力」。

解析力可說就代表望遠鏡的「視力」。解析力越好的望遠鏡,能拍出天體更多的細節,或是說分辨出解析力較差的望遠鏡無法分辨出來,兩顆非常接近的星星。就像是做視力檢查時,當無法看清楚視力檢查表上某一排的「E」到底指向何處時,其實就代表自己眼睛的「極限解析力」已經無法解析出那一排的「E」囉!而天文學家,當然會希望望遠鏡的「視力」超級好呀!

而集光力則可以衡量望遠鏡蒐集星光(來自天體的電磁波)的效率。平時我們用手機拍照時,通常只需要幾百分之一秒的曝光,就能夠拍清楚日常生活周遭的景像。但由於宇宙中的天體往往非常黯淡,要蒐集這些天體的資料,進行學術研究的天文學家對一個目標的曝光時間,經常都是好幾個小時起跳。有時甚至需要超過一星期的曝光時間呢!

-----廣告,請繼續往下閱讀-----

可以想像在這樣的情況下,一部望遠鏡的集光效率,是非常重要的一件事。如果你的望遠鏡的集光力是別人的四倍,那別人要花一個月才能拍攝到的目標,你只需要一個禮拜就可以完成。多出來的這些時間,就可以拿去拍攝更多目標,或是對同一個目標拍攝更長的時間,以研究更多黯淡的細節。

Hubble Ultra Deep Field
哈伯極深空,曝光時間大約是11.3天。圖/NASA, ESA, and S. Beckwith (STScI) and the HUDF Team

大口徑,真香!


解析力與集光力是望遠鏡最重要的性能指標,而且它們都與同一個因子息息相關,那就是望遠鏡的「口徑」,即望遠鏡主鏡的直徑大小。

若假設望遠鏡主鏡是完整的圓形,那解析力與口徑是成正比的,而集光力則是與口徑的平方成正比。例如一個口徑兩米的望遠鏡,相比其他條件都相同,但口徑只有一米的望遠鏡,其極限解析力就會高兩倍,集光力則會高四倍。說到這裡相信大家應該就能明白,為什麼天文望遠鏡基本上就是「口徑越大越好」了。

口徑長達 6.5 公尺,這樣塞得進火箭嗎?

既然大口徑這麼棒,那韋伯作為最新的旗艦太空望遠鏡,直上太空望遠鏡史上最大口徑,似乎是再合理不過的事了!

-----廣告,請繼續往下閱讀-----

韋伯望遠鏡的口徑是 6.5 公尺,比起前輩哈伯太空望遠鏡的 2.4 公尺大超過 2.5 倍。當初哈伯望遠鏡的鏡片口徑之所以會設計成 2.4 公尺,一大原因是如果口徑再更大,就塞不進太空梭的貨艙了。那麼問題來了,韋伯太空望遠鏡的口徑大小能一次升級那麼多,難道是因為發射韋伯的火箭,比起當時的太空梭還要大很多嗎?

哈伯望遠鏡與韋伯望遠鏡主鏡大小比較。圖/NASA

答案是否定的。事實上,世界上目前沒有任何一款火箭,能夠裝下一面直徑 6.5 公尺的鏡片!而且若是要為了發射韋伯而專門設計一款新火箭,那計畫的預算和進度一定會大大提升和延後,完全得不償失。不過,山不轉路轉,路不轉人轉,也許火箭不可能為了望遠鏡改變,但我們也許可以換個角度想,讓望遠鏡適應火箭呀!

想像一下,如果你有一筆錢,想要買輛腳踏車,讓你未來可以開車帶著腳踏車出遊,卻發現自己車子的後車廂裝不下一般的腳踏車時,你會怎麼辦呢?相信這時後,比起直接購買一台新的大車,選擇折疊式腳踏車會是更合理的選項。而設計 JWST 的工程師們也是採取這樣的策略,將整部韋伯望遠鏡設計成「折疊式」的,從主鏡、次鏡支架到遮陽帆等等機構,都可以收起來降低體積,讓韋伯望遠鏡能夠塞進空間相當有限的火箭整流罩中,並於發射到太空之後,再一步步自動展開成可以運作的狀態。

圖:摺疊裝入亞利安五號火箭整流罩中的韋伯望遠鏡。圖/ArianeSpace, NASA, ESA

韋伯望遠鏡的特殊設計

韋伯望遠鏡最明顯的特徵,就是由 18 面六邊形金色鏡片所組合而成,直徑 6.5 公尺的巨大主反射鏡。與哈伯望遠鏡不同的是,它並沒有鏡筒的構造,而是直接將望遠鏡的主鏡與次鏡露在外面,以支架的方式維持結構。而這樣的設計其實在地球上的大型天文台相當常見。

-----廣告,請繼續往下閱讀-----
在無塵室中的韋伯望遠鏡主鏡,此時次鏡是摺疊的狀態。圖/NASA

來自宇宙中天體的光線會透過主鏡與次鏡反射,進入主鏡位於中央的黑色錐狀構造。這個構造中設有一些鏡片組,會進一步將光線導至後方的相機和光譜儀。韋伯望遠鏡設有多個不同的相機與光譜儀,並各自有適合的觀測目標,提供各領域的天文學家重要的研究資料。

而巨大的主鏡下方,一層一層的銀色 「帆布」則是韋伯望遠鏡的遮陽帆。它能夠為望遠鏡擋下來自太陽、地球與月球的光線與熱輻射,讓望遠鏡能夠處在既黑暗又低溫的優良觀測環境中。

根據科學家的估算,當韋伯望遠鏡在太空中運作時,它的遮陽帆的面光側溫度可達到約攝氏 110 度,但望遠鏡所處在的背光面,則能維持攝氏零下 210 度左右的低溫。溫度越低,觀測儀器所受到的熱雜訊影響就越少。這樣低溫的環境,對紅外線望遠鏡至關重要。

韋伯望遠鏡的遮陽帆將望遠鏡分為面光側和背光側兩個部分,而望遠鏡的本體長期都會處在黑暗且低溫的背光側。圖/ NASA

遮陽帆的背光側提供了望遠鏡與相機所需,黑暗又低溫的運作環境,但並不是所有的設備都需要這樣的條件。比如提供電力的太陽能板,就需要的是充足的陽光才能運作。同時,也有一些設備是本身就會發熱的,例如維持軌道穩定用的小型火箭引擎與燃料,控制望遠鏡指向的反應輪等等。這些設備也都設置於遮陽帆的面光側,如此一來遮陽帆也能順便隔絕這些設備產生的熱,避免干擾望遠鏡的觀測。韋伯望遠鏡上不同設備的配置位置可說各取所需,相當有巧思。

-----廣告,請繼續往下閱讀-----
韋伯望遠鏡的面光側,設有太陽能板、通訊天線、火箭引擎等等設備。圖/ NASA

如本系列文章上集:《為何 NASA 不惜大撒幣也要把它送上太空?》所介紹,將紅外線望遠鏡送上太空能帶來許多的好處與研究潛力,然而設計並打造出這樣的科學儀器絕非容易的事。詹姆士.韋伯太空望遠鏡可說就是集結了頂尖科學、工程與技術,以及許多人共同努力的結晶,也期待將來它能帶來豐碩的觀測資料與成果。

延伸閱讀

-----廣告,請繼續往下閱讀-----
文章難易度
EASY天文地科小站_96
23 篇文章 ・ 1578 位粉絲
EASY 是由一群熱愛地科的學生於 2017 年創立的團隊,目前主要由研究生與大學生組成。我們透過創作圖文專欄、文章以及舉辦實體活動,分享天文、太空與地球科學的大小事

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

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。

鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

5
2

文字

分享

0
5
2
用黑白相機拍出色彩繽紛的宇宙
全國大學天文社聯盟
・2022/04/30 ・2550字 ・閱讀時間約 5 分鐘

  • 文/邵思齊,現就讀臺大地質科學系,著迷於大自然的鬼斧神工。

現代的人們生活在充滿明亮人造光源的城鎮中,難以想像純粹的夜空是什麼樣子。對宇宙中天體的印象,多半來自各地天文台與太空望遠鏡所捕捉的絢麗星雲、星團、星系。但這些影像中的顏色是真實的嗎?如果我們能夠用肉眼看到這些天體,它們的顏色真能如影像中如此的五彩繽紛嗎?

色彩的起源:為什麼人眼能看到顏色?

電磁波跨越各種尺度的波段,有波長遠小於 1 奈米的伽瑪射線,也有波長數百公里長的無線電波。但人類眼睛中的的感光細胞僅能感測到波長介於 400-700 奈米之間的電磁波,也就是僅有這段電磁波能夠以紅到紫的色彩出現在人類的視野當中,所以我們對外界的認知就受限於這小一段稱為可見光(Visible Light)的視窗。人之所以能夠辨識不同的顏色,靠的是人眼中的視錐細胞。視錐細胞分成 S、M、L 三種,分別代表 short, medium, long,其感測到的不同波長的光,大致可對應到藍色、綠色、紅色。

S、M、L 三種視錐細胞可以感測不同的顏色,後來的相機設計也以此為基礎。圖/Wikipedia

肉眼可以,那相機呢?

在還沒有電子感光元件的時代,紀錄影像的方法是透過讓底片中的銀離子曝光、沖洗後,變成不透光的金屬銀(負片),但這樣只能呈現出黑白影像。於是,歷經長時間的研究與測試,有著三層感光層的彩色底片誕生了。它的原理是在不同感光層之間加上遮色片,讓三層感光片能夠分別接收到各自顏色的光線。最常使用的遮色片是藍、綠、紅三色。進入數位時代,電子感光元件同樣遇到了只有明暗黑白、無法分辨色彩的問題,但這次,因為感光元件無法透光,不能像底片一樣分層感光,工程師們只好另闢蹊徑。

於是專為相機感光元件量身打造的拜爾濾色鏡(Bayer Filter)誕生了,也就是由紅色、綠色、藍色三種方形濾光片相間排列成的馬賽克狀濾鏡,每一格只會讓一種顏色通過,如此一來,底下的感光元件就只會接收到一種顏色的光。接著,再把相鄰的像素數值相互內插計算,就可以得到一張彩色影像。由於人的視錐細胞對綠色特別敏感,因此拜爾濾色鏡的設計中,綠色濾光片的數量是其他顏色的兩倍。

-----廣告,請繼續往下閱讀-----

這種讓各個像素接收不同顏色資訊的做法,雖然方便快速,卻需要好幾個像素才能還原一個區塊的顏色,因此會大幅降低影像解析度。這對寸解析度寸金的天文研究來說,非常划不來,畢竟我們既想得知每個像素接收到的原始顏色,又想獲得以像素為解析單位的最佳畫質,盡可能不要損失任何資訊。

藍綠紅相間的拜爾綠色鏡,廣泛用於日常使用的彩色感光元件,例如手機鏡頭、單眼相機等裝置。圖/Wikipedia

要怎麼讓每個像素都能獨立呈現接收到的光子,而且還能夠完整得到顏色的資訊呢?最好的方法就是在整塊感光元件前加上一塊單色的濾色鏡,然後輪流更換不同的濾色鏡,一次只記錄一種顏色的強度。然後,依照濾鏡的波段賦予影像顏色,進行疊合,得到一張還原真實顏色的照片。如此一來,我們就能用較長的拍攝時間,來換取最完整的資訊量。以天文研究來說,這種做法更加划算。

另外,由於視錐細胞並不是只對單一波長的光敏感,而是能夠接收波長範圍大約數百奈米寬的光,因此若是要還原真實顏色的影像,人們通常會使用寬頻濾鏡(Broadband filter),也就是波段跨足數百奈米的濾鏡進行拍攝。

美麗之外?濾鏡的科學妙用

雖然還原天體的真實顏色是個相當直覺的作法,但既然我們有能力分開不同的顏色,當然就有各式各樣的應用方法。當電子從高能階躍遷回到低能階,就會釋放能量,也就是放出固定波長的電磁波。若是受到激發的元素不同,電子躍遷時放出的電磁波波長也會隨之改變,呈現出不同顏色的光。

-----廣告,請繼續往下閱讀-----

如果我們在拍攝時,可以只捕捉這些特定波長的光,那我們拍出的照片,就代表著該元素在宇宙中的分佈位置。對天文學家來說,這是相當重要的資訊。因此,我們也常使用所謂的窄頻濾鏡(Narrowband filter),只接收目標波段周圍數十甚至數個奈米寬的波長範圍。常見的窄頻濾鏡有氫(H)、氦(He)、氮(N)、氧(O)、硫(S)等等。

有時候,按照原本的顏色疊合一組元素影像並不是那麼妥當,例如 H-alpha(氫原子)和 N II(氮離子)這兩條譜線,同樣都是波長 600 多奈米的紅色光,但如果按照它們原本的波長,在合成影像時都用紅色表示,就很難分辨氫和氮的分布狀態。這時候,天文學家們會按照各個元素之間的相對波長來配製顏色。

以底下的氣泡星雲(Bubble Nebula, NGC7635)為例,波長比較長的 N II 會被調成紅色,相對短一點的 H-alpha 就會調成綠色,而原本是綠色的 O III 氧離子則會被調成藍色。如此一來,我們就可以相對輕鬆地在畫面中分辨各個元素出現的位置。缺點是,如果我們真的用肉眼觀測這些天體,看到的顏色就會跟圖中大不相同。

由哈伯太空望遠鏡拍攝的氣泡星雲,使用了三種波段的窄頻濾鏡。圖/NASA

當然,這種人工配製顏色的方法也可以用來呈現可見光以外的電磁波,例如紅外線、紫外線等。舉哈伯太空望遠鏡的代表作「創生之柱」為例,他們使用了兩個近紅外線波段,比較長波的 F160W 在 1400~1700nm,比較短的 F110W在900~1400nm,分別就被調成了黃色和藍色。星點發出的紅外光穿越了創生之柱的塵埃,與可見光疊合的影像比較,各有各的獨特之處。

三窄頻濾鏡疊合的可見光影像與兩近紅外線波段疊合的影像對比。圖/NASA

望遠鏡接收來自千萬光年外的天體光線,一顆一顆的光子累積成影像上的點點像素,經過科學家們的巧手,成為烙印在人們記憶中的壯麗影像。有些天體按照他們原始的顏色重組,讓我們有如身歷其境,親眼見證它們的存在;有些影像雖然經過調製,並非原汁原味,卻調和了肉眼所不能見的波段,讓我們得以一窺它們背後的故事。

-----廣告,請繼續往下閱讀-----
全國大學天文社聯盟
7 篇文章 ・ 19 位粉絲