大麥哲倫星系偷「星」被逮

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

最近，韋伯太空望遠鏡發布首批科學影像，終於看到敲碗好久的結果——韋伯拍到了人類從未見過的許多東西！有人說，韋伯是哈伯的繼任者，但不知道大家是否好奇過，哈伯和韋伯到底誰比較強？

這個問題有點難回答，因為兩部望遠鏡都是當代科技的結晶。哈伯是 1990 年升空的王者，韋伯是 30 年後科技進步下的產物，我試著用客觀的方式來比較這兩部太空望遠鏡。

哈伯觀測可見光，韋伯觀測紅外光

哈伯的主鏡直徑是 2.4 公尺，韋伯則是 6.5 公尺，韋伯的主鏡直徑比哈伯大 2.7 倍，這也是大家最常比較的部分。可是，如果主鏡大就比較厲害，那麼夏威夷大島上的凱克 10 公尺望遠鏡，不就比哈伯和韋伯更強？

哈伯與韋伯觀測的波段不同，用途也不一樣。哈伯主要觀測的波段在可見光，可見光是指人類眼睛可以看見的光或顏色範圍，也就是紅、橙、黃、綠、藍、靛和紫。從紅光到紫光，光的波長由長到短，紅光的波長大約是 0.62–0.74 微米（1 微米＝0.001 公釐），紫光的範圍則是 0.38–0.45 微米。

紅外光是指比紅光波長更長的光，也就是波長比 0.7 微米更長，這是韋伯望遠鏡主要觀測宇宙的波段。

哈伯和韋伯太空望遠鏡觀測的波段，一個在可見光，另一個在紅外光，所以在功用上本來就不一樣，如果要比較的話就要小心，不然就像拿橘子跟蘋果相比，拿不同的東西做比較顯得很突兀。

誰看得比較清楚？來比一比解析度吧！

哈伯與韋伯可以拿來做比較的是解析度，解析度的值（角秒）愈低，表示能看到天體愈細微的部分，解析度跟主鏡直徑和觀測的波長有關。望遠鏡主鏡愈大，解析度愈好；另外也跟觀測的波長成正比。

以下兩張影像分別是史匹哲太空望遠鏡（Spitzer Space Telescope）和韋伯拍的天空中同一區域紅外光影像，拍攝的紅外波長也差不多（史匹哲：8 微米，韋伯 7.7 微米），不過兩幅影像的解析度卻差很多，韋伯的影像中可以看到更多的細節，史匹哲則好像糊成一團。

當觀測的波長一樣時，解析度跟觀測望遠鏡的主鏡直徑成反比。史匹哲的主鏡是 0.85 公尺，所以韋伯的解析力是史匹哲的 6.5/0.85=7.8 倍！主鏡的大小直接反應在解析度上，韋伯與史匹哲在解析度上高下立判！

解析度除了跟主鏡的直徑成反比，也跟觀測的波長成正比。所以同一面主鏡觀測天體，用愈短的波長觀測解析度愈好。下圖是史匹哲望遠鏡觀測 M81 星系的結果，同樣 0.85 公尺的主鏡觀測，隨著觀測波長的增加，解析度變差。

答案揭曉——哈伯的解析度略勝一籌！

前面提到解析度跟主鏡直徑與觀測波長的關係有一個重要前提，主鏡必須研磨到完美、光滑，也就是主鏡上不能出現高低起伏。如果主鏡不完美，像遊樂場裡的哈哈鏡，不能聚焦成像，解析度自然不好。

波長愈短對鏡面的要求愈高。哈伯太空望遠鏡的鏡面對 0.5 微米波長更長的光是完美的，比 0.5 微米波長更短的光波則呈現不完美，韋伯望遠鏡的主鏡則是對 2 微米更長的波長是光滑的。（光學上，物理學家的說法是哈伯和韋伯分別在 0.5 和 2 微米達到繞射極限。）

哈伯和韋伯望遠鏡最佳解析度分別在 0.5 微米和 2 微米，根據前面的解析度公式，哈伯在 0.5 微米的解析度是 0.05 角秒，而韋伯在 2 微米的解析度是 0.08 角秒，結論是哈伯的解析度比韋伯稍微好一點！也就是哈伯老當益壯，一點也不比韋伯差。

從哈伯到韋伯，有如長江後浪推前浪

天文學家從 1990 年開始，透過哈伯望遠鏡研究宇宙，這三十年來科學家已經把哈伯的功能發揮到極致，我們對宇宙的了解很多都來自哈伯的觀測。不過這三十年的努力也讓天文學家發現哈伯不足的地方，科學家知道關鍵在紅外線觀測能力。前一代的紅外望遠鏡史匹哲無法達到需求，天文學家只能殷殷期盼韋伯。

韋伯首批公布的影像中，幾乎都是哈伯曾經拍過的天體，從科學上來說，比較可見光和紅外影像資料可以對目標天體更多了解，不過我認為這應該是韋伯對哈伯致敬的方式，感謝哈伯三十多年的貢獻！

韋伯站在巨人的肩膀上，必定能看得更暗、更遠！

美國國家光學天文台（National Optical Astronomy Observatory，NOAO）天文學家Knut Olsen和Bob Blum等人，發現大麥哲倫星系（Large Magellanic Cloud，LMC）有數百顆恆星，其實是從鄰近的小麥哲倫星系（Small Magellanic Cloud，SMC）中偷來的。LMC和SMC是我們銀河系最大的2個的衛星星系，在南半球用肉眼便輕易可見。

Olsen等人分析了5900顆LMC中的巨星和超巨星光譜，結果發現其中約有5%的恆星，公轉方向和絕大部分LMC成員星相反，或是其公轉面相對於 LMC自轉面的傾斜角很大。由於這些天文學家僅能測量這些恆星的視線方向速度，而非真正的運動方向和速度，所以無論是公轉方向相反還是公轉軌道傾角很大哪 一種特殊軌道狀況，都意味著這些恆星可能不是從LMC中的雲氣旋轉塌縮形成的。

Olsen等人後續再針對公轉方向相反的恆星仔細研究，又發現另一個奇特之處：這些恆星的化學組成也不同，鐵或鈣等重元素含量比LMC中的典型恆星還低，不過卻與SMC中的恆星化學組成非常近似。

從上述運動和化學組成這兩點證據，這些天文學家認為畢竟LMC比SMC大、重力比較強，所以這些特殊軌道恆星搞不好是LMC從SMC那邊偷過來的！要 證明某個星系中的恆星是來自別處，並不是件容易的事，好在大小麥哲倫星系都離我們不算太遠，可以觀測到這些星系中的個別恆星。

因此，為了證明這點，Olsen等人又利用位在智利的Cerro Tololo美洲際天文台（Inter-American Observatory）口徑4米的布藍科望遠鏡（Blanco Telescope）的多天體光譜儀（multi-object spectrometer）觀察其中的4600顆恆星；這個光譜儀可同時觀察大量恆星的光譜，故可節省許多觀測時間。將這4600顆恆星光譜資料與其他 1300顆恆星觀測資料比較，尋找其中是否有出現任何可辨認的特徵。除此之外，Olsen等人還動用史匹哲太空望遠鏡（Spitzer Space Telescope）研究LMC中的恆星是如何形成與演化的。將太空與地面望遠鏡所觀察到的各項恆星特性結合後，Olsen等人確定這些怪異的恆星應該就 是來自SMC。

右上圖中以有顏色的圓點標出的就是被認為從SMC偷來的恆星，其中紅色代表視線方向的速度是遠離地球的恆星，藍色代表則接近地球的恆星。顏色深淺，代表用不同波段觀測的結果。

這個研究不僅讓天文學家瞭解到星系究竟會如何互動，也能解釋LMC蜘蛛星雲（Tarantula Nebula，又稱為劍魚座30號星，30 Doradus）的恆星形成活動為何會如此劇烈。如果蜘蛛星雲是位在銀河系裡，而且距離像獵戶星雲那麼近（獵戶星雲是最近的恆星誕生區，約1300多光 年），那麼蜘蛛星雲的面積將涵蓋60個滿月，所發出的光芒之強，甚至如同太陽和月亮一樣，可讓物體出現影子。蜘蛛星雲顯然剛好位在LMC從SMC偷取恆星 時，恆星高速衝進LMC的路徑上，恆星衝擊LMC裡原有的氣體，使得這些氣體被壓縮、集中，觸發數量龐大的大質量恆星誕生。大質量恆星壽命往往相當短暫， 很快地便演化到生命末期、發生超新星爆炸；這些比較老的超新星殘骸，現在仍能用X射線望遠鏡觀察到呢！

資料來源：NEIGHBOR GALAXY CAUGHT STEALING STARS [ July 18, 2011]

引用自臺北天文館之網路天文館網站

• 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