0

0
1

文字

分享

0
0
1

天文學家可能在太空中找到石墨烯

臺北天文館_96
・2011/08/24 ・1365字 ・閱讀時間約 2 分鐘 ・SR值 568 ・九年級

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

西班牙卡納利天文研究所(Instituto de Astrofísica de Canarias)Aníbal García-Hernández等天文學家與生化學家,利用史匹哲太空望遠鏡(Spitzer Space Telescope)進行觀測,首度在銀河系外空間偵測到C70富勒烯(fullerene)分子,此外還可能偵測到C24石墨烯(graphene)分 子,即片狀的單層石墨。經過電腦模擬,這些天文學家認為:行星狀星雲裡的年老恆星所發出的恆星風,衝擊星際介質後就可能形成C60與C70兩種富勒烯,以 及C24石墨烯這些分子。右上圖是藝術家想像這些分子懸浮在著名的螺旋星雲(Helix Nebula)裡;在與太陽類似的這些老恆星周圍偵測到這些碳分子,顯示這類碳分子或沒有任何晶形的碳分子,在太空中可能相當普遍。

和我們太陽類似的恆星,演化到生命末期時,外層大氣逐漸向外擴張而形成行星狀星雲(planetary nebulae,PN)。García-Hernández等人此次研究的行星狀星雲位在大小麥哲倫星系(Magellanic Clouds)中,即我們銀河系最大的2個衛星星系。由於大麥哲倫星系距離約16萬光年,小麥哲倫星系約20萬光年,以天文尺度而言,離我們算是非常近 的,因此仍能從地球觀察到大小麥哲倫星系中的行星狀星雲,只不過看起來像是一個個小而模糊的斑點。但是,我們自己銀河裡的行星狀星雲往往很難確定距離,大 小麥哲倫星系裡的PN距離誤差僅在5%以內,因此用以研究比較,可以得到更正確的恆星光度,且確定這些的確都是PN而非其他天體。

The Large Magellanic Cloud Planetary Nebula SMP48, one of the star systems in the present study. The reason for the name “planetary nebula” is obvious from this image of a planetary nebula, which is much fainter and further away than the first ones seen in our galaxy. Image credit: HST  左圖是García-Hernández等人的其中一個研究目標:大麥哲倫星系裡的SMP 48;他們確認此星雲裡有富勒烯。

富勒烯又稱為巴克球(Buckyball),由碳原子排列組合成像是一個立體球狀的結構,在地球上應用相當廣泛。C70富勒烯分子外型如英式橄欖球,C60富勒烯則類似足球。此次研究中,這兩種分子都有偵測到。

石墨烯是由碳原子排列成僅有一個碳原子厚度的片狀分子,結構強度、導電性、彈性都絕佳,卻又非常薄,是目前已知最薄的物質,因此又被稱為石墨薄膜,廣 泛應用在現今的液晶顯示器等產品中。石墨烯最初是2004年時在實驗室中合成,其發明者—俄羅斯的Andre Geim及Konstantin Novoselove甚至因此獲得2010年的諾貝爾物理獎。如果能經由實驗室光譜確認,這將是首度在太空中找到石墨烯存在的證據;可惜目前的科技水準還 無法進行這樣的光譜驗證。

García-Hernández等人猜測:富勒烯和石墨烯很可能是含氫非晶質碳(hydrogenated amorphous carbon,HAC)顆粒互相碰撞而形成;這種碰撞則最可能發生在行星狀星雲受恆星風衝擊的時候。García-Hernández等人後來從紫外光譜 中看到這類老恆星具有強恆星風的證據。研究團隊成員覺得最驚訝的一點,是這些分子的存在與恆星溫度無關,而是與恆星風衝擊的強度有關。

小麥哲倫星系非常缺乏重元素或稱為金屬元素(metal),即元素週期表中比氫和氦還重的所有其他元素;但這種環境卻偏好演化出富碳的行星狀星雲,因 此非常容易產生複雜的碳分子。目前相關的太空化學研究進展,已經不僅止於發現新分子,而是要進一步瞭解這些分子如何形成與演化,因此García- Hernández等人計畫繼續用大型地面望遠鏡追蹤觀測,以便確認周圍有發現富勒烯的行星狀星雲中還有什麼樣的分子,由此測試恆星周圍的某些物理過程, 甚至或許能找到與生命相關的生物化學關鍵訊息。

資料來源:HAS GRAPHENE BEEN DETECTED IN SPACE? [August 10, 2011]

引用自臺北天文館之網路天文館網站

文章難易度
臺北天文館_96
482 篇文章 ・ 27 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!

1

133
3

文字

分享

1
133
3
AI 是理科「主場」? AI 也可以成為文科人的助力!
研之有物│中央研究院_96
・2022/08/13 ・5646字 ・閱讀時間約 11 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪撰文/田偲妤
  • 美術設計/蔡宛潔

AI 的誕生,文理缺一不可

人工智慧(Artificial Intelligence,簡稱 AI)在 21 世紀的今日已大量運用在生活當中,近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等,都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維,除了仰賴工程師的先進技術,更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員,帶大家釐清什麼是 AI?文科人與工程師合作時,需具備什麼基本 AI 知識?AI 如何應用在人文社會領域的工作當中?

中央研究院人文社會科學研究中心蔡宗翰研究員。圖/研之有物

詩詞大對決:人與 AI 誰獲勝?

一場緊張刺激的詩詞對決在線上展開!人類代表是有「AI 界李白」稱號的蔡宗翰研究員,AI 代表則是能秒速成詩的北京清華九歌寫詩機器人,兩位以「人工智慧」、「類神經」為命題創作七言絕句,猜猜看以下兩首詩各是誰的創作?你比較喜歡哪一首詩呢?

猜猜哪首詩是 AI 做的?哪首詩是人類做的?圖/研之有物

答案揭曉!A 詩是蔡宗翰研究員的創作,B 詩是寫詩機器人的創作。細細賞讀可發覺,A 詩的內容充滿巧思,為了符合格律,將「類神經」改成「類審經」;詩中的「福落天赦」是「天赦福落」的倒裝,多念幾次會發現,原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯;而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯,整首詩創意十足,充滿令人會心一笑的魅力!

相較之下,B 詩雖然有將「人工」兩字穿插引用在詩中,但整體內容並沒有呼應命題,只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝!

由此可見,當前的 AI 缺乏創作所需的感受力與想像力,無法做出超越預先設定的創意行為。然而,在不久的將來,AI 是否會逐漸產生情感,演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人?

AI 其實沒有想像中聰明?

近期有一則新聞「AI 有情感像 8 歲孩童?Google 工程師爆驚人對話遭停職」,讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示:「當前的 AI 還是要看過資料、或是看過怎麼判讀資料,經過對應問題與答案的訓練才能夠運作。換而言之,AI 無法超越程式,做它沒看過的事情,更無法替人類主宰一切!

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言,多半是因為我們對 AI 的訓練流程認識不足,也缺乏實際使用 AI 工具的經驗,因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上,更延伸到文科人與理科人的合作溝通上,因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識,不僅能讓跨領域的合作更加順利,還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是,由於文科人不了解 AI 的訓練流程,因此對 AI 產生錯誤的期待,認為辛苦標注的上千筆資料,應該下個月就能看到成果,結果還是錯誤百出,準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚,兩方就會陷入僵局,導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議:

如果文科人了解基本的 AI 訓練流程,並在每個訓練階段協助分析:錯誤偏向哪些面向?AI 是否看過這方面資料?文科人就可以補充缺少的資料,讓 AI 再進行更完善的訓練。

史上最認真的學生:AI

認識 AI 的第一步,我們先從分辨什麼是 AI 做起。現在的數位工具五花八門,究竟什麼才是 AI 的應用?真正的 AI 有什麼樣的特徵?

基本上,有「預測」功能的才是 AI,你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現,而且人類手工操作就辦得到,那就不是 AI。

數位化到 AI 自動化作業的進程與舉例。圖/研之有物

蔡宗翰研究員以今日常見的語音辨識系統為例,大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話,你會發現自己無法事先知曉將產生什麼文字或回應,結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同:AI 無法百分之百正確!

因此,AI 的運作需建立在不斷訓練、測試與調整的基礎上,盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段,工程師彷彿化身老師,必須設計一套學習方法,提供有助學習的豐富教材。而 AI 則是史上最認真的學生,可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI,讓其根據工程師所定義的資料相似度算法,逐漸學會將相似資料分在同一堆,再由人類檢視並標注每堆資料對應的類別,進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI,讓其逐漸學會將任意資料對應到正確答案。

圖/研之有物

學習到一定階段後,工程師會出試題,測試 AI 的學習狀況,如果成績只有 60、70 分,AI 會針對答錯的地方調整自己的觀念,而工程師也應該與專門領域專家一起討論,想想是否需補充什麼教材,讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作,也可能因為時事與技術的推陳出新,導致準確率下降。這時,AI 就要定時進修,針對使用者回報的錯誤進行修正,不斷補充新的學習內容,讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後,蔡宗翰研究員建議:文科人可以看一些視覺化的操作影片,加深對訓練過程的認識,並實際參與檢視與標注資料的過程。現在網路上也有很多 playground,可以讓初學者練習怎麼訓練 AI,有了上述基本概念與實務經驗,就可以跟工程師溝通無礙了。

AI 能騙過人類,全靠「自然語言處理」

AI 的應用領域相當廣泛,而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因,他充滿自信地回答:因為自然語言處理是「AI 皇冠上的明珠」!這顆明珠開創 AI 發展的諸多可能性,可以快速讀過並分類所有資料,整理出能快速檢索的結構化內容,也可以如同真人般與人類溝通。

著名的「圖靈測試」(Turing Test)便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代,傳奇電腦科學家艾倫・圖靈(Alan Turing)設計了一個實驗,用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好,並派一個人操作終端機,再找一個第三者來進行對話,判斷從終端機傳入的訊息是來自 AI 或真人,如果第三者無法判斷,代表 AI 通過測試。

圖靈測試:AI(A)與真人(B)同時傳訊息給第三者(C),如果 C 分不出訊息來自 A 或 B,代表 AI 通過實驗。圖/研之有物

換而言之,AI 必須擁有一定的智力,才可能成功騙過人類,讓人類不覺得自己在跟機器對話,而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在:人文研究文本分析、新聞真偽查核,更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料,追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化,而大量數位化的經典更被主動分享到「Chinese Text Project」平台,讓 AI 自然語言處理有豐富的文本資料可以分析,包含一字不漏地快速閱讀大量文本,進一步畫出重點、分門別類、比較相似之處等功能,既節省整理文本的時間,更能橫跨大範圍的文本、時間、空間,擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的?就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋,由鎮江、杭州一帶的說書人所創作,著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉,才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素,接著用這批標記好的語料來訓練 BERT 等序列標注模型,以便將「文本向量化」,進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現,白蛇傳的原型可追溯自印度教的那伽蛇族故事,傳說那伽龍王的三女兒轉化成佛、輔佐觀世音,或許與白蛇誤食舍利成精的概念有所關連,推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外,故事的雛型可能早從唐代便開始醞釀,晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事,而法海和尚、金山寺等關鍵人物與景點皆真實存在,金山寺最初就是由唐宣宗時期的高僧法海所建。

白蛇傳中鎮壓白娘子的雷峰塔。最早為五代吳越王錢俶於 972 年建造,北宋宣和二年(1120 年)曾因戰亂倒塌,大致為故事雛形到元素齊全的時期。照片中雷峰塔為 21 世紀重建。圖/Wikimedia

在 AI 的協助之下,我們得以跨時空比較不同文本,了解說書人如何結合印度神話、唐代傳奇、在地的真人真事,創作出流傳千年的白蛇傳經典。

最困難的挑戰:AI 如何判斷假新聞

除了應用在人文研究文本分析,AI 也可以查核新聞真偽,這對假新聞氾濫的當代社會是一大福音,但對 AI 來說可能是最困難的挑戰!蔡宗翰研究員指出 AI 的弱點:

如果是答案和數據很清楚的問題,就比較好訓練 AI。如果問題很複雜、變數很多,對 AI 來說就會很困難!

困難點在於新聞資訊的對錯會變動,可能這個時空是對的,另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器,可輸入當前的新聞讓機器去判讀真假,但過一段時間可能會失準,因為新的資訊源源不絕出現。而且道高一尺、魔高一丈,當 AI 好不容易能分辨出假新聞,製造假新聞的人就會破解偵測,創造出 AI 沒看過的新模式,讓先前的努力功虧一簣。

因此,現在多應用「事實查核法」,原理是讓 AI 模仿人類查核事實的過程,尋找權威資料庫中有無類似的陳述,可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊,致力於建立英文事實查核法模型所能運用的資源,並透過舉辦國際競賽,廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後,也與合作夥伴事實查核中心及資策會討論,正著手建立中文事實查核法模型所需資源。預期在不久的將來,AI 就能幫讀者標出新聞中所有說法的資料來源,節省讀者查證新聞真偽的時間。

AI 的無限可能:專屬於你的療癒「杯麵」

想像與 AI 共存的未來,蔡宗翰研究員驚嘆於 AI 的學習能力,只要提供夠好、夠多的資料,幾乎都可以訓練到讓人驚訝的地步!圖/研之有物

AI 的未來充滿無限可能,不僅可以成為分類與查證資料的得力助手,還能照護並撫慰人類的心靈,這對邁入高齡化社會的臺灣來說格外重要!許多青壯年陷入三明治人(上有老、下有小要照顧)的困境,期待有像動畫《大英雄天團》的「杯麵」(Baymax)機器人出現,幫忙分擔家務、照顧家人,在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式,新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」(Nadine),由感知、處理、互動等三層架構組成,可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境,並將上述資訊發送到處理層。處理層會依據感知層提供的資訊,連結該用戶先前與娜丁互動的記憶,讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象,或對陌生事物感到不安,常選擇靜默不語,需要照護者主動引導。因此,娜丁內建了注視追蹤模型,當偵測到住戶已長時間處於被動狀態,就會自動發起話題。

實驗發現,在娜丁進駐長照機構一段時間後,住戶有一半的天數會去找她互動,而娜丁偵測到的住戶情緒多為微笑和中性,其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

照護機器人娜丁的運作架構。圖/研之有物

至於未來的改進方向,研究團隊認為「語音辨識系統」仍有很大的改進空間,需要讓機器人能配合老年人緩慢且停頓較長的語速,音量也要能讓重聽者可以清楚聽見,並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人,首要任務就是要開發一套臺灣人專用的 AI 語言模型,包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型,期待政府能整合學界與業界的力量,降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感,但卻可以成為人類大腦的延伸,協助我們節省處理資料的時間,更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨,如何讓自己的行事邏輯跟上 AI 時代,讓 AI 成為自己的助力,是值得你我關注的課題。

延伸閱讀

文章難易度
所有討論 1
研之有物│中央研究院_96
253 篇文章 ・ 2220 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

5
3

文字

分享

0
5
3
解析韋伯太空望遠鏡第一批影像背後的科學意義
EASY天文地科小站_96
・2022/07/14 ・4350字 ・閱讀時間約 9 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

  • 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

萬眾矚目的詹姆士韋伯太空望遠鏡,在經過半年的校準與測試後,終於公開了它拍攝到的第一批成果。這些五彩斑斕、美麗絕倫的照片究竟是什麼樣的天體,照片的背後又有哪些深藏的意義?就讓我們一起深入解密,韋伯的第一批照片吧!

韋伯望遠鏡是什麼?

詹姆士.韋伯太空望遠鏡是美國、歐洲與加拿大太空總署合作開發的新一代旗艦級紅外線太空望遠鏡,也是無數天文學家夢寐以求、能幫助人類破解許多未解天文迷團的利器。

韋伯的研發其實早從 1996 年就已經開始,但是由於開發時遇到諸多困難,導致嚴重的預算超支與進度延宕,這台耗資上百億美金的超級望遠鏡,直到去年年底才終於從法屬圭亞那發射中心,用一枚亞利安 5 號運載火箭發射升空,前往距離地球 150 萬公里的日地第二拉格朗日點。

拉格朗日點是什麼?

日地拉格朗日點一共有五個。當物體在這些點上,其受到來自太陽與地球的重力恰到好處,因此太空船只需要少量的燃料,就可以長期與地球和太陽保持穩定的相對位置,可謂是地球軌道附近的風水寶地。

而韋伯繞行的,是位於地球後方的第二拉格朗日點,簡稱 L2。之所以選擇這裡,是因為只有 L2 的位置剛好會讓地球、太陽、月亮都在同一側,而這三個星體正是天文望遠鏡的主要紅外線光害來源。位在 L2 的韋伯,就可以用它的遮陽帆一次把三顆星體全部擋住,認真凝望遠方而不受干擾,因此 L2 可以說是觀測宇宙的絕佳地點。升空的幾個月之間,韋伯已經完成一系列的儀器校準工作,一步步把望遠鏡調整到最佳狀態。

相比知名前輩「哈伯太空望遠鏡」,韋伯的優勢不只是擁有比哈伯大六倍的鏡面,更重要的是它是以紅外線為主力觀測波段。宇宙膨脹造成嚴重紅移,但哈伯望遠鏡的守備範圍主要是可見光,波長範圍是 90 – 2500 奈米,可說是鞭長莫及啊。

這時換上以波長 600 – 28500 奈米的紅外線為守備範圍的韋伯,就可以讓我們看到更遙遠、更古老的宇宙。此外,同一個天體在可見光和紅外線看起來,往往長得相當不一樣。這個強大的紅外線觀測能力,正是韋伯最引以為傲的武器。

作為深具儀式感的第一批科學影像,韋伯這次公布的影像分別對應四個主要科學主題:早期宇宙星系演化恆星的生命循環系外行星

1. 早期宇宙—— 星系團 SMACS 0723 與重力透鏡效應

星系團 SMACS 0723。圖/Webb Space Telescope

畫面中心黃白色的天體,是由成百上千的星系共同組成的星系團 SMACS 0723。在韋伯之前,哈伯太空望遠鏡就曾經花費數個禮拜的時間拍攝這個星系團。然而擁有更大鏡面、更精良儀器的韋伯,僅用了 12.5 個小時就拍出了解析度更高、畫面品質更好的照片,讓我們看到許多以前難以辨識的黯淡星系。可見哈伯與韋伯在觀測能力上的差距。

對天文學家來說,圖中最令人興奮的其實不是前景壯闊的星系團,而是後方這些經過重力透鏡扭曲和放大的小小星系們。星系團龐大的質量扭曲了周圍的時空,讓整個星系團好像一塊巨大的放大鏡一樣,可以偏折和聚焦通過的星光,稱為「重力透鏡效應」。

當星系團後方更遙遠、更古老的星系發出的光線通過星系團時,就會被星系團的重力透鏡效應偏折和聚焦,形成而圖中無數弧形的扭曲影像。

紅圈為照片上受重力透鏡影響的區域之一,可以看到星系被拉長。

這些仍在襁褓中的小小星系,往往正在快速的孕育新的恆星,或是互相合併,因此有著混沌不規則的形狀。離我們越遠的星體發出的光,需要越長的時間才能到達我們的眼中。因此研究這些遙遠且古老的星系,能幫助天文學家理解宇宙早期的模樣。

2. 星系演化——史蒂芬五重奏(Stephan’s Quintet)

上一張照片讓我們認識星系的起源,這張「史蒂芬五重奏(Stephan’s Quintet)」則可以讓天文學家更仔細地研究星系內的複雜結構,以及星系與星系之間的交互作用。

史蒂芬五重奏(Stephan’s Quintet)。圖/Webb Scape Telescope

正如其名,「史蒂芬五重奏(Stephan’s Quintet)」是由五個視覺上相當靠近的星系所組成。但其實最左邊的這個星系(NGC7320)與另外四者並無關聯,只是從地球上看剛好位在天空中差不多的位置而已。

圖片中偏向黃白色,感覺如絲綢般順滑的部分是在近紅外線波段拍攝,主要顯示的是星系中恆星的分布;而醒目的橘紅色,則是來自中紅外波段的資料,展示的是星系中的高溫塵埃,以及星系中的氣體高速對撞時產生的震波(Shock wave)。

除了影像,韋伯還使用光譜儀仔細檢視了影像中右上方的星系(NGC 7319)中心,因為那裏有一顆比太陽重 2400 萬倍的超大質量黑洞,正在吸食周遭的氣體,並在過程中釋放巨大的能量。

藉由觀察光譜的細節,韋伯可以分辨出像是氬離子、氖離子或是氫分子等等化學組成,甚至知道氣體的溫度、運動速度這些從一般照片難以辨識的資訊。

史蒂芬五重奏就像一個天然的實驗場,讓天文學家研究星系演化的詳細過程。

3. 系外行星——WASP-96 b 的大氣光譜

這一張照片可能是整批影像中,視覺上最不起眼的一張,它是系外行星 WASP-96 b 的大氣光譜。

WASP-96 b 的大氣光譜。圖/Webb Scape Telescope

最近 20 多年來,人類對太陽系以外行星的認識越來越多。截至今日,人類已經發現超過 5000 顆系外行星。然而,以現有的觀測技術,天文學家通常只能用一些間接的方法,測量它們的質量、半徑、軌道週期等粗略的特性。想知道這個行星是否適合生命生存,就不能少了行星大氣層的化學組成和溫度資訊。

那要怎麼取得行星的大氣資訊呢?當行星通過恆星跟地球中間時,恆星的一部分星光將會通過行星的大氣層,並被行星的大氣吸收。吸收的多寡和波段,取決於行星大氣層的溫度和化學組成等特性。此時,天文學家就可以藉由分析光譜中的各種特徵,去回推行星大氣層的性質。

圖片中的白點,即是韋伯實際觀測 WASP-96 b 時取得的光譜資訊。而藍色的線,則是天文學家認為最貼合觀測數據的理論模型。

根據這個觀測結果,天文學家計算出 WASP-96 b 的大氣溫度約為 725°C,大氣中明顯有著水氣,並推測可能還有雲和霾存在。未來進一步的分析和觀測,將為世人揭開更多系外行星的神祕面紗。

4. 恆星的生命循環——「南環狀星雲」與「船底座大星雲(Carina)」

最後兩張照片都與恆星的生命循環有關。正如人會有生老病死,恆星也是一樣。

恆星一般誕生在巨大分子雲中,氣體在重力吸引下逐漸塌縮、升溫並點燃核融合,成為一顆恆星。

當小質量的恆星步入晚年,其結構容易變得不穩定,最終將自己的外層氣體拋射出去,形成美麗的行星狀星雲,也將氣體吐回到星際空間中,成為下一代恆星的養分。氣體都拋射完之後留下的核心,就是白矮星。

各位現在看到的,是暱稱「南環狀星雲」的行星狀星雲,左右兩張圖分別於近紅外線與中紅外線拍攝。

南環狀星雲。圖/Webb Scape Telescope

我們可以看到,左圖中的影像比右圖要更清晰一些,這是因為在相同的望遠鏡口徑下,波長越短所能達到的理論解析度就越高。

有趣的是,在左圖中看起來位於星雲中心的明亮恆星,其實並不是行星狀星雲的核心。真正的核心其實是在其左下方,一顆被塵埃包裹著的黯淡白矮星。在近紅外線波段的影像中,這顆白矮星幾乎淹沒在隔壁恆星的炙烈星芒之中。

但在中紅外波段,由於恆星的亮度相對降低,包裹著白矮星的塵埃發出的光就變得清晰可見。再次展示即使是同一個天體,使用不同的波段進行觀測,往往可以看到不同的東西。

最後這片壯麗的宇宙山崖,則是位於「船底座大星雲 Carina」西北角的 NGC3324 恆星形成區。在這裡,源自星雲中無數初生恆星所發出的炙烈輻射、恆星風與噴流,吹散、游離了星雲中原有的濃密氣體與塵埃。交織出這片壯闊而複雜的結構。

船底座大星雲(Carina)。圖/Webb Scape Telescope

這張照片一共結合了這六個不同的濾鏡的影像拍攝而成。每個濾鏡涵蓋的波段各不相同,代表的物理意義也不一樣。比如(F090W、F200W、F444W)這三個寬帶濾鏡,分別在影像中按照波長順序,以藍色、綠色和紅色這三原色呈現,為照片打下骨幹。而在此之上,照片的製作團隊又疊上青色代表氫原子的(F187N)濾鏡影像,以黃色代表氫分子的(F470N)濾鏡影像,以及用橘色代表甲烷和多環芳香烴的 (F335M) 濾鏡影像,為照片再添更多的細節。

想要將這麼多個波段的影像全部結合起來,仔細調整讓細節更加突出,最終呈現出一張如此絢麗又震撼的照片,是非常不容易的。這展示了韋伯太空望遠鏡不僅在科學上相當重要,在藝術上也價值非凡。

最後別忘了,以上只挑選介紹了第一批資料中最具代表性的幾張,更多關於五個目標的照片和光譜,可以在韋伯的官網上找到。而這批照片,又只是韋伯未來二十年服役生涯中,前兩個月的小試牛刀而已。韋伯的時代,才剛剛要開始!

EASY天文地科小站_96
21 篇文章 ・ 766 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

4
0

文字

分享

0
4
0
物聯網世代資安保護的熱門選擇——新型「加密金鑰」PUF 技術
科技大觀園_96
・2022/02/06 ・1831字 ・閱讀時間約 3 分鐘

立即填寫問卷,預約【課程開賣早鳥優惠】與送你【問卷專屬折扣碼】!

 

隨著萬物聯網時代到來,越來越多數據以數位化方式儲存共享,架構安全性也越來越受到重視。就在今年 5 月,美國賓州大學研究團隊開發出一種基於石墨烯的 PUF(Physically Unclonable Function),能夠有效防範利用 AI 模型的新型攻擊,使加密金鑰更難以被破解。

石墨烯是一種由碳原子以 sp2 混成軌域組成六角型呈蜂巢晶格的平面薄膜,只有一個碳原子厚度的二維材料。圖/pixabay

什麼是 PUF?

要解釋什麼是 PUF,就得先理解物聯網(Internet of Things , IoT)的概念。簡單來說,物聯網就是讓設備裝上感測器、軟體及技術來相互連接傳輸資料所形成的網路,是很多產業智慧化的基礎,然而很容易就可以想像這種便利性同時也帶來更高的資安風險,由於物聯網設備涵蓋的領域相當廣泛,駭客從許多層面都可以發動攻擊。

物聯網是讓設備相互連接傳輸資料所形成的網路。圖/pixabay

過去談到物聯網的資訊安全,許多人都會先想到軟體及網路加密連線,但其實除了網路層面的安全防護,實體設備同樣存在著威脅。一旦出現仿冒晶片或其他問題,駭客就可能透過網路遠端控制設備獲得金鑰和其他敏感資訊,進而造成企業損失。以軟體為主的資安設計已不再足以提供全面保障,這也是為什麼基於硬體的安全技術開始逐年受到青睞。

全名為「物理不可仿製功能」 的 PUF 就是這樣一種硬體安全技術。透過半導體製程中引入的隨機變數,讓晶片在微觀結構上產生些許差異,在變數無法預測及控制的情況下,複製該晶片成為幾乎不可能的事,減少遭人逆向工程或操作的擔憂。這樣的隨機性、唯一性及不可複製性,讓 PUF 彷彿成為一種「晶片指紋」的存在,因此自然也變成新世代資安「零信任」(Zero Trust)架構下的熱門選擇。

不同於傳統資訊加密技術將密鑰儲存在設備的方式,PUF 技術主要使用一個客製應用積體電路(Application Specific Integrated Circuit , ASIC)或現場可程式閘陣列(Field Programmable Gate Array , FPGA)就可以完成,透過製造時挑戰/反應數據庫(Challenge/Response)的建立,便能在無須加密認證演算法的情況下對設備進行驗證,防止身分被竊取、竄改的同時,也免除了將私鑰儲存在設備的額外成本以及金鑰遺失的風險。

自 2013 年開始,PUF 已經開始逐漸受到重視,只是就像所有的密碼學應用一樣,儘管 PUF 技術存在著這些驚人特性,駭客攻擊手法也仍在持續演化中。國外一些研究已經證明,透過機器學習,AI 技術還是可能預測出密鑰並獲取數據,因此針對 PUF 技術的改良研發也仍在持續進步中。

以賓州大學團隊 5 月公布在《 Nature Electronics 》的最新研究為例,工程科學與力學助理教授 Saptarshi Das 就進一步結合了石墨烯(Graphene)的諸多特性,開發出一種新型低功耗、可擴展及可重構的 PUF,在面對 AI 攻擊時也能保持顯著彈性不易被入侵。

據研究人員表示,透過石墨烯獨特的物理和電學性質,新型 PUF 更加節能、可延展,即使受到 AI 攻擊試圖預測金鑰,受損的系統也可以在不需要額外硬體或更換元件的情況下重新配置過程並生成新密鑰,藉此有效抵抗對傳統矽製 PUF 構成威脅的 AI 攻擊。

隨著物聯網走入各大產業、設備數量大規模增長,可想見更嚴峻的資安挑戰也即將到來。目前國內廠商及研究團隊許多針對 PUF 的努力正在進行,除了矽智財知名大廠力旺開發的 NeoPUF 技術,成功大學電機系張順志教授進行的研究也是其中之一。

在「具高安全性且低耗能之物聯網晶片電路及系統之分析、設計及實作」整合型計劃中,張教授希望透過超低功耗之類比數位轉換器設計技術及內建物理密鑰技術、 AI 輔助訊號轉換電路設計技術的研發,來提升物聯網晶片的安全性與穩定性。據了解,該項目已經進入後期階段,將基於先前的經驗嘗試完成整個物聯網系統的實體整合與量測驗證。

資料來源

  1. 初探物聯網安全趨勢下PUF晶片安全發展機會|跨域資安強化產業推動計畫網站 ACW
  2. 具高安全性且低耗能之物聯網晶片電路及系統之分析、設計及實作-子計畫三:應用於高安全性且低耗能物聯網系統的類比至數位轉換器之研製( I )
  3. Stabilization in Physically Unclonable Constants
  4. Graphene key for novel hardware security | Penn State University

科技大觀園_96
82 篇文章 ・ 1104 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。