Loading [MathJax]/extensions/tex2jax.js

1

0
0

文字

分享

1
0
0

由恆星變成的鑽石行星

臺北天文館_96
・2011/09/04 ・1159字 ・閱讀時間約 2 分鐘 ・SR值 523 ・七年級

-----廣告,請繼續往下閱讀-----

在距離我們大約4千光年遠,銀河系的巨蛇星座中,有個「脈衝星-行星」雙星系統正發出快速又規律的心跳。來自澳、德、義、英、美的一群天文學家,透過64米的Parkes電波望遠鏡正在傾聽這則宇宙傳來的新鮮事。

這次,天文學家認為他們發現了一顆「純鑽石行星」,意思是:雙星系統其中之一顆恆星正在發生罕見的變化。PSR J1719-1438這個脈衝雙星,位置在地球距離銀河系核心大約1/8的地方,也是銀河系盤面恆星聚集處。

像一個燈塔般,PSR J1719-1438週期性地向四圍射出無線電波信號,並且因快速自轉- 每分鐘可轉1萬次 – 而達到「毫秒」脈衝星的標準。當研究人員第一次注意到這個每130分鐘發生一次的規律調變(modulation)時,他們也明白,這個規律的調變模式很可能是由一個planetary proportions發出的訊跡。

有了調變的資料在手,科學家除了知道這顆脈衝A星正受到另一顆較小的伴星B的重力拉扯以外,同時還可以斷定另外兩件事情:一、較小的伴星B每2小時又10分鐘就環繞脈衝A星一次,而兩個天體彼此的距離僅約60萬公里,只比太陽的直徑略小一點;二、因該顆伴星B非常貼近脈衝星A,所以倘若伴星直徑大於6萬公里,(亦即小於木星直徑的一半),脈衝星的重力應該會將它扯碎。

-----廣告,請繼續往下閱讀-----

由較小的伴星B演變而來的鑽石行星,本來其實也是一顆大質量恆星,只不過長期以來在虹吸作用下,它本來的物質遭脈衝A星吸空了,以致如今只剩下一顆小小的核。值得一提的是,該團隊是在多達20萬GB (Gigabytes)的資料中,透過超級電腦及特殊程式搜尋而得這顆罕見脈衝星。超級電腦的運算力由Swinburne University of Technology, 英國The University of Manchester 和義大利INAF-Osservatorio Astronomico di Cagliari 等聯合提供。

我們怎麼知道脈衝A星正在吸乾它的同伴B?又怎知這顆小伴星B的成分是「鑽石」呢?

J1719-1438是一顆快速自旋的「毫秒」脈衝星,每分鐘自轉可達1萬次,質量是太陽1.4倍,但直徑只有20公里。已知資料顯示約70%的毫米脈衝星都有伴星,當其中一顆欣欣向榮、速度越衝越快,代價卻是它的同伴星會失去質量、越縮越小,變成白矮星。由於脈衝星J1719-1438 和它的伴星之間距離非常非常近,這導致較小的伴星的命運最後成為一顆密度非常高的「白矮星」,不僅失去外層,連99.9%的質量最後也都漸漸被轉移(吸空),所殘餘的物質主要只剩下碳和氧,不太可能像一般恆星那樣以較輕的氫和氦等元素為主要構成成分,再加上以密度而言,這種物質必定是以結晶體的形式存在,因此,意思就是,這顆恆星的主要成分應該會與鑽石很類似。

至於像J1719-1438這樣一個脈衝雙星的前身,很可能是一些又稱為「超緻密低質量X射線雙星」的系統,經過了上述模式,漸漸演化而來。

目前已知宇宙裡毫秒脈衝星並不多見,毫秒雙脈衝星的二者之一當中又有著質量是行星等級的伴星,意味著這顆罕見的「脈衝星-行星」雙星應該屬於例外,並非規律常態,需要特定條件才會發生。(Lauren 譯)

資料來源:中研院天文網

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
所有討論 1
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!

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。

2

2
2

文字

分享

2
2
2
諦聽宇宙深處的低吟,宇宙低頻重力波訊號代表的意義——《科學月刊》
科學月刊_96
・2023/11/01 ・3782字 ・閱讀時間約 7 分鐘

  • 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。

-----廣告,請繼續往下閱讀-----

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

與電磁波相似,重力波也有不同的頻率。不同頻率的重力波會對應到不同性質的波源,且需要不同的方式觀測。圖/科學月刊 資料來源/Barack, et al. 2018

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。

-----廣告,請繼續往下閱讀-----
利用數個脈衝星組成的脈衝星計時陣列,可用來尋找宇宙中低頻的重力波訊號。圖/Tonia Klein, NANOGrav 

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

NANOGrav 的觀測結果

橫軸為脈衝星陣列中,兩脈衝星位置之間的夾角;縱軸為訊號之間的相關性;藍色數據點為 NANOGrav 15 年的觀測結果;黑色虛線為 HD 曲線。可看出數據點的分布與 HD 曲線相當吻合。圖/科學月刊 資料來源/Agazie et al. 2023

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。

-----廣告,請繼續往下閱讀-----

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。
-----廣告,請繼續往下閱讀-----
所有討論 2
科學月刊_96
249 篇文章 ・ 3741 位粉絲
非營利性質的《科學月刊》創刊於1970年,自創刊以來始終致力於科學普及工作;我們相信,提供一份正確而完整的科學知識,就是回饋給讀者最好的品質保證。

0

12
5

文字

分享

0
12
5
發現最靠近地球的黑洞:Gaia BH1
全國大學天文社聯盟
・2022/11/30 ・2897字 ・閱讀時間約 6 分鐘

  • 文/林彥興|清大天文所碩士生、EASY 天文地科團隊主編、全國大學天文社聯盟監事

本月初 [1],「最靠近地球的黑洞」這個紀錄被刷新了!以天文學家 Kareem El-Badry 為首的團隊,利用蓋亞(Gaia)衛星極度精準的天體位置資料,加上多座望遠鏡聯合進行的徑向速度量測,成功確認了約 1550 光年外位於蛇夫座的一顆恆星,正與黑洞互相繞行,打破離地球最近的黑洞紀錄。

狩獵隱身巨獸的方法

人類搜尋黑洞已經有數十年的歷史。對於正在「進食」,也就是正在吸積物質的黑洞,由於其周遭的吸積盤和噴流等結構會在無線電、X 射線等多個波段發出強烈的電磁輻射,因此相對容易看到;但沒有在進食的黑洞,就要難找許多。

畢竟黑洞之所以被叫做黑洞,就是因為它本身幾乎不會發光。想要尋找這些「沉默」黑洞的方法,通常只能靠著黑洞的重力對其週遭的影響,間接推測黑洞的存在。

其中最常見的方法,就是尋找「繞著看不見的物體旋轉的恆星」。一般來說,恆星在天空中移動的軌跡應只受恆星的視差和自行影響,但如果恆星在與另一個大質量的天體互相繞行,比如我們的目標:沉默的黑洞,那恆星的軌跡就會受到黑洞影響。

因此觀測恆星的移動軌跡,是尋找沉默黑洞的重要方法之一。這個方法最著名的例子,就是 2020 年諾貝爾物理獎得主 Reinhard Genzel 與 Andrea Ghez 藉由長時間觀測銀河系中心的恆星運動(位置與徑向速度),從而確認了銀河系中心超大質量黑洞的存在。

-----廣告,請繼續往下閱讀-----
UCLA 的銀河中心觀測團隊即是以觀測恆星的運動確認銀河系中央超大質量黑洞的存在。圖/UCLA Galactic Center Group – W.M. Keck Observatory Laser Team

但由於方法間接,用這類方式尋找黑洞時往往很難確定那個「看不見的物體」到底是不是黑洞。舉例來說,2020 年歐南天文台的天文學家宣布發現 HR 6819 是一個包含黑洞的三星系統,卻在更多更仔細的研究後遭到推翻。因此從恆星的運動來尋找「黑洞候選者」相對不難,但是想要消滅所有其他的可能性,「確定」黑洞的存在,就不是一件容易的事。

多方聯合|鎖定真身

那麼,這次的新研究是怎麼「確定」黑洞的存在的呢?

第一步,天文學家們先把目標鎖定在「形跡詭異」的恆星。因為當一顆恆星與黑洞互相繞行時,恆星在天上的運行軌跡會因為黑洞的引力而有週期性的擺盪。所以,如果我們看到有個恆星的軌跡歪歪扭扭,這顆恆星很可能就是受到黑洞重力影響的候選者。

而目前,蓋亞衛星(Gaia)提供的天體位置資料是當之無愧的首選。蓋亞是歐洲太空總署(ESA)於 2013 年發射的太空望遠鏡,與著名的韋伯太空望遠鏡一樣運行在日地第二拉格朗日點。

-----廣告,請繼續往下閱讀-----

但與十項全能的韋伯不同,蓋亞是「天體測量學 Astrometry」的專家,專門以微角秒等級的超高精確度測量天體的位置。每隔幾年,蓋亞團隊就會整理並公布他們的觀測結果,稱為資料發布(Data Release)。目前最新的「第三次資料發布 DR3」之中,就包含了超過 18 億顆天體的海量資料。

歐洲太空總署(ESA)的蓋亞衛星(Gaia)是當前測量天體位置和距離無庸置疑的首選。圖/ESA/ATG medialab; background: ESO/S. Brunier

經過篩選,團隊發現一顆名為 Gaia DR3 4373465352415301632 的恆星看起來格外可疑。這是一顆視星等 13.77(大概比肉眼可見極限暗 1300 倍,但以天文學的角度來說算是相當亮)、與太陽十分相似的恆星,距離地球約 1550 光年。

畫面中央的明亮恆星即是這次的主角 Gaia BH1。圖/Panstarrs

找到可能的候選者後,團隊一方面翻閱過去觀測這顆恆星的歷史資料,另一方面也申請多座望遠鏡,進行了四個月的光譜觀測。同時使用從蓋亞衛星的位置(赤經、赤緯、視差)以及從光譜獲得的徑向速度資訊,團隊可以精確地計算出這顆恆星應當是正在繞行一個 9.6 倍太陽質量的天體運轉。

這麼大的質量,卻幾乎不發出任何光,黑洞幾乎是唯一可能的解釋。

但以現有的觀測資料,天文學家仍不能確定它到底是一顆黑洞,還是有兩顆黑洞以相當近地軌道互相繞行,然後恆星再以較大的軌道繞著兩顆黑洞運轉。但無論是一顆或兩顆,Gaia BH1 都刷新了離地球最近黑洞的紀錄,距離僅有 1550 光年,比上一個紀錄保持人(LMXB A0620-00)要近了三倍。從銀河系的尺度來看,這幾乎可說是就在自家後院。

-----廣告,請繼續往下閱讀-----
結合蓋亞與其他多座望遠鏡的光譜觀測,天文學家可以計算出 Gaia BH1 在天空中的移動軌跡(左圖黑線)與其軌道形狀(右圖)。注意除了恆星與黑洞互繞所造成的移動外,恆星在天上的位置也受視差和自行影響,兩者在左圖中以藍色虛線表示。圖/El-Badry et al. 2022.
天文學家計算出的 Gaia BH1 徑向速度(RV)變化(黑線)與觀測結果(各顏色的點)。圖/El-Badry et al. 2022.

更多黑洞就在前方

最後讓我們來聊聊,找到「離地球最近的黑洞」有什麼意義呢?

「離地球最近的黑洞」這個紀錄本身是沒有太多意義的。雖然說從銀河系的尺度來說,1550 光年幾乎可說是自家後院,但是這顆黑洞並不會對太陽系、地球或是大家的日常生活產生任何影響。既然如此,為什麼天文學家還會努力尋找這些黑洞呢?

其中一大原因,是因為尋找這些與恆星互相繞行的黑洞,可以幫助天文學家了解恆星演化的過程。在銀河系漫長的演化歷史中,曾有數不清的恆星誕生又死亡。我們看不到這些已經死亡的恆星,但可以藉由這次研究的方法,去尋找這些大質量恆星死亡後留下的黑洞 [2],從而推測雙星過去是如何演化,留下的遺骸才會是如今看到的樣子。

除了 Gaia BH1,天文學家也在持續研究 Gaia DR3 之中其他「形跡可疑」的恆星/黑洞雙星候選系統。而隨著蓋亞衛星的持續觀測,更多這類黑洞候選者將會越來越多。研究這些系統,將幫助天文學家進一步了解雙星系統演化的奧秘。

-----廣告,請繼續往下閱讀-----

註解

[1] 嚴格來說,論文九月中就已經出現在 arXiv 上了。

[2] 嚴格來說,恆星質量黑洞(stellar mass black hole)是大質量恆星的遺骸。超大質量黑洞(supermassive black hole)就不一定了。

延伸閱讀

  1. El-Badry, K., Rix, H. W., Quataert, E., Howard, A. W., Isaacson, H., Fuller, J., … & Wojno, J. (2022). A Sun-like star orbiting a black hole. Monthly Notices of the Royal Astronomical Society518(1), 1057-1085.
  2. [2209.06833] A Sun-like star orbiting a black hole
  3. Astronomers Discover Closest Black Hole to Earth | Center for Astrophysics
  4. The Dormant Stellar-Mass Black Hole that Actually Is | astrobites
  5. Astronomers find a sun-like star orbiting a nearby black hole
  6. 狩獵隱身巨獸:天文學家發現沉默的恆星質量黑洞? – PanSci 泛科學
  7. 「最靠近地球的黑洞」其實不是黑洞
  8. 人們抬頭所遙望的星空是恆定不變嗎? – 科學月刊Science Monthly
-----廣告,請繼續往下閱讀-----