0

0
0

文字

分享

0
0
0

璀璨的疏散星團NGC 2100

臺北天文館_96
・2011/09/12 ・882字 ・閱讀時間約 1 分鐘 ・SR值 496 ・六年級

-----廣告,請繼續往下閱讀-----

右圖是歐南天文台(ESO)位在智利La Silla觀測站的新技術望遠鏡(New Technology Telescope,NTT)捕捉到的疏散星團NGC 2100的影像。這個璀璨的星團年齡僅約1500萬年而已,位在銀河系最大的衛星星系—大麥哲倫星系(Large Magellanic Cloud,LMC)中,距離約17萬光年。

這個明亮的星團被一團氣體包圍,由於恰在著名且相當明亮的蜘蛛星雲(Tarantula Nebula)外緣之處,被蜘蛛星雲和星雲中的RMC 136星團搶盡鋒頭,使得天文觀測者常常會忽略這個星團。影像右方中間還有一團更小、更容易被忽略的NGC 2092星團。

這幅影像是由EMMI相機上數個不同濾鏡的影像所組成,恆星的顏色基本上接近自然顏色,另外再以氫離子(H+,以紅色顯現)和氧離子(O2+,以藍色顯現)的影像疊加。星雲的顏色基本上與照亮它們的恆星溫度有關。蜘蛛星雲RMC 136星團是個由熾熱年輕恆星組成的超級星團,位在這幅影像的右上角以外之處,這些熾熱年輕恆星所發出的強烈輻射足以讓星雲中的氧原子被游離而發光。而在NGC 2100星團下方的紅色雲氣,則顯示此處大抵位在RMC 136勢力範圍的末端,或是附近僅有溫度較低、較老的恆星的輻射讓氫原子游離而發光。而NGC 2100裡的恆星們,就是輻射量較低、年齡較老的恆星,所以幾乎沒什麼雲氣伴隨在旁。

星團是由恆星聚集而成的團體,這些恆星幾乎都是由同一團氣體塵埃雲收縮而誕生,所以年齡相差無幾。但因質量不同,演化的程度也不同。通常星團中心的恆星數量比較多、質量比較高,愈往星團外側的恆星愈少且質量愈低,所以整個星團的中間區域比外圍亮得多。

-----廣告,請繼續往下閱讀-----

NGC 2100是個疏散星團,意味著成員星之間的重力束縛比較弱。目前天文學家研究認為這個星團的壽命僅約數千萬到數億年,之後就會逐漸解體,各自散佈到太空中。相對地,另一種所謂的「球狀星團(Globular clusters)」由數量非常龐大的老恆星所組成,且彼此距離緊密,重力束縛強,不易逸散,整個星團的壽命可達數十億到一百多億年之久,有些球狀星團甚至幾乎與宇宙同歲。因此,雖然NGC 2100的年齡可能比鄰近的其他LMC的星團老一些,但與球狀星團相較之下,還是算「幼齒」級的了。

資料來源:Young Stars Take a Turn in the Spotlight

轉載自台北天文館之網路天文網網站

-----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!

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----
文章難易度
鳥苷三磷酸 (PanSci Promo)_96
222 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

1
0

文字

分享

0
1
0
解密離岸風電政策環評:從審查標準到執行成效,一次看懂
鳥苷三磷酸 (PanSci Promo)_96
・2024/12/21 ・3546字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

本文由 環境部 委託,泛科學企劃執行。 

政策環評是什麼,跟一般環評差在哪?

隨著公共建設的規模越來越大,傳統的環境影響評估(EIA),難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時,只看「單一開發案」已經不夠,就像評估一棵樹,卻忽略了整片森林。因此,政策環境影響評估(SEA)應運而生,它看樹,也看森林,從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同,政策環評更像是一場全面性的檢視,強調兩個核心重點:「整合評估」與「儘早評估」。簡單來說,這不再是逐案評估的模式,而是要求政府在制定政策時,就先全面分析可能帶來的影響,從單一行為的侷限中跳脫,轉而聚焦在整體影響的視角。無論是環境的整體變化,還是多項行為累計起來的長期影響,政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外,政策環評還像是一個大型的協商平台,以永續發展為最高指導原則,公開整合來自不同利益團體、民眾與各機關的意見。這裡,決策單位不再只是單純的「評分者」,而是轉為「協調者」或「仲裁者」,協調各方的意見看法在這裡得到整合,讓過程更具包容性。

-----廣告,請繼續往下閱讀-----

政策環評並沒有所謂的「否決權」,而是側重意見的蒐集與整合,讓行政機關在政策推動時,能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序(包含量化、特徵化等評估方式),也廣納社會面或民眾滿意度等影響因子,把正式與非正式的作法一併考量進去。再來,決策程序中能層層檢討、隨時修正,也建立了追蹤機制和成效評估標準(如環境殘餘效應、累積效應等),透過學習來強化決策品質與嚴謹度。就像一場球賽,隨時根據變化、調整策略。

這樣的制度設計,就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估,讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響,也為後續政策執行奠定更穩固的基礎。

政策環評並沒有否決權,而是重在整合各方意見、量化影響以及建立追蹤與修正機制,這樣的制度設計便適用於離岸風電等大型政策評估。圖/envato

離岸風電為何需要的是政策環評?

離岸風電是能源轉型的重要策略之一,但這不是只在某塊空地上架幾個風車,而是要在廣闊的大海中進行大規模建設,牽涉的不僅是發電,還涉及海洋保育、航空交通、水下文化資產等議題,更與當地漁民的權益息息相關。

這樣的大型離岸風電工程,因海洋環境的風險和不確定性極高,很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點?這就需要政策環評的把關,從多方檢視這些複雜的挑戰,確保政策推行既能穩妥,又能達成發電目標。

-----廣告,請繼續往下閱讀-----

2016 年 3 月,經濟部自願提出「離岸風電區塊開發政策評估說明書」,是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書,政府將採分期公告、逐年檢討的方式,每三年開放 0.5~1 百萬瓩(GW)的電量額度鼓勵業者投入開發。當時環保署(現為環境部)歷經九個月召開 2 次意見徵詢會議,蒐集環評委員、專家學者、相關機關、民眾等意見,最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程,讓政策「名正言順」,得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中,環評會議盤點了開發過程中共通的環境議題。

首先,對於海洋生態保育的重點,特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上,以減少對其生態的干擾。實際上,這項規範在後續的實務執行中更為嚴格,例如,福海二期示範風場已退縮到 2.5 公里外,臺電二期風場甚至退到 4.2 公里外,顯示政策環評確實發揮了實質作用。此外,針對施工期間的聲音干擾,要求施工需有 30 分鐘以上的打樁緩啟動時間,並限制聲量不得超過 180 分貝等。

針對鳥類保育,政策環評也訂立了具體規範。其中,包括風機之間必須留設 500 公尺以上的鳥類穿行廊道,並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時,為確保這些措施確實生效,工程方也被要求設置「鳥類活動監測系統」,持續追蹤、評估風場對鳥類的影響。

-----廣告,請繼續往下閱讀-----

此外,環評會也確立了「先遠後近」的開發原則,要求優先開發較單純的航道外側區塊,待累積足夠經驗及相關資料後,再進行近岸區域的開發。這項原則考量了近海生態系的複雜性,也顧到養殖漁業的漁民權益,展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制:達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質,環境部參考過去離岸風電審查經驗,制定「風力發電離岸系統開發行為環境影響評估初審作業要點」,建立了全新的二階段審查機制。

環境部推動二階段審查機制,提升離岸風電環評效率與審查品質。圖/envato

這套新機制分為兩個階段。第一階段,就像「初步檢查」,由環境部依照檢核表進行初審,並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審,通過第一階段初審之業者,可取得經濟部遴選資格,其初審結果有效期為兩年,必要時可申請展延一年。接著進入「第二階段」,開發單位檢附目的事業主管機關核配的容量證明文件等資料,提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目,涵蓋開發案的全生命週期。

-----廣告,請繼續往下閱讀-----

工程面,包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中,風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域,且須進行地震危害度分析。海域電纜部分,除特殊情形外,埋設深度至少須達 1.5 公尺,且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上,檢核表則對施工噪音管制訂立了明確標準。舉例來說,打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝,且必須全程採用最佳噪音防制工法。同時,每個開發案或聯席審查的風場,同一時間內只能進行一支基樁施作,而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點,分為「施工前、施工期間、營運期間」三階段,每個階段都規定了詳細的監測要求(包括海域底質監測、水下噪音監測、鯨豚目視監測等)。以鯨豚監測為例,每年需執行20趟次,四季中每季至少執行 2 趟次。此外,所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」(https://epaw.moenv.gov.tw/)供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費,也透過明確的檢核項目,讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此,該機制亦確保了環境保護標準前後一致,避免不同案件之間標準不一。

-----廣告,請繼續往下閱讀-----

結語

透過新的審查機制,環境部正積極推動再生能源開發案的環評審查作業,在提升行政效率之餘,也確保環境影響評估的品質,支持臺灣的離岸風電開發及國家能源轉型政策,也做好把關。藉由標準化檢核表和二階段審查制度,期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進,環境部每半年至一年會進行制度檢討,並持續公開所有環評書件於「環評書件查詢系統」(https://eiadoc.moenv.gov.tw/eiaweb/)。此外,環評會議召開前一週,也必須在指定網站公布開會訊息,讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心,另一方面也確保全民能共同參與監督離岸風電的發展過程。未來,這套制度將在各界的檢視與建議中持續完善,為臺灣的永續發展貢獻心力,發揮環評作業的最大效益。

-----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
222 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

12
5

文字

分享

0
12
5
活躍黑洞的炙熱遺跡:費米泡泡
EASY天文地科小站_96
・2022/04/29 ・4611字 ・閱讀時間約 9 分鐘

-----廣告,請繼續往下閱讀-----

  • 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
圖/ESA/Gaia/DPAC; H.-Y. Karen Yang; NASA visualization team.

你看過銀河嗎?

如果你在晴朗的夏日午夜旅行到沒有光害的山上,將會看到天上有一條淡淡的、若有似無的亮帶,好像一條薄薄的雲橫跨夜空,它正是我們所居住的星系 ── 銀河系(Milky Way)的盤面。在數位相機的加持之下,我們還能看到這薄薄的盤面上,其實布滿恆星、星雲、以及塵埃帶,複雜、深邃而美麗。

美麗的銀河。圖/陳子翔(CC BY-NC-ND 4.0)拍攝於清境。

但如果,你有一雙能夠看到「伽瑪射線」的眼睛,你將看到兩個視角高 50 度、寬 40 度的巨大橢圓形「泡泡」,矗立於銀河盤面兩側。它們名為「費米泡泡 Fermi Bubbles」,是銀河系中巨大且神祕的結構之一。

費米泡泡的起源,以及存在的意義,一直是過去十多年來,天文學家相當關注的研究主題。

費米泡泡示意圖。圖/NASA’s Goddard Space Flight Center

最近(2022 年 3 月),一篇刊登於《自然天文學》(Nature Astronomy)的研究顯示,壯闊的費米泡泡很可能源自兩百多萬年前,銀河系中心超大質量黑洞的一次能量爆發。

-----廣告,請繼續往下閱讀-----

費米泡泡的發現

當我們一聽到「費米泡泡」這個詞,腦海中浮現的第一個問題往往是:

「費米是誰?這個泡泡跟他有什麼關係?」

在物理界,恩里科.費米(Enrico Fermi)這個名字可謂家喻戶曉。他是 20 世紀初最重要的物理學家之一,曾參與曼哈頓計畫,設計與建造世上第一個核子反應爐和原子彈;並且在量子力學、核子物理、粒子物理和統計力學都貢獻卓越。後世以他命名的物理概念、研究計畫不計其數。這之中,就包含「費米伽瑪射線太空望遠鏡 Fermi Gamma-ray Space Telescope」。

費米太空望遠鏡。圖/NASA

正如其名,費米是一座專門用於觀測伽瑪射線的太空望遠鏡,它於 2008 年發射升空,是軌道上最好的伽瑪射線太空望遠鏡之一。比起前輩們,費米擁有更大的視野、更高的靈敏度和空間解析度,可以看得更廣、更暗、更清楚。

它的主要任務,是不斷的掃視整片天空,繪製伽瑪射線的全天地圖(all sky map),研究黑洞、中子星、超新星等宇宙中最高能的天體。

費米太空望遠鏡的十週年科學成果紀念海報。圖片中橢圓形的區域,就是費米拍攝的伽瑪射線全天圖,以等面積投影法投影成二維的圖。中間的水平亮帶源自銀河盤面上的氣體,上下兩個泡泡狀結構就是費米泡泡的示意圖。圖/NASA

費米太空望遠鏡升空短短兩年後,天文學家就從觀測資料中發現,如果我們將費米的全天伽瑪射線圖中已知的星體(比如銀河系的瀰散氣體、中子星、其他星系等)全部扣除,將會看到銀河中心的上下兩側,各有一對高 50 度、寬 40 度的巨大橢圓形區域,而這是從未發現過的銀河系新結構!

-----廣告,請繼續往下閱讀-----

天文學家於是將它命名為「費米泡泡 Fermi Bubble」,以紀念費米太空望遠鏡的重要貢獻。

相對於銀河系中的瀰散氣體,費米泡泡的亮度其實並不高。因此天文學家必須先小心翼翼的將其他伽瑪射線的來源建模並扣除,才能看到這巨大但黯淡的構造。影/NASA Video

而除了在伽瑪射線看到的費米泡泡之外,天文學家也在微波和 X 射線波段看到了相似的結構。

在微波波段,威爾金森微波各向異性探測器(WMAP)和普朗克衛星(Planck)都在費米泡泡的位置觀測到兩片橢圓形的明亮區域,天文學家稱之為「微波薄霧 microwave haze」。而在 X 射線波段,2019 年才昇空的義羅西塔(eROSITA)衛星則發現了與費米泡泡相似,但是更大的泡泡狀結構,被稱為「eROSITA 泡泡」。

另外,在紫外線波段,雖然沒辦法直接看見泡泡狀的結構,但天文學家藉由遙遠天體通過費米泡泡中的稀薄氣體時產生的吸收譜線,可以計算出費米泡泡的膨脹速率,大約是每秒數百到數千公里的等級。

綜合以上資料,天文學家認為費米泡泡應該是源自數百萬至一千萬年前,銀河系中心的一次巨大爆炸。這場爆炸大約釋放了 1048 – 1049 焦耳的龐大能量(相當於太陽終其一生釋放的能量,再乘以 10000 倍以上),並加熱了銀河系中心的氣體,使其以每秒數千公里的速度劇烈膨脹。百萬年後的今天,就成為了橫跨數萬光年巨大泡泡。

-----廣告,請繼續往下閱讀-----

但是,這張錯綜複雜的拼圖,還缺少了最核心的一塊:

這麼龐大的能量,究竟是從何而來?

超新星爆發還是黑洞噴流?費米泡泡的身世之謎

費米泡泡剛被發現不久,天文學家就對驅動費米泡泡的核心引擎,提出了兩位候選人:

第一種觀點,認為銀河系中心在數千萬年前可能曾有大量的恆星形成,其中年輕的恆星由於壽命短暫,很快的就走完它的一生,並發生超新星爆炸,釋放出巨大的能量。

另一種觀點,則認為銀河系中心的超大質量黑洞在數百萬年前可能短時間內吃進了大量氣體,並在過程中將能量以噴流(jet)或外流(outflow)的形式釋放出來。

-----廣告,請繼續往下閱讀-----

兩種說法聽起來都頗有可能,而且天文學家都有在其他星系看過類似的現象,那該怎麼知道哪邊才是對的呢?這時,天文學家們就兵分兩路,觀測學家們繼續對費米泡泡進行更多觀測,尋找更多可能的隱藏線索;理論學家則利用電腦模擬,嘗試在電腦中重現出觀測結果。

劇烈的超新星爆發(如左圖的 M82)與黑洞噴流(如右圖的 Centaurus A)都可能產生類似費米泡泡的結構。圖/NASA, ESA, CXC, and JPL-CaltechNASA/CXC/SAO, Rolf Olsen, JPL-Caltech, NRAO/AUI/NSF/Univ.Hertfordshire/M.Hardcastle

早年,兩派假說各有各的優勢,也有各自難以解釋的弱點。但隨著觀測資料的不斷累積,天文學家漸漸發現黑洞的噴流假說似乎更符合觀測結果,因此更具說服力。但即使如此,想要在電腦模擬中一次重現費米泡泡所有的觀測特徵,仍是相當困難的挑戰。

三個願望,一次滿足

然而今(2022)年三月,清大天文所楊湘怡教授利用三維磁流體力學電腦模擬(MHD Simulation),就一次重現了費米泡泡、義羅西塔泡泡與微波薄霧三個重要的觀測特徵。

他們假設銀河系中心的超大質量黑洞,在 260 萬年前曾經朝著銀河系盤面的上下兩側噴出兩道噴流。噴流帶有 1050 焦耳的強大能量,其中含有大量以接近光速運動的高能電子。當這些高能電子與低能量的光子碰撞時,電子會將能量傳遞給光子,就好像被保齡球打到的球瓶一樣,讓光子從低能量的可見光,變成高能量的伽瑪射線。這個被稱為「逆康普頓散射 Inverse Compton Scattering」的機制,讓我們能在伽瑪射線看到費米泡泡。

-----廣告,請繼續往下閱讀-----

與此同時,這些高能電子在銀河系的磁場中運動時,會以「同步輻射 Synchrotron Radiation」的方式放出微波與無線電波,形成我們看到的微波薄霧。最後,強大的噴流在撞擊銀河系中的氣體時,會產生以每秒數千公里高速移動的震波(Shock Wave)。震波所到之處,受到壓縮而加溫的氣體就會釋放出 X 射線,成為我們看到的義羅西塔泡泡。而且氣體運動的速度,也與紫外線觀測的結果相符。

這個研究結果,將伽瑪射線、X 光、紫外線到微波的所有觀測結果,用黑洞噴流漂亮的一次重現,這無疑是我們對費米泡泡理解的一大進展。

將理論模擬的費米泡泡投影到銀河系的可見光影像上。圖中可以清楚的看到費米泡泡(Cosmic rays)、義羅西塔泡泡(Shocks)以及它們跟太陽到銀河系中心的距離(28000 光年)的大小比較。圖/ESA/Gaia/DPAC; H.-Y. Karen Yang; NASA visualization team

未來展望

那麼,費米泡泡的身世之迷,就此蓋棺論定了嗎?

嗯⋯⋯還沒這麼快。

-----廣告,請繼續往下閱讀-----

無論多麼精細的模擬,終究是對真實世界的近似與簡化,理論學家永遠可以繼續考慮更多的物理機制,計算出更精細的結果。觀測天文學家也會不斷拿出更多、更好的儀器,挑戰模擬的結果。

更宏觀的看,如果銀河系中心的超大質量黑洞在兩百多萬年前真的曾經如此活躍,它釋放出的龐大的能量,是否曾對銀河系造成其他的影響?我們是否能夠從中學到更多關於銀河系的歷史,以及黑洞跟星系間複雜的共同演化機制?這些都有待天文學家的持續探索。

費米泡泡的故事,仍未完結。

銘謝

感謝論文第一作者、清大天文所楊湘怡老師對本文的指導與建議。

參考資料(學術論文)

-----廣告,請繼續往下閱讀-----
  1. Fermi and eROSITA bubbles as relics of the past activity of the Galaxy’s central black hole | Nature Astronomy
  2. Unveiling the Origin of the Fermi Bubbles – NASA/ADS
  3. X-Ray and Gamma-Ray Observations of the Fermi Bubbles and NPS/Loop I Structures – NASA/ADS
  4. Fermi Gamma-ray Space Telescope: High-Energy Results from the First Year

延伸閱讀(報導與科普文章)

  1. 本次研究相關
  2. 費米泡泡相關
  3. 其他相關天文物理科普文章
-----廣告,請繼續往下閱讀-----
EASY天文地科小站_96
23 篇文章 ・ 1566 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