Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

多少像素才「夠看」?

鄭國威 Portnoy_96
・2011/10/12 ・1574字 ・閱讀時間約 3 分鐘 ・SR值 498 ・六年級

說來有趣,當我們都市人的眼睛愈來愈容易近視而使得肉眼看不清楚真實的世界時,我們所做的應對卻是不斷提高造成近視的元兇的解析度,像是電視、電腦、手機、平板電腦等再現世界的工具…而正當大多數人還不清楚HD到底是怎樣的一個畫質時,QFHD或所謂的「4K」超高畫質就又開始進入市場,引領我們進入下一個設定好的解析度戰場。

此外,現在就連原本模糊的影像,也都有辦法將之清晰化。我們在某些刑事偵察影集才看得到的「影像去模糊技術」即將成為Photoshop內建功能,效果令人驚豔。

除此之外,也有另一套軟體「Topaz InFocus」聲稱可以做到更好,請見下圖演示:

然而愈來愈高的解析度其實也壓縮了我們的想像空間,這種無止境的競逐看似進步,卻讓我感到疲乏。Torralba A (2009)就問了一個簡單的問題:多少像素才能構成一幅影像?(How many pixels make an image?)

-----廣告,請繼續往下閱讀-----

Torralba從影像資料庫中選出若干,然後調整其解析度,製作出不同解析度的版本,從4px*4px超低解析度到128px*128px。在第1部份的實驗中,他要求觀看者判別圖片是什麼,例如臥室、海灘、森林之類的。解析度最低,如4*4的時候,通常得用猜的,但是答對的機率頗高;16*16的時候,75%的觀看者都能猜出戶外景象的圖片,順帶一提,16*16也就是瀏覽器網址列上favicon的解析度,例如PanSci網站的favicon就是一個歪斜的藍框裡頭有著深藍色的PS字樣。

在判別室內景象的時候,要猜對通常需要更高的解析度,不過16*16有時候還是足夠,例如下圖:

你大概可以看出這是一個房間,有張藍色被單的大床,旁邊還有個門。當然,這不是原始尺寸,而是先將原本清晰的圖片下調至16*16,然後再透過插值(interpolation)的方式,放大成上圖的尺寸,避免馬賽克般有稜有角。下圖可能更難一些:

看出來了嗎?這是戶外街景,有輛車停在某大樓前面。之前說過,室內的景象需要更高的解析度才好判斷,主要是因為戶外,尤其是自然景象通常有明顯的色彩可供判斷,例如看見綠色就想到草原就是森林,藍色加上米色大概就是沙灘。戶外景色的物體面(surfaces)通常也不多。

-----廣告,請繼續往下閱讀-----

如果16*16或32*32就足夠我們判斷圖片場景,那能否一併看出圖片中的物件呢?既然能夠看出場景,照理來說應該也能辨識出其中若干物件,即使這些物件必然比16*16更小。研究者在第2部份的實驗中便要求觀看者除了要判別場景,還要把場景中的物件一一指認出來。我們看看下面的例子:

在上圖中,觀看者從16*16(256px)的圖中辨別出6個物件:天花板、牆壁、地板、床、床頭板、窗戶。其中我覺得能看出床頭板真是厲害,不過這當然是因為有脈絡可循的關係,要是像下圖這樣的話:

這是啥?如果你直接看得出來,算你厲害;如果看不出來,脈絡可以替你解答:

是洗手台,研究中其中一位觀察者也成功指認出,儘管其大小頂多只有8*4 px。如果你早先知道這場景是在浴室裡頭,那麼要猜出來不難,但是如果不知道,那就很難了。研究者驚訝地發現,在32*32的情況下,觀看者平均能夠判斷出場景中80%的物件,也就是每5個物件中就能猜出4個,即使分開來看時根本無法辨識。

-----廣告,請繼續往下閱讀-----

研究結論認為,如此低解析度的圖片能夠傳達的資訊竟能如此有效,可用來解釋人腦理解視覺場景的速度跟效率為何如此高。未來應該可以複製實驗,把更細緻的人口變項跟社會文化變項加入,或許會出現有趣的結果。

我認為,從有碼到無碼,從第四台黑白沙沙畫面到藍光,儘管我們有了愈來愈高的解析度,但真正讓我們從觀看獲得樂趣的關鍵還是人腦的想像力跟猜測能力啊。獅王3D眼鏡這種東西只是騙錢的!(自暴自棄)

資料來源:How many pixels make an object?Like, 30

引用論文:
Torralba A (2009). How many pixels make an image? Visual neuroscience, 26 (1), 123-31 PMID: 19216820

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度
鄭國威 Portnoy_96
247 篇文章 ・ 1301 位粉絲
是那種小時候很喜歡看科學讀物,以為自己會成為科學家,但是長大之後因為數理太爛,所以早早放棄科學夢的無數人其中之一。怎知長大後竟然因為諸般因由而重拾科學,與夥伴共同創立泛科學。

0

1
0

文字

分享

0
1
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。

0

6
2

文字

分享

0
6
2
出來單挑啊!同樣都是鼎鼎大名的太空望遠鏡,哈伯與韋伯到底誰比較強?
htlee
・2022/09/21 ・2029字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

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?

哈伯望遠鏡和韋伯望遠鏡之戰,正式開打!

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?

哈伯的主鏡直徑是 2.4 公尺(左),韋伯的則是 6.5 公尺(右)。圖/維基百科

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。

-----廣告,請繼續往下閱讀-----

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。

解析度的計算公式。

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。

史匹哲與韋伯望遠鏡的影像解析度比較,顯然韋伯的影像解析度高很多。圖/NASA

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!

-----廣告,請繼續往下閱讀-----

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。

史匹哲望遠鏡拍攝的 M81 星系,拍攝的波段是 24(上)、70(中)、160 微米(下),拍攝的波段愈長,解析度愈差。圖/NASA

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。

-----廣告,請繼續往下閱讀-----
史蒂芬五重星系,哈伯(左)與韋伯(右)拍攝的影像,從解析度來看,兩部太空望遠鏡不相上下。圖/NASA

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!

-----廣告,請繼續往下閱讀-----
htlee
19 篇文章 ・ 9 位粉絲
屋頂上的天文學家-李昫岱,中央大學天文所博士,曾經於中央研究院天文所和美國伊利諾大學厄巴納-香檳分校從事研究工作。著有《噢!原來如此 有趣的天文學》、《天文很有事》,翻譯多本國家地理書籍和特刊。 目前在國立中正大學教授「漫遊宇宙101個天體」和「星空探索」兩門通識課。天文跟其他語文一樣,有自己的文法和結構,唯一的不同是天文寫在天上!現在的工作是用科學、藝術和文化的角度,解讀、翻譯和傳授這本無字天書,期望透過淺顯易懂的方式介紹天文的美好!

2

31
6

文字

分享

2
31
6
百倍於哈伯觀測能力,大小尺度通通包辦!——NASA 的下一個旗艦級「羅曼太空望遠鏡」
EASY天文地科小站_96
・2021/01/14 ・3606字 ・閱讀時間約 7 分鐘 ・SR值 507 ・六年級

  • 文/林彥興(EASY天文地科團隊總編輯,就讀清大理學院學士班)

「一個哈伯不夠用,那你有試過來一百個嗎?」

哈伯太空望遠鏡可說是世上最著名的科學儀器之一。在它 1990 年升空的這三十年中,拍攝了無數令人嘆為觀止的宇宙奇景。然而,隨著時光流逝,垂垂老矣的哈伯剩下的時日恐怕已經不多。

倘若再次出現嚴重故障,可能就得和這座傳奇的天文望遠鏡永遠告別。好在,哈伯並非後繼無人,在今 (2021) 年十月韋伯太空望遠鏡升空之後,NASA 的下一個旗艦級太空望遠鏡,將以相仿的體型,卻百倍於哈伯的觀測能力幫助天文學家更深入了解宇宙的奧秘。它就是「南希.葛莉絲.羅曼太空望遠鏡 Nancy Grace Roman Space Telescope 」。

南希.葛莉絲.羅曼太空望遠鏡 Nancy Grace Roman Space Telescope。圖/Wikimedia common

誰是羅曼?人稱哈伯之母的天文學家

在介紹望遠鏡之前,讓我們先來看看羅曼究竟是誰,居然偉大到讓 NASA 以她的名字命名下一代的旗艦級望遠鏡。

南希.葛莉絲.羅曼 (1925-2018) 是著名的美國天文學家。在二十世紀前葉,科學界中的性別不平等遠比現在嚴重。但她仍然努力撐過他人的冷眼與勸退,選擇攻讀天文並在取得博士學位後,在恆星分類、星團運動等領域貢獻卓越。

-----廣告,請繼續往下閱讀-----

1959年,羅曼到 NASA 任職,並從此長年擔任 NASA 的首席天文學家。在她任職的時代,太空科技才剛剛起步,人們對太空望遠鏡的概念也相當陌生。但羅曼憑著她的遠見,參與、主持了許多 1960 與 1970 年代 NASA 的太空望遠鏡計畫,並四處為這些計畫籌措資金,為現代太空望遠鏡的蓬勃發展打下基礎。

同時,她也推動 NASA 將觀測到的資料開放給全世界使用,最終讓天文界開放資料的文化延續至今。她對 NASA 太空望遠鏡計畫的卓越貢獻,最終讓她獲得「哈伯之母」的美譽。

1972 年的羅曼博士,攝於 NASA 哥達德太空中心。圖/NASA

我要一個打一百個!羅曼的超廣視野

在被命名為羅曼太空望遠鏡之前,這個望遠鏡計畫名為「廣域紅外巡天望遠鏡
WFIRST 」
。顧名思義,這是一台觀測可見光與近紅外線,用於進行廣域巡天——也就是觀測大範圍天空——的望遠鏡。預計將在 2020 年代中期發射,與蓋亞、韋伯等前輩一起運行於日地第二拉格朗日點。

在望遠鏡的構造上,羅曼與哈伯太空望遠鏡相當類似,都使用一面直徑 2.4 公尺的主鏡。但得益於三十年來的科技進步,同樣是 2.4 公尺的主鏡,性能卻大不相同。

首先,利用先進的新式材料,羅曼的主鏡重量僅有哈伯的兩成,約 186 公斤重。再者,為了增加鏡片的反射率,一般的望遠鏡都會在鏡片的表面鍍上一層高反射率的金屬。比如哈伯太空望遠鏡的鏡片表面,就鍍上了一層約 850 奈米厚的鋁。但鋁雖然能夠很好的反射可見光與紫外光,對紅外線的反射率卻不夠理想。因此作為一個觀測近紅外線為主的望遠鏡,羅曼的主鏡片表面鍍上了厚度 400 奈米的銀,讓它能夠更好反射來自宇宙深處的黯淡紅外線。

-----廣告,請繼續往下閱讀-----
2020 年中完成製造的主鏡。圖/L3 Harris Technologies

但單純只是反射還不夠,想要得到清晰的影像,就得精確的讓光線聚焦到正確的位置。因此,望遠鏡需要非常精密的拋光。羅曼的主鏡在拋光完成後,鏡片表面的平均起伏僅有 1.2 奈米。這有多平整呢?如果我們將鏡片放大到跟地球一樣,那它表面的起伏將僅有 6 毫米高!

最後,當光線經過一連串複雜的鏡片聚焦之後,將匯聚到羅曼的相機—— 3 億像素的「廣域儀器 Wide Field Instrument 」上,轉化為影像資料後送回地球讓天文學家分析。在這一整套光學系統的合作下,羅曼太空望遠鏡保有與哈伯相同解析度的情況下,擁有視野一百倍以上的超廣視野!

羅曼太空望遠鏡的超廣視野。圖/NASA

視野超大,然後咧?

誒不過話說回來,視野廣大有什麼用呢?

望遠鏡不是要讓我們去看更暗、更小的東西用的嗎?視野變大了,解析度卻沒有提升,這樣真的算是有進步嗎?

當然有囉!

在大家的印象中,天文學家好像總拿著望遠鏡,鉅細靡遺的觀察、研究某個天體。這當然是其中一種重要的方式,但並不是天文研究的全貌。其實在真正的天文物理研究中,很多天文學家想知道的並不是特定天體的特性(比如仙女座銀河有幾根懸臂、有多少顆恆星),而是藉由大量普查宇宙中該種天體的基本性質,然後在海量的資料中尋找擁有科學價值的寶藏。

-----廣告,請繼續往下閱讀-----

覺得這像有字天書嗎?沒關係,我們舉個比較親民的例子。

如果你今天想知道新課綱對孩子們的學習成效如何,你會怎麼做呢?也許你可以找幾個孩子出來談談,仔細地問問他們對新課綱的想法。就像那些鉅細靡遺的研究特定目標的天文學家一樣;但你也可以用更宏觀的方式,比如看看他們全體的考試成績或補習花費,來了解新課綱的影響。

同理,對宇宙學家與星系天文學家來說,羅曼太空望遠鏡的廣大視野,讓他們可以在相同的時間內拍攝更廣的天空,或是在對同一片天空拍攝更久的時間,以看見更暗的天體。

當羅曼升空之後,將會拍攝早期宇宙中數以百萬計的大量星系與超新星,並對其中一部份進行更詳盡的光譜分析,藉由觀測這些星系的紅移、位置分佈、形狀、亮度、大小⋯⋯等等資訊,可以回推出宇宙膨脹歷史(與暗能量有關)、星際間暗物質的分佈(利用重力透鏡效應)、尋找早期宇宙中的特殊星系、甚至是幫忙測量本星系群之中的恆星移動。

天文學家將利用羅曼拍攝大量的星系影像進行分析,了解暗能量、暗物質與星系演
化。圖/NASA

另一方面,系外行星學家也對它充滿期待。羅曼太空望遠鏡將藉由兩種方式來偵測系外行星:

一個是藉由「微重力透鏡 Microlensing 」效應。當一顆恆星通過一個背景光源時,恆星的質量會扭曲周圍的時空並匯聚後方的光源,使得背景光源看起來像在短時間內快速的變亮、然後又恢復原狀,而且亮度變化的曲線有相當明顯的特徵。而如果這顆恆星旁邊有行星環繞,那行星的質量也將對亮度曲線造成影響。天文學家就能藉由分析亮度的變化曲線,來探測系外行星的存在。

-----廣告,請繼續往下閱讀-----
微重力透鏡效應的示意圖。圖片/NASA

第二個重點,羅曼將攜帶最先進的日冕儀 (CGI),直接拍攝系外行星與原行星盤。

甚麼是日冕儀呢?顧名思義,它最早是為了研究太陽的日冕而發明的儀器。由於平常的太陽實在太亮,使得旁邊相對黯淡的日冕相當難以觀測,因此科學家發明了日冕儀,藉由複雜的光學系統,遮擋住視野中心來自太陽的強光,才能好好的拍攝、研究黯淡的日冕。

而系外行星的探測中,由於系外行星本身又小又暗、又非常靠近明亮的母恆星,想要直接拍攝到他們,就像要你直視著汽車頭燈,然後尋找頭燈旁的蚊子一樣困難。因此,天文學家必須借助日冕儀的力量才能夠直接拍攝到它們。

哈伯太空望遠鏡 STIS 儀器的日冕儀拍攝的北落師門。藉由遮住中心恆星的強光,才能拍攝北落師門四周複雜的塵埃結構。圖/NASA

而羅曼搭載的光譜儀,將更進一步利用各種特殊的光學元件,以及類似調適光學技術中採用的可變形鏡片,利用破壞性干涉來消除主恆星的光線,讓我們能看到主恆星旁 邊,比恆星暗數百萬倍的系外行星。並進一步研究它們的光譜,看看他們溫度多高、 是由甚麼組成、讓我們更加了解這些外星世界。 

結語:值得期待的未來

作為韋伯之後的下一款大型光學太空望遠鏡,天文學大尺度與小尺度的問題羅曼通通包辦。它將能夠以哈伯等級的解析度,拍攝廣大宇宙中數以百萬計中的星系來研究宇宙學與星系演化;同時,它搭載的新一代日冕儀將能讓我們更清楚的直接拍攝系外行星。羅曼太空望遠鏡將產出哪些令人驚艷的資料?又將如何協助我們揭開宇宙的神秘面紗?就讓我們拭目以待吧!

-----廣告,請繼續往下閱讀-----
  1. STSCI, Roman. Nancy Grace Roman Space Telescope
  2. Roman Space Telescope NASA 官網. Roman Space Telescope/NASA
  3. 主鏡製造商 Nancy Grace Roman Space Telescope 
  4. Roman Lecture Series
  5. 初稿:【時事新聞】羅曼太空望遠鏡的鍍銀主鏡
-----廣告,請繼續往下閱讀-----
所有討論 2
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