大發現：公民科學家貢獻好眼力　尋得兩顆太陽系外行星

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 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。

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。

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。

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。

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。

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。

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 Society, 518(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

• 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

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。

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。

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。

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」。

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！

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。

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。

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。

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。

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。

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。

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。

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）

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
   • Fermi and eRosita bubbles may originate from past activity of the Galactic black hole | Nature Portfolio Astronomy Community
   • 銀河系的巨大泡泡可能與中心的超大質量黑洞活動有關｜楊湘怡老師個人網頁
   • Massive bubbles at center of Milky Way caused by supermassive black hole | University of Michigan News
   • Giant Bubbles Above and Below Milky Way’s Center Caused by Galaxy’s Central Black Hole | Sci-News.com
   • Study says massive ‘bubbles’ in space might share origins – Taipei Times
   • Gigantic Bubbles at Center of Milky Way Caused by Powerful Jet of Energy From Supermassive Black Hole
   • Scientists Seek Origin of Mysterious Gigantic Bubble Structures In Our Galaxy
   • 百万度高温，横跨5万光年，银河系中心的巨大高能气泡 Tracing the Fermi bubble within our galaxy
2. 費米泡泡相關
   • 銀河系巨大費米泡-科學人雜誌
   • 銀河系黑洞吹泡泡,噴流留殘影- PanSci 泛科學
   • Was the Milky Way a Quasar?
3. 其他相關天文物理科普文章
   • 毀滅與新生：超大質量黑洞觸發的恆星形成- PanSci 泛科學
   • 宇宙「新」光──新星、超新星與千級新星- PanSci 泛科學
   • 電腦裡的小宇宙，重現絢麗的恆星爆炸！專訪陳科榮
   • 中研院天文所季報：多彩魅力的CHARMS