0

0
0

文字

分享

0
0
0

WISE發現近地小行星數量比預期的還少

only-perception
・2011/10/10 ・966字 ・閱讀時間約 2 分鐘 ・SR值 537 ・八年級

從美國航太總署(NASA)廣角紅外巡天探測器(Wide-field Infrared Survey Explorer,WISE)的觀測資料,天文學家發現中等大小的近地小行星(near-Earth asteroids,NEA)數量明顯比預期的還少。若此結果正確,則顯示NASA已經發現90%以上最大型的NEA。

近地小行星是那些軌道靠近地球,可能對地球有撞擊威脅的小行星。天文學家目前估計直徑約100公尺~1,000公尺的中等NEA數量約為19,500顆,而非先前認為的35,000顆。這個結果是個好消息,因為這表示會對地球造成威脅的天體其實沒想像中那麼多。不過,中等NEA還有半數以上仍在等待被發現中。

利用WISE進行的NEOWISE巡天計畫,專門尋找距離地球軌道約1億9,500萬公里以內的近地小行星。由於這些天體體積不大,故多半相當昏暗,先前用可見光搜尋效果不佳;但利用紅外波段觀測的WISE則能有效的搜捕這些隱匿者,尤其是對付中等到大型的近地天體最有用。

WISE在2010年1月~2011年2月期間,共掃瞄全天兩次,NEOWISE計畫共觀測10多萬顆主帶小行星,以及至少585顆近地小行星。首席研究員Amy Mainzer表示:NWOWISE就像是在做NEA的人口普查一樣,可更精準的估計某塊區域NEA的數量,藉此再進一步估算整個族群的概況。

-----廣告,請繼續往下閱讀-----

WISE資料顯示:那些直徑在1,000公尺以上的最大型近地小行星,大約只有981顆左右,只比原先估計的1,000顆數量少一些,而到目前為止已經發現了911顆,所以約93%的這類大型近地小行星都已被發現了。這些大型近地小行星的體積相當於一座小山,如果撞擊到地球,將甚至引起全球性的災難。不過到目前為止,這些大型在未來幾個世紀內,對地球都不具威脅性。此外,天文學家相信:所有直徑10公里左右(相當於臺北市的一半大)的最大型近地小行星都已經被發現了,據信6,500萬年前就是一顆直徑約10公里大的小行星讓恐龍滅絕的。所以,地球受到這類大型NEA的威脅可說是大大減低。

相對的,中等NEA的影響視其撞擊位置而定,最嚴重的狀況可摧毀一座大城市。和大型NEA數量相差無幾的狀況不同,NEOWIE發現中等NEA的數量應比先前估計的少很多,到目前為止,太空防衛網(Spaceguard)已搜尋發現並追蹤5,200多顆直徑在100公尺以上的中等NEA,所以估計還有約15,000顆等待被發現。

而在大型與中等小行星之外,科學家估計還有100多萬顆更小的未知小行星,可能會因其撞擊而引起災害。所以,科學家們仍須努力搜尋並追蹤這些可能對地球有潛在威脅的小東西們。

資料來源:NASA Space Telescope Finds Fewer Asteroids Near Earth

-----廣告,請繼續往下閱讀-----

轉載自台北天文館之網路天文網網站

文章難易度
only-perception
153 篇文章 ・ 1 位粉絲
妳/你好,我是來自火星的火星人,畢業於火星人理工大學(不是地球上的 MIT,請勿混淆 :p),名字裡有條魚,雖然跟魚一點關係也沒有,不過沒有關係,反正妳/你只要知道我不是地球人就行了... :D

0

2
2

文字

分享

0
2
2
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 54 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

1

1
2

文字

分享

1
1
2
2022 年《Science》年度十大科學突破(下):EBV 病毒與發燒的地球
PanSci_96
・2022/12/30 ・2786字 ・閱讀時間約 5 分鐘

接續上篇:2022 年《Science》年度十大科學突破(上):持續進化的 AI 與韋伯太空望遠鏡

看過 2022 年十大科學突破的前五項後,你是否迫不及待想知道另外五項呢?讓我們繼續看下去吧!

多發性硬化症的元兇:EBV 病毒

多發性硬化症(Multiple sclerosis)是一種中樞神經系統疾病,初期症狀只有視力模糊、手腳麻木、走路不穩等,到了後期便逐漸讓病患喪失視力、無法說話和行走。

長久以來,科學家懷疑多發性硬化症的元兇是「人類疱疹病毒第四型病毒」(EBV)。這種病毒主要透過唾液傳播,幾乎每個人一生中都會感染到,然後病毒會潛伏在白血球中。雖然患者大多都有 EBV 抗體,但 95% 的健康成年人也有,難以作為判定依據。

然而,今年 1 月刊載在《Science》的研究指出,感染 EBV 將導致罹患多發性硬化症的風險增加 32 倍。另一篇《Science》研究也發現潛伏在白血球中的病毒可能會「甦醒」,而病毒的其中一種蛋白質,會誘使免疫系統攻擊中樞神經細胞。

-----廣告,請繼續往下閱讀-----

這些新發現給了科學家開發疫苗的方向。目前,有一種 EBV 疫苗正在進行臨床試驗,要是數據顯示疫苗有效,那麼在未來,多發性硬化症或許就能像小兒麻痺一樣,從此絕跡。

新研究確定了 EBV 病毒(藍色)與多發性硬化症的關聯。圖/Science

美國簽署《降低通膨法案》,搶救發燒的地球

今年 2 月,聯合國 IPCC 第六次評估報告指出,若是全球平均升溫超過 1.5°C,各地都將出現多種極端氣候災害,部分地區也將不再適合人類居住。

8 月,美國總統拜登(Joe Biden)簽署了《降低通膨法案》(Inflation Reduction Act),試圖從綠能、醫療、稅收等三大面向解決通貨膨脹的問題,同時減少溫室氣體排放,堪稱美國史上最重要的氣候法案。

身為全球第二的溫室氣體排放國,美國將在未來 10 年撥出 3690 億美元,投入綠能、電動車、核能發電等產業,目標是在 10 年後(2032 年)將溫室氣體排放量降低到 2005 年的 40%。

-----廣告,請繼續往下閱讀-----

目前,全球平均升溫(相較於工業革命前)來到 1.2°C,而且今年的溫室氣體排放量仍持續上升,沒有下降趨勢。許多氣候科學家都認為升溫幅度必然超過《巴黎協定》規範的 1.5°C 上限,因此我們都需要盡快採取更多行動保護地球。

《降低通膨法案》將補貼太陽能在內的綠能產業。圖/Science

逃過黑死病的方法,竟然是遺傳?

700 年前,橫行歐洲的黑死病殺死了 1/3 到 1/2 的人口。關於那些倖存者,科學家好奇了很久,想知道他們當初是如何逃過一劫,以及黑死病究竟帶來了什麼影響。

今年 10 月, ㄧ篇《Science》的研究顯示倖存者體內可能有基因變異,提升他們對鼠疫桿菌(Yersinia pestis)的免疫反應。團隊分析了 500 多具遺骨中的古代 DNA,發現在英國倫敦爆發黑死病後,倖存者體內有 245 處的基因都有出現變異。

在這些 DNA 裡,內質網胺肽酶 2(ERAP2)引起了科學家的注意。這種蛋白酶有兩種變體:一種是完整尺寸,另一種較短,但都可以幫助免疫細胞識別、對抗病毒。科學家發現,遺傳完整尺寸 ERAP2 的人類存活機率是 2 倍,因為他們能夠生成更多細胞激素,協助免疫系統對抗鼠疫桿菌。

-----廣告,請繼續往下閱讀-----

如今,約有 45% 的英國人體內還存有完整尺寸的 ERAP2 變體,但代價就是 ERAP2 也會增加罹患克羅恩病(Crohn’s disease)和類風濕性關節炎等自體免疫性疾病的風險。

從 14 世紀英國倫敦的遺骨中採集 DNA 並紀錄變化。圖/Science

碰!NASA 撞歪小行星!

多年來,NASA 持續監測直徑超過 0.5 公里的近地小行星,並且透過「雙小行星重定向測試計劃」(DART)研究多種讓小行星偏離軌道的方法。

今年 9 月,NASA 讓 DART 飛行器以 22,530 公里的時速撞擊小行星 Dimorphos,讓 Dimorphos 更靠近它繞行的另一顆小行星 Didymos,縮短了 32 分鐘的公轉週期,比 NASA 原先設定的目標還要高出 26 倍。

目前為止,天文學家估計軌道與地球軌道相交的近地小行星有 25,000 顆,大小都足以摧毀一座大城市。雖然行星防禦系統(Planetary Defense)尚未建構出完整情報,但針對人類首次改變天體運行的壯舉,NASA 署長表示「這是行星防禦任務的分水嶺,也是人類文明的分水嶺」,有助於降低小行星或隕石撞到地球的機率。

-----廣告,請繼續往下閱讀-----
寬達 160 公尺的小行星 Dimorphos。圖/Science

從永凍土提取環境 DNA,重建古代生態系統

以往普遍認為 DNA 的保質期約為 100 萬年,但在今年 12 月,科學家從北極寒漠的永凍土中,提取了 200 萬年前殘留至今的環境 DNA 片段。透過分析這些片段,科學家還原了格陵蘭東北部皮里地(Peary Land)約 200 萬年前生態系統的樣貌。

英國劍橋大學研究顯示,在 200 萬至 300 萬年前,皮里地的平均氣溫比現在高 11℃ 至 19℃。從 5 處沉積層中提取的 41 個 DNA 片段,證實了當時有楊樹、樺樹、崖柏和各種針葉樹,也有野兔旅鼠、馴鹿、囓齒動物,以及 1 萬年前滅絕的大象近親——乳齒象。過去從來沒有科學家料到乳齒象的活動範圍竟然延伸到那麼遠的北方。

可惜的是,因為缺少脊椎動物的化石,目前還不清楚確切的生物群落組成,但這項研究證明了利用環境 DNA 追溯 200 萬年前的古生物是可行的,而這也有助於科學家進一步探討生物和環境的演化。

環境 DNA 揭示了 200 萬年前格陵蘭的生態。圖/Science
所有討論 1

0

3
2

文字

分享

0
3
2
哈伯也懂漂移?3D-DASH:哈伯太空望遠鏡最大的近紅外巡天計畫
Tiger Hsiao_96
・2022/07/10 ・2933字 ・閱讀時間約 6 分鐘

  • 文/蕭予揚 清大天文所碩士生,將於約翰・霍普金斯大學攻讀天文博士
      林彥興 清大天文所碩士生,EASY 天文地科團隊總編

若問當前軌道上最強的可見光太空望遠鏡是誰,那當然非哈伯太空望遠鏡莫屬。身處太空的它有著直徑 2.4 公尺的主鏡,可以在不受大氣層干擾的情況下,清晰地拍攝遙遠且黯淡的天體。然而,哈伯望遠鏡並非全能,雖然它在解析度(angular resolution)和靈敏度(sensitivity)上都無人能及,但也有不擅長的領域 ── 它的視野相當小。

哈伯太空望遠鏡。圖/NASA

即使是哈伯裝備的所有相機中視野最大的「先進巡天相機(ACS)」,其視野也只有 202 角秒 x 202 角秒而已,相當於滿月的 1.5%,或是一個十元硬幣在約 25 公尺外的大小。可以想見,想要用這麼小的視野拍攝廣大的區域,是相當緩慢而沒有效率的事。

直到最近幾年,天文學家發明了稱作「Drift And SHift (DASH)」的新型觀測模式,可以在不改變哈伯硬體設備的前提下,大大增加哈伯在近紅外線波段的拍攝效率。利用這項技術,來自多倫多大學的團隊展開名為 3D-DASH 的大型紅外線巡天計畫,其拍攝的天空範圍,是前一個紀錄保持人「CANDELS」的七倍之多。

不斷選擇「引導星」的傳統觀測模式

想了解為什麼 DASH 技術可以大大提升哈伯的觀測效率,就要先從哈伯原本是怎麼觀測的開始談起。

-----廣告,請繼續往下閱讀-----

不知道大家有沒有在黑夜中拍照的經驗呢?在低亮度的環境中,相機總需要比較長的時間進行曝光,才能拍出清楚的照片。而如果你在曝光的過程中不小心移動了相機,那拍出來的照片就會糊成一團。同理,由於天文學家想要拍攝的目標,大多是極其遙遠且黯淡的天體,所以天文觀測時單張照片的曝光時間,往往動輒數百秒以上。因此,專業天文望遠鏡常會配備「導星(Guiding)」系統,以確保望遠鏡能在數百秒的時間內,都精準的指向同一個位置。

導星的原理很簡單,就是在望遠鏡和相機觀測的同時,同時用另一套相機監測視野中星星的位置。一旦發現畫面中恆星的位置有任何小小的移動,導星系統就會命令望遠鏡調整指向(pointing),即時把誤差修正回來。在哈伯望遠鏡上,這個負責導星的相機叫作「精細導星感測器(FGS)」。而這個用來幫望遠鏡「導航」的星星,就被稱為「引導星(guide star)」。

哈伯在進行拍攝時,需要找一顆導星來隨時校正方向。圖/GIPHY

一般來說,在哈伯望遠鏡每指向一個新的目標,都需要先花費一段約十分鐘的時間選擇引導星,然後才能進行科學拍攝。然而,由於哈伯的軌道週期僅有 97 分鐘左右,因此在一次軌道中,哈伯基本上只能拍攝一或兩個固定的天區,不然就會有大量的觀測時間被浪費在尋找引導星的過程中。如此一來,天文學家若想透過哈伯來拍攝 800 個不同指向,就需要花費 800 次的軌道繞行時間才能結束這項任務。

花費很多時間有什麼問題呢?哈伯望遠鏡的觀測,是由美國「太空望遠鏡科學研究所(STScI)」向全世界天文學家公開徵求觀測企劃之後,再從中挑選出最具科學效益的企劃後實施。一個耗時 800 個軌道週期的觀測,很難在競爭激烈的觀測計劃書中脫穎而出。

-----廣告,請繼續往下閱讀-----

但如果,天文學家真的很需要用哈伯進行大面積的巡天,該怎麼辦呢?

提升效率的新方法

如前述,一般來說哈伯每指向一個新目標,都需要花費十分鐘來進行捕捉引導星。但換個角度想,如果把導星功能關掉,不就可以省下這些時間了嗎?

計画通り!圖/GIPHY

還真是沒錯,哈伯的設計的確是可以關掉導星系統,利用其中的陀螺儀來進行控制。但陀螺儀的能提供的穩定性終究不如導星系統,一旦曝光時間過長,望遠鏡的微小移動還是會造成最後曝光出來的星星像塗抹花生醬一樣糊成一片,這樣的影像是很難用於科學分析的。

開導星耗時間,不開導星又沒辦法長曝,該怎麼辦呢?

-----廣告,請繼續往下閱讀-----

這時就輪到「Drift And SHift(DASH)」技術出場了!DASH 的核心概念很簡單:

  • 為了省時,我們就關掉導星。
  • 關導星不能長曝,那我們就拍很多短曝光時間的照片,降低每張照片的模糊程度,再把它們對齊之後疊起來。

以 3D-DASH 計劃來說,關掉導星會讓哈伯的指向以每秒 0.001 至 0.002 角秒的速度緩緩飄移。因此天文學家將每張照片的曝光時間壓縮到 25 秒以下,讓星點在畫面中的移動不超過一個像素(WFC-3 的像素大小為 0.129 角秒)。利用這樣的技術,天文學家就能在哈伯的一次軌道週期中,拍攝八個不同的指向,把觀測效率提升了八倍!

3D-DASH 的觀測天區和其他觀測計畫天區大小、深度(最暗可拍到的天體星等)的比對圖。圖/arxiv

拍這些照片有什麼用?3D-DASH 的科學意義

3D-DASH 計畫的觀測資料最近已於網路上公開,不過這龐大的資料量,觀測團隊以及其他科學家們還需要更多時間進行分析。不過,在公布這個計劃的論文中,團隊已經提出了一些值得分析的科學問題。

舉例來說,天文學家認為如今多數的橢圓星系(elliptical galaxy)們,都是由較小的星系合併而來。因此尋找合併中的星系,並測量它們的各項物理性質,是研究星系演化歷史的重要方法。但很多時候,地面望遠鏡可以大略看到一個光點可能是兩或多個相鄰的天體組成,卻沒有足夠的解析度可以研究它們的細節。但有了 3D-DASH 的資料,天文學家就可以清楚的看到星系們合併的細節,並研究其中細微的結構以及測量更多複雜的物理量。

-----廣告,請繼續往下閱讀-----
合併中的星系們。圖/NASA

不過這種大範圍的巡天計畫也不是完美的。為了拍攝廣大的天區,每個天區分配到的平均觀測時間就會比較少,因此比起 CANDELS 等前輩們,3D-DASH 只能看到相對亮的星系們。雖然如此,3D-DASH 這種相對廣而淺的觀測,不僅可以提供更大量的星系樣本,幫助天文學家使用強大的統計方法進行分析;也可以讓天文學家先大概了解這片天區裡有些什麼,如果發現了有趣的目標,就可以使用哈伯或韋伯等其它強大的望遠鏡們進行更深入的觀測!

3D-DASH 的所涵蓋的天區,以及其超高的解析度。圖/arxiv

參考資料

延伸閱讀