Loading [MathJax]/extensions/tex2jax.js

1

0
0

文字

分享

1
0
0

首度在早期宇宙中偵測到大量碳元素

臺北天文館_96
・2011/10/12 ・885字 ・閱讀時間約 1 分鐘 ・SR值 543 ・八年級

-----廣告,請繼續往下閱讀-----

日本愛媛大學(Ehime University)與京都大學(Kyoto University)、羅馬天文台(Rome Observatory)、佛羅倫斯大學(University of Florence)等機構的天文學家Kenta Matsuoka等人,利用位在夏威夷的8.2米昴望遠鏡(Subaru Telescope)及暗天體相機與光譜儀( Faint Object Camera and Spectrograph,FOCAS),在早期宇宙、目前已知最遠的電波星系(radio galaxy)TN J0924-2201中偵測到碳的CIVλ1549發射譜線(emission line)。這是天文學家首度在這麼遙遠的星系中偵測到它的化學組成。

TN J0924-2201距離約125億光年,所以在TN J0924-2201中偵測到碳元素的發射譜線,顯示在125億年前、相當於大霹靂之後僅不到10億年的時間內,就已存在含量不低的碳元素。這對瞭解宇宙中的化學元素演化相當有幫助,且提供人類為何會有這樣的化學組成的線索。

我們的宇宙約在137億年前經由大霹靂誕生,當時主要製造出氫與氦元素,以及極少量的鋰元素。此後經一代代恆星演化、超新星爆炸等過程,才讓氫與氦以外的其他重元素(或稱「金屬元素」)愈來愈豐富。瞭解化學元素的演化史,等於瞭解宇宙演化史,也才能瞭解人類組成的來源。

天文學家透過測量宇宙中各種距離的天體所含有的金屬豐度(metallicity)來瞭解元素演化。一般來說,紅移值z愈高的天體,距離愈遠,也位在愈早期的宇宙中;尤其是電波星系是最佳目標,因為它們在可見光和電波波段都夠亮,可提供足夠的測量數據。

-----廣告,請繼續往下閱讀-----

而Matsuoka等人這次的目標,更是之前從未有人測量過、距離非常遠(紅移值非常高)的電波星系。其實Matsuoka等人之前曾研究過z小於4、距離近一些的電波星系,當時的研究結果顯示主要的金屬元素演化時期應該在比z<4遠得多的宇宙早期,因此才會挑選紅移值相當於5.19的TN J0924-2201作為目標。

利用昴望遠鏡FOCAS系統,取得這個星系的可見光光譜,在這光譜中首度偵測CIVλ1549的碳發射譜線,其中C為碳的化學符號,IV為羅馬字母「4」之意,代表碳原子最外圍的3個電子被游離而帶3價正電,λ1549代表譜線位在波長1549埃之處。這項成果顯示:在z>5宇宙早期中的TN J0924-2201已經經歷明顯的化學元素演化,所以早在125億年前,就已經出現許多金屬元素,為未來在早期宇宙探索其他重元素的研究開啟一扇光明之窗。

資料來源:The First Detection of Abundant Carbon in the Early Universe

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-----
-----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。

1

3
4

文字

分享

1
3
4
改良天然氣發電技術不會產生二氧化碳?灰氫、藍氫、綠氫分別是什麼?
PanSci_96
・2024/02/11 ・5659字 ・閱讀時間約 11 分鐘

-----廣告,請繼續往下閱讀-----

用天然氣發電可以完全沒有二氧化碳排放?這怎麼可能?

2023 年 11 月,台電和中研院共同發表去碳燃氫技術,說是經過處理的天然氣,燃燒後可以不產生二氧化碳。

誒,減碳方式百百種,就是這個聽起來最怪。但仔細研究後,好像還真有這麼一回事。這種能發電,又不產二氧化碳的巫術到底是什麼?大量使用天然氣後,又有哪些隱憂是我們可能沒注意到的?

去碳燃氫是什麼?

去碳燃氫,指的是改良現有的天然氣發電方式,將甲烷天然氣的碳去除,只留下乾淨的氫氣作為燃燒燃料。在介紹去碳燃氫之前,我們想先針對我們的主角天然氣問一個問題。

-----廣告,請繼續往下閱讀-----

最近不論台灣、美國或是許多國家,都提升了天然氣發電的比例,但天然氣發電真的有比較好嗎?

好像還真的有。

根據聯合國底下的政府間氣候變化專門委員會 IPCC 的計算報告,若使用火力發電主要使用的煙煤與亞煙煤作為燃料,並以燃燒率百分之百來計算,燃料每釋放一兆焦耳的能量,就會分別產生 94600 公斤和 96100 公斤的二氧化碳排放。

如果將燃料換成天然氣,則大約會產生 56100 公斤的二氧化碳,大約只有燃燒煤炭的六成。這是因為天然氣在化學反應中,不只有碳元素會提供能量,氫元素也會氧化成水並放出能量。

圖/pexels

除了碳排較低以外,煤炭這類固體燃料往往含有更多雜質,燃燒時又容易產生更多的懸浮顆粒例如 PM 2.5 ,或是溫室效應的另一主力氧化亞氮(N2O)。具體來說,產生同等能量下,燃燒煤炭產生的氧化亞氮是天然氣的 150 倍。

當然,也別高興這麼早,天然氣本身也是個比二氧化碳更可怕的溫室氣體,一但洩漏問題也不小。關於這點,我們放到本集最後面再來討論。

-----廣告,請繼續往下閱讀-----

燃燒天然氣還是會產生二氧化碳?

雖然比較少,但也有燃煤的六成。像是綠能一樣的零碳排發電方式,不才是我們的終極目標嗎?別擔心,為了讓產生的二氧化碳量減到最小,我們可以來改造一下甲烷。

圖/unsplash

在攝氏 700 至 1100 度的高溫下,甲烷就會和水蒸氣反應,變成一氧化碳和氫氣,稱為蒸汽甲烷重組技術。目前全球的氫氣有 9 成以上,都是用此方式製造的,也就是所謂的「灰氫」。

而產物中的一氧化碳,還可以在銅或鐵的催化下,與水蒸氣進一步進行水煤氣反應,變成二氧化碳與氫氣。最後的產物很純,只有氫氣與二氧化碳,因此此時單獨將二氧化碳分離、封存的效率也會提升不少,也就是我們在介紹碳捕捉時介紹的「燃燒前捕捉」技術。

去碳燃氫又是什麼?

圖/pexels

即便我們能將甲烷蒸氣重組,但只要原料中含有碳,那最終還是會產生二氧化碳。那麼,我們把碳去掉不就好了?去碳燃氫,就是要在第一步把甲烷分解為碳和氫氣。這樣氫氣在發電時只會產生水蒸氣,而留下來的碳黑,也就是固態的碳,可以做為其他工業原料使用,提升附加價值。

-----廣告,請繼續往下閱讀-----

在氫氣產業鏈中,我們習慣將氫氣的來源做顏色分類。例如前面提到蒸氣重組後得到的氫氣被稱為灰氫,而搭配碳捕捉技術的氫,則稱為藍氫。完全使用綠能得到的氫,例如搭配太陽能或風力發電,將水電解後得到最潔淨的氫,則稱為綠氫。而介於這兩者之間,利用去碳燃氫技術分解不是水而是甲烷所得到的氫,則稱為藍綠氫。

但先不管它叫什麼氫,重點是如果真的不會產生二氧化碳,那我們就確實多了一種潔淨能源可以選擇。這個將甲烷一分為二的技術,聽起來應該也不會太難吧?畢竟連五◯悟都可以一分為二了,甲烷應該也行吧。

甲烷如何去碳?

甲烷要怎麼變成乾淨的氫氣呢?

很簡單,加溫就好了。

圖/giphy

只要加溫到高過攝氏 700 度,甲烷就會開始「熱裂解」,鍵結開始被打斷,變成碳與氫氣。

-----廣告,請繼續往下閱讀-----

等等等等…為了發電還要耗費能源搞高溫熱裂解,划算嗎?

甲烷裂解確實是一個吸熱反應,也就是需要耗費能量來拆散原本的鍵結。根據反應式,一莫耳甲烷要吸收 74 千焦耳的熱量,才會裂解為一莫耳的碳和兩莫耳的氫氣。但是兩莫耳的氫氣燃燒後,會產生 482 千焦耳的熱量。淨能量產出是 408 焦耳。與此相對,直接燃燒甲烷產生的熱量是 891 千焦耳。

而根據現實環境與設備的情況,中研院與台電推估一公噸的天然氣直接燃燒發電,與先去碳再燃氫的方式相比,發電量分別為 7700 度和 4272 度。雖然因為不燃燒碳,發電量下降了,但也省下了燃燒後捕存的成本。

要怎麼幫甲烷去碳呢?

在近二十幾年內,科學家嘗試使用各種材料作為催化劑,來提升反應效率。最常見的方式,是將特定比例的合金,例如鎳鉍合金,加熱為熔融態。並讓甲烷通過液態的合金,與這些高溫的催化劑產生反應。實驗證實,鎳鉍合金可以在攝氏 1065 度的高溫下,轉化 95% 的甲烷。

-----廣告,請繼續往下閱讀-----

中研院在 2021 年 3 月,啟動了「 Alpha 去碳計畫」,進行去碳燃氫的設備開發。但團隊發現,盡管在理論上行得通,但實際上裝置就像是個不受控的火山一樣,熔融金屬與蒸氣挾帶著碳粒形成黏稠流體,不斷從表面冒出,需要不斷暫停實驗來將岩漿撈出去。因此,即便理論上可行,但熔融合金的催化方式,還無法提供給發電機組使用。

去碳燃氫還能有突破嗎?

有趣的是,找了好一大圈,驀然回首,那人卻在燈火闌珊處。

最後大家把目光放到了就在你旁邊,你卻不知道它正在等你的那個催化劑,碳。其實過去就有研究表明碳是一種可行的催化劑。但直到 201 3年,才有韓國團隊,嘗試把碳真的拿來做為去碳燃氫的反應催化劑。

圖/pexels

他們在高溫管柱中,裝填了直徑 30 nm 的碳粒。結果發現,在 1,443 K 的高溫下,能達到幾乎 100 % 的甲烷轉化。而且碳本身就是反應的產物之一,因此整個裝置除了碳鋼容器以外,只有碳與氫參與反應,不僅成本低廉,要回收碳黑也變得容易許多。

-----廣告,請繼續往下閱讀-----

目前這個裝置需要加緊改良的,就是當碳不斷的積蓄,碳粒顆粒變大,反應會跟著下降。如何有效清除或更換濾網與反應材料,會是能否將此設備放大至工業化規模的關鍵。

最後,我們回頭來談談,在去碳燃氫技術逐漸成熟之後,我們可能需要面對的根本問題。

天然氣是救世主,還是雙面刃?

去碳燃氫後的第一階段,還是會以天然氣為主,只混和 10 % 以下的氫氣作為發電燃料。

這是因為甲烷的燃燒速度是每秒 0.38 公尺,氫氣則為每秒 2.9 公尺,有著更劇烈的燃燒反應。因此,目前仍未有高比例氫氣的發電機組,氫氣的最高比例,通常就是 30 % 。

目前除了已成功串連,使用 10 % 氫氣的小型發電機組以外。台電預計明年完成在興達電廠,使用 5 % 氫氣的示範計畫,並逐步提升混和氫氣的比例。根據估計,光是 5 % 的氫氣,就能減少每年 7000 噸的二氧化碳排放。

-----廣告,請繼續往下閱讀-----

但隨著天然氣的使用量逐步提高,我們也應該同時留意另一個問題。

天然氣洩漏導致的溫室效應,是不可忽視的!

根據 IPCC 2021 年的報告,若以 20 年為評估,甲烷產生的溫室效應效果是二氧化碳的 82.5 倍,以 100 年為評估,效果為 29.8 倍,是僅次於二氧化碳,對於溫室效應的貢獻者第二名。這,不可不慎啊。

圖/unsplash

從石油、天然氣井的大量甲烷洩漏,加上運輸時的洩漏,如果沒有嚴格控管,我們所做的努力,很有可能就白費了。

非營利組織「環境保衛基金」曾在 2018 年發表一篇研究,發現從 2012 到 2018 年,全球的甲烷排放量增加了 60 % ,從煤炭轉天然氣帶來的好處,可能因為甲烷洩漏而下修。當然,我們必須相信,當這處漏洞被補上,它還是能作為一個可期待的發電方式。

圖/giphy

另一篇發表在《 Nature Climate Change 》的分析研究就說明,以長期來看,由煤炭轉為天然氣,確實能有效減緩溫室氣體排放。但研究也特別提醒,天然氣應作為綠能發展健全前的過渡能源,千萬別因此放慢對於其他潔淨能源的研究腳步。

去碳燃氫技術看起來如此複雜,為什麼不直接發展綠氫就好了?

確實,綠氫很香。但是,綠氫的來源是電解水,而反應裝置也不可能直接使用雜質混雜的海水,因此若要大規模發展氫能,通常需要搭配水庫或海水淡化等供水設施。另外,綠氫本來就是屬於一種儲能的形式,在台灣自己的綠能還沒有多到有剩之前,當然直接送入電網,還輪不到拿來產綠氫。

圖/unsplash

相比於綠氫,去碳燃氫針對的是降低傳統火力發電的碳排,並且只需要在現有的發電廠旁架設熱裂解設備,就可以完成改造。可以想像成是在綠能、新世代核能發展成熟前的應急策略。

當然,除了今天提到的灰氫、藍氫、綠氫。我們還有用核能產生的粉紅氫、從地底開採出來的白氫等等,都還沒介紹呢!

除了可以回去複習我們這一集的氫能大盤點之外,也可以觀看這個介紹白氫的影片,一個連比爾蓋茲都在今年宣布加碼投資的新能源。它,會是下一個能源救世主嗎?

最後,也想問問大家,你認為未來 10 年內,哪種氫能會是最有潛力的發展方向呢?

  1. 當然是綠:要押當然還是壓最乾淨的綠氫啦,自產之前先進口也行啊。
  2. 肯定投藍:搭配碳捕捉的藍氫應該會是最快成熟的氫能吧。
  3. 絕對選白:連比爾蓋茲也投資的白氫感覺很不一樣。快介紹啊!

什麼?你覺得這幾個選項的顏色好像很熟悉?別太敏感了,下好離手啊!

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----
所有討論 1
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

5
2

文字

分享

0
5
2
來自137 億年前的訊息!透過重力波,一窺「宇宙誕生」的真相──《大人的宇宙學教室:透過微中子與重力波解密宇宙起源》
台灣東販
・2022/08/09 ・4055字 ・閱讀時間約 8 分鐘

重力波不只能提供星體的資訊!

說到重力波,一般人可能會想到黑洞、中子星、超新星這三個引發話題的星體。不過,只有在這些星體事件發生的「瞬間」,才會產生重力波,就像宇宙中的一場秀一樣。而當重力波通過後,就無法再偵測到這些資訊。

discoveries GIF
圖/GIPHY

譬如,LIGO 在 2015 年 9 月捕捉到的就是「來自 13 億光年外星體的重力波」。不過,和宇宙年齡相比,這其實是相對較年輕的星體事件。

我們有沒有辦法捕捉到很久很久以前,宇宙剛誕生時產生的重力波,也就是暴脹時期產生的重力波呢?

為什麼宇宙正在急速膨脹?

138 億年前,宇宙在超高溫、超高壓下,以「火球」的樣貌誕生,這就是所謂的「大霹靂」。在這之後,隨著宇宙的急速膨脹,溫度與密度逐漸下降,然後演變現在的樣貌。

這就是大霹靂宇宙論,也是目前多數學者支持的標準宇宙論。

-----廣告,請繼續往下閱讀-----

那麼,為什麼會產生「火球宇宙」這個超高溫、超高壓的世界呢?為什麼宇宙不是一直保持原樣(不是保持相同大小),而是會急速膨脹呢?目前有一個較被接受的說法,那就是前面提過許多次的「暴脹理論

在這個理論中,宇宙初期並沒有任何物質或光,而是一個充滿能量的真空。透過這些真空能量,宇宙用比光速還快的速度,呈指數函數膨脹。

而在暴脹時期結束後,這些真空能量轉變成了光(火球),於是產生了超高溫、超高壓的宇宙,這就是所謂的大霹靂。

目前科學界的研究和觀測結果大多支持大霹靂學說。圖/NASA

不過,如果空間中存在許多能量的話,應該會存在像重力這樣使空間收縮的力才對。為什麼空間會以超越光速的速度迅速膨脹,進入暴脹時期呢?

-----廣告,請繼續往下閱讀-----

學者們用「暴脹子場」這種量子場中的真空能量,說明暴脹時期。

暴脹子場是個未證實存在的純量場。就目前而言,它的存在仍處於假說階段。

目前已知的純量場,譬如 2012 年時,由瑞士日內瓦的歐洲核子研究組織 CERN 在 LHC 實驗中發現並發表,由希格斯玻色子產生的希格斯場。研究者們也因此而獲得 2013 年諾貝爾物理學獎,各位應該還記憶猶新。

137億歲的宇宙,至今仍然不斷膨脹

暴脹子場與希格斯場在質量與粒子的結合力上,都有著很大的差異。暴脹子場的真空中,會產生長時間的負壓。而這個負壓會造成宇宙加速膨脹。

這點與目前的暗能量機制十分類似。有人猜想暗能量可能是未發現的純量場。與暴脹時期相同,目前的宇宙中可能存在著未知純量場的真空能量,就像暗能量般,佔了全宇宙能量的 70%。

-----廣告,請繼續往下閱讀-----

宇宙中佔了 30% 能量之物質,與佔了 0.1% 的光會產生引力,但比不過真空能量所產生的斥力,所以目前宇宙正在加速膨脹。

宇宙仍在不斷的擴大。圖/NASA

順帶一提,即使物質與光的能量佔宇宙的 100%,宇宙也只是減速膨脹而已,並不會收縮回去。因為膨脹初期的速度過快,所以宇宙只會持續膨脹下去。

宇宙誕生的第一步——「原始重力波」

暴脹時期結束後,空間能量會迅速轉變成物質能量,使宇宙轉變成超高溫、超高壓、充滿輻射的狀態。這就是大霹靂「火球」。暴脹理論說明了幾點。

首先是前面提到的「膨脹速度超越光速的宇宙」

-----廣告,請繼續往下閱讀-----

這造成了我們現在看到的(宇宙視界內的)宇宙溫度擁有各向同性,在 10 萬分之 1 的精度下,為絕對溫度 2.723K(約 3K 的宇宙微波背景輻射(CMB))。

在大霹靂學說中,宇宙微波背景輻射是宇宙誕生時所遺留下來的熱輻射。圖/ESA

第二,這個急速膨脹,使宇宙的形狀在幾何學上變得相當平坦,就像膨脹的氣球一樣。

再者,暴脹子場的量子擾動,是宇宙初期物質擾動的來源,也就是3K宇宙微波背景輻射所觀測到的溫度擾動。暴脹子場也含有量子的擾動。這些小小的擾動在短時間內暴脹過程中,急速膨脹,延伸至宇宙視界的彼端,造成現今宇宙中不同區域的密度差異,這也是形成星系的種子

CMB 觀測到的「溫度擾動」,正是暴脹時期產生之暴脹子場的量子擾動。

-----廣告,請繼續往下閱讀-----

另外,在重力波方面,暴脹時期不僅會產生前述密度(溫度)的擾動,也會產生「時空擾動」。急速膨脹的過程中,真空會一直變化,成對產生重力子,這與黑洞周圍產生霍金幅射的機制類似。

學者們認為這種重力波現今仍存在,稱其為「原始重力波」。因為整個宇宙都存在這種重力波,所以也叫做背景重力波。若能檢出這種背景重力波,不只能成為暴脹理論的證據,也會是宇宙起源相關研究的一大步。

原始重力波就像是背景雜訊一樣,在宇宙四處飄蕩

黑洞雙星的合併會產生重力波,不過當重力波通過地球,被 LIGO 觀測到時,該事件便已結束。不只是黑洞,中子星雙星的合併、超新星爆發也一樣。

不過,暴脹時期產生的重力波並非如此。當時整個宇宙充滿了重力波。不過這種重力波就像白噪音般的存在,很難分析這種波的狀態,所以也叫做背景重力波。若依波的種類來分,可以將其算在駐波。如何找到這種駐波,是我們現在的課題。

-----廣告,請繼續往下閱讀-----
重力波可以分成兩種,來自近期星體活動的重力波,以及來自宇宙誕生的背景重力波。圖/台灣東販

與光波不同,重力波的偏振方式可以分成十字形(+)與交叉形(×)2 種,如下圖所示。十字形的偏振會往縱向與橫向伸縮、交叉形偏振則會往斜向伸縮,如其名所示。這兩種波疊合後,會變成圖中右方的樣子,往外傳播。

隨著時間的經過,來自黑洞的重力波會持續前進;但暴脹時期產生的重力波為「背景重力波」,是一種駐波,就像噪音一樣充滿在整個宇宙中。如果能發現這種波,就能證明暴脹理論。

重力波由十字形、交叉型兩種偏振方式所組成。圖/台灣東販

宇宙之窗:暴脹子場是什麼?

暴脹時期產生的「暴脹子場」究竟是什麼樣的東西呢?

重複一次,暴脹子場被認為是某種未知、很重的純量場,其質量上限在 1013GeV 以下。目前這個低能量宇宙中,已經不存在暴脹子場。即使透過粒子對撞,產生目前可達到的最高能量(數 10TeV,相當於數 10 京度的溫度),也沒辦法產生這種場。

-----廣告,請繼續往下閱讀-----

每種基本粒子都有著伴隨其出現的「量子場」。

譬如希格斯場會伴隨著希格斯玻色子出現。就希格斯場這種純量場而言,其存在機率最高的期望值稱做場值(真空值),是希格斯玻色子的位置。而場值周圍存在所謂的量子擾動。這種量子擾動只有在微觀尺度下有意義。

在我們生活的巨觀尺度下,幾乎察覺不到任何量子擾動,所以我們平常的生活並不會意識到它們。

我們周圍有許多電路會用到二極體。在微觀尺度下看這些電路,會看到粒子般的電子周圍有量子擾動,這種量子擾動對二極體來說相當重要。

在這種量子擾動下,電流只能沿著電路中可跳躍量子擾動的方向流動,二極體才有如此特別的性質,可見量子論也是現代科技中的重要理論。

所以說,考慮初期宇宙中暴脹子場的量子擾動,可以知道當宇宙還很小時,暴脹並非在宇宙中的各個地方同時間發生。宇宙中各個地方開始暴脹與結束暴脹的時間都不一樣。

量子擾動除了會造成時間擾動,在某些條件下,我們也可以在巨觀視界下感受到密度和溫度的擾動。圖/台灣東販

量子擾動會造成時間擾動,不過在暴脹這種急速膨脹後,會轉變成超越視界的古典擾動,所以我們會在巨觀視界下觀察到,各個地方都有著不同的密度。這就是所謂的「密度擾動」或「溫度擾動」。

總而言之,最初產生量子擾動後,隨著空間的急速膨脹而迅速延伸,轉變成了空間性的密度擾動。

備註

  • 暴脹理論與大霹靂的名稱

1981 年,佐藤勝彥在大統一模型的框架下,提出真空相變會造成宇宙呈指數函數膨脹的理論。同年,古斯也發表了同樣的想法。自宇宙誕生的瞬間起(依大統一理論,約為 10−38 秒後~10−36 秒後)宇宙會以超越光速的速度,呈指數函數膨脹,然後轉變成大霹靂的「火球」宇宙。

1980 年時,為修正愛因斯坦的重力觀點,學者們提出了以指數函數膨脹中的宇宙。

而在 20 世紀初,多數學者認為「宇宙永遠不會改變」(宇宙穩態論),沒有開始,沒有結束,大小也永遠不會改變。不過宇宙穩態論的擁護者霍伊爾(Fred Hoyle)曾在某個廣播節目中說「宇宙的開始?那是大霹靂的觀點(the ‘big bang’ idea)」,於是「大霹靂」這個名稱就定了下來。

當時連愛因斯坦都相信宇宙穩態論,否定膨脹宇宙。不過在觀測結果陸續出爐後,哈伯(Edwin Hubble)、勒梅特(Georges Lemaître)等人成功說服了愛因斯坦接受宇宙正在膨脹。

——本文摘自《大人的宇宙學教室:透過微中子與重力波解密宇宙起源》,2022 年 6 月,台灣東販,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
台灣東販
5 篇文章 ・ 3 位粉絲
台灣東販股份有限公司是在台灣第1家獲許投資的國外出版公司。 本公司翻譯各類日本書籍,並且發行。 近年來致力於雜誌、流行文化作品與本土原創作品的出版開發,積極拓展商品的類別,期朝全面化,多元化,專業化之目標邁進。