以下是由金石雷達站的70米深空雷達天線於2011年11月7日拍攝的28幅2005 YU55影像製作的動態影片，可見小行星自轉的狀況。
以下影片則是由史威福觀測衛星（Swift）在2011年11月9日，小行星最接近地球之後的幾小時，以紫外/可見光望遠鏡（UVOT）所拍攝的小行星影像，可見小行星在視野中移動的景象。背景星空是利用數位巡天計畫（DSS）的可見光影像予以合成的結果，拍攝當時，小行星位在飛馬四邊形中。
以下是位在夏威夷、口徑10米的凱克II望遠鏡（Keck II）於2011年11月9日所拍攝的2005 YU55紅外影像，科學家藉此證實2005 YU55應該沒有衛星，且其直徑比科學家原本認為的400公尺還小一些。
資料來源:
轉載自台北天文館之網路天文館網站
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？
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。
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：
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：
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 可分成兩種：
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。
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。」
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
。
討論功能關閉中。
在上一篇中，我們介紹了將在 2023 年發生的五個醫藥健康大事件。
這次我們轉向能源、宇宙與科技領域，從首趟平民月球之旅、物理學的標準模型新發現，再到第一個核廢料永久儲存設施正式營運！
世界各國能否聽從科學家的警告，採取實際行動，朝淨零之路前進嗎？看起來不行。由於疫情與俄烏戰爭，去年 11 月在埃及舉辦的「聯合國氣候變化會議 COP27」幾乎是原地踏步。
不過還是有一個重要的決議，那就是建立氣候損失和損害基金。根據協議，排放量較高的富裕國家將在經濟上補償受氣候變化影響最大的貧窮國家。「過渡委員會」將於 2023 年 3 月底前舉行會議，提出資金運用的建議，並在 11 月的 COP28 會議上提交給世界各地的代表。
至於核能的部分，新型核分裂發電與核融合發電，都會在 2023 年有所進展。
另外，世界上第一個核廢料儲存設施，今年將在芬蘭西南海岸外的奧爾基洛托島正式啟用。這個由芬蘭政府於 2015 年批准建造的地下處置庫，將負責封存超過 6500 噸有放射性的鈾；這些鈾會被裝在銅罐中，再用厚厚的粘土覆蓋，最後埋在地下 400 公尺深的花崗岩隧道內，預期將被密封數十萬年，直到輻射水平達到完全無害的程度。
另一個好消息是，今年 1 月 1 日就任的巴西總統——魯拉（Luiz Inácio Lula da Silva），將推翻前任總統開放的雨林開發，保護生態與文化。
然而深海則有新危機。若 2023 年 7 月前，聯合國的國際海床管理局（ISA）沒能讓各國對深海採礦管理準則達成共識，那海底的礦產資源可能會被某些政府和企業盯上，不受限制地開挖，海洋生態將迎來浩劫……。
許多關於能源的抉擇包含了科學和政治，能源短缺也激勵了綠能跟潔淨能源的投資力道及採用意願；至於今年還會不會發生更棘手的麻煩？使能源轉型更加舉步維艱。
2022 年 4 月，美國費米國家加速器實驗室的物理學家，公佈了渺子 g-2 實驗的首批結果；這項實驗研究了被稱為「渺子的短命粒子在磁場中的行為」。
過去 50 年來，標準模型（Standard Model）[註]的理論預測通過了所有測試，但其實物理學家普遍認為標準模型肯定還不完備，並且認為可以從渺子身上找到破綻；如果今年再次公佈更精確的數據，顯示渺子的磁矩比理論預測來得大，那就代表還有新粒子等待被發現，而標準模型就得修正。
位於中國廣東的江門地下的微中子實驗觀測站，也將在今年展開尋找超越標準模型的物理學之旅；利用位於地下七百公尺的探測器，來準確測量微中子的振盪。
註：標準模型為能描述強核力、弱核力、電磁力這三種基本力，以及所有物質基本粒子的理論。
另外，物理學家們在今年會有升級的新設備。第一個是 LCLS-II 直線加速器相干光源 2 代（Linac Coherent Light Source-II），它將創造終極 X 射線機器，看到分子內原子的運動！另一個則是新的重力波獵人—— Matter-Wave Laser Interferometric Gravitation Antenna（物質波雷射干涉重力天線）；這個設施把銣原子冷卻成「物質波」，能夠梳理黑洞和其他超大質量天體碰撞產生的時空漣漪，揪出現有重力波設施錯放的事件，甚至可以幫我們尋找暗物質！
而在瑞典隆德附近、由歐洲 17 國攜手成立的歐洲散裂中子源（ESS），將使用史上最強大的線性質子加速器產生強中子束，來研究材料的結構；雖然預計 2025 年才會完工，但於今年迎來第一批研究人員，開始實驗。
許多人心中 2022 年科學事件第一名，正是韋伯太空望遠鏡傳回的驚人照片；沒有意外的話，韋伯在 2023 年會繼續大顯身手，揭露星系演變的真相，與遙遠系外行星的生命印記，找尋地球之外的生命。
今年還會有更多驚喜！來自於新的太空望遠鏡，如：由歐洲太空總署開發的歐幾里得太空望遠鏡，今年發射後將繞行太陽六年，拍攝宇宙的 3D 圖；日本宇宙航空研究開發機構 JAXA 的 X 射線成像、光譜任務 XRISM，則是繞地球軌道運行的太空望遠鏡，將探測來自遙遠恆星和星系的 X 射線，預計在今年 4 月升空。
在地球上，位於智利的薇拉魯賓天文台（Vera C. Rubin Observatory）將於今年 7 月啟用；其望遠鏡採用特殊的三鏡面設計，相機包含超過 30 億像素的固態探測器，每三個夜晚就能掃描整個南天，也是監測可能危害地球小行星的守護者之一。而世界上最大的可動望遠鏡——新疆奇台射電望遠鏡（QTT）也將在今年完工；其口徑達 110 公尺，能夠觀測天空中 75% 的星星。
2022／12／11 這天，包括阿拉伯聯合大公國的拉希德漫遊者月球車、NASA 的月球手電筒立方衛星、以及日本的白兔 HAKUTO-R M1 登陸器，共同搭乘 SpaceX 的獵鷹九號發射升空；HAKUTO-R 如今正緩緩帶著拉希德前往月球，預計在今年 4 月著陸。
而印度太空研究組織 ISRO 的第三次探月任務月球飛船 Chandrayaan-3，預計今年年中發射，並於月球的南極著陸。
還有首次民間人士的月球之旅 dearMoon。SpaceX 的 Starship 將載著 11 位平民上太空，包含創業家、明星跟 YouTuber；如果 Starship 成功發射，將會成為史上最大的火箭。Blue Origin 的 New Glenn 也預計在今年首度發射。若兩者都成功，將推動太空科學與商業進入新時代，讓進入太空的成本大幅下降。
歐洲太空總署的木星冰月探測器 JUICE 也將在今年 4 月升空，並於 2031 年抵達木星系統；目標是研究木星以及三顆衛星：木衛二三四的環境，了解他們有沒有可能支持生命存在。
NASA 將於今年 10 月後發射延遲了一年的 Psyche 靈神星小行星軌道飛行器，其研究對象為 16 Psyche 靈神星小行星；科學家認為它可能不是一般的小行星，而是一顆年輕行星裸露的鐵核心。如果今年順利發射，將在 2029 年到達。
看來對太空迷來說，2023 又將是幸福熱鬧的一年。
借過借過，AI 已預約登上 2023 年最大科學事件！
如果 GPT-3.5 開發的 ChatGPT 還沒有嚇到你，那 GPT-4 就要來了！
而在科學領域，DeepMind 的 AlphaFold 帶來的衝擊不亞於 ChatGPT；它能夠根據蛋白質的一維氨基酸序列，準確預測折疊後的三維形狀，對生物與醫療研究影響非常大。 AlphaFold 2 於 2021 年發布了另外 2 億多種蛋白質的結構，幾個月來，來自 190 個國家／地區、超過 50 萬名研究人員，使用 AlphaFold 研究了 200 萬種不同的蛋白質結構。另外，Meta 的 ESMFold 的速度甚至又比 AlphaFold 快 60 倍，預測的蛋白質超過 6 億種！
基於 AlphaFold 跟 ESMFold 的研究量將大大增加，這些龐大新知識也將開始應用於各學科，包括新疫苗和塑膠開發。
法規管制總是比科技進步緩慢，隨著 AI 越來越強大、滲透到社會的方方面面，各國政府必須回應。歐盟在今年將通過人工智慧法案，為使用人工智慧制定標準，其他國家和科技巨頭將密切關注，跟進與調適。
以上就是「2023 最值得關注十大科學事件」，你最期待的是哪一個？哪個是你心中的 No.1？又有哪些我們漏掉了，但你覺得該列入的呢？歡迎留言討論！
歡迎訂閱 Pansci Youtube 頻道 鎖定 2023 年的每一個科學大事件！
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。
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。
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。
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）」。
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。
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？
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？
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？
這時就輪到「Drift And SHift（DASH）」技術出場了！DASH 的核心概念很簡單：
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 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。
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！
參考資料
延伸閱讀
狐禪
