蜘蛛星雲仍在長大中

• 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。

• 撰文｜許世穎

本文轉載自 CASE 科學報《整個宇宙，都是我的動物園——天文化學》

整個宇宙就像是一座「分子動物園」，藉由研究的分子光譜，我們可以得知這分子的分佈、溫度等性質；而由於不同的分子有著不同的「習性」，我們還可以得知孕育這些分子的星際環境。

天文化學是什麼？

天文學是研究宇宙間天體的自然科學，除了一般大眾較為知道的「天文物理學」以外，宇宙擁有很多的面向，其中一個就是本文的主題：「天文化學」。

同樣都是研究「物質」的科學，物理學與化學卻是以不太一樣的方式來觀察這個世界。天文化學著重那些宇宙間「不同天體環境中的原子、分子、離子」等，研究它們的形成、分布、彼此之間的交互作用，或是與環境的交互作用。（接下來為了方便起見，我們將分子、離子等統稱為分子。）

天文學雖然是最古早的科學之一，但是天文化學這個學門，則要到 20 世紀中期才開始慢慢出現。理由很簡單：因為分子看不到呀！星星那麼大一顆，用望遠鏡都不一定能看清楚了，更何況是擺在眼前都看不到的分子呢？

因此要研究宇宙中的分子，必須要靠特別的技術才行；其中，最重要的技術之一，就是「光譜學」。

光譜（spectrum）是將光依照波長或頻率排列出來的圖案，像「彩虹」就是一種光譜，是太陽光依照不同頻率分開來的圖案。而光的範疇除了可見光以外，還有很多肉眼看不到的波段，例如無線電波、紅外線、紫外線、Ｘ光……等。

每一種分子都有著屬於自己的光譜，在地球上的我們，如果想要知道分子的光譜長什麼樣子的話，除了可以做實驗量測以外，更多的是用電腦做精密的模擬計算來預測。分子的光譜就像它們的「指紋」，就像警察會將採集到的指紋與資料庫比對，來得知這枚指紋是哪個人留下來的，天文學家則是將觀測到的光譜與資料庫比對，來得知遙遠星際的另一端有哪些分子，甚至是它們的含量、溫度等（圖 1）。

想要了解更多天文學家如何使用光譜學，可以參考：＜把光拆開來看：天文學中的光譜＞。

為什麼宇宙是「分子動物園」？

動物們往往能反應出當地的環境，舉例來說，看到河馬就知道那邊是有水有草的環境；看到櫻花鉤吻鮭就知道有水溫偏低的溪流 ^[3]。將宇宙視為分子動物園也是一樣的，觀察分子的分佈、含量，也可以讓我們回推物理環境。目前，我們已從星際間，觀測到了約 200 多種分子，這裡就介紹幾種常見的星際分子吧！

氫分子（molecular hydrogen, H₂）

宇宙中含量最高的分子，也是「分子雲」的主要成分。分子雲中每一立方公分大約有一萬個氫分子（10⁴ cm^-3）。

分子雲是恆星、行星誕生的地方，所以了解氫分子的分佈，能幫助我們研究恆星形成。同時，氫分子能與較重的元素反應，是許多化學反應的催化劑，產生其他的分子如一氧化碳（CO）、二氧化碳（CO₂）、 氰基自由基（CN）等。

氫分子對天文化學來說相當重要，可惜在分子雲這種均溫只有零下 200 多度的環境，幾乎是不太可能觀測到（因為它是個對稱的分子，有興趣的讀者可以再進一步了解。）^[5][6]

一氧化碳（carbon monoxide, CO）

一氧化碳分佈在星際間低溫、高密度的區域。它是星際間含量第二高的分子。

比起氫分子，一氧化碳容易觀測太多了，所以天文學家更容易從一氧化碳的圖像，來得知分子雲的分佈。由於分子雲幾乎沒辦法用可見光直接觀測，早期的科學家根本不知道我們周邊有這麼多分子雲的存在，直到觀測了一氧化碳的圖像之後才大開眼界。 ^[5][6][7]

氨（ammonia, NH₃）

氨也是很容易被觀測到分子。歷史上第一個觀測到的分子是就是氨。氨有許多譜線，而這些譜線的強度對於環境變化非常敏感，能對應到很多種不同的星際環境。對氨的觀測能讓我們更精確地回推出該處的環境狀況 ^[8][9]。

宇宙中的環境變化太大了，不同的環境下化學反應可能會有很大的差異。宇宙間的發散星際雲（diffuse cloud）、密集分子雲（dense cloud）、恆星形成的熱原恆星核（hot core）等這些已經偵測到大量分子的區域，溫度分佈從 10 K～1000 K（約攝氏 -200 度到 +800 度）、密度從每立方公分一百顆粒子到十兆顆粒子（10² cm^-3～10¹³ cm^-3）都有！

這裡接著再介紹幾種分子含量高的星際環境。

恆星形成區域（star-forming region）

分子雲內部高密度、正在形成恆星的地方。獵戶座 KL 星雲（Orion KL）是獵戶座大分子雲中，恆星形成最活躍的區域。在這裡有許多的「複雜飽和有機分子」出現，如：甲醇（CH₃OH）、甲酸甲脂（HCOOCH₃）等，也有一些長鏈的碳分子，如：氰基乙炔（HCCCN）^[10]。

彗星 67P/Churyumov-Gerasimenko （comet 67P/C-G）

在近幾年的觀測資料中，科學家在這裡看到了含量極高的氧分子（molecular oxygen, O₂），這讓他們感到非常意外。因為氧分子在宇宙中很容易起反應、變成其它的分子，而在彗星這麼樣一個容易揮發的環境中，卻能有高含量的氧分子存在，代表這些氧分子很有可能是在彗星形成的時候，就已經存在周遭的環境中，並且冰封在彗星上 ^[11][12]。

天文化學所牽涉到的範圍很廣，橫跨了許多不同的領域。 整個宇宙就是一座「分子動物園」。天文學家觀察這些宇宙中的分子，來得知遙遠天體中具有什麼樣的環境。星際間也發現了許多有機分子，研究這些分子甚至能幫助我們理解生命的起源，這是現在天文化學研究的一個重點方向。

參考資料

• [1] sci-news / Astronomers Detect Organic Molecules in Starless and Prestellar Regions of Nearby Stellar Nurser
• [2] ALMA / Forest of Molecular Signals in Star Forming Galaxy
• [3] 雪霸國家公園 / 鮭魚與水質
• [4] EAS / The molecular journey from stars to disks
• [5] wiki / Molecular cloud
• [6] COSMOS / Molecular Hydrogen
• [7] NRAO / The Cold Case of Carbon Monoxide
• [8] wiki / Ammonia
• [9] Ho, P. T. P.; Townes, C. H., Interstellar ammonia, Annual Rev. Astron. Astrophys., Vol. 21, p. 239-270 (1983)
• [10] wiki / Kleinmann–Low Nebula
• [11] ESA / Molecular oxygen detected at comet 67P/C-G – ROSINA mass spectrum
• [12] wiki / 67P/Churyumov–Gerasimenko

• 本文轉載自臺北天文館，《臺北星空》第 99 期。
• 文／美國夏威夷大學天文研究所 泛星計畫博士後研究員｜林建爭
• 校稿／美國夏威夷 專案文物修復師｜王品方

來自愛丁堡大學的天文學家 Michael S .Petersen 與 Jorge Peñarrubia 近期在自然 (Nature) 期刊中，針對銀河系與大麥哲倫星系 (The Large Magellanic Cloud) 的交互運動，有了新的發現。這份最新的研究指出受到大麥哲倫星系重力場的影響，銀河盤面發生偏移，透過測量銀暈（銀河系的主要部分向外延伸，大致成球形的結構）上不同類型恆星的運動，發現銀河盤面正朝著大麥哲倫星系過往的軌跡方向移動，這個觀測結果與數值模擬的模型相符。

銀河系最大的衛星星系——大麥哲倫星系

大麥哲倫星系是銀河系最大的衛星星系，其質量超過銀河系的十分之一，近期觀測發現，它正以高達每秒 327 公里的速度從銀河系旁通過，離銀河系中心距離僅約 16 萬光年（註：銀河半徑約 5 萬光年），是最接近銀河系的。這樣規模的衛星星系在如此近的距離下高速經過銀河系帶來重力場的變化，使銀河盤面相對於質量中心產生偏移，然而銀暈與盤面受到衛星星系重力牽引的影響不同，位於銀暈越外圍的恆星需要較長的時間尺度才能將重力場的變化反應在運動軌跡上。

當一個外力突然進入一穩定旋轉的慣性系統，如同用手去觸碰正在旋轉的陀螺會使它產生偏移，銀河盤面因大麥哲倫重力場影響而會發生偏移且朝某一方向移動，銀暈的運動軌跡也會出現變化以維持動態平衡，這個銀暈因受盤面偏移而產生的運動改變稱作反應運動 (reflex motion)。

其實反應運動的測量在恆星尺度上也被拿來當作尋找系外行星的工具之一，如圖 1 所示，反應運動主要與系統中質點的質量比有關，舉例來說，一個質量越大的行星繞著母恆星旋轉，母恆星的反應運動越大（繞系統質心的旋轉半徑越大）；因此，天文學家們可藉由觀測恆星的反應運動來發現周圍的未知行星，隨著觀測技術的進步，可以偵測到的自行運動越來越小，距離量測也越趨準確，未來藉由反應運動的測量將有機會發現更小質量的系外行星。

那如何藉由反應運動的測量來分析銀河盤面與大麥哲倫星系的交互運動呢？天文學家 Petersen 等人利用銀暈上的 K 型巨星 (K Giants)、藍水平分支星 (Blue Horizontal Branchs) 和衛星星系來分析銀河盤面的移動速度。這三個分類中，資料樣本數量龐大的亮星來源 K 型巨星，擁有較精確的自行運動測量數值，有助於將盤面移動速度限縮在較小的範圍內，如圖 3 紅色區域所示。

綜合分析三類不同來源恆星的觀測資料後，Petersen 等人發現目前銀河盤面正以相對於外圍銀暈（離銀河中心 13-39 萬光年範圍）約每秒 32 公里的速度，朝向大麥哲倫星系早期通過銀河系的軌跡方向移動，而不是朝向大麥哲倫星系當前的位置移動，如圖 2 的模擬圖以及圖 3 觀測資料的結果所示。這樣的現象主要是因為大麥哲倫星系移動的速度太快，使得銀河盤面在重力牽引導致的位移上發生延遲，這個觀測結果與數值模擬銀河系與大麥哲倫星系的交互運動模型一致。

Petersen等人透過六項恆星參數的測量，包含有距離 (heliocentric distances)、銀河座標 (Galactocentric coordinates)、自行運動 (proper motion) 與視向速度 (line-of-sight velocities)，估算出銀暈上恆星的反應運動；這個觀測結果說明了在模擬銀河系的動態模型時，大麥哲倫星系接近銀河系時所帶來的重力擾動是不可忽略的。此外，在觀測銀暈上的恆星時所使用的參考座標系，也必須針對銀河盤面產生的反應運動進行校正。

研究人員更進一步地利用貝氏擬合 (Bayesian-fitting) 的技術（註：將模型參數看成隨機變量，利用馬可夫鍊蒙地卡羅法來估算出模型參數的一種統計解法）來測試目前銀河系與大麥哲倫星系的數值模型，發現從銀河系現有的反應運動所對應到的是一個較大質量的大麥哲倫星系，這個結果暗示著大麥哲倫星系在接近時可能伴隨著帶有暗物質的星系暈。他們認為未來光譜觀測的巡天計畫與 Gaia 資料的公開，將有助於更精確的模擬大麥哲倫星系通過銀河系時的軌跡，甚至有機會進一步了解暗物質在銀河系與大麥哲倫星系中的分佈與結構。

更加精準的測量數據 揭開星系間的奧秘

這項研究結果也指出，我們不能單純的將銀河系當是做一個動態平衡系統。觀測者需要校正重力擾動對盤面質心位移所產生的非慣性效應；儘管我們目前已針對太陽的反應運動進行校正，但銀河盤面與其他星系的動力學研究，如大麥哲倫星系造成銀河系的反應運動，仍不可忽略。

總和來說，這份研究探討了位於銀暈外圍（半徑大於 13 萬光年）的恆星運動因銀河盤面位移而產生反應運動，位於較小半徑內，反應運動的程度幾乎可以忽略。此外，這份研究也指出，受到銀河系和大麥哲倫星系相互重力牽引的影響，這兩星系間的系統位能也隨著時間變化，若我們能更了解這部分動態的能量轉移，許多問題將有望被一一解開，例如大麥哲倫星系的接近軌跡與暗物質如何影響其路徑？大麥哲倫會在接近銀河系時因潮汐力而流失其暗物質嗎？這些暗物質又會往何處去呢？

隨著近期 Gaia 資料的公開，在自行運動上有更大範圍且準確的測量，綜合一些大型望遠鏡的光譜巡天計畫，例如 LAMOST、4MOST 及 VLT-MOONS，銀暈上恆星的視向速度測量資料將會更加準確，也有助於我們了解大麥哲倫星系接近銀河系的軌跡與其潮汐碎片 (tidal debries) 的位置。於此，在接下來的幾十年中，我們將有機會一揭銀河系與星系周圍動態運動的神秘面紗。

原文及參考資料

• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall | Nature Astronomy
• Detection of the Milky Way reflex motion due to the Large Magellanic Cloud infall
• The Milky Way in disequilibrium | Nature Portfolio Astronomy Community
• Reflex motion in the Milky Way stellar halo resulting from the Large Magellanic Cloud infall

延伸閱讀

• 探討大麥哲倫星系
• 銀河系將與大麥哲倫星系相撞

位在大麥哲倫星系（Large Magellanic Cloud，LMC）中的劍魚座30（30 Doradus），俗稱蜘蛛星雲或狼蛛星雲（Tarantula Nebula），是全天空最大的恆星形成區。在星雲中心有近2400顆大質量恆星，集眾星之力的輻射及恆星風，自然強得不得了。被強烈輻射與恆星風推擠之下，星雲仍在不斷擴張中。天文學家最近利用星雲中熾熱而明亮的X射線氣泡結構來建構這個星雲的大尺度結構及演化狀況，同時發現大質量恆星產生的強烈輻射壓不再是現階段雕刻星雲的主力來源。

右圖是錢卓X射線觀測衛星（Chandra X-ray Observatory）的X射線波段資料（藍色）和史匹哲太空望遠鏡（Spitzer Space Telescope）的紅外波段資料（橘色）合成的結果。錢卓資料主要可見恆星風和超新星爆炸所產生的震波，將氣體加熱到極高溫而釋放出的X射線，因此清楚呈現被恆星風等吹出的龐大氣泡狀結構。而史匹哲資料則呈現出這個氣泡結構周邊溫度稍低的氣體和塵埃。

劍魚座30是所謂的氫離子區（HII region）。氫是由一個帶正電的質子和一個帶負電的電子組成的原子，質子在原子核中，電子環繞原子核運轉。當年輕而熾熱的恆星發出強烈輻射，將星雲中的中性氫原子（HI，I為羅馬數字1）唯一的電子打跑，使氫氣成為帶一價正電的氫離子（HII，II為羅馬數字2）。劍魚座30是整個本星系群（Local Group）規模最大、質量也最大的氫離子區。本星系群由我們的銀河系、仙女座星系、大小麥哲倫星系和其他共約30幾個星系組成的團體。而大麥哲倫星系是銀河系最大的衛星星系，距離僅約16萬光年。因此，距離近且規模龐大，讓劍魚座30成為最佳的大質量恆星演化研究室。

關於刻畫星雲形狀的主力來源，最新研究顯示不再是大質量恆星所發出的強烈輻射壓，而是周邊熾熱氣體的壓力；但是今年稍早另一篇論文卻與此結論相反，認為輻射壓，尤其是在星雲中心區域的大質量恆星附近，是主導劍魚座30演化的推手。因此，對於這個全天最大的恆星形成區的演化機制究竟為何，天文學家還得再加一把勁了。

資料來源：30 Doradus and The Growing Tarantula Within[2011.11.10]

轉載自台北天文館之網路天文館網站