Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

星星一定在動嗎?──《跟著怪咖物理學家一起跳進黑洞》

聯經出版_96
・2016/04/14 ・3115字 ・閱讀時間約 6 分鐘 ・SR值 533 ・七年級

-----廣告,請繼續往下閱讀-----

星星一定在動?

好, 今天我想來談談暗物質。在進入主題之前, 我想請大家回想一下上一回說過的牛頓「運動定律」。牛頓思考「為什麼星星不會掉到地球上」,想出了「因為它在動」的答案。

如果停止運動, 就會掉下來。例如,這是人造衛星墜落地球前的狀態,但它並不是以靜止狀態飄浮在地球上空。因為重力一直在運作,一旦靜止的話,最後一定會朝著地球墜落。它沒有墜落,就是因為它相對(或是抵抗著?)重力朝某方向在運動。

人造衛星之所以沒有墜落到地球上,就是因為它持續相對著重力朝著某方向運動。

這個圖的狀況,人造衛星正好繞著地球周圍打轉。它飛行的運動,與重力巧妙的維持均衡,所以不會掉落下來。它拚命的運動以避免墜落。請各位記住,重力與運動永遠互為表裡。重力發生作用的地方,物體在運動。反言之,如果有天體在運動,那就是重力發生作用。

記住這個法則,今天講述的內容就會比較容易理解。

-----廣告,請繼續往下閱讀-----

離太陽越近,公轉速度越快,離得越遠越慢

那麼我們先來想想太陽系行星的公轉運動吧。太陽在正中央,行星繞著它的周圍旋轉(圖 56 ☞)。行星不會朝著太陽墜落,是因為它保持著某個速度。而且越接近中心的星球,應該旋轉得越快。事實上水星旋轉的速度驚人的快,而最外側的海王星則是個慢郎中。

【P239-圖56】跟著怪咖物理學家一起跳進黑洞!

距離中心越遠,公轉速度越慢─我們做個圖表看看吧(圖 56 ☛)。縱軸是「速度」,橫軸是「與太陽的距離」,輸入各別行星的速度之後,就會形成這樣。離太陽近的行星速度快,距離遠的速度慢。原因是離太陽越近,受到它的重力影響越大。重力正是公轉的原動力。請牢記,畫成圖表的話,可以描出這樣的曲線。

依據這個原理,我們再來看看星系吧。

這是仙女座星系(圖57)。大和宇宙戰艦的目的地─位於我們銀河系的隔壁,所以經常看得到它的名字。

-----廣告,請繼續往下閱讀-----

從側面來看這個星系的話,會呈現這種形狀(圖 57 ☞)。上面照片中的中央也是圓圓隆起的樣子,而且非常明亮。為什麼會這樣呢?因為正中央聚集了大量的恆星,周圍的星球則是呈圓盤狀散開的關係。

這就是被稱為「螺旋星系」的特徵,而中央星球聚集的地方,叫做「核球」(bulge=凸出),而周圍叫做「盤面」(disk=圓盤)。從亮度的分布來推測,絕大多數的星球都集中在核球,周圍的盤面沒什麼星球。星系的結構就是這樣。

星系的自轉速度很奇怪……

接下來我們來思考一下星系的運動吧。看上去,星系是靜止的,但是仔細觀測一下,就會知道它也在旋轉。星系聚集了大量恆星,當然是重力在運作的關係。如同一開始時我說過的,重力運作的地方,星球會恆常的運動。如果運動停止的話,就會朝著核球落下,所以它必定在旋轉。

再來思考盤面上星球的運動吧(圖58)。這些星球以多快的速度在運動呢?我們來測量一下它們個別的旋轉速度。

-----廣告,請繼續往下閱讀-----

【P243-圖58】跟著怪咖物理學家一起跳進黑洞!

有一位學者叫做薇拉.魯賓(Vera Rubin),就真的做過這個測量──她是上一次講到的伽莫夫(George Gamow)的學生──這位科學家使用的方法,是都卜勒效應。前一次也介紹過,這是波必定會出現的現象,遠離時波長會拉長。以光來說,「波長拉長」的意思,在顏色上會往紅色方向(紅移)移動。測量它的偏移量,就可以測得星球的速度─這是上一回講義中說過的。魯賓就是用這種方法,測量盤面上的星球速度。

預測的狀況是這樣(圖 58 ☚),照理說,越接近核球,速度越快吧?因為幾乎所有的質量都凝聚在核球,所以它應該和太陽系一樣,越近越快,越遠越慢。若不是如此就有問題了。

可是……

但實際上這位學者發現了一個驚人的現象,不論內外,所有星球的旋轉速度幾乎都一樣。(圖 59 ☜)即使距離中央十分遙遠,速度卻不變。照理說,越往邊緣走,速度會越慢才對。速度沒有變慢,恐怕是發生以下這種狀況,即本來以為星球凝聚在核球,而周圍的盤面幾乎呈現沒有星球的狀態,但似乎不然,難道是有星球以外的物體,以「黑」的狀態密集分布在周圍嗎?(圖 59 ☚)這裡應該有一些具有大質量的無法以光看見的物質吧……

-----廣告,請繼續往下閱讀-----

這個以「黑」顯示的領域稱為「銀暈」(halo=光暈)。密集在銀暈中的某物──一般認為就是暗物質,就是今天的主角。「halo」這名字滿可愛,但卻是「黑暗的」。

這是宇宙的一個謎,今天就要來說說這個謎。

球形的笨蛋!

這一位是科學家茲威基(Fritz Zwicky,圖 60)。他是超新星的專家,從他的名字弗里茨,很多人會以為,他是德語系的人,其實他是瑞士人,在美國做研究。

【P247-圖60】跟著怪咖物理學家一起跳進黑洞!

據說,他是個頑固老爹,可能因為自詡聰明,所以常常對人大聲責罵。罵人的方法也變化多端。但他最喜歡的一句,卻是「球形的笨蛋」。為什麼是「球形」呢?這表示不論從哪個角度看都是笨蛋的意思……算是個不夠聰明還會意不來的玩笑。德國常常有這類玩笑話,需要轉個彎想才會明白,但一點都不好笑。

-----廣告,請繼續往下閱讀-----

剛才的那位魯賓在 70 年代時,曾研究過星系的旋轉速度,得出「好像有暗物質」的結論。但是這位茲威基卻在她 40 年前──也就是一九三○年代,就發現了這個驚人的現象。當時的時代既沒有「暗物質」這個名稱,連概念都沒有。但這位學者並不是研究星系中一顆顆恆星的旋轉運動,他研究的是星系本身的動態。

這個圖是「后髮星系團」,其中發出朦朧光線的圓盤狀物體,每一個都是一個星系(圖 60),集合了大量星系的天體叫做星系團。既然每一個圓盤都是星系的話,質量當然大得不得了。質量大的星系大量聚集─聚集歸聚集,但也有著相當的距離─會產生無法想像的重力。既然重力在運作,當然就會運動。茲威基便因此研究起星系團的運動。

運用牛頓的運動定律,計算速度,就可以估算出質量。若要對一個一個星系縝密的計算,需要極困難的演算,但是有一種匯總這種問題的學問,叫做統計力學,使用它就能比較簡單的求得。

為星星取你的名字送給你

對了,為什麼會取「后髮座」這個名字呢。星座的取名最初是從「把某顆星和另一顆星連起來,變成某種形狀」的方式開始的,但世界各地都有不同取法,很容易造成混亂。所以某一時候決定做個統一,國際天文學會的組織決定了哪裡是獅子座,哪裡是小熊座─雖然怎麼看也不像小熊啊─長得像「后髮」的說法也很玄奇,不過,那個組織就決定了「后髮座」的名字。

-----廣告,請繼續往下閱讀-----

再說件不相干的事。天體中只有星座和一等星會取名字。各位應該也有聽過織女星或是牛郎星吧,但是二等星以下基本上沒有名字。二等星中有取名的,只有北極星,其他的都是無名星,你可以任意幫它們取名。

因為這個原因,還興起了一門生意。有人以「為星星取你的名字送給你」作為宣傳,只要付一筆錢,就能拿到認定書之類的證明。但實際上並沒有得到國際天文學會的承認,只是隨便任意取名而已。其實不用花錢,自己隨便幫一顆星取名也是一樣。那種手法只是欺騙不懂內情的人罷了。


0010708410

 

 

你一定聽過黑洞、時間旅行、暗物質、蟲洞、希格斯粒子、空間扭曲、相對論……但你真的「知道」那是什麼嗎?快跟著《跟著怪咖物理學家一起跳進黑洞》吧!(本書為聯經出版

-----廣告,請繼續往下閱讀-----
文章難易度
聯經出版_96
27 篇文章 ・ 20 位粉絲
聯經出版公司創立於1974年5月4日,是一個綜合性的出版公司,為聯合報系關係企業之一。 三十多年來已經累積了近六千餘種圖書, 範圍包括人文、社會科學、科技以及小說、藝術、傳記、商業、工具書、保健、旅遊、兒童讀物等。

0

1
0

文字

分享

0
1
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

-----廣告,請繼續往下閱讀-----

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。

0

2
0

文字

分享

0
2
0
「哈佛最優秀的人」卻被迫低頭:塞西莉亞·佩恩未被承認的天文革命——《你的身體怎麼來的?》
商周出版_96
・2025/01/20 ・4176字 ・閱讀時間約 8 分鐘

世人接受新觀念分為三個階段:

  A. 胡說八道

  B. 早就有人想過了

  C. 我們一直都是這樣想

-----廣告,請繼續往下閱讀-----

──佛萊德.霍伊爾,轉述雷蒙.利托頓(Raymond Lyttleton)說法

滿懷熱情的劍橋叛逆者:佩恩如何走上科學之路

一九二三年春天,二十一歲、身材高䠷的劍橋大學學生塞西莉亞.佩恩(Cecilia Payne)開始對未來感到惶恐。她熱愛天文學研究,夢想能走上研究道路,長期筆記自己成為科學家之後想研究的課題。但在校最後一年,她意識到面前可能是個死胡同。

那時代的英國,如她這般具備聰明才智的女性充其量只是當上女子學校的教師或校長。「彷彿腳下裂開一條深淵,」後來佩恩在自傳這樣比喻:「對我而言,當女教師是『比死亡還糟糕的命運』。」所幸悲慘命運沒有降臨在她身上,儘管面臨種種困難,佩恩仍舊在科學上做出突破,為二十世紀科學的轉捩點奠定基礎:她發現人體所有元素(除了氫)最初如何形成。

佩恩對科學的興趣萌芽於六歲,那年一顆流星給她留下深刻印象。十歲時,她在天主教學校做實驗測試禱告的力量,為一半考試的成績祈禱、另一半則不做祈禱。事後發現成績沒有差別時,她轉而肯定理性的力量,對科學的興趣於此扎根。至於宗教,佩恩後來相信一位論14

-----廣告,請繼續往下閱讀-----

虔誠女校長對佩恩說學習科學是「糟蹋她的天賦」。學校合唱團指揮古斯塔夫.霍爾斯特(Gustav Holst)雖然當時默默無聞但之後會創作《行星組曲》,他則鼓勵佩恩走音樂這條路。

但佩恩有自己的想法:她拿到劍橋大學獎學金,準備攻讀植物學。然而適逢第一次世界大戰之後物理學風起雲湧的時期,佩恩正好聽了天文學家亞瑟.愛丁頓那場劃時代講座,得知太陽引力場能夠扭曲光線路徑,而且一切符合愛因斯坦的預測。佩恩大受震撼,人生再次拐了個彎。她後來寫道:「我的世界天旋地轉,感覺差點神經休克。」那瞬間她徹底愛上物理學,所以隔天就去「面對校方」,申請從植物學系轉到物理學系。回家以後她幾乎逐字逐句默寫講座內容,為此三天沒怎麼睡。

天文學家亞瑟.愛丁頓的講座改變了佩恩的志向,讓她的人生轉了彎。圖 / unsplash

劍橋卡文迪什實驗室的氣氛像是帶著電。發現電子的湯木生、發明雲室的威爾遜都在這裡,但最耀眼的常駐明星是發現原子核的傳奇人物拉塞福。對佩恩來說美中不足的是拉塞福不喜歡課堂有女性參與。儘管當時年輕女性不再需要年長者時時監護,但仍要求座位與男性分開。因此每次進入講堂,佩恩作為唯一女性必須單獨坐在最前排,而拉塞福更是刻意每堂課都以「各位女士先生」這句話開場。佩恩在自傳中回憶:「男生聽到教授意有所指總是很捧場,歡聲雷動之外還會老派地跺腳,每次上課我都想挖個洞鑽進去。」[38]

星星的祕密:她用光譜解開宇宙的指紋

她很快投靠愛丁頓。愛丁頓理解她的熱忱,也比拉塞福更加包容,允許她參與研究團隊。同時佩恩還接觸到最新領域量子物理學,帶她入門的正是理論發現者之一尼爾斯.波耳(Niels Bohr)。即便如此,在學最後一年她又發現面前是死路,因為劍橋大學根本不允許女性獲得高等學位。(不授予文憑,也無法獲邀參加畢業典禮。)險阻重重,但她堅持不懈、動用一些關係,終於爭取到哈佛天文臺的女性研究員資格,能在臺長哈洛.沙普利指導下工作。

-----廣告,請繼續往下閱讀-----

天文臺位於麻薩諸塞州劍橋市距離校園大約一英里的小山上,特點是願意僱用女性,因為前任臺長愛德華.皮克林(Edward Pickering)發現她們除了勤奮聰明還能大幅降低預算壓力。在一次史無前例的星體清點作業中,皮克林僱用超過八十位女性處理大量圖片,最終數量高達五十萬份。有些人將這群女性稱為「皮克林的計算機」,但更常見的諢名是「皮克林的後宮」。

一開始沙普利也期望佩恩幫忙利用照片來對星體進行分類和編目,但她才第一個獨立研究就急於解決劍橋教授提出的大哉問。當時人類對宇宙的理解有個顯而易見的盲點:星星是由什麼構成的?

當時的人們還不知道,星星是由什麼構成的。圖 / unsplash

科學家已經掌握部分答案。除了拍攝恆星,哈佛天文學家還會記錄玻璃底片上的光譜。光譜提供線索,可以判斷星星含有何種元素。星體發出的光包含各種顏色,但元素周期表中每個元素會吸收一組特定波長。換句話說,飄浮在星體大氣層的元素原子會在星光到達地球前吸收特定波長的光。天文學家觀察星體光譜的水平面會發現波長缺失部分出現細黑線,從這些黑線就能推測出光線被什麼元素吸收了。可以說感光玻璃板留下了指紋光譜、宇宙條碼,結論是星星含有許多地球上能找到的元素,例如鐵、氧、矽、氫。

隨之而來的問題是光譜模式有異常,想要詮釋並不容易。儘管玻璃底片能告訴科學家星星包含什麼元素,卻無法有效判斷各元素的份量。

-----廣告,請繼續往下閱讀-----

星星的祕密:她用光譜解開宇宙的指紋

儘管如此,天文學家卻認為自己已經知道答案是恆星和行星必定由相同物質構成。當時許多人認為行星是另一顆恆星經過時從太陽拉出大團熱氣體之後凝固而成,因此地球與太陽必然成分相近。就連恆星研究龍頭亨利.諾里斯.羅素也信心滿滿,他相信太陽就像地球有個巨大鐵核心,如果將地球地殼加熱到太陽的溫度就會散發出幾乎一模一樣的光譜。

這正是佩恩想研究的問題。她意圖藉由底片確認恆星中各種元素的比例,並提議採納最新的前沿理論:遠在加爾各答的傑出天體物理學家梅納德.薩哈(Meghnad Saha)指出新的量子力學理論中,電子只能在特定軌道圍繞原子核旋轉,能量越高就必須離原子核越遠。據此出發,薩哈認為恆星溫度各有不同,即使原子是相同元素,其中電子也很可能處於不同路徑(若是最高溫的恆星,原子還可能直接失去電子)。這些變化導致相同原子會吸收光線中的不同波長組合,混淆人類對星星光譜的理解。

工程浩大,但佩恩不畏挑戰,將薩哈方程式應用於哈佛的龐大底片館藏。哈佛天文臺也只有她具備足夠的量子理論知識能完成這項工作。[40]

佩恩辦公室位於紅磚大樓三樓,裡頭堆滿了底片。她不舍晝夜努力分析,數萬筆恆星光譜看得人眼花繚亂。底片至今仍保存在同一棟大樓,只是外面護膜泛黃了。曾經接受佩恩指導的天文學家歐文.金杰里奇(Owen Gingerich)拿了一張給我看過,上面的黑色帶狀紋路每條約四分之一英寸寬(約零點六公分),裡頭交織亮度不一的模糊細線,必須拿放大鏡才能判讀。「單純這樣看想必一頭霧水,」金杰里奇解釋:「但其實有一套辨識的系統,只要日復一日觀察就能跟它們變成朋友。」我盯著那些線條直呼不可思議。

-----廣告,請繼續往下閱讀-----

天文臺臺長沙普利偶爾在夜裡經過那間辦公室,發現佩恩邊抽菸邊端詳底片,絞盡腦汁在模糊線條裡辨認出模式、與計算結果做對照。她自己也寫下:「我日以繼夜研究,時常處在疲憊崩潰的邊緣。」研究計畫從幾個月延長到將近一年,期間只能以「霧裡看花」形容,但皇天不負苦心人,佩恩運用薩哈方程式之後得到出乎意料的結果。

論文初稿中她大膽宣稱:儘管大家相信恆星與地球成分應該相同,但事實並非如此。恆星中幾乎沒有地球上最常見的元素如鐵、矽、氧、鋁。反之,每顆恆星有百分之九十八是氫和氦,而且太陽的氫比地球多一百萬倍。

太奇怪了,與她在劍橋所學不符,也與老師們對地球形成的理解不一致。「佩恩小姐?你很勇敢」,物理學家艾爾弗雷德.福勒(Alfred Fowler)這樣對她說。沙普利臺長很得意地將佩恩的論文草稿寄給自己以前的指導教授、普林斯頓大學著名天文學家亨利.諾里斯.羅素。

哈佛大學最優秀的人也被迫低頭

羅素回信以高度讚揚夾帶了強烈警語:他認為佩恩的主張,也就是星星幾乎完全由氫和氦組成,「顯然是不可能的」。否定這種說法的理由很充分,其中之一在於他們為何認為太陽中含有大量的鐵。太陽光譜中代表鐵的線條比其他元素更多,而且許多隕石也由鐵構成、地球的核心同樣充滿鐵。在羅素看來,種種現象指向任何天體都含有大量的鐵。

-----廣告,請繼續往下閱讀-----

一邊是研究所學生,另一邊在學界已經聲譽卓著,佩恩自然接受了對方觀點,或者應該說她感覺自己不得不從,回憶時提到:「年輕科學家有沒有前途就看對方一句話。」於是她在論文加上一句前提,表示這部分結論「幾乎肯定不真實」。據佩恩的女兒告訴作家唐納文.摩爾(Donovan Moore),她一生都為這個決定感到遺憾,因為不出幾年量子理論進步了、其他人也透過其他方法得出同樣結論,羅素又回頭肯定了佩恩的發現。

後來很長一段時間裡,大家認為她寫出了天文學史上最傑出的博士論文。著名天文學家愛德溫.哈伯稱她為「哈佛大學最優秀的人(man)」。即便如此,佩恩在哈佛大學內部升遷卻花了很長時間,講座有非常多年沒被列入哈佛的課程目錄。原因出在校長勞倫斯.羅威爾(Lawrence Lowell)強烈排斥女性進入教職一事,還發誓有生之年絕不錄用,所以拖到一九五六年,羅威爾去世非常久以後,佩恩才終於當上教授。

她的發現改變人類對恆星運作的理解。確定恆星主要由氫和氦組成,研究人員得以解決另一個長期未解的謎團:星星以什麼作為燃料?他們發現恆星內部壓力極大,單質子的氫原子融合形成雙質子的氦原子時會釋放能量,太陽就以這種方式產生光和熱。也由於佩恩的貢獻與對恆星的新知識,學界終於有機會揭開重元素誕生的祕密,答案就在星星裡。

——本文摘自《你的身體怎麼來的?從大霹靂到昨日晚餐,解密人體原子的故事》,2025 年 01 月,商周出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

商周出版_96
123 篇文章 ・ 364 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。

0

20
6

文字

分享

0
20
6
暗能量是什麼?看不到也摸不著,我們該如何找到它?
PanSci_96
・2023/11/27 ・5683字 ・閱讀時間約 11 分鐘

-----廣告,請繼續往下閱讀-----

愛因斯坦對於宇宙的理解錯了嗎?

愛因斯坦的廣義相對論重新改寫我們對於時間、空間、與質量的認知,也開啟我們對廣大宇宙研究的大門。

在宇宙物理學如同大霹靂快速發展之時,我們也發現愛因斯坦最早提出的宇宙模型,可能並不完全正確。

正確來說,我們發現我們過去對宇宙的理解,可能真的太少了。少到我們至今所觀測到的所有物質,可能仍不到整個宇宙組成的百分之五。並不是說這些能量或物質距離我們太過遙遠,而是他們可能就在附近,而我們卻全然不了解它。

-----廣告,請繼續往下閱讀-----

其中佔了將近宇宙組成七成的「暗能量」,到底是什麼來頭?我們能徹底了解它,同時能為我們宇宙的存在,提供一個正確的解釋模型嗎?又或者我們能掌握它,來改變宇宙的未來嗎?

暗能量(dark energy)到底是什麼?這聽起來有夠中二的名字,難道是暗影大人的新能力嗎?

其實暗能量的「暗」,指的是我們看不到也摸不到,用上各種波段的電磁波都察覺不到,甚至現今沒有任何儀器能偵測到它的存在。因為我們無法感受到它、不知道他們的型態,所以稱為暗能量。也就是說,如果暗影大人或是哪個最終 BOSS 的絕招是「暗能量波動」,當巨大的能量朝你襲來,不用擔心,站在原地就好,因為它只會穿過你的身體,打不中你的。同樣的,你可能聽過的「暗物質」,指的也是我們無法探知的未知物質。也就是說,暗物質並不是指某種特定物質叫做暗物質,任何我們現在還無法探測到的,都可能是暗物質的其中一種。題外話,近年某些暗物質面紗底下的容貌,已經逐漸能被我們窺見,例如微中子。這部分,之後我們介紹暗物質的節目中,再來好好討論,今天先來和大家聊聊佔了宇宙質能 7 成的暗能量。

矛盾大對決來了,既然我們摸不到,也看不到,我們怎麼知道暗能量存在,還是僅存在我們的中二想像中呢?我們得將時間回推到最早認為宇宙中有未知能量存在的那個人,他不是別人,就是鼎鼎大名的愛因斯坦。

-----廣告,請繼續往下閱讀-----

1916 年愛因斯坦推導出廣義相對論,解釋物質和能量如何影響時空的彎曲和演化。愛因斯坦當時認為,宇宙應該是靜態的,但是若宇宙中只有物質,宇宙應該會受重力吸引而塌縮,因此需要與反向的能量來平衡重力,這股能量平均地存在在空間當中。愛因斯坦當時引入了宇宙常數 Λ 來平衡他的靜態宇宙模型,而直到非常近期的 1998 年,暗能量 (dark energy) 這個詞才由物理學家麥可.特納提出。

在愛因斯坦之後,著名宇宙學家傅里德曼提出不同看法,他認為宇宙不一定是平衡的,也可能正在收縮或膨脹當中,並根據廣義相對論推導出 Fridemann 方程式,關於 Fridemann 方程式的故事,先前我們有好好介紹過。

暗能量不只存在於理論上的預測,同時期天文學家開始發現我們熟知的銀河系,並無法代表整個宇宙,原來夜空中很多像星雲的天體,其實是遙遠的星系!宇宙遠比以前認為得大的太多了!1929 年,哈伯進一步發現,這些星系竟然正在遠離我們而去,而且距離我們愈遠的星系,遠離的速度就愈快!宇宙竟然真的是以地球為中心,而地球利用強大的排斥力,將其他星系用力向外推開嗎?當然不是,想像一下,宇宙就像一個葡萄乾麵包,上面布滿的葡萄乾就是各種天體,當麵包發酵膨脹時,不論站在哪顆葡萄乾的視角,所有天體的距離都是互相拉遠,而且距離愈遠的天體,彼此遠離的速度就愈快。

也就是說,哈伯觀測到的結果顯示整個宇宙正在膨脹。但還有一個問題,就是這個宇宙的膨脹速度,是隨著時間經過越來越快的加速膨脹,還是膨脹速度正隨著時間在趨緩的減速膨脹呢?為什麼這個問題很重要?因為如果是減速膨脹,靠現有的重力理論就可以解釋,宇宙中天體所提供的重力,正在使宇宙減速膨脹,甚至宇宙的結局可能會是宇宙重新塌縮。但如果宇宙正在加速膨脹,那麼只考慮重力就不夠了,為了抵抗向內塌縮的重力,勢必要有一股力量要將宇宙向外加速推開。這時,就需要加入暗能量的存在了。

-----廣告,請繼續往下閱讀-----

宇宙真的正在加速膨脹?

為了確認宇宙正在減速或加速膨脹,好推算暗能量是否存在,科學家再次將目光投向宇宙深處。隨著觀測技術愈來愈進步,天文學家可以透過不同方式,觀測更早期的宇宙。

愈遠的天體發出的光,需要經過愈長的時間才能傳到地球。假設我們觀察離地球1億光年遠的星球,由於我們看到的影像是從星球出發後,經過 1 億年後才到達地球,因此在望遠鏡中看到的,其實是該星球一億年前的樣子。只要利用這點,如果我們將望遠鏡頭對向更加遙遠的宇宙深處,就能看到更早期的宇宙樣貌,幫助我們了解宇宙過去的樣子。

科學家主要透過三種方法,分別用來觀測晚期、中期、到早期的宇宙。第一種方法是觀測 Ia 型超新星爆炸,它指的是當一顆緻密白矮星到了生命末期,吸收大量鄰近伴星的氣體,使得內部重力超過某個極限,引發失控的核融合而形成的超新星爆炸。這個爆炸會在瞬間釋放出許多能量,亮度甚至可以媲美整個星系,因此即使是很遙遠的超新星也可以被地球觀測到。最受天文學家關注的是,因為每個 Ia 型超新星爆炸時產生的尖峰光度都相同,可以直接作為觀測或是亮度的比對參考點,又稱為標準燭光。當它離我們愈遠亮度就愈小,只要觀測亮度就可以得知它離我們的距離。

Ia 超新星殘骸。圖/wikimedia

接著,透過光譜分析,我們還能得到這個超新星遠離我的的速度。這就像是救護車在靠近和遠離我們的時候,警笛的聲音頻率會因為我們和救護車相對速度的改變而產生變化,同樣的道理放在電磁波上,當超新星遠離我們,電磁波頻譜的頻率會下降,我們稱為頻譜「紅移」。最後,只要我們同時觀測好幾顆超新星,並且量測每一顆的距離和遠離我們的速度,看看是不是真的離我們越遠的超新星離開的速度越快,就可以知道宇宙正在加速或是減速膨脹。

-----廣告,請繼續往下閱讀-----

第二種方法是觀測宇宙大尺度結構,宇宙中星系的分佈其實是不均勻的,有些地方有星系團,也有一些地方是孔洞,整個宇宙就像是網子一樣。這是因為宇宙在形成星系時,向內的重力以及向外的氣體與光壓力會彼此抗衡,就像我們在擠壓彈力球一樣,向內壓時內部壓力會增強,導致物質向外拋射,壓力減弱後又會停止拋射,這樣來回震盪的過程,就在宇宙中形成一個個震波漣漪,稱為重子聲學振盪(BAO,baryon acoustic oscillations)。有趣的是,當好幾個地方都在震盪,就會產生類似好幾個水波互相撞在一起的干涉現象。而這個宇宙規模的超大水波槽中,波腹部份聚集較多物質就會形成星系團,波節部份不足以形成星系就形成孔洞,是不是覺得我們的宇宙就像是一鍋湯,而我們只是裡面毫不起眼的一顆胡椒粒呢?不過即使是連一粒胡椒都不如的我們,透過觀測宇宙星系分布並透過理論計算,人類科學家還是可以得知這些結構的大小,並且推知這些結構上的星系距離我們多遠,最後再搭配紅移光譜,一樣可以算出宇宙膨脹的速度。今年七月升空,11 月 8 號從太空傳回第一張照片的歐幾里得太空望遠鏡,它的其中一項任務,就是專門觀測重子聲學振盪,來研究宇宙大尺度結構。歐幾里得太空望遠鏡有望帶給我們對宇宙的全新認知,關於這一部分,我們很快會再來深入介紹。

第三種方法是透過觀測宇宙微波背景輻射,它是宇宙的第一道曙光,在此以前,宇宙能量很高,光和電漿相互作用,不會走直線。但是到了宇宙三十八萬歲時,宇宙已經冷卻到足以讓電子與原子核結合,宇宙終於變得乾淨了,光也終於可以走直線。而三十八萬歲時的早期宇宙的畫面,至今仍不斷經過遙遙 137 億年的時間抵達地球,被我們觀測到,稱為宇宙微波背景輻射。有趣的是,根據這些照片,我們能發現早在 137 億年前,宇宙各處就不是均勻的。透過分析這些微波的分布,科學家能計算出當時宇宙的組成成份。這時我們發現,目前的已知物質,也就是元素週期表上看得到的原子,只佔所有能量的 4.93%,而看不到的暗物質,佔 27.17%,那還有 67.9%,將近七成的組成分是什麼?科學家認為就是暗能量。

宇宙微波背景輻射。圖/wikimedia

哇!暗能量佔的比例這麼高?那我們未來有機會從空間中汲取無限的能量嗎?先不要想的這麼美,其實暗能量在宇宙中的密度很低,依照質能等價公式,質量跟能量是可以互相換算的。換算下來暗能量每立方公分只有 10 的負 24 次方公克,相比之下,水的密度是立方公分 1 公克!真的微乎其微。之所以暗能量在宇宙中佔的能量比這麼大,是因為它均勻的存在在廣大無垠的宇宙中,不像一般的物質,只集中在一些星系和星體中。

現在我們知道暗能量存在,而且量也不少,但回到最關鍵問題,這些暗能量到底是怎麼來的呢?

-----廣告,請繼續往下閱讀-----

宇宙與暗能量的未來

科學家普遍認為暗能量是來自「真空能量」,根據量子力學,我們過往認為的真空,其實會不斷短暫的出現粒子並消失。而這些量子漲落便會產生真空能量。雖然這聽起來很玄,但各位看完我們的影片並按下訂閱之後,這些訂閱數就一定會是真的。都看到影片最後一段了,就拜託大家再多動一下手指吧!

而量子力學除了能在真空中產生真空能量以外,這個過程甚至可能幫助我們開啟蟲洞!關於真空能量與時空旅行的關係,可以參考我們的這一集哦(閃電俠)。

為了重新認識我們的宇宙,科學家此時再次拿出了宇宙常數 Λ 和 Fridemann 方程式,建立了一個可以完美解釋前面三種觀測結果的模型-ΛCDM 模型。

ΛCDM 是近代在解釋宇宙微波背景輻射、宇宙大爆炸時,最常被使用的理論。目前對於宇宙歷史與加速膨脹的圖像,也都基於此模型。

-----廣告,請繼續往下閱讀-----
ΛCDM模型,加速擴張的宇宙。圖/wikimedia

不過 ΛCDM 理論仍有兩個致命的問題待解決。第一個是理論中的宇宙常數 Λ,應該要與位置、時間無關,是一個不隨時間變化的常數。然而針對觀測早期和晚期宇宙所計算出來的宇宙常數數值卻不一樣,要如何解釋這個觀測差異?第二個問題是,假設暗能量是真空中的量子漲落所造成,依此推算出的宇宙常數數值,還跟觀測差了 120 個數量級!也就是 10 後面有 120 個零,整個宇宙中的原子數量也才 82 個數量級而已!

因此科學家也提出其他可能的暗物質理論。比如認為暗能量不是來自真空能量,而是由一種未知的粒子場所驅動,而這個場與時間有關,導致早期和晚期宇宙的觀測結果有差異。還有人認為根本沒有暗能量存在,宇宙會膨脹,是因為愛因斯坦的廣義相對論在宇宙學這種大尺度中是不適用的!就像牛頓的萬有引力公式在地球上管用,到了太陽系規模就會出現誤差。或許在宇宙規模還有比廣義相對論更完備的其他理論等待我們發現!另一派科學家也認為沒有暗能量,我們會看到加速膨脹,只是因為銀河系剛好位於宇宙大尺度結構的孔洞中,也就是葡萄乾麵包裡面空氣比較多,口感比較鬆的地方,由於這個地方總體重力比較小,天體也就是葡萄乾之間向外膨脹的速度比較快,但不代表整個葡萄乾麵包都在加速膨脹,宇宙加速膨脹只是局部觀測的假象。

這些理論或許可以解釋部份的問題,但沒有一個能解釋所有觀測數據,而且由於觀測的限制,這些理論都缺乏數據的佐證。因此目前我們只能說,暗能量的效應確實存在,但我們還不知道它確切是什麼。

有人可能想問,研究暗物質對我們真的那麼重要嗎?其實,它不只影響了宇宙過去演化的歷史,也影響著我們將來的命運。由於宇宙膨脹,物質的密度會因為膨脹被稀釋,但如果暗能量是常數,就代表密度不會改變,因此宇宙會膨脹的愈來愈快,導致遙遠的星系加速離我們遠去,最後暗能量會超過所有的基本作用力,包括重力、電磁力和核力,星系、太陽系、地球都將被拉開,甚至中子和質子都互相分離,使原子不復存在,進入大撕裂時期,也將是宇宙最孤獨的結局。不過這是一百多億年後的事情,在那之前地球會先被死去的太陽吞沒,我們應該要先煩惱的是要如何移民其他星球才是。

-----廣告,請繼續往下閱讀-----

最後總結一下,暗能量到底是什麼?很抱歉,經過了幾十年的努力,這個問題依舊是一個問號,但藉由宇宙學的研究,使我們更謙卑更加發覺自身的渺小,我們或許已經掌握許多物質運作的原理,也開發出許多高科技產品,但這些只是整個宇宙的 5% 仔,宇宙中還有許多未知等待我們去探索,而它深深關係到我們的過去和未來。

最後也想問問大家,你覺得當一切真相大白之時,我們會發現暗能量是什麼呢?

  1. 符合最直覺的 ΛCDM 理論,它就是宇宙加速膨脹的元凶!
  2. 它根本不存在,我們甚至需要比廣義相對論更強的理論來解釋!
  3. 依照人類這個物種的感知等級,可能永遠無法了解暗能量的真相!
  4. 我、我已經無法抑制我左手的暗能量了!啊啊啊~

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-----

討論功能關閉中。