近日點日快樂

很多人類社會的節日都來自天文觀察。不過剛剛過去的2018年1月3號並沒有標在日曆上,讓我們來慶祝一年一度的近日點日吧!

地球環繞太陽轉動,叫做公轉。而這公轉軌道其實不是正圓形的,而是一個輕微的橢圓形。正圓形有一個圓心,而橢圓形則有兩個。地球軌道橢圓得非常輕微,以致軌道的兩個圓心都位於太陽內部,看上去非常接近正圓形。

不過地球公轉軌道終究是橢圓,因此地球運行每一圈都會有一天最接近太陽。這一點就稱為近日點(perihelion)。精確來說,2018年地球最接近太陽的一刻是1月3號香港時間下午1時34分。在這一刻,地球距離太陽1億4千7百萬零9萬7千233公里。

有近日點,就當然有遠日點(aphelion)。我們可以輕易地想像,遠日點應該位於近日點的正對面,即是半年之後。香港時間2018年遠日一刻就是7月7號凌晨0時46分,地球距離太陽1億5千2百萬零9萬5千566公里。

順帶提一提一個常見的誤解:季節是地球的橢圓軌道造成的。如果是這樣的話,近日點就會在夏天、遠日點就會在冬天了。可是對北半球來說,2018年的近日點在1月寒冬、遠日點在7月仲夏啊!而且更別忘了南北半球的季前總是相反的……其實,季節的成因並非橢圓軌道,而是地球自轉軸傾斜引起的。

近日點日快樂!

Advertisements

Why Shall We Bayesian: Parameter Estimation

Let’s say we have data points plotted on the x-y plane. We want to draw a line or curve best fit to the data points. In other words, we aim to draw a curve as close to all the data points through the error bars as possible. Since the shape of the curve is described by mathematical variables that are called parameters, this process is called parameter estimation.

In Astronomy and Astrophysics, such a curve is called the model. A model can be motivated from theory or from observation. There is no fundamental difference in fitting a theoretical model or an empirical model.

Here comes the question: how can we draw this best-fit curve? We have the conventional frequentist approach: we guess a reasonable set of parameters, compute the difference between the curve and the data points, and then minimise (by some efficient algorithms) the difference by changing the shape of the curve, i.e., drawing a new curve. The process is repeated, which is called the “fitting” process, or regression. The curve is said to be “best fit” if the difference is smaller than or approximately equal to certain ad hoc values, usually known as the “goodness of fit”.

In frequentist statistics, we obtain a point estimation, e.g., the polynomial coefficients of a polynomial curve. Note that the resulting point estimation depends on the choice of the goodness-of-fit function.

In contrast, the main idea of Bayesian statistics is extremely simple. We don’t need any goodness of fit. What we have is the one and only one formula, the Bayes Rule:

(Probability of the model is true given the observed data) = (Probability of observing the data given the model is true) x (Probability of the model being true).

[up to a normalisation constant called the evidence, under the condition that the integration of the probability of all possible values must equal to 1]

The left hand side is called the posterior, which contains all the information inferred from the data, summarised in a probability distribution of the model parameters. The first term on the right is called the likelihood, and the second term is called the prior. The posterior is completely determined from the likelihood and the prior.

The likelihood is a probability function that connects the physical parameters to the statistical parameters. We need to choose the likelihood function by ourselves, according to the physical processes under consideration. For instance, are we looking at a Poisson process? Are the error bars distributed as a Gaussian? etc.

The prior is a probability function chosen from expert knowledge. In other words, the prior is a probability distribution for each parameter under consideration.

The point is that once the likelihood and the prior are chosen, the shape of the posterior is fixed. There is no fitting process, no iteration, no loops for the code. Instead, we need to find an efficient way to draw the shape of the posterior. Often it is of multi-dimensions, so that we need methods more clever than brutal force.

Fortunately, the so-called Markov chain Monte Carlo comes to rescue. It is a kind of algorithm to efficiently sample the parameter space of the posterior. Once the posterior is displayed, the error bars can be obtained readily by locating the highest posterior density interval (HPDI). The HPDIs are the intervals of possible parameter values containing the highest density of probability. In contrast, frequentists have to rely on performing simulations to obtain the so-called confidence intervals, which are not even the same thing as error bars.

There are a lot of statistical reasons to argue for Bayesian statistics against frequentist statistics. In my viewpoint the main reason is that Bayesian statistics is simple. It directly answers the fundamental question of “how likely is a scientific theory to be true, given the data?” without the need to introduce any extra concepts. Simple. Only the Bayes Rule.

I will illustrate the advantages of Bayesian statistics in the up-coming posts of this “Bayesian Astrostatistics” series.

卡西尼號:在土星環看見宇宙

To boldly go where no man has gone before. – Star Trek

20170427_Saturn-GF-Pass1
卡西尼號穿越土星與土星環之間時拍攝的土星表面大氣情況,可見一巨型風暴。Image courtesy of NASA.

地球時間2017年4月26號,環繞土星運行的卡西尼太空深測器,勇敢到達前人未境之地,穿越了土星與土星環之間。

這次俯衝,展開了卡西尼號最後任務的序幕。接下來幾個月,卡西尼號每6日都會俯衝土星與土星環之間一次。2017年9月15號,卡西尼號就會直接衝進土星大氣層,完成長達20年的任務。卡西尼號將會沿途收集土星數據,即時傳送回地球,直至土星大氣將卡西尼號壓碎一刻。

1997年10月15號升空的卡西尼號曾兩度探訪金星,借助金星重力使出天體力學絕技「重力助推」,金星重力就好像彈弓把卡西尼號彈射飛向外太陽系。然後它又掠過月球和地球、小行星2685以及木星,然後於2004年7月1號進入環繞土星軌道。

Saturn's_rings_dark_side_mosaic

Saturn's_rings_in_visible_light_and_radio
卡西尼號拍攝的土星環。Image courtesy of NASA.

卡西尼號並非隻身探險,它身上帶著另一個探測器惠更斯號。2004年12月25號,惠更斯號與卡西尼號分離,並於2005年1月14號成功降落土衛六泰坦。惠更斯號把泰坦上拍攝的影像和所有科學數據傳送上卡西尼號,然後由卡西尼號傳回地球。這是史上首次降落於外太陽系天體的任務。

公元1655年,荷蘭天文學家克里斯蒂安・惠更斯(Christiaan Huygens, 1629-1695)提出,伽利略在1610年觀察到的土星「耳朵」其實是個環。惠更斯使用自製的折射望遠鏡發現了泰坦,繼伽利略發現木星衛星後首次觀察到其他行星的衛星。

1671年,法國天文學家喬凡尼・卡西尼(Giovanni Domenico Cassini, 1625-1712)發現了土衛三、土衛四、土衛五和土衛八。卡西尼也發現了土星環的一條主要縫隙,現在我們稱之為卡西尼環縫。因為卡西尼和惠更斯對土星的觀察和研究貢獻,他們成為了土星天文研究的代名詞。

The_Day_the_Earth_smiled
卡西尼號拍攝的土星全貌照片「The Day The Earth Smiled」。右下角的一點,就是地球。那天,卡西尼號拍下了地球的微笑。Image courtesy of NASA.

過去20年,卡西尼號收集了非常豐富的科學數據,使愚蠢的人類眼界大開。透過卡西尼號的眼睛,我們發現了土星7個新的衛星,更親眼目睹一個新衛星正在土星環之中形成;我們看見了泰坦上的液態烷河流;我們看見了30年一次的土星巨型風暴「大白班」狂暴地釋放輻射;我們看見土星極地的六邊型旋渦;我們發現土衛二南極地底可能有液態水海洋存在。還有更多、更多。

人類從12億公里外看見了地球,看見了我們自己。看見了人類在廣闊宇宙裡如何渺小、探索宇宙的夢想又如何偉大。

謝謝大家/那麼守時/來到這兒
我在土星的演唱會/現在開始
只要讓我在/土星環的基地
看你/看你/看到你
——《土星環》

謝謝您們,卡西尼號、惠更斯號,再見了。

7392_Cassini_Prox_and_Graze
卡西尼號最後任務的軌道。Image courtesy of NASA.

延伸閱讀:

NASA卡西尼號最後任務網頁

封面圖片:卡西尼號拍攝的土星 (NASA)

在宇宙的邊緣會看見什麼?

答案是我們什麼都不會看到。這非因沒有東西在宇宙外面,而是宇宙根本沒有邊緣。

讀者們可能聽說過:我們的宇宙是無邊無際的。不過這並非指我們的宇宙是無限大的。實際上,宇宙的大小是有限的,而且我們更可能知道,宇宙正在膨脹。這聽起來有點不可思議:一個正在膨脹的宇宙,怎會沒有邊界?

我們要稍微討論一下「維度」這個概念。維度就是我們常說的 2D、3D 的那個 D,即 dimension 的意思。一維可以用一條線表示、二維是一個平面、三維則是一個立體。好,問題來了:你能夠想像到四維的模樣嗎?我不是說「4D 電影」那種震動送風噴水啊⋯⋯咦,我說什麼?

好了,時間到。想到四維是什麼樣了嗎?想不到?沒錯,想像不到。為什麼呢?因為我們都是活在三維空間裡的生物。等等,我以前好像曾經寫過文章,說我們的宇宙是四維的⋯⋯?

對,我們的宇宙確實是四維的。不過並非四維空間,而是四維時空。時空的意思就是「時間 + 空間」。愛因思坦發現我們的宇宙是由三維空間加上一維時間構成的。牛頓認為時間與空間是獨立於宇宙而存在的。換句話說,在牛頓力學裡空間和時間就好像房間與掛在牆上的時鐘,房間裡放了一個宇宙;而愛因斯坦卻指出,空間和時間其實就是宇宙本身。我們的宇宙有了另一個名字:時空,而且它是四維的。

二維宇宙的膨脹。Image courtesy of Eugenio Bianchi, Carlo Rovelli, & Rocky Kolb.

說了這麼多,究竟跟宇宙沒有邊界有什麼關係啊?我們來想像一個氣球,氣球的表面積是有限的而無邊際的,就像我們的地球一樣。我們可能會以為球體表面是三維的,但其實它只是二維的。因為我們是生活在三維空間的生物,我們能用三維的視角看二維表面。現在,假設氣球正在膨脹,我們可以輕易地理解氣球表面如何在三維空間中越變越大。但如果有一些二維生物生活在這個二維表面上,他們也會發現他們的宇宙是沒有邊界的,但他們不能夠想像它是如何膨脹的。所以問他們在宇宙邊緣會看見什麼也是沒有意義的,因為氣球表面根本就沒有邊界。

同樣地,如果我們把這個二維氣球在三維空間中膨脹的比喻,套在我們的三維空間正在四維時空裡膨脹,就多少能夠明白我們的宇宙了。物理學家相信,如果我們在宇宙裡向一個方向走,最後有可能會從反方向回到起點,就好像在地球上一直向東走,最後會從西面回到起點一樣。

說不定,有些四維生物正在看著我們的宇宙,笑說我們是如何愚蠢呢。

光速:宇宙高速公路的速度限制

為什麼夜空是黑色的?

這是一個非常古老的問題。問題的答案並不簡單,涉及對光線本質以及宇宙的理解。

想像宇宙是一個大球體,地球在球體正中心。球體裡面有隨機分佈的發光點,代表一顆又一顆的恆星。有些星星離中心點地球比較近、有些比較遠。想像這個球體不斷變大,新的星星在新的空間裡隨機生成。如果這個球體趨向無限大,星星的數量就會趨向無限多。由於星星的分佈是隨機的,我們從中心點往任一方向觀測,視線都必然會落在某一顆星之上。如果光線不需要傳播時間,即光速無限,那麼夜空就應該是白色的!

olbers_paradox_-_all_points
奧伯斯悖論示意圖。Image courtesy of Kmarinas86/Wikimedia Commons

這個問題叫做奧伯斯悖論 (Olbers’ paradox),是從前一個著名的科學悖論。現在我們知道宇宙並非無限大、可觀測宇宙大小有限、宇宙中星星的數量並非無限多、光速亦非無限快,因此從較遠的恆星出發的光不夠時間傳播到地球。

1861 年,馬克士威證明光是電磁波。當時的科學家都相信,就如同其他波動需要傳播媒介一樣,傳播光波亦需要一種假想的媒介,稱為以太。1907 年,阿爾伯特・邁克生 (Albert Michelson) 因為使用干涉儀非常準確地測量出光的速率而獲頒諾貝爾物理學獎。光速大約為每秒 30 萬公里,只需 1.3 秒就能從地球走到月球。

邁克生干涉儀實驗的另一目的是測量地球在以太之中運行的速率。他以為於一年四季不同時間做同樣的光干涉實驗,實驗結果理應會顯示光速因地球在以太中運動方向不同而有所分別。可是,邁克生和莫雷 (Edward Morley) 的干涉儀實驗結果顯示,不論地球的運動方向,光速都沒有改變。

1024px-aetherwind-svg
地球在假想的以太之中以不同方向運動會導致光速測量結果不同。Image courtesy of Cronholm144/Wikimedia Commons

愛因斯坦在 1905 年發表狹義相對論,解釋了邁克生和莫雷的實驗結果。相對論之中,時間和空間被結合成為一體,叫做時空。由於時間和空間的物理單位不同,我們需要一個因子去在兩者之間轉換。這個因子有著距離除以時間的單位,即是速率。這個速率是宇宙間所有物質的極限速度,因為跟據相對論,質量非零的物質需要無限多能量才能達到此極速。

愛因斯坦認為光是傳播資訊的最快方法。邏輯裡的因果定律成立是因為沒有資訊能傳遞快過光。因此,光速就是這個宇宙中的終極速度限制,而這個極速跟據相對論是個常數,永恆不變。在光速不變的前提下,空間會因觀測者的運動狀態不同而收縮。所以,相對論亦意味著光波不需要以太或任何傳播媒介。

相對論其實並沒要求光速不變而且為宇宙極速,只是這個極速必須剛好等於光速,才能解釋我們所觀察到的所有物理現象。因此,一直有理論物理學家研究可變光速理論。

screen-shot-2016-12-08-at-17-12-53
狹義相對論對光速不變導致時空收縮的數學圖解。不同顏色代表不同運動狀態的觀測者的時空。Image courtesy of Army1987/Wikimedia Commons

理論物理學家 João Magueijo 自 1990 年代起研究可變光速,亦寫了一本不錯的科普書講述他在發表論文時遇到的困難和科學家之間的合作與衝突。由於光速可變這假設會動搖所有物理理論的基礎,很少科學家會投入自己一生職業去研究。

今年 10 月,Magueijo 與合作者 Niayesh Afshordi 在科學期刊 Physical Review D 上發表了一篇新的可變光速研究論文,他們推導出宇宙微波背景 (cosmic microwave background, CMB) 的純量光譜指數 (scalar spectral index)。這是第一次可變光速理論研究能夠提供一個實在的數字去與觀測作比較。

現在的觀測結果雖然與 Afshordi 和 Magueijo 理論的數字吻合,但他們未能解釋光速可變會導致其他物理常數改變的後果。例如,光速可變意味著電磁力的大小在過去、現在、未來都不相同。這樣的話,依靠電磁力的化學知識全部都要改寫,科學家就很難解釋宇宙如何演化成今日的模樣、甚至地球上亦未必可以演化出生命。

screen-shot-2016-12-08-at-17-16-38
Afshordi 和 Magueijo 的可變光速論文明確預言宇宙微波背景光譜能量分佈斜率等於 0.96478(64)。Afshordi & Magueijo 2016, Phys. Rev. D, 94, 101301

“The predicted value is within current constraints, but improved observations would unambiguously prove or rule out the theory.” – Afshordi & Magueijo (2016)

光速是否可變是一個重要的科學問題,絕對有必要研究。然而為光速可變理論下結論,仍言之尚早。就如 Afshordi 和 Magueijo 所說,未來更精確的觀測結果將能證實或證偽光速可變理論。

提出預言、對比實驗,科學也。

延伸閱讀:

Critical geometry of a thermal big bang, Afshordi & Magueijo 2016, Phys. Rev. D, 94, 101301

光之系列:夜空為什麼是黑的?》- EVEREST. 議事之峰

1907年諾貝爾物理獎:阿爾伯特・邁克生》- 余海峯

超光速與時間倒流:叮噹可否不要老》- 余海峯

照亮相對論的光 (上)》- 余海峯

照亮相對論的光 (下)》- 余海峯

宇宙膨脹可能均速、也可能加速

愛因斯坦在 1916 年正式發表廣義相對論之前,宇宙被普遍認為是物理世界的一個背景舞台。廣義相對論描述時間、空間、物質、能量的互動,把宇宙由背景變成了主角。

愛因斯坦原本並不相信宇宙能夠膨脹或者收縮。縱使他知道他親手推導發現的方程式顯示了一個必然結果:宇宙不是在膨脹就是在收縮,他覺得這是不可能的。數學邏輯本身不可能出錯,但愛因斯坦也相信自己的推導沒有錯。因此,他只好在他的方程式加入一個人為的、不影響方程式正確性的項,就是所謂的宇宙常數 (cosmological constant)。

screen-shot-2016-10-26-at-13-29-11
愛因斯坦場方程式 (Einstein field equations)。這是一組十式獨立的方程式,描述時空、物質和能量的互動,其數學解能告訴我們宇宙如何演化。紅色方格內的項就是宇宙常數。

由於重力只能吸引、不能排斥,宇宙不可能是靜止的。想像一個拋向半空的球,它不是正在上升就是在下降,除了由上升變成下降的一瞬間和撞到地面之外,球在重力的影響下必然在運動。在星系的巨大尺度,宇宙只由重力支配,因此亦必然在運動。

引入宇宙常數的愛因斯坦以為這樣就能解決他的問題:使宇宙靜止。宇宙常數有著與重力相反的性質:使物質互相排斥。愛因斯坦認為充滿物質的宇宙在重力的影響下會收縮,因此加入宇宙常數去平衡重力的吸引,希望得到一個靜止的宇宙。

可是,哈勃 (Edwin Hubble) 發現星系正在互相遠離,而且越遙遠的星系後退的速度就越快。這只能有兩個解釋:要麼地球是宇宙的中心、要麼宇宙正在膨脹。當愛因斯坦知道哈勃的發現後,他後悔在廣義相對論方程式裡加入了人為的宇宙常數 (流傳他說過這是他「一生中最大的錯誤」的故事應該是假的)。哈勃更邀請愛因斯坦到他位於美國加州的巨型天文望遠鏡,讓愛因斯坦親眼看到宇宙膨脹的證據。

“Historically the term containing the ‘cosmological constant’ ƛ was introduced into the field equations in order to enable us to account theoretically for the existence of a finite mean density in a static universe. It now appears that in the dynamical case this end can be reached without the introduction of ƛ.” – Albert Einstein

2goqqjr6bmk8lbgq31bikok4slogn5
哈勃 (中) 和愛因斯坦 (左) 使用威爾遜山天文台 (Mount Wilson Observatory) 的 100 吋望遠鏡觀察宇宙。這是當時世界最大的望遠鏡。(Credit: Caltech Archives)

在今天,宇宙常數有一個更性感的名字,叫做暗能量 (dark energy)。1998 年,三位天文學家 Saul Perlmutter、Brian Schmidt 和 Adam Riess 帶領的研究發現宇宙不單正在膨脹,而且膨脹正在加速。這是一個非常重大的發現,連諾貝爾物理獎也罕有地在 2011 年頒給這三位天文學家 (因為天文學研究很難有實際應用)。暗能量、或者宇宙常數,因而在上世紀末重新復活。一個正在加速膨脹的宇宙,比一個靜止的宇宙需要更巨大的宇宙常數 (事實上,即使有宇宙常數,宇宙亦不可能靜止)。

宇宙加速膨脹變成了標準的教科書內容。宇宙加速膨脹的證據來自觀察遙遠星系中的超新星爆發。超新星爆發是一顆恆星死亡的訊號。超新星也有不同的種類,其中一種叫做 Ia 型的超新星爆發時所釋放的能量是 (差不多) 固定的,所以透過測量 Ia 型超新星爆發的視亮度就能計算出其距離。原理就如蠟燭火光,放在比較遠的距離看起來就會比較暗、放在比較近的距離看起來就會比較明亮。

Saul Perlmutter、Brian Schmidt 和 Adam Riess 帶領的研究發現,相對於一個均速或減速膨脹的宇宙,Ia 型超新星爆發的視亮度比預期的暗太多了。換句話說,這些 Ia 型超新星位於比預期更遙遠的距離;換句話說,宇宙在加速膨脹。

1k-kfov5xye6rtbq40zy0ja
不同的宇宙模型 (左至右):減速、均速、加速膨脹。(Credit: The Cosmic Perspective/Jeffrey O. Bennett, Megan O. Donahue, Nicholas Schneider, and Mark Voit)

這是上世紀的發現,他們的研究用了七十多顆 Ia 型超新星。現在,Ia 型超新星的樣本數目已達當年的十倍之多。隨著數據量增加,天文學家亦逐漸開始使用更合適的統計方法更新 Ia 型超新星的宇宙膨脹研究。例如 J. T. Nielsen、A. Guffanti 和 S. Sarkar (2016) 的研究與及其他幾個獨立研究均發現,大量的 Ia 型超新星爆發的數據與均速膨脹的宇宙都吻合。他們認為當年使用的統計方法過於簡單,未必適用於少量數據。

不過,他們的研究同時亦指出,加速膨脹的宇宙同樣與 Ia 型超新星爆發的數據吻合。換句話說,我們最多只能說宇宙可能正在均速或加速膨脹,並不能排除其中一個可能性。在加速膨脹的宇宙模型裡,天文學家需要比全宇宙所有物質和能量的總和大約 14 倍之多的暗能量才能解釋觀測結果。如果宇宙膨脹並沒有加速,那麼暗能量可能並沒有我們以為的那麼多、或者根本不需要暗能量。

screen-shot-2016-10-26-at-11-27-52
Nielsen et al. (2016) 的論文顯示均速 (紅色線) 和加速 (藍色線) 膨脹宇宙模型都可以解釋 Ia 型超新星爆發的觀測數據。

Nielsen et al. (2016) 的論文並沒有如某些媒體所寫的「證明宇宙沒有加速膨脹」。我們必須小心分辨媒體的可信性,而且即使是有公信力的媒體,也不可能避免所有錯漏。在看科學新聞時,如果對報導有所懷疑,最好的做法就是直接找原論文來看、或請教相關的研究專家。

愛因斯坦究竟有否犯下「一生最大錯誤」,仍有待大自然提供更加多的科學數據。

Nielson et al. (2016) 論文:Scientific Reports 6, Article number: 35596 (2016)

後記:

宇宙學家朋友 Godfrey 讀過此文後,贈與一些補充資料。

宇宙常數和暗能量的概念有點不同。宇宙常數可以是正數、零、或負數,當負數時其影響與重力相反。宇宙常數是一種真空能量 (vacuum energy),其密度不會隨宇宙體積變大而減小。可是,物質和能量的總和不會增加,因此質能密度會隨宇宙體積變大而減小。所以在平直 (flat) 的膨脹宇宙之中,如果宇宙常數非零,無論數值多少最後也必定能支配宇宙演化。

另外,Ia 型超新星並不是宇宙加速膨脹的唯一證據,例如宇宙微波背景 (cosmic microwave background) 也顯示宇宙可能在加速膨脹。諾貝爾奬得主 Adam Riess 更親自寫了一篇文章解釋誤解,他說宇宙加速膨脹的可能性只是由 99.99999% 降至 99.97% 而已,與某些傳媒誇張頭條相去甚遠。

Adam Riess 在 Scientific American 的文章:Have Astronomers Decided Dark Energy Doesn’t Exist?

封面圖片:宇宙演化模型 (Credit: NASA/WMAP Science Team)

延伸閱讀:

讀論文》- Edward Ho

淺談 E=mc^2:愛因斯坦 137 歲誕辰》- 余海峯

你也能懂相對論》- 余海峯

科學家巡禮:拋開常識的學者.愛因斯坦 (Albert Einstein)》- 余海峯

重力波:2016年邵逸夫天文學奬

隨著今年2月11日美國激光干涉重力波天文台 (LIGO) 公布人類首次直接探測到重力波之後,其理論和實驗的先驅研究者羅奈爾特・德雷弗 (Ronald Drever)、基普・索恩 (Kip Throne) 以及雷納・韋斯 (Rainer Weiss) 在5月11日得到了邵逸夫天文學奬。

screen-shot-2016-10-04-at-15-56-48
三位得奬者的邵逸夫奬官方照片。

第一次直接探測重力波在廿一世紀的今天的意義,就好比在十七世紀時伽利略首次用望遠鏡看夜空一樣。電磁力與重力都是已知四種基本力的兩種。可是,對比於人類自演化以來已經非常熟悉的重力,人類觀察宇宙的手段卻一直局限於電磁波,也即是光。就連在1933年才首次被費米提出的弱力,也已經早被天體粒子物理學家利用來觀察宇宙的微中子了。

為什麼重力波一直未能被應用於天文觀測?原因非常簡單:因為重力實在太弱了。在原子的尺度裡,重力比弱力足足弱了29個數量級,即是小數點後跟了28個0。LIGO在2015年升級為Advanced LIGO之前,地球上跟本沒有一個儀器能夠探測到來自宇宙深處最強的重力波。

究竟什麼是重力波?我們需要簡單介紹一下愛因斯坦在 1916 年發表的廣義相對論。廣義相對論徹底推翻牛頓重力理論,把重力由牛頓時代一直被認為是一種不需要時間傳遞的超距力,以複雜但極其優美的數學重新描述為時間和空間的漣漪。換句話說,重力需要時間傳遞。廣義相對論說時空能夠被物質或能量所扭曲,因此時空原來一直都積極參與物理世界的演變,而非一成不變的背景舞台。

我們來看看時空被物質扭曲的情況。想像時空是一張彈床的表面,如果上面有兩個重量相當的保齡球,它們就會互相圍繞轉動。就好像在水中用兩隻手指互繞轉動形成向外擴散的波浪般,彈床表面亦會形成波浪。說回重力,當兩個黑洞互相圍繞公轉,時空亦會因它們對時空施加的循環拉扯而形成向外擴散的波浪。這個重力的波浪,就叫做重力波。

Screen Shot 2016-02-11 at 01.00.23
兩個極高質量天體互相環繞運轉,在時空中產生漣漪。Credit: LIGO Lab

愛因斯坦的廣義相對論預言的時空扭曲效應,例如重力透鏡、宇宙膨脹、黑洞等等,都已經一一被天文觀測所證實。重力波這個最後的廣義相對論預言,在2016年,即愛因斯坦發表廣義相對論100週年被證實,也可說是一個美麗的巧合。

我們知道,每一個科學家在發現的過程中,都是站在許許多多巨人的肩上的。重力波的發現亦不例外。人類終於能夠以重力去觀察宇宙,歷代數不清的科學家、工程師和技術員,全部都功不可沒。或許,就如費曼說過,科學家在研究的過程中已經得到來自大自然最大的奬勵,就是發現的樂趣。無論如何,讓我們在恭賀得奬者的同時,也感謝所有為探測重力波貢獻過的人。

封面圖片:NASA 的重力波模擬圖。

延伸閱讀:

愛因斯坦教授 你是正確的

銀河消息:人類首次聆聽重力波

重力波:愛因斯坦的最後預言 (下)

重力波:愛因斯坦的最後預言 (中)

重力波:愛因斯坦的最後預言 (上)