摩爾定律放緩 靠啥提升AI晶片運算力?
作者 : 黃燁鋒,EE Times China
2021-07-26
對於電子科技革命的即將終結的說法,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有的,但這波革命始終也沒有結束。AI技術本質上仍然是第三次科技革命的延續……
人工智慧(AI)的技術發展,被很多人形容為第四次科技革命。前三次科技革命,分別是蒸汽、電氣、資訊技術(電子科技)革命。彷彿這“第四次”有很多種說辭,比如有人說第四次科技革命是生物技術革命,還有人說是量子技術革命。但既然AI也是第四次科技革命之一的候選技術,而且作為資訊技術的組成部分,卻又獨立於資訊技術,即表示它有獨到之處。
電子科技革命的即將終結,一般認為即是指摩爾定律的終結——摩爾定律一旦無法延續,也就意味著資訊技術的整棟大樓建造都將出現停滯,那麼第三次科技革命也就正式結束了。這種聲音似乎是從十多年前就有,但這波革命始終也沒有結束。
AI技術本質上仍然是第三次科技革命的延續,它的發展也依託於幾十年來半導體科技的進步。這些年出現了不少專門的AI晶片——而且市場參與者相眾多。當某一個類別的技術發展到出現一種專門的處理器為之服務的程度,那麼這個領域自然就不可小覷,就像當年GPU出現專門為圖形運算服務一樣。
所以AI晶片被形容為CPU、GPU之後的第三大類電腦處理器。AI專用處理器的出現,很大程度上也是因為摩爾定律的發展進入緩慢期:電晶體的尺寸縮減速度,已經無法滿足需求,所以就必須有某種專用架構(DSA)出現,以快速提升晶片效率,也才有了專門的AI晶片。
另一方面,摩爾定律的延緩也成為AI晶片發展的桎梏。在摩爾定律和登納德縮放比例定律(Dennard Scaling)發展的前期,電晶體製程進步為晶片帶來了相當大的助益,那是「happy scaling down」的時代——CPU、GPU都是這個時代受益,不過Dennard Scaling早在45nm時期就失效了。
AI晶片作為第三大類處理器,在這波發展中沒有趕上happy scaling down的好時機。與此同時,AI應用對運算力的需求越來越貪婪。今年WAIC晶片論壇圓桌討論環節,燧原科技創始人暨CEO趙立東說:「現在訓練的GPT-3模型有1750億參數,接近人腦神經元數量,我以為這是最大的模型了,要千張Nvidia的GPU卡才能做。談到AI運算力需求、模型大小的問題,說最大模型超過萬億參數,又是10倍。」
英特爾(Intel)研究院副總裁、中國研究院院長宋繼強說:「前兩年用GPU訓練一個大規模的深度學習模型,其碳排放量相當於5台美式車整個生命週期產生的碳排量。」這也說明了AI運算力需求的貪婪,以及提供運算力的AI晶片不夠高效。
不過作為產業的底層驅動力,半導體製造技術仍源源不斷地為AI發展提供推力。本文將討論WAIC晶片論壇上聽到,針對這個問題的一些前瞻性解決方案——有些已經實現,有些則可能有待時代驗證。
XPU、摩爾定律和異質整合
「電腦產業中的貝爾定律,是說能效每提高1,000倍,就會衍生出一種新的運算形態。」中科院院士劉明在論壇上說,「若每瓦功耗只能支撐1KOPS的運算,當時的這種運算形態是超算;到了智慧型手機時代,能效就提高到每瓦1TOPS;未來的智慧終端我們要達到每瓦1POPS。 這對IC提出了非常高的要求,如果依然沿著CMOS這條路去走,當然可以,但會比較艱辛。」
針對性能和效率提升,除了尺寸微縮,半導體產業比較常見的思路是電晶體結構、晶片結構、材料等方面的最佳化,以及處理架構的革新。
(1)AI晶片本身其實就是對處理器架構的革新,從運算架構的層面來看,針對不同的應用方向造不同架構的處理器是常規,更專用的處理器能促成效率和性能的成倍增長,而不需要依賴於電晶體尺寸的微縮。比如GPU、神經網路處理器(NPU,即AI處理器),乃至更專用的ASIC出現,都是這類思路。
CPU、GPU、NPU、FPGA等不同類型的晶片各司其職,Intel這兩年一直在推行所謂的「XPU」策略就是用不同類型的處理器去做不同的事情,「整合起來各取所需,用組合拳會好過用一種武器去解決所有問題。」宋繼強說。Intel的晶片產品就涵蓋了幾個大類,Core CPU、Xe GPU,以及透過收購獲得的AI晶片Habana等。
另外針對不同類型的晶片,可能還有更具體的最佳化方案。如當代CPU普遍加入AVX512指令,本質上是特別針對深度學習做加強。「專用」的不一定是處理器,也可以是處理器內的某些特定單元,甚至固定功能單元,就好像GPU中加入專用的光線追蹤單元一樣,這是當代處理器普遍都在做的一件事。
(2)從電晶體、晶片結構層面來看,電晶體的尺寸現在仍然在縮減過程中,只不過縮減幅度相比過去變小了——而且為緩解電晶體性能的下降,需要有各種不同的技術來輔助尺寸變小。比如說在22nm節點之後,電晶體變為FinFET結構,在3nm之後,電晶體即將演變為Gate All Around FET結構。最終會演化為互補FET (CFET),其本質都是電晶體本身充分利用Z軸,來實現微縮性能的提升。
劉明認為,「除了基礎元件的變革,IC現在的發展還是比較多元化,包括新材料的引進、元件結構革新,也包括微影技術。長期賴以微縮的基本手段,現在也在發生巨大的變化,特別是未來3D的異質整合。這些多元技術的協同發展,都為晶片整體性能提升帶來了很好的增益。」
他並指出,「從電晶體級、到晶圓級,再到晶片堆疊、引線接合(lead bonding),精準度從毫米向奈米演進,互連密度大大提升。」從晶圓/裸晶的層面來看,則是眾所周知的朝more than moore’s law這樣的路線發展,比如把兩片裸晶疊起來。現在很熱門的chiplet技術就是比較典型的並不依賴於傳統電晶體尺寸微縮,來彈性擴展性能的方案。
台積電和Intel這兩年都在大推將不同類型的裸晶,異質整合的技術。2.5D封裝方案典型如台積電的CoWoS,Intel的EMIB,而在3D堆疊上,Intel的Core LakeField晶片就是用3D Foveros方案,將不同的裸晶疊在一起,甚至可以實現兩片運算裸晶的堆疊、互連。
之前的文章也提到過AMD剛發佈的3D V-Cache,將CPU的L3 cache裸晶疊在運算裸晶上方,將處理器的L3 cache大小增大至192MB,對儲存敏感延遲應用的性能提升。相比Intel,台積電這項技術的獨特之處在於裸晶間是以混合接合(hybrid bonding)的方式互連,而不是micro-bump,做到更小的打線間距,以及晶片之間數十倍通訊性能和效率提升。
這些方案也不直接依賴傳統的電晶體微縮方案。這裡實際上還有一個方面,即新材料的導入專家們沒有在論壇上多說,本文也略過不談。
1,000倍的性能提升
劉明談到,當電晶體微縮的空間沒有那麼大的時候,產業界傾向於採用新的策略來評價技術——「PPACt」——即Powe r(功耗)、Performance (性能)、Cost/Area-Time (成本/面積-時間)。t指的具體是time-to-market,理論上應該也屬於成本的一部分。
電晶體微縮方案失效以後,「多元化的技術變革,依然會讓IC性能得到進一步的提升。」劉明說,「根據預測,這些技術即使不再做尺寸微縮,也會讓IC的晶片性能做到500~1,000倍的提升,到2035年實現Zetta Flops的系統性能水準。且超算的發展還可以一如既往地前進;單裸晶儲存容量變得越來越大,IC依然會為產業發展提供基礎。」
500~1,000倍的預測來自DARPA,感覺有些過於樂觀。因為其中的不少技術存在比較大的邊際遞減效應,而且有更實際的工程問題待解決,比如運算裸晶疊層的散熱問題——即便業界對於這類工程問題的探討也始終在持續。
不過1,000倍的性能提升,的確說明摩爾定律的終結並不能代表第三次科技革命的終結,而且還有相當大的發展空間。尤其本文談的主要是AI晶片,而不是更具通用性的CPU。
矽光、記憶體內運算和神經型態運算
在非傳統發展路線上(以上內容都屬於半導體製造的常規思路),WAIC晶片論壇上宋繼強和劉明都提到了一些頗具代表性的技術方向(雖然這可能與他們自己的業務方向或研究方向有很大的關係)。這些技術可能尚未大規模推廣,或者仍在商業化的極早期。
(1)近記憶體運算和記憶體內運算:處理器性能和效率如今面臨的瓶頸,很大程度並不在單純的運算階段,而在資料傳輸和儲存方面——這也是共識。所以提升資料的傳輸和存取效率,可能是提升整體系統性能時,一個非常靠譜的思路。
這兩年市場上的處理器產品用「近記憶體運算」(near-memory computing)思路的,應該不在少數。所謂的近記憶體運算,就是讓儲存(如cache、memory)單元更靠近運算單元。CPU的多層cache結構(L1、L2、L3),以及電腦處理器cache、記憶體、硬碟這種多層儲存結構是常規。而「近記憶體運算」主要在於究竟有多「近」,cache記憶體有利於隱藏當代電腦架構中延遲和頻寬的局限性。
這兩年在近記憶體運算方面比較有代表性的,一是AMD——比如前文提到3D V-cache增大處理器的cache容量,還有其GPU不僅在裸晶內導入了Infinity Cache這種類似L3 cache的結構,也更早應用了HBM2記憶體方案。這些實踐都表明,儲存方面的革新的確能帶來性能的提升。
另外一個例子則是Graphcore的IPU處理器:IPU的特點之一是在裸晶內堆了相當多的cache資源,cache容量遠大於一般的GPU和AI晶片——也就避免了頻繁的訪問外部儲存資源的操作,極大提升頻寬、降低延遲和功耗。
近記憶體運算的本質仍然是馮紐曼架構(Von Neumann architecture)的延續。「在做處理的過程中,多層級的儲存結構,資料的搬運不僅僅在處理和儲存之間,還在不同的儲存層級之間。這樣頻繁的資料搬運帶來了頻寬延遲、功耗的問題。也就有了我們經常說的運算體系內的儲存牆的問題。」劉明說。
構建非馮(non-von Neumann)架構,把傳統的、以運算為中心的馮氏架構,變換一種新的運算範式。把部分運算力下推到儲存。這便是記憶體內運算(in-memory computing)的概念。
記憶體內運算的就現在看來還是比較新,也有稱其為「存算一體」。通常理解為在記憶體中嵌入演算法,儲存單元本身就有運算能力,理論上消除資料存取的延遲和功耗。記憶體內運算這個概念似乎這在資料爆炸時代格外醒目,畢竟可極大減少海量資料的移動操作。
其實記憶體內運算的概念都還沒有非常明確的定義。現階段它可能的內涵至少涉及到在儲記憶體內部,部分執行資料處理工作;主要應用於神經網路(因為非常契合神經網路的工作方式),以及這類晶片具體的工作方法上,可能更傾向於神經型態運算(neuromorphic computing)。
對於AI晶片而言,記憶體內運算的確是很好的思路。一般的GPU和AI晶片執行AI負載時,有比較頻繁的資料存取操作,這對性能和功耗都有影響。不過記憶體內運算的具體實施方案,在市場上也是五花八門,早期比較具有代表性的Mythic導入了一種矩陣乘的儲存架構,用40nm嵌入式NOR,在儲記憶體內部執行運算,不過替換掉了數位週邊電路,改用類比的方式。在陣列內部進行模擬運算。這家公司之前得到過美國國防部的資金支援。
劉明列舉了近記憶體運算和記憶體內運算兩種方案的例子。其中,近記憶體運算的這個方案應該和AMD的3D V-cache比較類似,把儲存裸晶和運算裸晶疊起來。
劉明指出,「這是我們最近的一個工作,採用hybrid bonding的技術,與矽通孔(TSV)做比較,hybrid bonding功耗是0.8pJ/bit,而TSV是4pJ/bit。延遲方面,hybrid bonding只有0.5ns,而TSV方案是3ns。」台積電在3D堆疊方面的領先優勢其實也體現在hybrid bonding混合鍵合上,前文也提到了它具備更高的互連密度和效率。
另外這套方案還將DRAM刷新頻率提高了一倍,從64ms提高至128ms,以降低功耗。「應對刷新率變慢出現拖尾bit,我們引入RRAM TCAM索引這些tail bits」劉明說。
記憶體內運算方面,「傳統運算是用布林邏輯,一個4位元的乘法需要用到幾百個電晶體,這個過程中需要進行資料來回的移動。記憶體內運算是利用單一元件的歐姆定律來完成一次乘法,然後利用基爾霍夫定律完成列的累加。」劉明表示,「這對於今天深度學習的矩陣乘非常有利。它是原位的運算和儲存,沒有資料搬運。」這是記憶體內運算的常規思路。
「無論是基於SRAM,還是基於新型記憶體,相比近記憶體運算都有明顯優勢,」劉明認為。下圖是記憶體內運算和近記憶體運算,精準度、能效等方面的對比,記憶體內運算架構對於低精準度運算有價值。
下圖則總結了業內主要的一些記憶體內運算研究,在精確度和能效方面的對應關係。劉明表示,「需要高精確度、高運算力的情況下,近記憶體運算目前還是有優勢。不過記憶體內運算是更新的技術,這幾年的進步也非常快。」
去年阿里達摩院發佈2020年十大科技趨勢中,有一個就是存算一體突破AI算力瓶頸。不過記憶體內運算面臨的商用挑戰也一點都不小。記憶體內運算的通常思路都是類比電路的運算方式,這對記憶體、運算單元設計都需要做工程上的考量。與此同時這樣的晶片究竟由誰來造也是個問題:是記憶體廠商,還是數文書處理器廠商?(三星推過記憶體內運算晶片,三星、Intel垂直整合型企業似乎很適合做記憶體內運算…)
(2)神經型態運算:神經型態運算和記憶體內運算一樣,也是新興技術的熱門話題,這項技術有時也叫作compute in memory,可以認為它是記憶體內運算的某種發展方向。神經型態和一般神經網路AI晶片的差異是,這種結構更偏「類人腦」。
進行神經型態研究的企業現在也逐漸變得多起來,劉明也提到了AI晶片「最終的理想是在結構層次模仿腦,元件層次逼近腦,功能層次超越人腦」的「類腦運算」。Intel是比較早關注神經型態運算研究的企業之一。
傳說中的Intel Loihi就是比較典型存算一體的架構,「這片裸晶裡面包含128個小核心,每個核心用於模擬1,024個神經元的運算結構。」宋繼強說,「這樣一塊晶片大概可以類比13萬個神經元。我們做到的是把768個晶片再連起來,構成接近1億神經元的系統,讓學術界的夥伴去試用。」
「它和深度學習加速器相比,沒有任何浮點運算——就像人腦裡面沒有乘加器。所以其學習和訓練方法是採用一種名為spike neutral network的路線,功耗很低,也可以訓練出做視覺辨識、語言辨識和其他種類的模型。」宋繼強認為,不採用同步時脈,「刺激的時候就是一個非同步電動勢,只有工作部分耗電,功耗是現在深度學習加速晶片的千分之一。」
「而且未來我們可以對不同區域做劃分,比如這兒是視覺區、那兒是語言區、那兒是觸覺區,同時進行多模態訓練,互相之間產生關聯。這是現在的深度學習模型無法比擬的。」宋繼強說。這種神經型態運算晶片,似乎也是Intel在XPU方向上探索不同架構運算的方向之一。
(2)微型化矽光:這個技術方向可能在層級上更偏高了一些,不再晶片架構層級,不過仍然值得一提。去年Intel在Labs Day上特別談到了自己在矽光(Silicon Photonics)的一些技術進展。其實矽光技術在連接資料中心的交換機方面,已有應用了,發出資料時,連接埠處會有個收發器把電訊號轉為光訊號,透過光纖來傳輸資料,另一端光訊號再轉為電訊號。不過傳統的光收發器成本都比較高,內部元件數量大,尺寸也就比較大。
Intel在整合化的矽光(IIIV族monolithic的光學整合化方案)方面應該是商業化走在比較前列的,就是把光和電子相關的組成部分高度整合到晶片上,用IC製造技術。未來的光通訊不只是資料中心機架到機架之間,也可以下沉到板級——就跟現在傳統的電I/O一樣。電互連的主要問題是功耗太大,也就是所謂的I/O功耗牆,這是這類微型化矽光元件存在的重要價值。
這其中存在的技術挑戰還是比較多,如做資料的光訊號調變的調變器調變器,據說Intel的技術使其實現了1,000倍的縮小;還有在接收端需要有個探測器(detector)轉換光訊號,用所謂的全矽微環(micro-ring)結構,實現矽對光的檢測能力;波分複用技術實現頻寬倍增,以及把矽光和CMOS晶片做整合等。
Intel認為,把矽光模組與運算資源整合,就能打破必須帶更多I/O接腳做更大尺寸處理器的這種趨勢。矽光能夠實現的是更低的功耗、更大的頻寬、更小的接腳數量和尺寸。在跨處理器、跨伺服器節點之間的資料互動上,這類技術還是頗具前景,Intel此前說目標是實現每根光纖1Tbps的速率,並且能效在1pJ/bit,最遠距離1km,這在非本地傳輸上是很理想的數字。
還有軟體…
除了AI晶片本身,從整個生態的角度,包括AI感知到運算的整個鏈條上的其他組成部分,都有促成性能和效率提升的餘地。比如這兩年Nvidia從軟體層面,針對AI運算的中間層、庫做了大量最佳化。相同的底層硬體,透過軟體最佳化就能實現幾倍的性能提升。
宋繼強說,「我們發現軟體最佳化與否,在同一個硬體上可以達到百倍的性能差距。」這其中的餘量還是比較大。
在AI開發生態上,雖然Nvidia是最具發言權的;但從戰略角度來看,像Intel這種研發CPU、GPU、FPGA、ASIC,甚至還有神經型態運算處理器的企業而言,不同處理器統一開發生態可能更具前瞻性。Intel有個稱oneAPI的軟體平台,用一套API實現不同硬體性能埠的對接。這類策略對廠商的軟體框架構建能力是非常大的考驗——也極大程度關乎底層晶片的執行效率。
在摩爾定律放緩、電晶體尺寸微縮變慢甚至不縮小的前提下,處理器架構革新、異質整合與2.5D/3D封裝技術依然可以達成1,000倍的性能提升;而一些新的技術方向,包括近記憶體運算、記憶體內運算和微型矽光,能夠在資料訪存、傳輸方面產生新的價值;神經型態運算這種類腦運算方式,是實現AI運算的目標;軟體層面的最佳化,也能夠帶動AI性能的成倍增長。所以即便摩爾定律嚴重放緩,AI晶片的性能、效率提升在上面提到的這麼多方案加持下,終將在未來很長一段時間內持續飛越。這第三(四)次科技革命恐怕還很難停歇。
資料來源:https://www.eettaiwan.com/20210726nt61-ai-computing/?fbclid=IwAR3BaorLm9rL2s1ff6cNkL6Z7dK8Q96XulQPzuMQ_Yky9H_EmLsBpjBOsWg
科 氏 參數 在 Facebook 的精選貼文
第二部分「為何感覺不到地球自轉?非慣性座標系裡的慣性力」
.
未讀第一部分的朋友可以先看:facebook.com/davidyu.phycat/posts/239431704213490
.
感覺不到地球自轉的原因就像感覺不到地球表面彎曲的一樣,人類對比地球實在太渺小。正如必須望向遠方海平線才能看見船帆先於船身出現,我們亦必須跨過遙遠的距離才能感受到地球自轉所造成的影響。
.
大家有玩過公園裡的遊樂設施「氹氹轉」嗎?它是一個會旋轉的大圓盤,盤上有支架。如果我們捉住支架在地上圍著氹氹轉走,然後跳上去,我們會感覺到一股力將我們推出去。這時放手的話就會被拋出去了,這就是所謂的「離心力」(centrifugal force)。如果各位在香港坐過會上高速公路的小巴,亦可以感受這種刺激的感覺。
.
但如果我告訴你,離心力其實並不存在呢?事實上,離心力屬於慣性力(inertial force),又稱為假想力(fictitious force),是在非慣性參考系觀察物理現象的產物。參考系是數學語言,指用來描述物體位置、速度等物理參數的坐標系統。慣性參考系就是互相靜止不動或者以等速移動的坐標系。
.
簡單來說,雖然牛頓力學在日常情況下適用於任何參考系,但在非慣性參考系裡使用牛頓力學就會出現慣性力。最常見的例子就是圓周運動。站在氹氹轉上的人在進行圓周運動,運動方向有所改變(注意物理學中的速度概念包含速率和方向),因而是個非慣性參考系。而站在地上看著氹氹轉的人則身處一個慣性參考系之中(事實上只是近似慣性參考系,因為地球也在動)。
.
因為氹氹轉在旋轉,慣性定律卻說物體在不受外力的情況下只會沿直線前進,在氹氹轉上就必須施力才能跟隨氹氹轉旋轉,一旦放手就會被「拋出去」。然而,氹氹轉旁邊的觀測者只會看見一個因捉不住支架而直線飛出去的人。順帶一提,捉住支架的力當然是真實的力,叫做向心力(centripetal force)。
.
現在可以回到地球自轉的問題。會自轉的地球是個非慣性參考系。就像在氹氹轉上一樣,地球上也會感受到離心力。事實上,這個離心力會抵消掉部分重力,使我們在不同緯度感受到不同的體重!用比較精確的物理詞彙,就是重力的一部分提供了給跟隨時球自轉所需的向心力。
.
由於赤道與地球自轉軸的垂直距離最遠,自轉速率最快,需要較多部分的重力提供向心力。南北兩極與地球自轉軸的距離則為零,重力無需提供給向心力。因此,站在赤道時的離心力會令體重比站在南北極時減少大約0.35%。
.
另一個我想簡單介紹的慣性力叫做科里奧利力(Coriolis force,簡稱科氏力),或者叫做科氏效應(Coriolis effect),描述在地球表面上移動時感受到的慣性力。由於地球並非一個圓盤而是個球體,因此科氏力的方向並不在本地水平面(local horizon)之上,與之有個夾角。把這個力拆開,可以得到兩個方向的分力,分別為與水平面平行的分力(遺憾地,這個分力亦稱為科氏力),和與水平面垂直的、稱為Eötvös效應的分力。
.
平行本地水平面的科氏分力會使任何在北半球水平移動的物體向移動方向的右方偏轉(俯視時為順時針方向),同時使任何在南半球水平移動的物體向移動方向的左方偏轉(俯視時為逆時針方向)。這就是颱風形成的原因,因而源自南半球和北半球的颱風會有相反的旋轉方向。Eötvös效應會在除離心力之外進一步改變我們感受到的重力。向東走時,Eötvös效應會進一步加強離心力,抵消更多的重力。反之,向西走時反而會加強了向下的力,就好像加強了重力般。
.
[有趣的是,源自北半球的颱風是逆時針方向旋轉的,剛好與科氏效應相反!這是因為颱風的形成過程是三維的,我正在寫一篇文章詳述。]
.
日常生活感受不到上述離心力、科氏力和Eötvös效應的原因很簡單,就是因為人類相對地球的尺寸來說,太過渺小。只有在作長距離移動時,我們才能察覺到這些慣性力。例如,炮彈彈道計算必須考慮地球自轉、飛機飛行感受到科氏力、大規模空氣流動形成颱風等。順帶一提,有都市傳說指科氏效應會導致南北半球馬桶沖水方向相反,這是不正確的。對比地球尺寸,馬桶實在太渺小了,作用在沖廁水上的科氏力比沖廁時水流的隨機擾動細微得多,沖水方向並不會受科氏效應影響。
.
歷史上首位直接測量到科氏效應的人是德國化學家懷斯(Ferdinand Reich)。物件自由落下時,由於移動方向為地心,計算指出科氏力會指向東面。在1831年,懷斯從160米高的地方掉下物件,發現物件落下的地點果然向東偏差了2.8厘米。
.
那有沒有辦法在不作長距離移動的情況下,證明地球會自轉?答案是肯定的。1851年,法國物理學家傅科(Jean Bernard Léon Foucault)用一個簡單實驗證明了地球確實會自轉。他用一條67米長(好吧,這也很長就是了⋯⋯)的線吊著一個28公斤重的鉛球,形成一個很長很重的擺,掛在巴黎先賢寺的天花版上。因慣性定律同樣適用於鐘擺,擺動平面在慣性參考系裡不會改變。擺動平面不變與物理學中的角動量守恆原理有關。但因地球自轉,地球上的人就會觀察到擺動平面隨著時間改變。
.
[這個實驗設備稱為傅科擺(Foucault pendulum),是世上每個科學博物館的必備展品。很多人會在早上很早就到博物館去,就是為了看工作人員開始擺動傅科擺的一刻。]
.
現在我們理解到,古希臘時代的差不多兩千年後,懷斯與傅科的實驗終於直接證明了地球會動。我們會在下一節討論太空是否真的是「無重力」。
.
【支持我的科普】
我的科普部落格:https://hfdavidyu.com
我的科研網頁:https://hfdavidyu.github.io
.
我已開設MeWe群組,在MeWe搜尋「余海峯」就能找到:
https://mewe.com/join/phycat
.
追蹤我的FB:https://fb.com/davidyu.phycat
追蹤我的IG:https://instagram.com/phycat
訂閱我的YT:https://youtube.com/c/DavidYuHoiFung
.
也請支持香港其他科學普及工作者!你的支持,能令科學在中文世界更加普及。
科 氏 參數 在 新思惟國際 Facebook 的最佳解答
【🎊 10 月快訊】#臨床研究與發表工作坊
🎉 江敏嫻醫師團隊,關於術中維他命 C 與術後止痛藥使用之統合分析,獲 Nutrients 刊登!
🎉 王建智醫師團隊,關於在 COVID-19 疫情期間的中風復健回顧文章,獲 Journal of Stroke and Cerebrovascular Diseases 刊登!
🎉 廖柏翔醫師團隊,分享嘴巴內出現 50 公分細線的個案報告,獲 Annals of Emergency Medicine 刊登!
⏩ 廖醫師快訊心得 │https://bit.ly/3oFdLVe
「課後第一篇 IF > 5 的文章,投稿當天就被接受了!」
🎉 彭瓊慧醫師團隊,關於反覆疼痛的橋本氏甲狀腺炎經切除治療之個案研究,獲 AACE Clinical Case Reports 刊登!
🎉 張晉銓醫師團隊,以鉈 201 心肌灌流影像的半定量參數診斷冠狀動脈疾病之研究,獲 Diagnostics 刊登!
更多校友傑出成績,可以點擊連結觀看唷。
▶ 現在就預約,為明年的自己提早準備。
✓ 國際期刊 editor 與資深 reviewer 教你投稿重點!
✓ 怎麼做才最好,成敗關鍵 revision!
✓ 提供頂尖期刊範例論文,原作者讓你問!
✓ 提供過去的 revision letter,讓你學習參考!
✓ 資源稀少時代起步,給年輕伙伴的務實建議!
✓ 初學者最常用的統計,互動實作!
2021 / 1 / 10(日)臨床研究與發表工作坊
立即了解 ☛ https://clip2014.innovarad.tw/event/
🗣 學員評價
「講師們不會拖泥帶水,所有的鋪陳都是有目的要導引學生,一路抵達講師準備好的重點整理,毫不猶豫地直指問題的核心,就像經驗老到的外科醫師,閉著眼睛都知道 plane 在何方,每次下刀位置都不同,但總是能迅速撥出安全的道路,直接不拐彎抹角,把實際問題呈現在課堂上,真是大快人心。」(溫梓丞 醫師)
「實作前,我數年來無法分清楚的生統概念,就在蔡校長列出的簡單表格,瞬間變得非常清晰。把會分散注意力的旁枝末節去掉,留下最常使用的重點,先讓初學者蓋好骨架,之後的填補,自然是輕鬆多了。」(徐英倫 醫師)
🧑🏫 講者陣容
【吳昭慶】神經外科頂尖期刊 Journal of Neurosurgery: Spine 之核心編輯成員。從素人狀態起步,歷經 author / reviewer / speaker / editor,用研究與發表,讓世界知道自己的技術與專業。
【吳青陽】從別人眼中的小手術 port A 開始,逐步登上外科第一名期刊 Annals of Surgery,發表多項獨到研究與專利,並有肺癌手術系列研究。用 PubMed 的足跡,榮耀自己胸腔外科醫師的身份!
【蔡依橙】原創論文被引用破百次,領導制訂亞洲心臟電腦斷層 guideline 後,希望協助想在國際舞台發光的朋友,於是辭職創業,全心投入課程規劃,協助大量傑出校友,活出更好的人生。
科 氏 參數 在 地球科學--科氏力 - YouTube 的推薦與評價
本影片包含了1.南北向運動時的 科氏 力2.不同緯度的 科氏 力大小3.東西向運動時的 科氏 力0:00 南北向運動時的 科氏 力0:50 不同緯度的 科氏 力大小1:06 東西向 ... ... <看更多>
科 氏 參數 在 [問題] 關於渦度- 精華區TY_Research - 批踢踢實業坊 的推薦與評價
渦旋度 vorticity,或稱渦度
我去找了一些書籍來看
但始終不懂他是什麼東西@@
似乎跟切變有關係
也因為地球自轉而變
不過,來回看了幾十次還是搞不懂
想請問各位版有能否幫我解答
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 61.227.169.132
> -------------------------------------------------------------------------- <
作者: caterlanse (卡特--藍) 看板: TY_Research
標題: Re: [問題] 關於渦度
時間: Sun Mar 28 10:10:52 2010
※ 引述《chanchen (隨便)》之銘言:
: 渦旋度 vorticity,或稱渦度
: 我去找了一些書籍來看
: 但始終不懂他是什麼東西@@
: 似乎跟切變有關係
: 也因為地球自轉而變
: 不過,來回看了幾十次還是搞不懂
: 想請問各位版有能否幫我解答
渦度其實就是指大氣流體中物體(氣塊)旋轉的程度
造成氣塊旋轉又可以分成兩個部分來講
一個部分是地球自轉在氣塊運動時對它產生的影響(行星渦度)
當地球以Ω的角速度旋轉~不論氣塊動不動~都會給它2Ω的渦度(單位面積環流量)
因為大氣很淺因此通常只考慮圍繞垂直軸的部分
也就是行星渦度可以寫成2Ωsinφ (φ指緯度角度)
跟科氏力的參數f相同~都是緯度的函數~隨緯度變化而變化
另一個部分是其他因素造成的氣塊自身旋轉度改變(絕對渦度ζ)
這部分比較麻煩須要推導渦度方程
方程中幾個大項分別代表平流項~幅散(合)項~扭轉項以及斜壓(力管)項
也就是造成局地ζ的改變可能來自外地渦度平流的加入
或是因為空氣的收縮膨脹造成幅散合而改變
沿旋渦方向上速度變化不均勻也會造成渦度改變(扭轉項)
最後就是當環境兩側的密度不同(例如冷暖空氣交界)~
兩側受力不均(氣壓梯度力)~而產生渦度的改變
經過尺度分析後~以渦度平流以及輻散合兩項的影響較大
兩者正好呈現負相關~
當正渦平流使ζ增加~空氣質點旋轉程度加大~產生的離心力會把質點往外帶
這時就可以說出現輻散效果(膨脹)~這會讓渦度減少回來
而負渦平流使ζ減少~空氣質點所受到的離心力降低則會有相反的效果
當有一項使ζ變化時~另一項就會有所抗衡
以上只是簡單的說明一下~想要詳細的了解可能還是得自己翻書去看囉~
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 118.231.102.24
> -------------------------------------------------------------------------- <
作者: tytony (混沌的大氣) 看板: TY_Research
標題: Re: [問題] 關於渦度
時間: Sun Mar 28 10:39:10 2010
※ 引述《chanchen (隨便)》之銘言:
: 渦旋度 vorticity,或稱渦度
: 我去找了一些書籍來看
: 但始終不懂他是什麼東西@@
: 似乎跟切變有關係
: 也因為地球自轉而變
: 不過,來回看了幾十次還是搞不懂
: 想請問各位版有能否幫我解答
這用推文有點不好說明
最簡單的說法 渦度是氣流旋轉的程度
渦度的產生是跟風切(wind shear)相關
一般所說的渦度為水平方向的渦度
定義 ζ = dv/dx - du/dy
(這裡的d是表示偏微分,u,v為東西風和南北風)
垂直方向因w速度較小 綜觀尺度下會被忽略
當由西向東漸有南風分量(增大)時 即第一項為正 反之為負
而由南向北逐漸有西風分量(增大)時 第二項為負 反之為正
∣ ↑ ←────
∣∣ ↑∣ ←──
∣∣↓(+)↑∣∣ (+)
∣↓ ∣∣ ──→
↓ ∣ ────→ 箭號全部換邊就變成負的
(西向東 南風增強) (南向北 東風增強)
由上圖就可以知道一個有氣旋式旋轉趨勢的系統其渦度為正 (ex.颱風/槽線)
因為正渦度區下游處會有舉升運度 容易造成天氣現象
所以通常比較注意正渦度區的位置
如果要考慮地球旋轉的作用力時 就會使用絕對渦度
絕對渦度 = 相對渦度 + 科氏參數f
--
(C)【分組討論區】 大家好 雲圖顯示 【板主:zonslan/Jasy/tytony】
>國家研究院 今天是個晴朗的天氣 □□□□□□□□□□□□□□□□□
>Academy 最適合出門約會了! □□□□□□□□□□□□□□□□□
>EarthEnviron \● □□□□□□□□□□□□□□□□□
>TY_Research > □□□□□□□□□□□□中央氣象局
大氣 ●大氣科學板 ψQSWEET ∥ MTSAT 紅外線雲圖 03/22/2009 21:58
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.112.245.236
... <看更多>