质量超理论上限的它 揭示黑洞另一种存在方式

质量超理论上限的它 揭示黑洞另一种存在方式 近日,国际顶尖科学期刊《自然》在线发布了一项重大发现,中国科学院国家天文台刘继峰、张昊彤的研究团队发现了迄今为止最大质量的恒星级黑洞,并提供了一种利用郭守敬望远镜(LAMOST)的巡天优势寻找黑洞的新方法。 这颗70倍太阳质量的超大恒星级黑洞远超理论预言上限,颠覆了人们对恒星级黑洞形成的认知,势必推动恒星演化和黑洞形成理论的革新。 过去只能找到“暴力”的黑洞 霍金在其最后的著作《十问》中写道,“黑洞比科幻作家想象的任何东西都更奇妙”。黑洞本身不发光,密度非常大,相当于把10倍太阳质量的恒星压缩到北京六环大小的球体中,具有超强的吸引力,任何从其身边经过的物质、就连光也无法逃离。黑洞是宇宙的“吸光器”。 黑洞大致分为恒星级黑洞(100倍太阳质量以下)、中等质量黑洞(约100到10万倍太阳质量之间)和超大质量黑洞(10万倍太阳质量以上)。恒星级黑洞是由大质量恒星死亡形成的。一颗恒星走到生命尽头,如果剩下的质量大于3倍太阳质量,既不能形成白矮星,也不能成为中子星,就没有任何力量可以阻止终极引力让其塌缩成黑洞。 龙潜深渊,隐藏爪牙。黑洞本身不发光,天文学家很难在茫茫宇宙中看到它。 奈何黑洞身边的小伙伴们实在是太高调,周边吸积盘或者伴星都表现出异样的“气场”。如果黑洞与一颗正常恒星组成一个密近双星系统,黑洞就会露出狰狞的爪牙,直接把恒星伴星上的气体物质吸过来,形成吸积盘,发出“明亮”的X射线。这些X射线如同这些物质被黑洞吞噬前的“回光返照”,就是这一“照”成为天文学家过去这些年追寻黑洞踪迹的线索。 迄今为止,银河系中几乎所有已知的恒星级黑洞都是通过黑洞吸积伴星气体所发出的X射线来识别的。过去的50年里,人们用该种方法发现了约20颗黑洞,质量均在3到20倍太阳质量之间。银河内有数以千亿计的恒星,按照理论预测,银河系中应该有上亿颗恒星级黑洞,而在黑洞双星系统中,能够发出X射线辐射的只占一小部分。 两年监测发现“走路拉风”的天体 刘继峰和张昊彤的团队在浩瀚星海中发现了一个表现异常的双星系统。700多天的追逐之路饱含艰辛和精彩。 2016年初,LAMOST科学巡天部主任张昊彤和中国科学院云南天文台院士韩占文提出利用LAMOST观测双星光谱,并选择了3000多个天体进行了为期两年的光谱监测。在这其中有一颗“走路拉风”的B型星引起了研究人员的关注。 除了获取它的有效温度、表面重力、金属丰度等重要信息外,其光谱中一条近乎静止且运行方向和B型星反相位的明线(Hα发射线)给这个天体增添了十足的神秘感。研究人员怀疑这颗B型星“背后有人”。 西班牙10.4米加纳利大望远镜(GTC)的21次观测和美国10米凯克望远镜(Keck)的7次高分辨率观测,进一步确认了B型星的性质。 B型星的金属丰度约为1.2倍太阳丰度,质量约为8倍太阳质量,年龄约为35百万年,距离我们1.4万光年。根据B型星和Hα发射线的速度振幅之比,其伴星应该一个质量约为70倍太阳质量的不可见天体,它只能是黑洞。 LB-1黑洞从未在任何X射线观测中被探测到。研究人员用美国钱德拉X射线天文台对该源进行观测,发现这颗新发现的黑洞对其伴星吸积非常微弱,是一个“平静温和”的恒星级黑洞“冠军”。 特殊金属丰度指向理论“禁区” 从2015年起,美国激光干涉引力波天文台(LIGO)及欧洲室女座引力波天文台(Virgo)的引力波观测实验已经发现了几十倍太阳质量的黑洞,质量远高于先前已知的银河系里的恒星级黑洞。 但是,新发现的这颗70倍太阳质量的超级黑洞,确认了银河系存在着更大质量的恒星级黑洞,刷新了人类对于恒星级黑洞质量上限的认知。 恒星有个属性叫金属丰度,指的是非氢氦元素在恒星中的比值。论文第一作者刘继峰介绍说,一般模型认为大质量恒星级黑洞主要形成于低金属丰度(低于1/5太阳金属丰度)环境中,LB-1却有一个与太阳金属丰度相近的B型星。目前恒星演化模型只允许在太阳金属丰度下形成最大为25倍太阳质量的黑洞,因此,LB-1中黑洞的质量已经进入了现有恒星演化理论的“禁区”。 现有理论认为,恒星在形成黑洞前,会吹出星风丧失物质,因此恒星级黑洞不会特别重。宇宙中最重的恒星大概只有几百个太阳质量,理论预言其演化晚期形成的黑洞最大也就20多个太阳质量。之前发现的黑洞都没超过这个量级。 LB-1的发现可能意味着有关恒星演化形成黑洞的理论将被改写,或者以前某种黑洞形成机制被忽视。 另一种可能性是,LB-1中的黑洞或许不是由一颗恒星坍缩形成的。研究人员猜想,LB-1最初是一个三体系统,观测到的B型星位于最外轨道,是质量最小的组成部分,而现在的黑洞是由最初内部的双星形成的双黑洞并合而成。在这种情形下,该系统将是黑洞并合事件的绝佳候选体,并为研究三体系统中双黑洞形成提供了独一无二的实验室。 “光谱之王”和“黑洞之王”彼此成就 天文学家给这个包含黑洞的双星系统命名为LB-1,是为了纪念LAMOST在发现这颗巨大恒星级黑洞上作出的贡献。 这颗“黑洞之王”的发现充分证实了LAMOST望远镜强大的光谱获取能力。LAMOST拥有4000颗“眼睛”(4000根光纤),一次能观测近4000个天体。 2019年3月,LAMOST公开发布了1125万条光谱,成为全球首个突破千万的光谱巡天项目,被天文学家誉为全世界光谱获取率最高的“光谱之王”。 从2016年11月开始,为了发现和研究光谱双星,研究人员利用LAMOST对3000多颗恒星历时两年进行了26次观测,累计曝光时间约40小时。如果利用一架普通4米望远镜专门来寻找这样一颗黑洞(一年观测365天,每天观测8小时),同样的几率下,则需要40年的时间!这充分体现出LAMOST超高的观测效率! “工欲善其事必先利其器”,这颗迄今为止最大质量的恒星级黑洞,标志着利用LAMOST巡天优势搜寻黑洞新时代的到来。 相信“光谱之王”和“黑洞之王”的彼此成就将成为天文界的一段佳话。 LB-1是一个X射线辐射宁静的双星系统,利用常规X射线方法搜寻这类黑洞是行不通的。长期以来,人们认为径向速度监测可以发现平静态的黑洞双星,这颗迄今最大质量黑洞的发现证实了这一点。利用LAMOST大规模巡天优势和速度监测方法,相信天文学家将会发现一批深藏不露的平静态黑洞, 从而逐步揭开这个“黑暗家族”的内幕,为研究黑洞成员的形成演化以及质量分布迈出标志性的一步。就像LIGO台长大卫·雷茨评论的,LB-1的发现将推动黑洞天体物理研究的复兴。 【编辑:叶攀】

90后李凤娇离职维权记

11月29日,一家互联网公司与被辞员工达成和解,并处分相关负责人。由此,舆论热议的“暴力裁员”事件告一段落,但部分青年的维权路却依旧漫长。比如李凤娇。 来自四川成都的90后女孩李凤娇历时10个月,先后6次到劳动仲裁机构,才拿到离职后的工资和赔偿金。目前,她的社会保险还在追缴中。 李凤娇的维权案件并非个例。今年5月6日,成都中院发布的《2018年度成都法院劳动争议案件审理状况白皮书》显示,2018年,全市法院共受理劳动争议案件12938件,占民事案件总数的6.01%,审结11793件。 维权难 难在举证 去年4月24日,设计专业毕业的李凤娇正式成为四川莱可吉米环境科技有限公司的一名行政人员。没想到不到8个月,她就要与这家公司说再见了,而且分手竟非常不“体面”。 李凤娇表示,因为公司未与她签订书面合同和缴纳社保,她决定离职。去年12月3日,她通过电话向公司法人代表蒋毅刚以及总经理巫小谢分别提出了口头离职申请。 她告诉中国青年报·中国青年网记者,提出离职申请后,她的下班时间大都从晚6时变成了晚8时。12月13日,她入职以来第一次向公司请假,但被拒绝了。当晚,她正式办理了离职手续。 之后的12月15日-24日,李凤娇一直在公司交接工作。然而,当月20日,她并没有像往常一样收到工资。于是,她向公司索要一个月零十三天的工资。但蒋毅刚明确表示,不会给她发工资。12月26日,李凤娇向当地劳动监察部门提出了劳动仲裁申请。要求公司支付其11月至12月13日的工资5270元,以及自入职以来未签订书面劳动合同的双倍工资差额21770元。 “维权难有一点就是举证难,真的很难有人能拿出完整的证据链。”李凤娇表示,在工作期间,很少有人考虑过取证,很多事情发生过,却没有证据证明。李凤娇说,“我是公司唯一一个走完劳动仲裁程序的人。” 今年4月23日,该劳动仲裁开庭审理。在仲裁庭上,李凤娇与蒋毅刚、巫小谢对峙,蒋毅刚指出李凤娇是12月13日突然提出离职,过错方是李凤娇,公司有权不支付赔偿。李凤娇向仲裁庭提供了申请离职时的两份电话录音,仲裁庭指出蒋毅刚的申诉无效。 仲裁判决后是漫长的等待 之后,李凤娇一直在等待仲裁结果。6月20日,李凤娇给仲裁庭打电话才知道自己的案子已经结案。裁决书上写道,在本裁决书生效后5日内,该公司需向李凤娇支付工资5118元,以及解除劳动合同的经济补偿金3000元。 6月27日,法院将劳动仲裁的判决书发给公司相关负责人。一个多月过去了,李凤娇没有收到一分钱。 根据相关法律规定,在仲裁判决书下达15日内,对判决结果存在异议,可以上诉;若双方未上诉,裁决书生效,申请人可以拿着裁决书去单位执行,如果单位拒绝支付裁决书上支持的请求,可以到当地人民法院的执行庭去申请强制执行。 8月9日,李凤娇到四川自由贸易试验区人民法院申请强制执行劳动仲裁的判决。走进法院,受理强制执行的窗口有3个,等待时间从下午13:20直到16:50,法院当场立案。李凤娇将公司法人蒋毅刚相关的信息都提交给了法院。“两周过去了,法院也没有给我任何回复。” 8月26日,中国青年报·中国青年网记者拨通公司法人蒋毅刚的电话,向其确认是否存在拖欠离职员工工资一事。蒋毅刚表示,公司与离职员工正在通过法律程序进行调解。事实上,劳动仲裁结果已在6月发出,记者询问其是否收到劳动仲裁书,蒋毅刚说,“劳动仲裁(机构)如果通知我们,我们会去收(通知书)的,我们会按照法律办事。” 9月30日,李凤娇终于收到了这笔钱。10月28日,她向成都社保局提出申请,要求该公司补缴她自入职以来的社会保险。目前,此项还在追缴中。 “他要告你”,11月14日,成都市天府新区社保局相关负责人向李凤娇表示,蒋毅刚怀疑李凤娇是专门通过仲裁获取利益的人。社保局相关负责人表示,这不在其管辖范围,蒋毅刚可以向法院提起诉讼。 11月18日,蒋毅刚拨通了李凤娇的电话,指出公司似乎曾以现金的形式给她补贴过社保。他说,“我们怀疑你是专门吃这碗饭的,利用法律的漏洞去整企业。”但李凤娇表示,这是她第一次利用法律途径维护自身的权益,也从未收到过这笔钱。 执行难是最难解决的问题之一 “执行难是目前中国司法环境中最难解决的问题之一。”上海理帅律师事务所律师余晓梅表示,一个法官往往需要管理多起案件,但个人能够处理的案件数量有限。所以,需要劳动者尽可能向法院提供被告公司法人的线索,请求法官追查其行踪和名下财产。如果公司名下真的没有钱,作为法官,只能先冻住公司法人的钱,让其不能进行大额消费,但是仍要保障其基本生活。如果法人账户里有钱了,法院可以对其进行司法拘留,通过限制其人身自由迫使其还钱。 天津市北辰区劳动人事争议仲裁院前仲裁员陈旭指出,劳动者到法院申请强制执行,可能会出现两种结果:一种是公司没有财产可以执行劳动仲裁的结果,这种情况下劳动者确定无法获得任何赔偿。另一种是法院执行庭消极怠工,这需要劳动者要督促法院及时执行,强制执行也是有时间限制的。 12月1日下午,中国青年报·中国青年网记者再次拨通了蒋毅刚的电话,蒋毅刚以怀疑记者身份真假为由,表示不能接受采访。 “唯一幸运的是我是成都本地人,我付得起这个庞大的时间成本。”李凤娇看到,在成都,一些外地人从公司离职,也没有拿到工资。然而,他们并没有选择去劳动仲裁,因为他们耗不起这个时间成本和精神成本。 这10个多月中,李凤娇从一个劳动仲裁法律方面的“小白”,变成了“大拿”,她开始在社交平台给别人解答劳动仲裁方面的问题,以期能够帮助和她有相似经历的人。 中国青年报·中国青年网见习记者 赵丽梅 来源:中国青年报 【编辑:叶攀】

想让人工智能更“聪明” 大数据还得深加工

当前,以深度学习为代表的人工智能技术已经应用到各个行业。驱动人工智能技术蓬勃发展的是各行各业积累的大数据。可以说,正是在大数据的“喂养”下,人工智能技术才真正茁壮成长。 然而,在近日召开的香山科学会议第667次学术讨论会上,与会专家指出,大数据的“红利”效应正在逐渐减弱,人工智能技术的单点突破难以持续支撑行业发展,亟须在数据科学和计算智能方面突破一些关键核心技术。 主流AI算法未充分考虑大数据复杂性 人们常常用海量性、多样性、高速以及价值密度低来描述大数据的特点。但真实的大数据往往更加复杂,比如具有不完全性、不确定性、动态性、关联性等特点。反观经典的人工智能算法,它们对数据的假设往往过于简单。比如,假设数据是静态的,产生于独立同分布的采样过程;训练数据是可靠的、数据所承载的信息是完全的等。 “数据的真实复杂性和算法的简单假设之间存在着巨大鸿沟,这使得经典智能算法在很多复杂任务上表现欠佳,亟待进一步的研究和探索。”会议执行主席之一、中国科学院院士梅宏强调,大数据是人工智能获得成功的物质基础,但目前主流的人工智能算法并未充分考虑大数据本身的复杂性。 从计算和通信领域看,大数据与人工智能技术在大规模工程化应用方面取得了长足进步。然而,大数据处理的技术进步主要体现在:以软硬件垂直优化和体系重构的极端化方式来适应数据规模、传输带宽和处理速度的提升,研究人员对大数据固有的非确定性和复杂性尚没有深刻认识;与此同时,人工智能技术也面临鲁棒性、可解释性和复杂系统认知瓶颈等挑战。 梅宏进一步指出,当前数据智能存在低效、不通用以及不透明三大问题。“现在的数据智能就像工业革命前的‘蒸汽机原型’一样,低效而昂贵;它只能针对不同应用定制不同模型,难以建立通用模型。”梅宏说,更重要的是,当前并没有对数据智能形成深刻认识,只是知其然,而不知其所以然。 人机融合或可弥补数据自动推理弱点 在中国科学院自动化研究所研究员陶建华看来,虽然当前人工智能在数据自动推理中依然面临很多技术难点,但是人机融合的推理方式可以有效地弥补这些弱点。人机融合推理着重于研究一种由人和机器相互协作下的新的推理模式,包含“机器懂人”和“人懂机器”两方面的含义。 对人的推理思维的理解是“机器懂人”的关键。其核心问题是如何构建能够反映人推理过程的思维形式化计算方法。该方法将人的推理思维形式化描述、概率推理、构建知识图谱,以及与现实场景的信息进行有机融合,从而可以将人的推理过程有效的输入到机器中,并与机器的推理网络进行结合。 此外,解决“人懂机器”问题将有助于人对机器智能辅助增强。机器推理过程的可解释性,对于构建人机融合的推理过程尤为关键。过程可解释的机器推理方法提供了解决问题的新方法,适当的扩展流程,并最大限度地减少人为错误的机会,可以帮助人类和机器协同做出更为准确和迅速的推理与判断。 微软亚洲研究院副院长刘铁岩结合他们的实际工作举例道:“我们在深度强化学习的基础上,利用‘完美教练’技术来处理信息的不完全和不确定性,从而很好地解决了麻将这一复杂的博弈问题。我们的算法在2019年3月登陆知名的竞技麻将平台,经过5000局的鏖战,成功晋级十段,其稳定段位显著超越人类顶级选手,成为首个超人麻将AI。”这是在处理数据不完全性和不确定性方面做出的有益尝试。 刘铁岩指出,大数据特性在不断演化,且愈发复杂。新型智能算法需要针对数据特点有的放矢地解决问题,这样才能填补数据与算法间的鸿沟,使人工智能绽放更多的价值。 本报记者 陆成宽 【编辑:苑菁菁】