理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 10 of 23
  • Item
    基於生成對抗網路的偽隨機數生成函式研究
    (2022) 張哲銘; Chang, Che-Ming
    如何生成安全和快速的隨機序列一直是密碼學中的一個關鍵問題。在本文中,我們將介紹如何用硬體噪音訓練GAN(生成對抗網路)並生成具有類似質量的隨機序列。Linux操作系統中由/dev/random產生的硬體噪音代表了我們GAN的訓練集。在訓練中,我們還應用了其他方法,如Early stopping,以防止模型過擬合。最後,我們使用128,000,000比特的隨機序列,在NIST(美國國家標準暨技術研究院)特別出版物800-22測試和ENT測試下,將我們的GAN與其他PRNG(偽隨機數生成器)進行比較。結果顯示,我們的GAN優於大多數PRNG,我們發現我們的GAN與/dev/random作為訓練集有很多相似之處,並且生成隨機序列的速度至少是/dev/random的1044倍。它證明了GAN作為一種神經網絡PRNG,可以模仿非確定性算法的硬體噪音,同時具有硬體噪音的高安全性和PRNG的速度優勢。而且,它已被證明可以取代安全但低速的硬體設備,並產生類似質量的隨機序列,為密碼學領域提供了一種全新的方法。
  • Item
    以基因規劃法與蒙地卡羅樹搜尋設計卡牌遊戲策略—以爐石戰記為例
    (2020) 賈昊承; Chia, Hao-Cheng
    收集類卡牌遊戲 (Collectible Card Games, CCG) 的AI研究在近年來逐漸火熱,而爐石戰記 (Hearthstone) 是目前全世界最熱門的線上卡牌遊戲 ,在2018年底已經超過一億名玩家。本論文將透過基因規劃法 (Genetic Programming, GP) 產生爐石戰記的出牌策略,目的是希望僅使用基本的爐石戰記領域知識 (domain knowledge) 就能自動化地演化出不錯的出牌策略。並進一步將此策略套用在蒙地卡羅樹搜尋 (Monte-Carlo Tree Search, MCTS) 的模擬策略中,以提升MCTS之效能。此外,為了改善本論文基因規劃法評估時間過長的問題,我們使用昂貴優化中的適應值近似法減少了10% - 20% 的實驗時間。最後,我們將與COG 2019 爐石比賽第 1 名以及CIG 2018爐石比賽第10名的AI對戰,以評估本論文所提出之策略的效能。透過分析基因規劃法的染色體結構,我們能了解哪些盤面資訊對爐石戰記的出牌策略是重要的,也能讓爐石戰記玩家快速的了解並參考獲勝的關鍵策略。我們也希望在未來能將此研究方法應用在其它遊戲中。
  • Item
    低面積BWNN積體電路設計及應用於人臉辨識之研究
    (2019) 張茗雅; Chang, Ming-Ya
    人工智慧議題在近幾年來竄起,以及類神經網路的快速發展,使得我們的生活逐漸加入了類神經網路的應用,例如:股價預測、語音辨識、人臉辨識,尤其在APPLE公司推出了加入臉部辨識的手機機型後,帶給人們更多的便利性,也讓人臉辨識議題得到更多的關注。 然而裝載在行動裝置上勢必需要低功率且不能使用太多的硬體資源,因此本論文的研究目的是設計低面積電路於FPGA上實作人臉辨識。不過利於圖像辨識的摺積神經網路是利用浮點數做運算,這會造成硬體的消耗資源上升,為此本論文使用二元化類神經網路來實現人臉辨識,藉由量化模型的方式下降硬體面積,二元化類神經網路相較於摺積神經網路辨識率是較低的,於是本論文捨棄使用量化活化函數只保留量化參數,簡稱BWNN(Binarized Weights Neural Networks),以此可以達到與摺積神經網路相匹敵的辨識效能。 本論文亦設計Partial output架構,此能更加降低硬體的消耗資源,依實驗結果顯示,本論文能兼具低面積、低消耗功率且又有著高辨識率的優點,因此可以在更小的晶片上實現人臉辨識系統,使得在生活中能更被廣泛應用。
  • Item
    應用於電腦圍棋之蒙地卡羅樹搜尋法的新啟發式演算法
    (2011) 黃士傑; Shih-Chieh Huang
    電腦圍棋的研究開始於1970年,但圍棋程式卻從未曾被人們認為是強大的,直到2006年,當「蒙地卡羅樹搜尋」(Monte Carlo Tree Search)與「樹狀結構信賴上界法」(Upper Confidence bounds applied to Trees)出現之後,情況才開始完全不同。「蒙地卡羅樹搜尋」與「樹狀結構信賴上界法」所帶進的革命強而有力到一個地步,人們甚至開始相信,圍棋程式在10年或者20年之後,將能夠擊敗頂尖的人類棋手。 在本研究中,我們針對「蒙地卡羅樹搜尋」提出一些新的啟發式演算法,主要有兩方面的貢獻。第一個貢獻,是成功的將「模擬平衡化」(Simulation Balancing)應用到9路圍棋。「模擬平衡化」是一種用來訓練模擬的參數的演算法。Silver與Tesauro在2009年提出這個方法時,只實驗在比較小的盤面上,而我們的實驗結果首先證明了「模擬平衡化」在9路圍棋的有效性,具體方法是證明「模擬平衡化」超越了知名的監督式演算法Minorization-Maximization (MM)大約有90 Elo之多。第二個貢獻是針對19路圍棋,系統式的實驗了各種不同之時間控制的方法。實驗結果清楚的指明,聰明的時間控制方案可以大大的提高棋力。所有的實驗都是執行在我們的圍棋程式ERICA,而ERICA正是得益於這些啟發式演算法與實驗結果,成功取得了2010年電腦奧林匹亞的19路圍棋金牌。
  • Item
    台灣直棋的勝負問題之研究
    (2011) 李明臻; Ming-Zhen Li
    電腦棋類遊戲在人工智慧領域中是很重要的,各種棋類遊戲研究層出不窮。直棋(Morris)遊戲屬於雙人遊戲的一種,自從Ralph Gasser教授在1996年提出破解Nine Men's Morris的結果之後,有關Morris games更高一層或其它版本的研究,相關文獻就十分少見。 台灣規則的直棋遊戲是Twelve Men's Morris在台灣的變體。在本論文中,我們使用CPU規格為Intel Xeon E5520 2.27GHz(雙處理器),記憶體總量為36 GByte 的機器,證明了台灣規則的直棋遊戲在開始雙方各拿六子及九子的情況,其結果都為和棋。 我們除了找到台灣規則的直棋遊戲在開始雙方各拿六顆棋子及九顆棋子的勝負結果是和棋,更從破解Nine Men's Morris的方法中,在放子階段提出跟原本作法不同的破解方法。在研究台灣規則的直棋遊戲的過程中,找到了將資料庫分割得更細的方法以及加速旋轉對稱運算的方法,並且將其運用在資料庫技術及回溯分析演算法上。
  • Item
    八層三角殺棋的勝負問題之研究
    (2009) 白聖群
      電腦棋類遊戲在人工智慧領域中是很重要的。而三角殺棋部份,自從許舜欽教授在1985年研究出七層三角殺棋結果後。三角殺棋更多層數的結果,就沒有任何相關文獻了。   在本論文中,我們使用CPU為AMD Athlon64 X2 4000+ 2.1GHz,記憶體為8G Byte的個人電腦,花費約十四個小時半的時間,證明了兩種規則的八層三角殺棋皆為先手勝。   我們除了找到八層三角殺棋的結果,也提出了一些解三角殺棋勝負時,可以加快搜尋勝負速度的方法。雖然研究過程中花費許多時間在倒推法上,但我們也研究出來所有先前求出的盤面是可以運用到之後要求解的三角殺棋。並且提出了一個管理記憶體的方式,使得在求解三角殺棋的過程中,盤面資訊狀態可以儲存,這樣就可以利用較少量記憶體來解八層三角殺棋,而不必動用到虛擬記憶體。
  • Item
    六子棋中一個結合迫著搜尋的防禦性策略
    (2009) 劉雲青; Yun-Ching Liu
    摘要 k 子棋相關的研究一直有許多有趣的研究成果被發表出來,而其中於2005年所提出的六子棋則格外受到注目。從2006年開始,六子棋一直被列為ICGA電腦奧林匹亞中重要的比賽之一,投入六子棋的研究和參與比賽的團隊逐年增加。 這篇論文裡,從簡介現今應用在六子棋的相關技術和研究成果開始,接著提出六子棋上的一個防禦性策略以及一個策略性的審局方案。迫著搜尋演算法在電腦六子棋中有相當重要的地位,論文裡亦提出提升其實作上效能和精確度的技術。防禦性策略和迫著搜尋的結合也會被探討。 防禦性策略和迫著搜尋的結合的表現足以跟現今的一些頂尖的六子棋軟體分庭抗禮 ,可見其為一個相當有效的方法。我們整合這些技術所實作出的程式Kagami,於第十四屆ICGA 電腦奧林匹亞中獲得第四名。
  • Item
    電腦暗棋之設計及實作
    (2008) 謝曜安
    電腦棋類一直是人工智慧發展的重要領域之一,而電腦暗棋至今尚未有人對其做較深入的研究。暗棋是屬於不完全資訊含機率性的棋類遊戲,不像西洋棋、象棋是屬於完全資訊的棋類遊戲,所以如果用一般遊戲樹進行搜尋,在走棋與翻棋夾雜的情況下,會因分枝度過大無法做深入的搜尋,因此難以做出較佳的決策。 本論文首度對電腦暗棋做深入的研究,並提出一些演算法來解決電腦暗棋所面臨的相關問題。經實戰測試,我們所寫出來的暗棋程式可以擊敗市面上我們蒐集到的所有暗棋程式,棋力已接近人類玩家的一般水平。
  • Item
    電腦象棋開局庫之改進研究
    (2008) 張修正
    電腦棋類遊戲在人工智慧領域中是很重要的。而開局庫的部份,一直較缺乏深入的研究。開局庫的建造方法有從棋書輸入、對戰結果統計或是使用中局程式來自動展開。對於這麼龐大的開局庫,其中也可能包含了一些不好的走法。傳統的作法,可能需要聘請高段的棋手,來幫我們檢視及修正,但對於許多電腦棋類的作者來說,可能無法負擔這樣的花費。 在本論文中,我們首度提出一個新的建造開局庫的構想:以市面上可以取得的棋軟為師,我們可採集他們在開局時的走步,因而建造一個更完整的開局庫。再藉由目前棋軟所擁有的搜尋引擎,配合電腦可長時間運作的特性,來調整我們的開局庫,修正其中可能隱藏的錯誤。 經由實驗,我們發現這樣的作法可提高開局庫的正確性,並且可自動化地逐步更新開局庫。
  • Item
    DTS演算法效能改良之研究
    (2007) 白聖秋
    電腦西洋棋在近年來已經大量使用平行搜尋演算法,目前表現最好的是使用DTS(Dynamic Tree Splitting)搜尋演算法,該演算法的作者Robert M. Hyatt所設計出來的電腦西洋棋程式Crafty也在2004年第12屆World Computer Speed Chess Championship比賽獲得第二名。 本篇論文主要研究DTS(Dynamic Tree Splitting)搜尋演算法,發現使用一些改良技巧,如改良方法一的控制CPU分配量與改良方法二的控制允許使用DTS搜尋演算法的最低層數,能將DTS(Dynamic Tree Splitting)搜尋演算法在電腦西洋棋程式中獲得更好的效能。我們也使用開放程式碼的Crafty20.14版做實驗,目前研究結果發現改良方法一能提升20%左右的效能,而改良方法二能提升35%左右的效能。