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 30
  • Item
    應用對比式演算法則於印刷電路板的自動元件檢測方法之研究
    (2023) 鍾暿峒; Chung, Si-Tung
    在現今工業的生產製程中,檢測產品上的瑕疵常會利用到自動光學檢測,透過將攝影裝置架設在產線上進行檢測。而印刷電路板做為電子工業製品的大宗,檢測上方的細小元件的數量和位置是一大難題。由於電子元件種類繁多,為了自動化檢測元件,建立並訓練類神經網路模型被視為一種解決方法。因為模型可以從大量的樣本中學習到特徵而且具備很高的辨識準確度,而其計算過程可以透過GPU的並行處理能力得到很快的推論速度。良好的模型架構可以讓模型適應不同的元件種類,同時對於增減元件可以具有更高的可擴展性來應對需求的變化。然而,現有的物件檢測模型對於小目標的檢測還無法達到高準確度,而工廠產線上的環境光源變化也增加了模型辨識元件的困難度。因此,對於現有的自動元件檢測方法,本論文以對比式理論為基礎,提出了一套使用在類神經網路模型的訓練方法。經過此方法訓練的模型可以在不同環境光線的影響下,依然能正確檢測出印刷電路板上的電子元件。由於工廠的產線不會只生產同一種產品,元件檢測方法應該要能夠應對不同的需求。但是,若元件的種類增加,會降低現有方法辨識的準確度。因此,本論文提出具有高度彈性的模型架構,可以根據不同的元件種類調整,且能檢測多種元件,也具有高準確度。實際情況下,待檢測的印刷電路板並非固定在產線上。若要做到Real-time檢測,需要邊緣運算裝置與攝影裝置搭配使用。而邊緣運算裝置的硬體資源有限,具備高準確度的模型往往有很大的計算量和總參數量。因此,本論文的模型架構會在增加少量參數的同時維持辨識的準確度,並能夠在邊緣運算裝置上正常運行。
  • 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
    電腦暗棋之人工智慧改良
    (2011) 勞永祥; Lou Weng Cheong
    一直以來電腦棋類人工智慧的發展主要集中在完全資訊的遊戲,完全資訊的棋類遊戲,盤面的資訊能完全掌握,審局資訊充足,並不含機率的成分。 電腦暗棋是屬於不完全資訊含機率性的棋類遊戲,不像西洋棋、中國象棋是屬於完全資訊的棋類遊戲,如果用一般遊戲樹進行搜尋,在走棋與翻棋夾雜的情況下,若需要對未翻棋子也要作走步搜尋,則需要對所有的未翻棋子都作假設模擬,以求得一個接近的結果。但並不容易準確的審出結果。 經過ICGA 2010、TAAI 2010及台大資工所game theory課程等多次電腦暗棋比賽,由國立東華大學資訊工程所、國立台灣師範大學資訊工程所以及國立臺灣大學資訊工程所等所開發的電腦暗棋程式都有著共同問題,就是走子或翻棋,都還不太理想。 由於無法合理地走子或翻棋,導致走閒步,棋局無進展。這樣的結果使得在電腦暗棋的比賽中,往往優勢的一方也因為無目標,局勢無法進展,而變成平手結果。 本論文主要提出電腦暗棋的一套新的策略以解決局勢無法順利進展的問題。另外提出更準確的棋子間距離影響力之計算方法。實測結果顯示,本程式Black Cat 比起去年ICGA 2010及TAAI 2010的亞軍程式Dark Chess Beta(本校研究生謝政孝所研發)約有五成六的贏率。
  • Item
    吹牛骰子之人工智慧改良
    (2011) 唐心皓; Hsin-Hao Tang
      吹牛骰子主要分為individual hand(多人共用一副骰子)與common hand(玩家各自擁有一副骰子)兩種。其中individual hand類型在過去已有些許研究成果,例如使用近似模擬法、經驗法則、對手行為模擬與動態規劃等。而common hand類型於2009年由國立台灣師範大學黃信翰研究生發表吹牛骰子之人工智慧論文中首度呈現研究結果。其捨棄傳統常用的賽局樹搜尋與亂數模擬法等耗用大量計算資源的方法,利用賽局理論,以一種簡單明快的作法來達到此遊戲的最佳(或較佳)玩法,並採用貝氏信賴網路,在連續對局中對網路進行訓練,達成對手行為模擬的效果,藉此發掘對手的弱點來提高勝率。此為common hand類型的吹牛骰子之創新與突破的研究,對於其他與各種啟發式規則所實作之程式均有六至七成的勝率,並且與具有一定水準的人類玩家對戰,也有與之抗衡的能力。   本論文主要針對黃信翰研究生的吹牛骰子之人工智慧程式加以改良,並提出更佳的電腦決策流程,以期提高與其他電腦程式和人類玩家對戰的能力。   實驗結果顯示,與黃信翰研究生的吹牛骰子之人工智慧程式對局,勝率約為56%;與目前網路上吹牛骰子程式對局,勝率可達八成以上。
  • Item
    六子棋之棋型分類及審局函數之研究
    (2011) 陳志宏; Chih-Hung Chen
    六子棋是吳毅成教授所提出的一系列K子棋當中的一種,又稱連六棋(Connect6),是具備「規則簡單」、「變化複雜」、「遊戲公平」等特性的棋類遊戲。本研究以賴昱臣設計的六子棋程式Ant,作為基礎程式進行改良。經過棋型分類、審局函數與迫著搜尋系統的修改,使得勝率及和率明顯提升、敗率明顯降低。實驗顯示,本研究方法確實可大幅提升Ant程式的棋力。 經過修改後的Ant版本,於TAAI 2010獲得第二名的成績,而在TCGA 2011得到第三名的名次。
  • 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
    八層及九層三角殺棋的勝負問題之改進與研究
    (2010) 陳俊佑; Jyun-You Chen
    電腦棋類遊戲在人工智慧領域中是很重要的一環。三角殺棋的部份,於1985年由許舜欽教授研究出七層三角殺棋的結果後便一直沒有更高層數三角殺棋的相關文獻了。直至2009年才有白聖群以及林宏軒兩位研究生各自做了八層三角殺棋的破解研究。 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36G Byte 的機器,證明了九層三角殺棋於取得最後一子為敗的規則下,是先手必勝的結果。另外我們也應用 Divide-and-Conquer以及Sprague-Grundy function等方法,列出了九層三角殺棋於取得最後一子為勝的規則下,保證下了必敗的著手。 我們除了找出九層三角殺棋的結果,也對八層三角殺棋的解法做了分析與改良,提出可以大幅度節省破解所需空間及時間的辦法,更有效率的使用記憶體。雖然以目前的硬體設備只能應用在八層以下的三角殺棋,但是這個概念或許也可以應用在往後的更高層數三角殺棋求解上。