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 - 5 of 5
  • Item
    基於人體姿勢估計之跆拳道側踢分析
    (2023) 翁驊成; Weng, Hua-Cheng
    在跆拳道品勢 (Taekwondo Poomsae) 比賽或訓練中,評估該運動表現唯基於專家及教練的觀察,並根據其自身經驗會有不同的想法,存在多種公平性問題,此外,教練也無法全天候指導所有學員,人們對於量化評價方法和工具之需求日益增加。然而,跆拳道快速的肢體動作與結構極端繁複的技術,使量化困難且不易評估。跆拳道品勢單元技術中,側踢 (Side Kick) 屬於較複雜、評分比重較高的項目,因此,本論文針對側踢先行試驗,我們以臺北市立龍山國中以及國立臺灣師範大學的跆拳道品勢選手作為研究對象,並參考專家建議之評分標準,提出基於人體姿勢估計 (Human Pose Estimation) 之跆拳道側踢分析,通過專業認證的跆拳道側踢評分系統 (Taekwondo Side Kick Assessment System, SideKick),能夠有效地量化選手運動數據,分析並評估其側踢表現。 本研究中,我們首先建立了具高度公信力的跆拳道側踢資料集,由專業品勢教練進行動作質量評分;接著透過人體姿勢估計的方式,偵測人體關節點座標,精確獲取肢體運動角度及高度變化數據,使得運動特徵不易受場景影響,將攝影鏡頭校正難度降低;最後,我們參考專家提供之側踢建議量化特徵,分析各特徵的重要性排序,並利用機器學習的方式,訓練運動時空特徵及專家建議特徵,來預測選手整體側踢表現分數。 實驗以均方根誤差與交叉驗證評估多種回歸模型方法,最終選擇卷積神經網路模型,作為系統之評分模組。結果顯示實際應用之誤差為0.69,經信度檢驗,其結果也達顯著相關,在容許誤差為1的範圍內,準確率達86%。本研究提出之SideKick系統不需花費大量金錢及人力,且錄製設備取得容易。學員們能藉由本系統了解自身能力,教練們也可以在不限任何時間或地點下指導學員,提升團體訓練效益,並為未來遠程跆拳道品勢評價系統奠定基礎。
  • Item
    深度學習模型Schnet的分析、簡化與改進方法探討
    (2022) 洪聖軒; Hung, Sheng-Hsuan
    在深度學習應用化學領域的研究中,以對分子特定性質的高準確度、低計算成本預測的研究一直是具有高關注度的研究方向。在本研究中所使用的Schnet便是對此研究方向提出的一個相對成熟的深度學習模型,具有能預測QM9數據集中分子包含HOMO能量 (EH)、LUMO能量 (EL)以及兩者能量差距(EG)在內的性質平均絕對誤差達到接近或小於1 kcal/mol的準確度,並且其計算成本遠低於經典的DFT計算。針對Schnet的優秀預測效果,本研究對於其架構的主要部分進行分析,得到類似於誘導效應的資料關聯。之後,利用QM9數據集中的所具有的分子SMILES,產生鍵步資訊並替換Schnet架構中的一部份以達成輸入資訊的簡化,最終獲得了與原始Schnet相比大約1-2倍左右的平均絕對誤差。在架構的更改上,進一步利用來自Deep4Chem的分子數據集來測試Schnet經過簡化之後的架構其預測螢光放光波長、吸光波長以及量子產率的能力,然後再外加一層用以對分子環境不同作為標示的嵌入層,將分子環境的資訊輸入模型中,以獲得更好的預測結果。在對Schnet模型的後續改進中,對Deep4Chem分子數據集中的螢光分子之吸光與放光波長的預測,其平均絕對誤差達到了0.131 eV與0.087 eV;而在Schnet中加入一層嵌入層之後,對吸光與放光波長的預測之平均絕對誤差則被降低到了0.083 eV與0.082 eV。在預測量子產率的表現上,兩種模型分別的平均絕對誤差為0.336與0.292。
  • Item
    以深度學習為基礎之視覺式行人危及行車安全程度評估系統
    (2021) 曾永權; Tseng, Yung-Chuan
    交通工具的進步使往返各地越來越方便,但也帶來許多交通事故。根據台灣內政部統計年報[4]統計,諸多交通事故造成台灣每年數十萬人傷亡,其中又以道路上弱勢行人受到的傷害為大。故本研究提出以深度學習為基礎之視覺式行人危及行車安全程度評估系統。該系統利用行車紀錄器影片作為輸入,用於主動式安全駕駛輔助,辨識行人危及行車安全程度,提前警告駕駛注意行人,希望能藉此降低車禍事故發生。本研究首先對行人危及行車安全程度進行分析以及定義,將行人危及行車安全程度依據行人與攝影機距離、行人在影像中位置、行人面朝方位、行人是否移動、是否逆光5種條件分為14種情況,並將這14種情況對應到安全、低危險、中危險、高危險共4種類別。之後,本系統使用YOLOv4類神經網路模型作為骨架,進行YOLOv4的組合測試,並以前、後處理的方式進行改良。本研究最終提出Single YOLOv4、Two-stage Training YOLOv4以及Parallel YOLOv4三種流程。Single YOLOv4直接以行人危及行車安全程度進行訓練,預測時加入後處理方法刪除過度重疊的預測框。Two-stage Training YOLOv4先針對影像中「人」進行訓練,再利用此權重學習行人危及行車安全程度,預測時利用第二階段學習到的權重進行預測並刪除過度重疊的預測框。Parallel YOLOv4訓練及測試時採用兩個YOLOv4,一YOLOv4以「人」進行訓練,一YOLOv4以行人危及行車安全程度進行訓練,預測時將兩個YOLOv4各自過度重疊的預測框刪除後合併預測結果。本研究使用的測試資料庫之影片皆為作者親自拍攝,拍攝地區為新北市中永和地區,命名為Pedestrian-Endanger-Driving-Safety Evaluation Dataset。本研究所開發的行人危及行車安全程度系統將輸出一段影片,影片中含有行人的預測框,預測框上方有預測之危及行車安全程度,並根據4種不同危及行車安全類別,給予每個預測框不同顏色,用於區分危及行車安全程度。本系統以F1-measure作為正確率評估方式,最終獲得71.2%的正確率。
  • Item
    中國跳棋對弈平台與AI的實作
    (2019) 陳律濃; Chen, Lu-Nung
    近年來關於人工智慧的研究如火如荼的湧現,未來電腦的效能越高,相同時間內能處理的資訊量也會越高,人工智慧能解決的問題複雜程度亦會越來越大,例如近年來電腦對局中圍棋與人工智慧的成功結合例子AlphaGo。然而電腦對局的研究若要進展得順利,設計良善的使用者操作介面必不可少,所以本研究針對中國跳棋遊戲設計一個支援多玩家遊戲的自動對弈平台,期望在電腦對局的發展上能貢獻微薄之力。 本研究開發之電腦中國跳棋自動對弈平台利用OpenCV函式庫實作出一個直觀且方便的圖形化使用者操作介面,可以只用滑鼠點選各項功能進行設定並操作棋子。另外平台具備程式偵錯與對戰等主要功能,除了在比賽時能夠使雙方更清楚地檢視遊戲過程並減少手動操作失誤與爭議之外,偵錯時也可以藉由此平台檢視與驗證每一個走步的正確性,預設對戰對手也包含了本研究開發之AI引擎提供開發者測試強度。如此一來其他跳棋研究者只需專注於研發跳棋程式的AI引擎,以期望有更多同好加入電腦中國跳棋的研究,也有助於推廣中國跳棋這項遊戲。
  • Item
    基於AlphaZero General Framework實現Breakthrough遊戲
    (2019) 吳天宇; Wu, Tian-Yu
    在現今人工智慧電腦對局領域中,多數棋類的頂尖程式,都以AlphaZero的開發框架獨占鰲頭,棋力遠超以往傳統的程式,然而此種架構中有許多研發內容並不因不同棋類的規則而有所不同,當需要研發新種類的對局程式時將會有許多重複的前置開發成本。 故本論文中以C++實作遊戲規則及搜尋樹處理,以Python與TensorFlow套件實作類神經網絡訓練,兩者結合出易讀且運行效率較高的通用型AlphaZero框架的程式,此框架能夠讓使用者只需更改遊戲規則,即可開始AlphaZero的訓練模式。相較於GitHub相關開源碼中,Surag Nair先生全部以Python語言開發的alpha-zero-general程式,在突圍棋(Breakthrough)運行上,單執行緒速度效能可提升77.8%。 此外,本論文另外實作並測試三個可能的改良方法,用於提升整體AlphaZero訓練流程的棋力。其修改點並不因不同棋類規則而有所不同,目的在於讓後續能套用至通用型AlphaZero框架的棋類也能夠受益。分別是對訓練資料進行增量的Replay方法、應用MMoE(Multi-Gate Mixture-of-Experts)類神經網路架構於AlphaZero中欲增強網路模型的預測能力,以及利用改良原版AlphaZero中如何贏得越快越好的Quick Win方法,將針對類神經網路的Label更改標記方式與蒙地卡羅樹搜尋演算法進行改良。