本實驗以彈力膜、塑膠杯、鋼球為主體，將彈力膜繃緊於塑膠杯口作為發聲裝置，並以鋼球撞擊膜，使膜帶動腔體空氣一同振動，利用音訊分析軟體進行錄音、分析，藉以探討此裝置發聲的成因與相關參數對聲音的影響。 本研究中利用並聯彈簧機械模型解釋單膜與腔體間的交互關係，並透過實驗證明裝置的發聲取決於振動體間交互作用的強弱，且膜張力與聲音頻率呈正相關、杯子容積與聲音頻率呈負相關。 此外我們延伸探討兩端開管皆套膜的實驗，研究結果顯示此實驗上膜與純膜頻率相近，符合兩質量三彈簧振動模型，且一邊膜頻率>純膜(上膜)頻率，綜合各個實驗變因可知彈簧振動模型之有效性。

近年來「碳中和」是全人類追求的目標，本研究利用非貴金屬(鐵、鈷、鎳)離子形成前驅物為2-甲基咪唑配體的沸石咪唑骨架和前驅物為雙氰胺、葡萄糖反應物的類石墨相氮化碳，再鍛燒生成可導電的催化劑，將上述兩系列的催化劑分別搭配使用氣液分隔的氣體擴散電極進行電解還原CO2，再由氣相層析儀分析產物並計算法拉第效率。目前合成出的鎳金屬類石墨相氮化碳催化劑(Ni SACs@NC)最佳，在電位-0.52V時，高選擇性生成CO，其法拉第效率高達99%，而目前已有成熟工業製程能將CO轉成合成氣，再製造許多具經濟價值的有機產物，所以我們開發的新環境工程，找到一條碳循環的新路徑，有助於加速達成「碳中和」，為人類永續發展做貢獻。

本研究分為兩大部分進行電鍍銅的變因研究。第一部分的操縱變因為改變電鍍銅的基本實驗條件，發現電極距離越近、電壓越大、電鍍時間加長會使鍍上的銅越多但是容易產生黑色氧化銅，而改變電解液硫酸銅的濃度發現10%的硫酸銅可鍍上的銅最多，濃度降低或增加並不會增加鍍上的銅。第二部分主要是研究添加劑對電鍍銅的影響，除了將鍍上的銅秤重外，另外自行研發以簡單的『膠帶撕黏法』想要了解鍍銅的附著力。實驗發現添加氯化鈉與鹽酸會使鍍銅的附著力提升，較不易從被鍍物上脫落，添加氫氧化鈉會使電解液產生氫氧化銅的沉澱而阻礙電鍍銅的進行，添加低濃度硫酸則會鍍上較具有光澤品質較佳的銅。

由於COVID-19的影響改變了整個社會形態，依據世界衛生組織報告，COVID-19主要傳播的路徑為空氣傳染等，故空氣污染對健康和生存造成巨大而可怕的影響。為強化環境空氣品質確保健康，本研究建立主動式靜電綠牆，其可依據空間大小需求和空氣污染物種類，調整模組尺寸和植栽種類，透過靜電吸附污染物質達到淨化空氣、美化環境。 本研究分別在不同情境 (高溫高濕、高溫低濕、低溫高濕和低溫低濕)下，分析探討污染物去除率。其主動式靜電綠牆可移除二氧化碳 0~38%，並可移除懸浮微粒 5~11%和細懸浮微粒 4~15%，另移除甲醛的去除率 55~93%、化學污染物 52~94%。

考量養魚業者未必能隨時隨地監控魚群的活動情形，因此本研究利用YOLOv5的視覺辨識模型及Deep SORT多目標追蹤演算法進行魚群的座標定位及移動追蹤，開發出一套「智慧魚缸管理系統」，我們分別使用600、150張魚隻照片作為辨識的訓練集與測試集，其結果準確度平均高達99.99%，進一步利用兩鏡頭拍攝的視差以及司乃耳定律所得折射公式重建出魚群中每隻個體的3D座標，再根據個體座標的變換計算其活動量，並推論其可能的行為活動，同時以三維動畫模擬出魚群在魚缸內的即時狀態，此外我們選用OpenCV的輪廓偵測函式，計算個體的側視面積，由此觀察魚隻的成長情形，最終將上述各數據寫入MySQL資料庫作統計分析，當發生特定事件時，將透過Line Notify傳送訊息及時通知業者處理。

本系統運用石墨添加聚矽氧聚合物製成導電薄膜，通電後電壓與電阻依據歐姆定律與焦耳定律產生熱能，製成輕薄且柔軟的加熱片或網狀。配合單晶片為核心的恆溫控制系統，通電後溫和穩定地加熱，輸入設定值當溫度達到32度C時會停止加熱，當溫度過低時會啟動系統開始加熱。藉由手機的APP連接WIFI用電晶片傳到基地臺，可以直接用手機看到整個系統的環境溫度狀況，藉由APP遠端遙控可以達成我們所想的節能目的，還能夠及時了解狀況，維持所需的溫度，讓溫度不會過高或過低。因此防止農作物失溫，增加農作物的存活率。

我們以真苔、扭口苔、鳳尾苔、鱗葉苔為觀察研究樣本，希望能培養出良好的苔(球)盆栽，並了解苔(球)盆栽對室內空氣淨化的效果。依據研究觀察四種苔植株結果，發現如下：（一）鱗葉苔耐旱性最佳，鳳尾苔次之，扭口苔、真苔最差。（二）耐酸性實驗中，pH<5時，生長情形都不佳，推論酸雨不利其生長，在戶外種植，可監測空氣品質。(三)每日光照4hr，苔植株生長狀態是最好的。(四)以多肉土種植成長良好，但與咖啡渣混合後，咖啡色素顏色影響植物外觀和生長，因此咖啡渣並不適合做為它們的培養基質。(五)苔(球)盆栽對PM2.5的移除能力最佳，對甲醛和揮發性有機物(TVOC)也有明顯的移除效果。(六利用廢棄絲襪、不織布製作苔球盆栽，苔植株可正常生長。

本研究主要是觀察狸藻葉子特化的捕蟲囊。以染色及褪色的方法，來了解是否因吸收聚氯乙烯(PVC)，而改變其觸發速率，發現含有PVC的捕蟲囊，其觸發及排出色素的速率皆比未含有的慢。另外，也發現浸泡在不同PVC濃度下的捕蟲囊，其觸發及排出速率也不同，浸泡在濃度較低溶液中的捕蟲囊，其觸發、排出速率皆比濃度較高的還快。顯示水中不同濃度的物理性微粒對狸藻捕蟲囊觸發、排出作用有不同程度的影響。此外我們透過抗氧化酵素過氧化酶POD活性檢測浸泡PVC溶液不同時間的狸藻其生長狀況，發現有PVC的組別，體內POD含量皆較高且浸泡一天的組別含量最高，顯示PVC的確會對狸藻狀況造成明顯氧化壓力。

本研究主要探討，定向水流作用於水面下擋體時，在前方形成渦流的變化情形。我們模擬溪流中岩石堆疊，並自製水壓觀測儀、壓力點推論模型、水流強度測量裝置來觀察和驗證，找到穩定形成渦流的環境條件，也發現渦流讓流速變快的秘密。研究結果如下： 一、四種產生自由渦流的岩石排列中，阻擋型渦流出現的位置最集中且固定。 二、阻擋型渦流的產生是因為兩側擋體製造了加壓點，讓下方水快速轉動，形成雙渦合流。 三、水流速185cm/s以上，阻擋型渦流平均持續時間和間隔時間比大於15：1，穩定出現。 四、水位與岩石高度比會影響阻擋型渦流穩定性，比值在1.86至2.14之間時，表現最佳。 五、阻擋型擋體的夾角在120度時，產生最大的水流強度，達到4.22倍的增益效率。

With the introduction of the transformer architecture by Vaswani et al. (2017), contemporary Text Generation Models (TGMs) have shown incredible capabilities in generating neural text that, for humans, is nearly indistinguishable from human text (Radford et al., 2019; Zellers et al., 2019; Keskar et al., 2019). Although TGMs have many potential positive uses in writing, entertainment and software development (Solaiman et al., 2019), there is also a significant threat of these models being misused by malicious actors to generate fake news (Uchendu et al., 2020; Zellers et al., 2019), fake product reviews (Adelani et al., 2020), or extremist content (McGuffie & Newhouse, 2020). TGMs like GPT-2 generate text based on a given prompt, which limits the degree of control over the topic and sentiment of the neural text (Radford et al., 2019). However, other TGMs like GROVER and CTRL allow for greater control of the content and style of generated text, which increases its potential for misuse by malicious actors (Zellers et al., 2019; Keskar et al., 2019). Additionally, many state-of-the-art pre-trained TGMs are available freely online and can be deployed by low-skilled individuals with minimal resources (Solaiman et al., 2019). There is therefore an immediate and substantial need to develop methods that can detect misuse of TGMs on vulnerable platforms like social media or e-commerce websites. Several methods have been explored in detecting neural text. Gehrmann et al. (2019) developed the GLTR tool which highlights distributional differences in GPT-2 generated text and human text, and assists humans in identifying a piece of neural text. The other approach is to formulate the problem as a classification task to distinguish between neural text and human text and train a classifier model (henceforth a ‘detector’). Simple linear classifiers on TF-IDF vectors or topology of attention maps have also achieved moderate performance (Solaiman et al., 2019; Kushnareva et al., 2021). Zellers et al. (2019) propose a detector of GROVER generated text based on a linear classifier on top of the GROVER model and argue that the best TGMs are also the best detectors. However, later results by Uchendu et al. (2020) and Solaiman et al. (2019) show that this claim does not hold true for all TGMs. Consistent through most research thus far is that fine-tuning the BERT or RoBERTa language model for the detection task achieves state-of-the-art performance (Radford et al., 2019; Uchendu et al., 2020; Adelani et al., 2020; Fagni et al., 2021). I will therefore be focussing on attacks against a fine-tuned RoBERTa model. Although extensive research has been conducted on detecting generated text, there is a significant lack of research in adversarial attacks against such detectors (Jawahar et al., 2020). However, the present research that does exist preliminarily suggests that neural text detectors are not robust, meaning that the output can change drastically even for small changes in the text input and thus that these detectors are vulnerable to adversarial attacks (Wolff, 2020). In this paper, I extend on Wolff’s (2020) work on adversarial attacks on neural text detectors by proposing a series of attacks designed to counter detectors as well as an algorithm to optimally select for these attacks without compromising on the fluency of generated text. I do this with reference to a fine-tuned RoBERTa detector and on two datasets: (1) the GPT-2 WebText dataset (Radford et al., 2019) and (2) the Tweepfake dataset (Fagni et al., 2021). Additionally, I experiment with possible defences against these attacks, including (1) using count-based features, (2) stylometric features and (3) adversarial training.

化療為癌症主要的治療方式，對正常細胞常造成副作用。為了讓化療藥對癌細胞具選擇性，利用希夫反應的原理，將核酸的醛基和二硫化物的一級胺形成共價鍵結，來設計本實驗。先用鹽酸讓核酸露出醛基，再和二硫化物的一級胺進行交聯。因為癌症細胞內的穀胱甘肽量高於正常細胞，可催化二硫化物的雙硫鍵，使其斷鍵，而釋放出裡面包覆的化療藥。搭配乳化反應，藥物載體在電子顯微鏡下為球型，粒徑是 55.89~115.7奈米，界面電位呈現負電。隨著 pH 值 3 往 10 變化，粒徑有變小和電位變更負的趨勢。載體在與兩種正常細胞共同培養後，呈現高存活率，顯示對生物體無毒。在模擬癌症的微酸環境中，二硫化物載體，相較於對照組，可釋放較多的化療藥。

民眾在生活採買與準備食材中，經常面臨一些問題，例如：忘記冰箱食品而導致重複購買與浪費、食品放置過期…等。因此我們提出一個可以解決上述問題的系統，藉由影像辨識來判斷食品品項與移動軌跡，藉此建立冰箱內部的食品清單，並且可透過冰箱觸控螢幕與手機APP，查看與設定清單內容。針對無法辨識的食品，系統可以學習訓練建立影像辨識模型，並針對現有的食品類別進行增量訓練，提高辨識食品的準確率。藉由本研究所提出的系統，可以學習與辨識各項冰箱食品、設定過期提醒通知，與冰箱異常偵測，協助使用者有效且便利地管理冰箱雜物、掌握冰箱的狀態。