全國中小學科展

依國際科展年度查詢

電腦科學與資訊工程

確定有限狀態自動機與量子有限狀態自動機之間的轉換與比較

量子計算的效率相較傳統計算有指數級成長。然而此領域中多數研究皆專注於量子計算的性質本身,鮮少討論如何將傳統環境中的既有資訊轉換至量子環境下。一旦量子電腦實現,受量子效應限制,傳統資料多半不能相容於量子環境中。因此,本研究的目的是發想出一種系統性的演算法以確實跨越量子資訊與傳統資訊之間資料結構的藩籬。我們選擇的計算機模型是確定有限狀態自動機(Deterministic Finite Automaton,簡稱DFA)。 本研究由自動機的轉移矩陣(Transition Matrix)及量子環境要求的可逆性(Reversibility)出發,自傳統DFA一步步轉換至量子有限狀態自動機(Quantum Finite Automaton,簡稱QFA)並進行優化。最終,我們定義出一種新的QFA模型(QDFA)能在量子環境下運行,具有增大的字母表(Alphabet Set)但功能完全等價於DFA(能辨認正則語言)。本研究獨創的演算法的時間複雜度為O(C×N2)。

利用深度學習預測中草藥的藥性功能與毒性

近年來中醫在慢性病的治療上已獲得很大的進展,許多中草藥的功能與特性皆是利用人體實驗來找出其效用,中藥內含的成分極為複雜,其功能與毒性測試常依賴於過去經驗醫學,許多中藥仍有待探討與實證,其對人體細胞和基因的影響仍不如西醫。因此目前國內外紛紛開始建置中草藥、成分、化合物相關數據庫供查詢,然而如何讓中醫的功能與毒性科學化變得是很重要的議題。本研究利用化學結構的數據分析來探討中藥成分與人體臟器與毒性的關係性。我們採用深度學習模型以中草藥的化學性質作為輸入,透過化學結構的圖像傳播,來預測中草藥相對應之臟器有效功能與毒性預測,希望透過本研究可以提供中藥對健康影響的依據並作為未來輔助中醫的工具,讓人們可更加了解食用中藥對人體可能有的正面與負面影響。

A deep learning-based home safety perception system for household service robot

In 2016, the population of people over the age of 65 in Macau was 11.2%. This means that Macau has already become an aging society. As such, more younger generations are needed to look after the elderly. According to statistics, falls are the primary cause of injury or death for the elderly over 65 years old. About 30% of the elderly over 65 years old fall every year. Along with the increase in the elderly population, it is urgent to find a fast and effective way to ensure the safety of the elderly. As there is a lot more danger besides falling in an elderly life, we aim to build a robot collocated with its danger detection system to ensure the safety of the elderly at home. The reason we decided to use robots is that we want to have larger flexibility and mobility, for example, we can give elderly rescue materials when they need help. Moreover, more home robots will be used in the future, they can just apply our system to theirs and ensure the safety of elderlies. In this research, we mainly used cameras with the Openpose model to detect dangers such as falling, potential human action danger, and environmental danger. Innovative ways are used to detect fall action, collocated with our home robot, it is a foreseeing project that could ensure the safety of the elderly in a home environment.

學習目標行為的機器學習系統──以獎勵回饋去蕪存菁修剪人工神經元

本研究利用回饋機制修剪人工神經元的方式,可在較短時間內達到較高的目標行為學習正確次數。這樣的系統設計源於生物行為的啟發,因為回饋機制能直接影響決策中樞的神經元,而非只是影響動作本身, 在達成目標學習上會更直接、快速。以傳統強化學習 (Reinforcement Learning)系統為例,本研究模擬結果顯示,若回饋機制影響動作本身,目標達成正確率只有 19.14%。而若獎勵回饋到神經元的修剪上,則相較強化學習提高超過 2 倍的正確率。甚至,隨機修剪神經元也可相較強化學習提高 1 倍的正確率。顯然地,本系統能確實提高正確次數並縮短目標達成時程。利用回饋機制修剪人工神經元,可為強化學習在目標學習上遇到的困境,提供一個新的思考方向,實務應用上,可彌補強化學習在學習行為上無法一般化的缺點。

2048遊戲的勝率與時間差學習法程式特徵之分析

本研究共耗時了九個月,以資訊教室48台電腦為主要設備,共計執行了近2500萬次的遊戲,達成本研究的最終成果。以下將探討並分析一篇以時間差學習法為基礎寫成的 2048 人工智慧程式,在解讀程式碼當中適合取來應用的部位後,加以探討是本研究的核心與主旨。 首先分析出各種方格數組成的相異特徵種類,統計方格數對應的特徵數量後,得出了「二倍定理」,對於往後執行高階方格數時有極高參考價值。隨後為了因應本研究對於四到六方格數特徵的探討並避免窮舉,自創了一種新方法:「已得特徵放置方格法」,對於嚴謹的特徵分析有一大進展。之後將前實驗的130種特徵皆作數十萬次的遊戲勝率分析,排出了各種特徵之間的優劣,接著以特徵之間的組合與原版特徵比較,驗證了此系列研究方法的成功。 「機動性質」是本研究現階段最有可看性也最具應用性的新創研究方法。在本研究後半即藉由計算特徵版面上的位置對次數分析,也為先前實驗現象做了合理解釋。未來將展現的就是機動性質回推法,藉此我正在設計利用更龐大數據,找出一個理想的「機動模型」,這種從被動獲得到主動回推的新思維演進方法,希望可以實踐並對於特徵工程做一大革新。 除了以上,也期望整篇研究以及新創研究方法可以被往後的資訊科技、人工智慧、大數據、特徵工程……等領域應用。

NoDistort: Drawing Distortion Recovery System for Shaky Screens

在這個智慧型裝置普及的時代,觸控螢幕已經深入人們的生活。隨著手寫輸入法、滑行輸入法等筆跡輸入系統的完善,其也成為人們與裝置互動最重要的工具,卻也常因為搖晃造成輸入的筆跡變形。為了改善人們在不穩定環境下的輸入體驗,本研究提出了“筆跡變形修正系統”。 通過結合內置感應器的資訊,系統估計裝置的運動軌跡,並以提出的屏幕-手指互動模型恢復失真的筆跡。 研究中使用了一種不需要額外儀器的校準方法校正感應器誤差,再套用本研究所開發之變形修正演算法,成功在生活中恢復失真筆跡並證明了其有效性及必要性。經過數代的改進與實驗參數優化,修正效果已大幅提升。

基於睡眠時期大腦活動之概念的類神經網路優化法研究

深度學習透過迭代的訓練,如沿著梯度反方向更新權重的梯度下降法,旨在找出損失函數建構出的多維函數圖形中,其全局最小解的變數組合。我們受到在睡眠中的快速動眼期啟發,此時期腦中的高頻率γ波可以強化學習效果。本研究模擬此現象,提出一使原損失函數擁有自適應的增幅功能的演算法(稱之為REM方法),且其中的超參數能夠根據其應用調整。 本研究將REM方法應用於三種經典的優化法,並且以五種異質的資料集測試。實驗結果指出,在搭配隨機梯度下降法(SGD)與自適應學習率優化法(Adagrad)時,REM有顯著的優化效果。REM方法不僅能大幅加速訓練進程,亦能避免特定的訓練問題。

基於貝氏定理的影像透明度分析與效能評估

影像擷取是進行影像處理中最常用的技巧之一,但是要將有毛髮的影像進行背景去除較不容易,影像處理軟體的操作方法也頗為繁複,因此,提升毛髮邊框的背景去除效果及簡化其操作方法十分重要。本研究以貝氏定理為基礎,透過機率計算估計原合成影像中前景和背景的透明度與顏色值,嘗試使之與原圖數值差距最小,藉此估計影像未知區域的透明度,使邊框附近的細節能清楚呈現。後續嘗試利用權重的概念,提高邊框毛髮處理的效果,並透過修改演算法,提高演算效率。本研究技術未來可能可應用於電視電影等影視工業,或廣泛運用於繪圖排版軟體、圖文書中,讓使用者得到更好的影像擷取效果。

運用GAN實現字體風格轉換

本研究以實作字體風格轉換的生成對抗網路模型為動機,將Conditional GAN當作模型的基礎,探討pix2pix模型及其他研究的一些方法對模型會產生甚麼影響,以得出能最優化預測成效的深度學習模型。 首先進行的是前處理的步驟,將字體的truetype檔案轉換成模型輸入的jpeg檔,再以生成器(Generator)和判別器(Discriminator)建立Condional GAN的基礎模型,然後探討加入U-Net、Category Embedding等方法,以及訓練資料集大小對模型造成的影響,最後實作整合的pix2pix模型和CycleGAN模型進行比較。 經過實驗後發現,U-Net和Category Embedding都對模型的預測成果有所幫助。另外,對相似的字體而言,pix2pix的效果較好,而對兩種風格差異較大的字體則需用Category Embedding的方式,融入更多字體進行訓練以達到更好的成效。

DetectTimely

This research project focuses on developing a web-based multi-platform solution for augmenting prognostic strategies to diagnose breast cancer (BC), from a variety of different tests, including histology, mammography, cytopathology, and fine-needle aspiration cytology, all in an automated fashion. The respective application utilizes tensor-based data representations and deep learning architectural algorithms, to produce optimized models for the prediction of novel instances against each of these medical tests. This system has been designed in a way that all of its computation can be integrated seamlessly into a clinical setting, without posing any disruption to a clinician’s productivity or workflow, but rather an enhancement of their capabilities. This software can make the diagnostic process automated, standardized, faster, and even more accurate than current benchmarks achieved by both pathologists, and radiologists, which makes it invaluable from a clinical standpoint to make well-informed diagnostic decisions with nominal resources.