2025年

本研究以 Minecraft 為例，探討沙盒類遊戲式學習平台系統伺服器架設的節能效率，旨在透過動態調整伺服器數量降低總CPU使用率，提升伺服器的管理效能和能源使用效率。隨著線上遊戲的普及，伺服器的營運管理變得越來越複雜，如何在滿足玩家需求並同時降低能源消耗成為一個重要議題。本研究將分析伺服器資源使用狀況，特別是在玩家活動量高低波動的情境下，透過管理策略的調整，探討其對節能效率的影響。 研究透過實證數據的收集與回歸分析，建立一套可應用於 Minecraft 伺服器的節能動態調整系統，並探討動態調整的具體效率。研究結果發現隨著玩家人數增加，越接近系統負載上限，節能效果會越來越不明顯，以本次研究的伺服器來講玩家人數到達35人以後就無法再減少伺服器數量。

本研究改編自2015 EGMO P2，探討在𝑛 × 𝑚的棋盤中放入最多的1 × 𝑡或𝑡 × 1的骨牌，並使得每一個𝑡 × 𝑡還有空間再放入一個骨牌的方法數。原本題目是𝑡 = 2, 𝑛 = 𝑚為偶數的情況。於是我先從𝑡 = 2開始研究，推導出 (1)𝑛, 𝑚皆為偶數、(2)𝑛, 𝑚一奇一偶、(3)𝑛, 𝑚皆為奇數的答案。接著再推廣到 (4)任意的𝑡且𝑡∣𝑛 = 𝑚的結果。最後再討論 (5)𝑛, 𝑚分別為𝑡的倍數、模𝑡餘1的數，或其他數等不同可能性得出的不同答案。

本研究應用遙感技術和機器學習方法，提出了三個創新應用，目的在提升紅樹林生態系統的分類監測和藍碳儲量評估。 首先，建立機器學習模型(隨機森林演算法)，對紅樹林植物進行自動分類，分類準確率達94.74%。此模型能夠應用於特定區域的長期監測，捕捉紅樹林覆蓋範圍和植物變化的動態趨勢。並且開發了RGBN（Red-Green-Blue-NIR Mangrove Index）遙感指數，此指數主要結合可見光波段和近紅外波段，能有效提升了紅樹林植被健康狀況評估的準確度，並具有廣泛的區域適用性，不限於特定研究區域，適用於全球範圍的紅樹林監測。最後，本研究成功整合並編寫了InVEST模型的程式碼，本模型進一步應用於紅樹林藍碳價值評估，未來將透過收集詳細的土地利用、碳匯數據及生物物理參數，量化紅樹林的藍碳價值，為碳交易與藍碳管理提供科學依據。

本研究旨在探究風成沙紋的型態和其移動速度及新月形沙丘的演化過程。利用吹出式風洞建立穩定且單一風向的風場，並運用不同粒徑的石英沙，以研究不同情況下沙紋和沙丘的變化。研究發現，風成沙紋的波長變化不僅受到風速、粒徑等特性的影響，還可能受到波峰後渦流長度的影響。另外觀察沙紋移動速度的變化後，可以明顯的發現與風速有高度正相關，亦討論能量的變化，並試圖建立風速與移動速度的轉換模型。在新月形沙丘演化過程的模擬中，我們歸納出三個主要時期：延伸期、崩落期和消逝期。我們也針對這些結果進行質性分析，透過觀察與討論，進一步了解沙紋與沙丘之變化過程與形成條件。最後我們比較了火星橫向風成脊（TAR）的形狀、動力及分布差異，推論其可能成因，希望進一步探究行星地表形貌的形成和演化過程。

本研究延伸自作者前一年的研究「多『圓』文化的延伸——Japanese Temple GeometryProblem」，本作品靈感來自於其中一題日本算額問題。該題將正三角形透過特定的分割方式，將其分割為四個三角形。本研究改變其分割方式：在任意△ABC中，L、M、N分別為̅BC、̅AB、̅AC上一點，若△AMN、△BML、△CLN之內切圓半徑相等，則 △ABC內切圓半徑等於△LMN 內切圓半徑加三等圓半徑。此外，本研究刻劃出△ABC三邊上L、M、N的相對位置，並說明三點的相對位置是能夠利用尺規作圖實現的。最後也計算當△LMN存在時，三等圓半徑(r)的上界。此外，本研究將上述三角形的分割手法推廣至正n邊形和正四面體並探討內切圓與內切球的相關性質。另外也針對三角形內部的三圓半徑從原先的r改為r,gr,r，探討r的上界為何，最後也將研究內切圓延伸至外接圓，並觀察出三外接圓心與 L、M、N六點共橢圓。

本研究將不同比例的硫.與二氯化錫，在固定溫度200℃、加熱時間9小時，所合成出的壓電材料SnS2用來降解羅丹明染料，實驗結果發現以莫耳比1：4為最佳，降解率可達到96%。接著固定莫耳比1：4及溫度200℃下，發現在不同水熱時間時以水熱九小時的SnS2觸媒降解效果最好。最後本實驗以固定比1：4及水熱時間9小時在不同水熱溫度所合成的SnS2觸媒，以水熱溫度200℃時的降解效率最好，可達到96%。接著我們將最佳合成條件的觸媒對不同濃度的羅丹明進行降解，可發現當羅丹明濃度達到50ppm時，只需要2秒降解率即可達到99%，即使濃度達到70ppm時濃度降解效果仍可達到86%。最後對SnS.觸媒進行SEM分析發現顆粒大小為微米等級，而在PL分析發現本觸媒具有活性的能力且符合實驗結果。

本研究探討了利用生成式人工智慧技術為漫畫創作帶來新可能性。在當今競爭激烈的漫畫產業中，創作者們需要不斷創新以吸引觀眾，而創作引人入勝的漫畫需要豐富的想像力和劇情結構。本研究希望能協助創作者製作草稿，並探索與AI當朋友的新型創作模式。在生成方面，提出了將漫畫劇情提取、劇情預測以及圖片生成三個步驟的生成流程，並使用了多種模型和技術，如 YOLO模型用於漫畫人臉檢測、文字生成模型用於劇情預測、LoRA技術用於模型微調等，為解決人物生成不連續的問題，我們也提出一種基於特徵提取與融合的解決辦法。本研究提供了一個全面的方案，旨在利用人工智慧技術幫助漫畫創作者創作出簡單的草稿。

本研究以電化學二氧化碳還原反應(CO2RR)技術將二氧化碳還原成高經濟能源燃料，使用水相合成法製備Cu/Zn銅鋅雙金屬奈米觸媒，改變金屬間的比例: Cu2Zn1、Cu1Zn1、Cu1Zn2以及通入N2/O2/H2 熱處理改變觸媒氧化態，而改變氧化態可以在化學性質、催化活性、電子結構等方面有重要影響使其催化出不同反應路徑，改變產物生產效率和選擇性。用能量散射光譜儀、X光繞射儀鑑定奈米觸媒間金屬比例和晶型;線性掃描伏安法和氣相層析儀探討二氧化碳還原法拉第效應和生產效能。結果發現Cu2Zn1-N2能產生最多的CH4，因改變氧化態使其效能高達53.03%; Cu1Zn2產生最多的CO，效能為44.99%，推論為鋅的比例較高所致。

本研究以西洋棋為切入點，採用磁簧開關陣列來偵測棋子位置，並在設計中加入二極體以防止Ghosting效應，進而開發出一款以Arduino Uno開發板為基礎的智慧對弈棋盤。棋盤底部配備RGB LED燈，以便為使用者提供落子提示，並根據不同的落子類型呈現不同的燈光效果。 我們成功地透過簡潔的設計與高效的運算性能，實現了一個能夠識別棋手落子的智慧對弈棋盤，並能根據國際西洋棋規則提供正確的移動提示，讓完全沒有基礎的初學者也能在遊戲中學習並掌握西洋棋的所有規則。此外，我們還引入了基於Minimax演算法的輕量化AI和基於高效可更新神經網絡(NNUE)AI，並探討兩者之間的性能差異，從而使該智慧棋盤在節省運算資源的同時，可以在不連接電腦的前提下，具備一定的棋力，以支持棋手的技能提升與訓練。

本研究聚焦於籃球員的慣用動作分析，透過深度學習技術開發了一套籃球動作分析系統，旨在準確分析籃球員在籃球運動中的個人動作特徵來進行動作辨識。我們透過自行蒐集籃球動作的影片，並使用MMAction2這個資源庫來進行動作辨識模型的訓練，將訓練好的動作辨識模型用開發慣用動作分析系統。系統流程首先使用滑動視窗（Sliding Window）的機制將即時拍攝的影像變成有序列的連續影像片段，再即時傳送至進攻動作辨識的深度學習模型中，來辨識出連續影像片段中的動作序列屬於何種特定動作，藉此將多個連續影像片段中的動作序列各自轉換為單一動作單元並依次輸出。最終，系統基於前述單一動作資料進行綜合分析，以統計使用者的籃球慣用動作。此分析系統能為籃球愛好者提供清晰的動作偏好資料，具有提升訓練成效的潛力，同時為籃球技術分析與訓練提供了一個精確的數據分析工具。