ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
ในงานนี้เราได้เสนอการใช้อัลกอริทึมการเรียนรู้ของเครื่องที่ทำการแบ่งอัลกอริทึมได้เป็น 2 ประเภท คือ แบบตื้นและแบบลึกมาทดสอบประสิทธิภาพโดยแบบตื้นมีมีอัลกอริทึม Support Vector Machine (SVM) และ XGBoost แบบลึกมีอัลกอริทึม 1D-CNN และ Long Short-Term Memory (LSTM) เราพิจารณาข้อมูลการสังเกตที่ได้จากฐานข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) ที่เป็นดาวแปรแสงในพื้นที่ Large Magellanic Cloud (LMC) ด้วยกล้องโทรทรรศน์ขนาด 1.3-m Warsaw ที่ติดตั้งที่หอดูดาวลาสคัมปานัส ประเทศชิลี ข้อมูลนี้ประกอบด้วยการสังเกตดาวแปรแสงมากกว่าหนึ่งแสนครั้งโดยพิจารณาจากกราฟแสง และใช้ข้อมูลสถิติต่างๆ เช่น Accuracy, Precision, Recall, F1-score, AUG, mPa, mcc และ kappa ซึ่งงานวิจัยนี้มีจุดมุ่งหมายเพื่อที่จะทดสอบประสิทธิภาพในการจำแนกประเภทของดาวแปรแสงโดยใช้ข้อมูลการวิเคราะห์ light curve ด้วยเทคนิคการเรียนรู้ของเครื่องทั้งสองประเภท เพื่อให้เห็นถึงความเข้าใจในลักษณะและพฤติกรรมของดาวแปรแสง ซึ่งใช้ในประโยชน์ต่างๆ เช่น ความรู้ในด้านดาราศาสตร์ฟิสิกส์หรือการค้นพบดาวเคราะห์ดวงใหม่ๆ และการป้องกันภัยจากดาวแปรแสงมีอาจจะมีผลกระทบต่อโลก อีกทั้งในเรื่องการประหยัดเวลาและทรัพยากรในการที่จะจำแนกประเภทดาวแปรแสงอย่างมีระบบและมีประสิทธิภาพ
คณะวิทยาศาสตร์
เป็นการนำวัสดุ“กราฟีนออกไซด์ควอนตัมดอท ที่สังเคราะห์จากวัสดุตั้งต้นกราฟีนออกไซด์ มาผลิตเป็นวัสดุรีดิวซ์กราฟีนออกไซด์ควอนตัมดอท โดยทำการผลิตได้จากเครื่องผลิต “ต้นแบบเครื่องผลิต รีดิวซ์กราฟีนออกไซด์ ควอนตัมดอท สำหรับอุตสาหกรรม” ที่พัฒนาขึ้นโดย สจล. มาพัฒนาต่อยอดเป็นนวัตกรรม "แบตเตอรี่กราฟีนควอนตัมดอท" สำหรับเชิงพานิชย์ เพื่อสนับสนุนในอุตสาหกรรมยานยนต์ไฟฟ้าและการกักเก็บพลังงาน
คณะวิทยาศาสตร์
ฟิล์มอนุภาคนาโนโลหะฝังบนเซลลูโลสนาโนคริสตัล ถูกเตรียมโดยการหล่อแบบจากสารละลาย (Solution casting) เพื่อใช้เป็นฟิล์มเคลือบผลไม้ที่รับประทานแบบไม่ปอกเปลือก ที่มีฤทธิ์ในการต้านเชื้อรา และแบคทีเรีย อนุภาคนาโนโลหะฝังบนเซลลูโลสนาโนคริสตัลถูกสังเคราะห์ด้วยคลื่นอัลตราโซนิก (Ultrasonic waves) วัสดุถูกนำมาศึกษาคุณลักษณะทางเคมี และทางกายภาพโดยการใช้เทคนิค Transmission electron microscope (TEM), X-ray photoelectron spectroscopy (XPS), X-ray diffraction analysis (XRD), Fourier transform infrared spectrometer (FT-IR), Zeta potential analyzer และ UV-visible spectrophotometer เป็นต้น ฟิล์มอนุภาคนาโนโลหะฝังบนเซลลูโลสนาโนคริสตัลที่เตรียมได้ มีความสามารถในการต้านเชื้อรา และเชื้อแบคทีเรียได้ ดังนั้นจึงสามารถนำฟิล์มไปห่อผลไม้เพื่อยับยั้งการเจริญเติบโตของจุลินทรีย์ ซึ่งช่วยยืดอายุการเก็บรักษาผลไม้ได้อย่างมีประสิทธิภาพได้อีกด้วย
คณะวิศวกรรมศาสตร์
หนึ่งในปัจจัยที่สำคัญที่สุดในการตอบสนองต่อกรณีทางการแพทย์คือเวลาการตอบสนอง โดยทั่วไปแล้ว ความเสียชีวิตส่วนใหญ่เกิดจากผู้ป่วยไม่สามารถไปถึงมือแพทย์ได้ทันเวลา นอกจากนี้ยังรวมถึงการมาถึงของอุปกรณ์การแพทย์ในที่เกิดเหตุ สมองของมนุษย์จะเริ่มเสื่อมลงหลังจากขาดออกซิเจนเป็นเวลา 3 นาที ซึ่งวิธีการขนส่งทางถนนที่หน่วยปฐมพยาบาลใช้อยู่ในปัจจุบันไม่สามารถไปถึงที่เกิดเหตุได้ภายใน 3 นาที ส่งผลให้มีการเสียชีวิตระหว่างการขนส่งหรือก่อนหน่วยปฐมพยาบาลจะมาถึงที่เกิดเหตุ ดังนั้นจึงได้มีการสำรวจการขนส่งอุปกรณ์การแพทย์ด้วยอากาศยานที่ควบคุมด้วยตนเองโดยอัตโนมัติ ซึ่งสามารถทำได้ผ่านการจัดส่งด้วยโดรนที่รวดเร็วกว่าใช้วิธีการทางถนน เนื่องจากอุปกรณ์สามารถบินตรงไปยังที่เกิดเหตุได้ ในโครงการนี้ เราจะสำรวจระบบการส่งมอบทางอากาศสำหรับอุปกรณ์การแพทย์ เช่น เครื่องกระตุ้นหัวใจอัตโนมัติ (AEDs) อุปกรณ์ปฐมพยาบาล และอุปกรณ์การแพทย์ขนาดเล็กอื่น ๆ ที่ร้องขอ เราจะทำสิ่งนี้ผ่านแพลตฟอร์มโดรนของ DJI และแอปพลิเคชัน SDK ของพวกเขา เป้าหมายหลักของโครงการนี้คือการลดเวลาการตอบสนองโดยการใช้โดรนอัตโนมัติเพื่อส่งมอบอุปกรณ์การแพทย์ เราพบว่าโดรนเป็นแพลตฟอร์มที่สามารถส่งมอบเครื่องกระตุ้นหัวใจไปยังผู้ป่วยได้อย่างมีประสิทธิภาพผ่านข้อมูลการบินที่รวบรวมและการทดสอบเบื้องต้น ซึ่งให้แพลตฟอร์มที่ยอดเยี่ยมสำหรับการพัฒนาระบบในอนาคต