เครื่องกำเนิดสถานะพลาสมาชนิดอาร์คโดยตรง 6 หัว การประยุกต์ใช้เทคโนโลยีของพลาสมา และความคืบหน้าของนิวเคลียร์ฟิวชันและโทคามัคประเทศไทย
เทคโนโลยีพลาสมาเป็นนวัตกรรมที่สำคัญในอุตสาหกรรมการผลิต อิเล็กทรอนิกส์ และการแพทย์ โดยช่วยเพิ่มประสิทธิภาพและคุณภาพของผลิตภัณฑ์ อีกทั้งยังมีบทบาทสำคัญในพลังงานสะอาด เช่น โทคามัค ซึ่งใช้พลาสมาในการสร้างปฏิกิริยาฟิวชันเพื่อผลิตพลังงานจากไฮโดรเจนอย่างยั่งยืน โทคามัคมีศักยภาพในการลดการพึ่งพาเชื้อเพลิงฟอสซิลและแก้ไขปัญหาการเปลี่ยนแปลงสภาพภูมิอากาศ ทำให้เป็นกุญแจสำคัญสู่พลังงานแห่งอนาคต
วิทยาเขตชุมพรเขตรอุดมศักดิ์
ทุเรียนเป็นพืชเศรษฐกิจสำคัญของประเทศไทยที่ได้รับผลกระทบจากโรคทางใบ เช่น โรคใบสนิม ใบไหม้ และใบจุด ซึ่งส่งผลให้คุณภาพผลผลิตลดลงและเพิ่มต้นทุนการจัดการ งานวิจัยนี้มุ่งเน้นการพัฒนาซอฟต์แวร์ AI สำหรับตรวจคัดกรองโรคใบทุเรียน โดยประยุกต์ใช้เทคโนโลยีการเรียนรู้เชิงลึกในการจำแนกชนิดของรอยโรคในใบทุเรียน
คณะเทคโนโลยีสารสนเทศ
การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า
คณะเทคโนโลยีการเกษตร
การพัฒนาบอร์ดเกมเพื่อส่งเสริมทักษะการทำอาหาร โดยมีเมนูยอดฮิตและเป็นที่รู้จักกันดีอย่างเบอร์เกอร์ (Burger) ซึ่งเป็นการศึกษาและพัฒนาการเรียนรู้ไปพร้อมกับเกมกิจกรรมที่ได้ลงมือปฏิบัติ เพื่อให้ผู้เล่นได้รับความรู้ต่างๆ ของเบอร์เกอร์ ทั้งองค์ประกอบทางวัตถุดิบ วิธีการทำเบอรเกอร์ ไปจนถึงการลองทำธุรกิจร้านเบอร์เกอร์อย่างง่ายไปพร้อมกับความสนุกสนานของตัวบอร์ดเกม