Tổng quan về luận án

Trong kỷ nguyên phát triển bứt phá của Trí tuệ nhân tạo (AI) và Internet vạn vật (IoT), khả năng biểu diễn tri thức và mô hình hóa quá trình ra quyết định mang tính định tính của con người bằng ngôn ngữ tự nhiên đã trở thành bài toán trung tâm của khoa học máy tính hiện đại. Luận án tiến sĩ với đề tài "Nghiên cứu phương pháp lập luận mới trên đồ thị nhận thức sử dụng đại số gia tử", chuyên ngành Khoa học máy tính (Mã số: 9480101) do Nghiên cứu sinh Nguyễn Văn Hân thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Công Hào và PGS.TS. Nguyễn Cát Hồ tại Trường Đại học Khoa học - Đại học Huế (2023), là công trình tiên phong giải quyết triệt để ranh giới tính toán định tính trên hệ thống nhận thức phức hợp.

Khoảng trống nghiên cứu (Research Gap) cốt lõi xuất phát từ thực tế các mô hình Đồ thị nhận thức mờ (Fuzzy Cognitive Map - FCM) truyền thống kể từ khi Bart Kosko kế thừa từ Cognitive Map của Robert Axelrod đều phụ thuộc vào không gian số thực $[0, 1]$ hoặc $[-1, 1]$. Quá trình tính toán trên từ (Computing with Words - CWW) theo trường phái kinh điển của Lotfi A. Zadeh hay Ronald R. Yager buộc phải chuyển đổi qua lại theo quy trình 5 giai đoạn: từ ngôn ngữ tự nhiên sang số mờ, nạp giá trị số, thực hiện ma trận tính toán số, thu nhận kết quả số và giải mờ (defuzzification) ngược lại thành từ. Cơ chế này gây suy giảm ngữ nghĩa nghiêm trọng, phụ thuộc chủ quan vào việc thiết lập hàm thuộc (membership function) và tạo ra độ phức tạp tính toán không đáng có. Luận án đặt ra các câu hỏi nghiên cứu trọng tâm:

  1. RQ1: Làm thế nào để thiết lập một cấu trúc đại số trừu tượng trên miền giá trị ngôn ngữ cho phép thực hiện các phép toán logic đa ngôi trực tiếp trên vector và ma trận ngôn ngữ mà không cần ánh xạ số trung gian?
  2. RQ2: Cấu trúc hình thức và các tính chất tổ hợp của Đồ thị nhận thức ngôn ngữ (Linguistic Cognitive Map - LCM) được xây dựng dựa trên Đại số gia tử (Hedge Algebra - HA) như thế nào?
  3. RQ3: Thuật toán lập luận tĩnh theo nhánh và lập luận động theo biến đổi không gian trạng thái trên LCM đạt hiệu năng tính toán và tính hội tụ toán học ra sao?

Khung lý thuyết của công trình tích hợp chặt chẽ giữa Lý thuyết Đại số gia tử (Hedge Algebra Theory - Nguyễn Cát Hồ & Wechler, 1990; 1992), Lý thuyết tập mờ và biến ngôn ngữ (Fuzzy Sets & Linguistic Variables - Zadeh, 1965; 1975), cùng Lý thuyết mô hình hình thức (Formal Model Theory). Đóng góp mang tính đột phá của luận án là việc định nghĩa thành công Dàn ngôn ngữ mở rộng (Extended Linguistic Lattice - ELL), thiết lập hoàn chỉnh mô hình Đồ thị nhận thức ngôn ngữ LCM, loại bỏ 100% các bước chuyển đổi trung gian số học, chứng minh tính bảo toàn thứ tự ngữ nghĩa và bảo đảm tính hội tụ bền vững của không gian trạng thái.

Phạm vi nghiên cứu bao quát toàn bộ cấu trúc đại số thứ tự tập sắp thứ tự bộ phận (Poset), mở rộng không gian trạng thái $n$ chiều, thẩm định tính đúng đắn thông qua hệ thống định lý toán học hình thức và thực nghiệm đối sánh trên các bài toán nhận thức chuẩn mực như kiểm soát độ cao bay $[0, 900]$ feet và mô hình phân tích lao động trẻ em.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận ba dòng nghiên cứu chủ lưu định hình nên sự phát triển của lập luận trên đồ thị nhận thức:

  1. Dòng nghiên cứu Đồ thị nhận thức cổ điển và Đồ thị nhận thức mờ (CM & FCM): Khởi xướng bởi Robert Axelrod (1976) với mô hình Đồ thị nhận thức (Cognitive Maps - CM) sử dụng đồ thị có hướng mang dấu ${-1, 0, +1}$ để biểu diễn quan hệ nhân quả định tính trong khoa học chính trị và xã hội học. Bart Kosko (1986) đã tạo nên bước ngoặt khi kết hợp lý thuyết tập mờ của Zadeh (1965) vào CM để hình thành Đồ thị nhận thức mờ (FCM). Kosko gán trọng số cung và trạng thái đỉnh trên đoạn liên tục $[0, 1]$, cho phép lan truyền kích hoạt thông qua phương trình truy hồi ma trận trạng thái: $$[C_1, C_2, \dots, C_n]{new} = f([C_1, C_2, \dots, C_n]{old} \cdot M)$$ Tuy nhiên, bản chất mô hình của Kosko vẫn là tính toán thuần số học, tách rời ngữ nghĩa trực tiếp của ngôn ngữ tự nhiên.

  2. Dòng nghiên cứu Tính toán trên từ (Computing with Words - CWW): Được Zadeh (1996) đề xuất như một mô hình toán học biến đổi mệnh đề ngôn ngữ thành các ràng buộc mờ, chia thành các cấp độ CWW0 (tính toán số), CWW1 (tính toán trên từ đơn và biến ngôn ngữ qua luật If-Then), và CWW2 (mệnh đề phức hợp). Dựa trên CWW, Ronald R. Yager (1995) tích hợp số mờ hình thang vào FCM. Đến năm 2017, Mabel Frias và các cộng sự đã công bố công trình tính toán trên từ cho FCM dựa trên Lý thuyết Bộ hai ngôn ngữ (2-Tuple Fuzzy Linguistic Representation) và số mờ tam giác (Triangular Fuzzy Number). Dù cải thiện độ mịn ngôn ngữ, cách tiếp cận của Frias et al. (2017) và Yager vẫn rơi vào vòng lặp 5 bước: Chuyển đổi từ $\to$ Số $\to$ Vòng lặp tính toán $\to$ Số $\to$ Chuyển đổi sang từ.

  3. Dòng nghiên cứu Cấu trúc Đại số gia tử (Hedge Algebra - HA): Phát triển bởi Nguyễn Cát Hồ và các cộng sự (1990, 1992, 2006, 2014), HA hình thức hóa miền giá trị của biến ngôn ngữ như một cấu trúc đại số $HA = (X, G, C, H, \le)$, chứng minh rằng bản thân các từ vị ngôn ngữ (hạng từ sinh cùng các gia tử âm/dương $H^-, H^+$) mang bản chất thứ tự ngữ nghĩa tự nhiên kế thừa đại số. Trên nền tảng đó, các biến thể như Đại số gia tử tuyến tính, Đại số gia tử đối xứng mịn hóa (Symmetrical Refined HA - SHA) và Dàn trực giao (Orthomodular Poset - OMP) đã được khai phá trong logic mờ đa trị và logic lượng tử ngôn ngữ (LQL).

                      [ Axelrod (1976): Cognitive Maps (CM) ]
                      [ Kosko (1986): Fuzzy Cognitive Maps (FCM) ]
   [ Yager (1995), Frias et al. (2017) ]           [ Nguyen Cat Ho et al. (1990, 2006) ]
   CWW trên FCM dùng Hàm thuộc / Bộ hai            Lý thuyết Đại số gia tử (HA)
   (Hạn chế: Vòng lặp chuyển đổi Từ-Số-Từ)         (Cấu trúc đại số thứ tự ngữ nghĩa)
                   =============================================
                   NGHIÊN CỨU CỦA LUẬN ÁN (NGUYỄN VĂN HÂN, 2023)
                   * Khung Dàn ngôn ngữ mở rộng (ELL)
                   * Đồ thị nhận thức ngôn ngữ thuần túy (LCM)
                   * Lập luận tĩnh theo nhánh & Lập luận động trạng thái
                   =============================================

Định vị nghiên cứu và xung đột lý thuyết: Tranh luận học thuật lớn nằm ở câu hỏi: Liệu có thể duy trì trọn vẹn ngữ nghĩa ngôn ngữ trong suy diễn nhận thức mà không cần quy chiếu về các hàm thuộc số học $[0, 1]$? Luận án định vị một lối đi đột phá: thay vì tiếp tục tìm kiếm các dạng hàm thuộc tinh vi hơn (như số mờ trực cảm Intuitionistic Fuzzy Sets hay số mờ Do dự Hesitant Fuzzy Sets), luận án sử dụng cấu trúc đại số gia tử để trực tiếp đại số hóa miền ngôn ngữ, hình thành Đồ thị nhận thức ngôn ngữ LCM (Linguistic Cognitive Map).

So sánh với hai nghiên cứu quốc tế điển hình:

  • So với nghiên cứu của Mabel Frias et al. (2017): Nghiên cứu của Frias et al. cần cơ chế biểu diễn 2-tuple $(s, \alpha)$ để lưu giữ sai số làm tròn khi ánh xạ qua số mờ tam giác. Luận án vượt trội hơn khi xử lý trực tiếp trên các chuỗi gia tử tác động lên phần tử sinh, bảo đảm tính khép kín của phép toán mà không sinh ra sai số lượng hóa trung gian.
  • So với nghiên cứu của J. Mordeson et al. (2000, 2001) về Đồ thị mờ (Fuzzy Graphs): Đồ thị mờ của Mordeson $G = (V, \sigma, \mu)$ duy trì các giá trị hàm thuộc đỉnh và cạnh tĩnh cố định trên $[0, 1]$. Mô hình LCM của luận án giải quyết trọn vẹn bài toán động học lan truyền nhận thức với các trọng số cạnh và nhãn đỉnh mang giá trị ngôn ngữ biến đổi động trong không gian trạng thái.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước chuyển đổi hệ hình (Paradigm Shift) từ tính toán gần đúng số học sang lập luận đại số ký hiệu ngôn ngữ trực tiếp.

  1. Hình thức hóa Dàn ngôn ngữ mở rộng (Extended Linguistic Lattice - ELL): Luận án thiết lập cấu trúc đại số kiểu $\langle a_i, a_i, 2, 2, 2, 0, 0 \rangle$ trên bộ từ vựng $\Sigma = \langle {f^{a_i}}, {f^2}, {c}\rangle$: $$\mathcal{L} = \langle L, \bigwedge, \bigvee, \wedge, \vee, \to, \bot, \top \rangle$$ Trong đó, $L$ là miền giá trị ngôn ngữ sinh bởi Đại số gia tử $HA$, $\wedge$ và $\vee$ là phép toán lấy infimum (Min) và supremum (Max) hai ngôi; $\bigwedge$ và $\bigvee$ là các phép toán logic mở rộng $a_i$ ngôi; $\to$ là phép kéo theo logic; $\top = \sup(L) = 1$ và $\bot = \inf(L) = 0$.

  2. Mở rộng Lý thuyết Đại số Lukasiewicz giá trị ngôn ngữ: Luận án chứng minh cấu trúc $\mathcal{L}$ bảo toàn các tiên đề của Dàn thặng dư (Residuated Lattice / Heyting Algebra) và Đại số Lukasiewicz giá trị ngôn ngữ: $$\ell_1 \wedge \ell_2 \le \ell_3 \iff \ell_1 \le (\ell_2 \to \ell_3), \quad \forall \ell_1, \ell_2, \ell_3 \in L$$ Cặp toán tử logic Lukasiewicz ($\wedge_L, \to_L$) và Gödel ($\wedge_G, \to_G$) trên miền giá trị chân lý ngôn ngữ được chuẩn hóa hoàn toàn.

  3. Mệnh đề bảo toàn thứ tự ngữ nghĩa (Semantic Order Preservation): Luận án phát biểu và chứng minh định lý nền tảng: Cấu trúc dàn $\mathcal{L}$ bảo toàn thứ tự nghiêm ngặt đối với mọi phép toán logic $\wedge, \vee, \bigwedge, \bigvee$. Cụ thể, với hai phần tử sinh đối lập $c^+$ (dương) và $c^-$ (âm), với mọi chuỗi gia tử $\alpha, \beta, \gamma \in H^*$: $$\text{Nếu } \alpha c^+ \le \beta c^+ \implies (\alpha \wedge \gamma)c^+ \le (\beta \wedge \gamma)c^+ \quad \text{và} \quad \bigwedge{\alpha, \gamma}c^+ \le \bigwedge{\beta, \gamma}c^+$$ Bằng chứng toán học được chứng minh chi tiết qua 3 trường hợp phân nhánh thứ tự của gia tử, khẳng định $(\mathcal{L}, \wedge, \top)$ là một nửa nhóm vị hoàn (monoid) với phần tử đơn vị là $\top = 1$.

+-------------------------------------------------------------------------------+
|                    CẤU TRÚC DÀN NGÔN NGỮ MỞ RỘNG (ELL)                       |
|           L = < L, bigwedge, bigvee, wedge, vee, ->, bot, top >               |
+---------------------------------------+---------------------------------------+
+---------------------------------+           +---------------------------------+
|   LẬP LUẬN TĨNH THEO NHÁNH      |           |   LẬP LUẬN ĐỘNG TRẠNG THÁI      |
| Lan truyền ngữ nghĩa dọc theo   |           | Biến đổi vector trạng thái:     |
| các đường đi Ch -> Ck trên LCM  |           | C(t+1) = C(t) (x) W             |
| Độ phức tạp: O(V + E)           |           | Hội tụ tuyệt đối về C*          |
+---------------------------------+           +---------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Lý thuyết Đại số gia tử, Lý thuyết Mô hình hình thức (Formal Model Theory), và Lý thuyết Đồ thị có hướng gắn nhãn (Labeled Directed Graph Theory).

Mô hình LCM được hình thức hóa thành một cấu trúc đồ thị mang nhãn: $$LCM = \langle V, E, L_V, L_E, \mathcal{W} \rangle$$

  • $V = {C_1, C_2, \dots, C_n}$ là tập các đỉnh đại diện cho các khái niệm ngôn ngữ.
  • $E \subseteq V \times V$ là tập các cạnh có hướng mô tả liên kết nhân quả.
  • $L_V, L_E \subset L$ là miền nhãn ngôn ngữ sinh ra từ cấu trúc $HA$.
  • $\mathcal{W}: E \to L$ là ma trận trọng số ngôn ngữ trực tiếp, trong đó mỗi phần tử $w_{ij} \in L$ biểu thị mức độ tác động nhân quả định tính (ví dụ: Very High, Little Low, More Medium).

Điều kiện biên (Boundary Conditions): Mô hình giả định cấu trúc đại số gia tử khảo sát là tuyến tính hoặc đối xứng mịn hóa, tập thứ tự bộ phận Poset $L$ thỏa mãn tính so sánh được (comparability) giữa các chuỗi gia tử chuẩn tắc cùng độ sâu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt triết lý nghiên cứu Chủ nghĩa thực chứng hình thức (Formal Positivism) kết hợp Chủ nghĩa duy thực nhận thức tính toán (Computational Cognitive Realism).

Thiết kế nghiên cứu được thực hiện theo cấu trúc đa tầng (Multi-level Formal Design):

  • Tầng 1 - Cấu trúc toán học trừu tượng: Xây dựng Dàn mở rộng ELL và các tiên đề logic đa ngôi.
  • Tầng 2 - Cấu trúc đồ thị nhận thức: Thiết lập mô hình LCM thừa kế từ FCM và chứng minh thông qua lý thuyết mô hình (Model Theory).
  • Tầng 3 - Động lực học thuật toán: Xây dựng và đánh giá độ phức tạp của hai thuật toán lập luận tĩnh và lập luận động.
  • Tầng 4 - Thẩm định và đối sánh: Kiểm chứng thực nghiệm trên các tập dữ liệu nhận thức tiêu chuẩn.
+-----------------------------------------------------------------------------------+
| TẦNG 1: ĐẠI SỐ HỌC HÌNH THỨC - Thiết lập Dàn mở rộng ELL & Toán tử đa ngôi       |
+-----------------------------------------------------------------------------------+
| TẦNG 2: MÔ HÌNH HÓA ĐỒ THỊ - Xây dựng LCM từ Model Theory & Đại số gia tử        |
+-----------------------------------------------------------------------------------+
| TẦNG 3: THUẬT TOÁN SUY DIỄN - Lập luận tĩnh O(V+E) & Động lực học trạng thái      |
+-----------------------------------------------------------------------------------+
| TẦNG 4: THẨM ĐỊNH THỰC NGHIỆM - Mô phỏng hệ thống độ cao bay [0, 900] fit & CWW   |
+-----------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm 4 giai đoạn logic khép kín:

  1. Đặc tả hình thức (Formal Specification): Thiết lập hệ tiên đề cho không gian ngôn ngữ sinh bởi tập sinh $G = {c^-, c^+}$ và tập gia tử $H = H^- \cup H^+$. Sử dụng hàm đo tính mờ $fm: X \to [0, 1]$ thỏa mãn: $$\sum_{i=-q, i\ne 0}^p fm(h_i u) = fm(u), \quad \forall u \in X$$ và hàm định lượng ngữ nghĩa (Semantically Quantifying Function - SQF) $\phi: X \to [0, 1]$ để thiết lập ánh xạ biến đổi miền.
  2. Chứng minh toán học (Mathematical Proofs): Sử dụng quy nạp toán học và giải tích đại số thứ tự để chứng minh tính đóng, tính kết hợp, tính phân phối và tính bảo toàn thứ tự của các toán tử $\bigwedge, \bigvee$ trên dàn $\mathcal{L}$.
  3. Thiết kế thuật toán (Algorithmic Engineering): Xây dựng thuật toán lập luận tĩnh (duyệt đồ thị dựa trên hàng đợi ưu tiên $Q$) và thuật toán lập luận động (nhân ma trận ngôn ngữ đa chiều $C(t+1) = C(t) \otimes W$).
  4. Tam giác đạc phương pháp (Methodological Triangulation): Kết hợp chặt chẽ giữa logic quy diễn (Deductive Logic) trong chứng minh định lý, phân tích độ phức tạp thuật toán (Computational Complexity Analysis), và mô phỏng thực nghiệm (Empirical Simulation).

Data và phân tích

Dữ liệu kiểm chứng của luận án được thu thập từ các bài toán chuẩn mực trong tài liệu quốc tế về hệ mờ và đồ thị nhận thức:

  1. Bài toán kiểm soát độ cao máy bay (Flight Altitude Control):
    • Miền dữ liệu cơ sở: $U = [0, 900]$ feet.
    • Tập biến mờ ban đầu: ${NearZero (NZ), Small (S), Medium (M), Large (L)}$.
    • Chuyển đổi sang miền đại số gia tử với bộ tham số: $C = {0, Small, Medium, Large, 1}$, $H^- = {Little}$ ($q=1$), $H^+ = {Very}$ ($p=1$), $\alpha = \beta = 0.5$, $\mu(Very) = \mu(Little) = 0.5$.
    • Bảng chuyển đổi ngữ nghĩa định lượng chính xác:
      • $NZ \implies VeryVerySmall$
      • $S \implies Small$
      • $M \implies Medium$
      • $L \implies LittleLarge$
Khái niệm Mờ ban đầu Giá trị Ngôn ngữ tương ứng trên $HA$ $\phi(x)$ (Định lượng ngữ nghĩa) Mức độ tin cậy ngữ nghĩa
Near Zero (NZ) $VeryVerySmall$ $0.0625$ Khép kín tuyệt đối
Small (S) $Small$ $0.2500$ Bảo toàn nguyên thủy
Medium (M) $Medium$ $0.5000$ Điểm trung hòa $W$
Large (L) $LittleLarge$ $0.7500$ Bảo toàn đơn điệu
  1. Bài toán nhận thức đa biến lao động trẻ em (Child Labour Cognitive Network):
    • Ma trận nhận thức gồm 5 nút khái niệm liên kết phức hợp với các cạnh có trọng số ngôn ngữ: ${A_lot(-1), A_lot(+1), Much(+1), Some(-1)}$.
    • Kỹ thuật tính toán nâng cao: Cài đặt và thực thi giải thuật trên ma trận quan hệ ngôn ngữ sử dụng logic Godel và Lukasiewicz, kiểm tra độ bền vững (robustness checks) qua các cấu hình khởi tạo trạng thái $C(0) = {true, Mtrue, Ltrue, Vtrue}$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Triệt tiêu hoàn toàn tổn thất thông tin do giải mờ trung gian: Trích dẫn trực tiếp từ văn bản luận án:

    "Một sơ đồ tính toán cho thấy dữ liệu vào ra là các từ... giai đoạn chuyển sang số chỉ là giai đoạn trung gian để thực hiện việc lập luận... việc lập luận trên đồ thị FCM có thể tối ưu hóa nếu có thể tính toán trực tiếp được trên từ." Luận án chứng minh rằng phương pháp LCM trên dàn ELL loại bỏ $100%$ các bước tính toán số trung gian, giúp giảm $40%$ số phép toán logic/số học so với quy trình 5 bước kinh điển của FCM (Hình 4 vs Hình 5 trong luận án).

  2. Thuật toán lập luận tĩnh đạt độ phức tạp tuyến tính tối ưu: Thuật toán lập luận tĩnh theo nhánh trên LCM, sử dụng hàng đợi cập nhật nhãn $Q = {C_1, C_3, C_5, \dots}$, đạt độ phức tạp thời gian $O(|V| + |E|)$, trong đó $|V|$ là số đỉnh khái niệm và $|E|$ là số cung liên kết nhân quả. Đây là hiệu năng tối ưu tương đương với các thuật toán duyệt đồ thị cổ điển nhanh nhất, vượt trội hoàn toàn so với các phép tích chập hàm thuộc mờ đắt đỏ.

  3. Chứng minh toán học về Tính hội tụ tuyệt đối của Không gian trạng thái: Phát hiện quan trọng nhất trong lập luận động là định lý hội tụ: Cho đồ thị LCM với ma trận trọng số ngôn ngữ $\mathcal{W}$, không gian trạng thái $C = {C(0), C(1), C(2), \dots}$ sinh bởi phép toán nhân ma trận trên dàn ELL luôn luôn hội tụ về một vector trạng thái cố định $C^$ (Fixed Point) hoặc một chu trình giới hạn tuần hoàn hữu hạn (Limit Cycle) có chu kỳ $T < \infty$: $$\lim_{t \to \infty} C(t) = C^ \in L^n$$ Điều này loại bỏ hoàn toàn hiện tượng phân kỳ hoặc nhiễu loạn hỗn độn (chaotic behavior) vốn thường gặp trong các mạng nơ-ron hồi quy mờ truyền thống.

                      SO SÁNH CƠ CHẾ LẬP LUẬN ĐỒ THỊ NHẬN THỨC
                      
[Mô hình FCM Truyền thống (Kosko / Yager)]

[Mô hình LCM Đột phá (Luận án Nguyễn Văn Hân)]
                  * Tính toán đại số trực tiếp trên chuỗi gia tử
                  * Bảo toàn thứ tự ngữ nghĩa 100%
                  * Độ phức tạp tối ưu O(V+E) & Hội tụ trạng thái tuyệt đối
  1. Khả năng giải thích minh bạch (Intrinsic Explainability): Trong khi các mô hình học sâu và FCM số học đưa ra các giá trị kích hoạt dạng số thực khó giải thích (ví dụ: $0.732$), LCM đưa ra chuỗi biến đổi ngôn ngữ thuần nhất (ví dụ: $Low \to MoreLow \to VeryLow$), giúp quá trình ra quyết định đạt tính minh bạch tuyệt đối đối với chuyên gia con người.

Implications đa chiều

  • Đóng góp cho lý thuyết khoa học máy tính: Hoàn thiện lý thuyết biểu diễn tri thức mờ, chứng minh tính khả thi của việc xây dựng các hệ đại số máy tính (Computer Algebra Systems) thao tác trực tiếp trên ký hiệu ngôn ngữ tự nhiên mà không cần số hóa.
  • Đổi mới phương pháp luận: Cung cấp khung phương pháp luận chuẩn xác để ánh xạ các mạng lưới nhân quả xã hội học, chính trị học và y tế phức tạp thành các đồ thị đại số có thể kiểm chứng hình thức.
  • Ứng dụng thực tiễn trong công nghiệp & IoT: Thiết kế các bộ điều khiển thông minh nhúng trực tiếp trong thiết bị IoT công nghiệp, cho phép ra quyết định thời gian thực dựa trên các tập luật ngôn ngữ của chuyên gia mà không đòi hỏi phần cứng tính toán dấu phẩy động (Floating-point unit - FPU) phức tạp.
  • Chính sách và quản trị: Cung cấp công cụ mô hình hóa các chính sách công đa biến (như bài toán xóa mù chữ, bài toán giảm thiểu lao động trẻ em), cho phép các nhà hoạch định chính sách dự báo chính xác các kịch bản tác động nhân quả dây chuyền.

Limitations và Future Research

Nhìn nhận một cách khách quan và nghiêm cẩn học thuật, công trình còn tồn tại một số giới hạn nghiên cứu:

  1. Ràng buộc về tính so sánh được của tập Poset: Khung lý thuyết hiện tại chủ yếu áp dụng hoàn hảo trên các Đại số gia tử tuyến tính hoặc đối xứng. Khi mở rộng sang các hệ đại số gia tử có cấu trúc tự do phức tạp, xuất hiện các phần tử ngôn ngữ không so sánh được (incomparable elements), đòi hỏi phải bổ sung các quan hệ thứ tự bộ phận mở rộng.
  2. Quy mô đồ thị thực nghiệm: Các thực nghiệm trong luận án tập trung vào đồ thị nhận thức quy mô vừa (từ 5 đến 20 nút khái niệm). Hiệu năng lan truyền trên các đồ thị tri thức khổng lồ (Knowledge Graphs hàng triệu đỉnh) chưa được đánh giá đầy đủ.
  3. Cơ chế học trọng số tự động: Trọng số ngôn ngữ trong LCM hiện tại được xác lập dựa trên tri thức chuyên gia hoặc ánh xạ từ bảng luật có sẵn, chưa tích hợp thuật toán tối ưu hóa bầy đàn (PSO) hoặc giải thuật di truyền (GA) để tự động học trọng số ngôn ngữ từ Big Data thô.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Hướng 1: Nghiên cứu tích hợp Đại số gia tử đa chiều trên Dàn trực giao (OMP) cho các hệ thống logic lượng tử ngôn ngữ (LQL).
  • Hướng 2: Phát triển giải thuật học máy tăng cường (Reinforcement Learning) để tự động tinh chỉnh ma trận trọng số ngôn ngữ $\mathcal{W}$ trên LCM theo dữ liệu chuỗi thời gian.
  • Hướng 3: Mở rộng ứng dụng LCM trong các hệ thống Chẩn đoán Y khoa tự động và Đánh giá rủi ro an ninh mạng thời gian thực.
  • Hướng 4: Xây dựng thư viện mã nguồn mở chuyên dụng trên Python/C++ hỗ trợ tính toán đại số gia tử và đồ thị LCM phục vụ cộng đồng học thuật quốc tế.

Tác động và ảnh hưởng

                                  MA TRẬN TÁC ĐỘNG

Công trình mang lại tác động học thuật sâu sắc, khẳng định vị thế tiên phong của trường phái nghiên cứu Đại số gia tử Việt Nam trên bản đồ khoa học quốc tế. Luận án mở ra tiềm năng trích dẫn cao trong các tạp chí ISI/Scopus hàng đầu như IEEE Transactions on Fuzzy Systems, Fuzzy Sets and Systems, và Information Sciences. Về mặt kinh tế - xã hội, việc triển khai các hệ lập luận LCM thuần ngôn ngữ giúp giảm đáng kể chi phí tính toán phần cứng, mở đường cho thế hệ thiết bị biên (Edge AI) siêu nhẹ, tiết kiệm năng lượng và thân thiện với người dùng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu sau tiến sĩ (Doctoral / Postdoc Researchers): Tiếp cận một khung giải tích toán học hoàn chỉnh về Dàn mở rộng ELL để tiếp tục mở rộng sang các hệ logic phi cổ điển và mạng nơ-ron ngôn ngữ.
  • Các Giáo sư & Chuyên gia AI cao cấp (Senior Academics): Kế thừa một công cụ mô hình hóa nhận thức mang tính hình thức chuẩn xác để tích hợp vào các kiến trúc AI lai (Neuro-Symbolic AI).
  • Kỹ sư R&D trong Công nghiệp (Industry R&D Teams): Ứng dụng thuật toán lập luận tĩnh và động vào các hệ thống điều khiển công nghiệp, xe tự hành, và xử lý ngôn ngữ tự nhiên không cần GPU đắt tiền.
  • Nhà hoạch định chiến lược & Quản lý chính sách (Policy Makers): Sở hữu công cụ phân tích kịch bản trực quan, minh bạch, phản ánh trung thực tư duy ngôn ngữ của các chuyên gia đầu ngành.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án mở rộng học thuyết nào?

Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Đại số gia tử (Hedge Algebra) của Nguyễn Cát Hồ và Lý thuyết Tính toán trên từ (CWW) của Lotfi A. Zadeh thành Cấu trúc Dàn ngôn ngữ mở rộng (ELL) $\mathcal{L} = \langle L, \bigwedge, \bigvee, \wedge, \vee, \to, \bot, \top \rangle$. Luận án chứng minh rằng miền giá trị ngôn ngữ không chỉ có thứ tự mà còn cấu thành một đại số hoàn chỉnh hỗ trợ các phép toán đa ngôi, giải quyết triệt để bài toán đại số hóa nhận thức mà không cần quy chiếu về các hàm thuộc số học.

2. Sự đổi mới về phương pháp luận so với các nghiên cứu quốc tế trước đây là gì?

So với mô hình FCM của Bart Kosko (1986) phụ thuộc số thực và mô hình CWW trên FCM của Mabel Frias et al. (2017) dùng bộ hai $(s, \alpha)$, luận án loại bỏ hoàn toàn quy trình 5 bước chuyển đổi Từ-Số-Từ. Phương pháp luận của luận án vận hành trực tiếp trên ma trận trọng số ngôn ngữ thuần nhất, bảo toàn ngữ nghĩa tuyệt đối và đạt độ phức tạp thuật toán tối ưu $O(|V| + |E|)$.

3. Phát hiện thực nghiệm/toán học nào gây bất ngờ nhất trong luận án?

Đó là chứng minh toán học về tính hội tụ trạng thái tuyệt đối của đồ thị LCM. Mặc dù các phép toán $\bigwedge, \bigvee$ trên dàn ngôn ngữ mang tính phi tuyến và định tính, chuỗi lặp trạng thái $C(t+1) = C(t) \otimes \mathcal{W}$ luôn luôn hội tụ về một điểm cố định duy nhất $C^*$ hoặc chu trình tuần hoàn hữu hạn, bác bỏ giả thuyết cho rằng tính toán thuần ngôn ngữ sẽ gây phân kỳ hoặc bùng nổ tổ hợp trạng thái.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Luận án cung cấp đầy đủ các bước toán học định lượng: từ quy tắc lựa chọn bộ tham số đại số gia tử ${C, H^-, H^+, \alpha, \beta}$, thuật toán chi tiết từng bước cho lập luận tĩnh và lập luận động, đến ma trận biến đổi số liệu trong bài toán kiểm soát độ cao và mạng lưới lao động trẻ em. Mọi kết quả lý thuyết đều có chứng minh hình thức đi kèm, cho phép tái lập 100% trên bất kỳ ngôn ngữ lập trình nào.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào?

Chương trình nghị sự 10 năm hướng tới: (1) Chuẩn hóa logic lượng tử ngôn ngữ (LQL) trên đồ thị nhận thức; (2) Tích hợp LCM vào kiến trúc AI biểu tượng thần kinh (Neuro-Symbolic AI) kết hợp với các mô hình ngôn ngữ lớn (LLMs); (3) Xây dựng chip phần cứng chuyên dụng xử lý trực tiếp đại số gia tử cho thiết bị IoT biên thông minh.

Kết luận

  1. Thiết lập thành công nền tảng toán học của Dàn ngôn ngữ mở rộng (Extended Linguistic Lattice - ELL) với các phép toán logic đa ngôi trực tiếp trên miền từ vị.
  2. Xây dựng hoàn chỉnh mô hình Đồ thị nhận thức ngôn ngữ (Linguistic Cognitive Map - LCM) kế thừa và vượt qua các hạn chế kinh điển của FCM.
  3. Phát triển hai thuật toán suy diễn cốt lõi: Lập luận tĩnh theo nhánh đạt độ phức tạp tối ưu $O(|V| + |E|)$ và Lập luận động không gian trạng thái bảo đảm hội tụ bền vững.
  4. Triệt tiêu hoàn toàn tổn thất ngữ nghĩa và cắt giảm 40% chi phí xử lý trung gian nhờ loại bỏ quy trình chuyển đổi số học trong tính toán trên từ CWW.
  5. Chứng minh hình thức trọn vẹn các định lý về tính bảo toàn thứ tự ngữ nghĩa, tính nửa nhóm vị hoàn và tính ổn định động học của mạng nhận thức.
  6. Mở ra 3 nhánh nghiên cứu đột phá: AI biểu tượng thần kinh ngôn ngữ, Bộ điều khiển nhúng IoT không dùng FPU, và Hệ thống mô phỏng chính sách công minh bạch cao.