Tổng quan về luận án

Trong kỷ nguyên phát triển vượt bậc của trí tuệ nhân tạo (AI) và Internet vạn vật (IoT), việc xử lý ngôn ngữ tự nhiên (Natural Language - NL) phục vụ quá trình biểu diễn tri thức, suy diễn và hỗ trợ ra quyết định đóng vai trò cốt lõi. Luận án tiến sĩ Khoa học máy tính (Mã số: 9480101) của nghiên cứu sinh Nguyễn Văn Hán, thực hiện dưới sự hướng dẫn của TS. Nguyễn Công Hào và PGS. Nguyễn Cát Hồ tại Trường Đại học Khoa học, Đại học Huế năm 2023 với tiêu đề "Nghiên cứu phương pháp lập luận mờ trên đồ thị nhận thức sử dụng đại số gia tử" đã giải quyết một điểm nghẽn học thuật căn bản: tính toán trực tiếp trên miền giá trị ngôn ngữ mà không phải chuyển đổi trung gian sang miền số.

Khoảng trống nghiên cứu (research gap) trọng tâm nằm ở chỗ các cấu trúc đồ thị nhận thức mờ kinh điển (FCM) bắt nguồn từ B. Kosko (1986) và các mở rộng tính toán trên từ (Computing with Words - CWW) của Ronald R. Yager (2015) hay Mabel Frias et al. (2017) đều phải phụ thuộc vào quy trình 5 giai đoạn: Từ ngôn ngữ $\rightarrow$ Số thực $\rightarrow$ Tính toán số $\rightarrow$ Số thực $\rightarrow$ Từ ngôn ngữ. Quy trình này gây tổn thất ngữ nghĩa nghiêm trọng, phụ thuộc vào việc lựa chọn hàm thuộc chủ quan và làm bùng nổ chi phí tính toán. Luận án đặt ra 4 câu hỏi nghiên cứu cốt lõi:

  1. RQ1: Làm thế nào để xây dựng một cấu trúc dàn đại số hoàn chỉnh hỗ trợ các phép toán đa ngôi trực tiếp trên miền ngôn ngữ của Đại số gia tử (HA)?
  2. RQ2: Cấu trúc đồ thị nhận thức ngôn ngữ (LCM) được hình thức hóa như thế nào thông qua lý thuyết mô hình và kế thừa FCM?
  3. RQ3: Cơ chế suy diễn tĩnh theo nhánh và suy diễn động theo không gian trạng thái trên LCM vận hành ra sao với độ phức tạp tối ưu?
  4. RQ4: Tính hội tụ của không gian trạng thái đồ thị LCM có được bảo đảm toán học vững chắc mà không cần giải thuật xấp xỉ số hay không?

Dựa trên khung lý thuyết Đại số gia tử được khởi xướng bởi Nguyễn Cát Hồ và các cộng sự, luận án thiết lập khung giải pháp dựa trên Dàn mở rộng trên miền trị ngôn ngữ (Extended Linguistic Lattice - ELL), tối ưu hóa luồng tính toán từ 5 bước phức tạp xuống còn 2 bước trực tiếp (Từ ngôn ngữ $\rightarrow$ LCM $\rightarrow$ Từ ngôn ngữ). Với phạm vi nghiên cứu bao quát các tập giá trị ngôn ngữ được sinh từ đại số gia tử đơn điệu và cấu trúc đồ thị nhận thức đa chiều, luận án mang ý nghĩa đột phá cả về lý thuyết logic toán học lẫn công nghệ tính toán mềm (soft computing).

Literature Review và Positioning

Lịch sử tính toán với ngôn ngữ trong khoa học máy tính khởi nguồn từ các nghiên cứu dịch máy thập niên 1950, nhưng đã bị gián đoạn vào năm 1965 theo báo cáo của Không quân Hoa Kỳ (US Air Force) do sự thất bại của các bộ máy dịch thuật thô sơ. Bước ngoặt lịch sử diễn ra vào năm 1965 khi Lotfi A. Zadeh công bố lý thuyết tập mờ (Fuzzy Sets), đặt nền móng cho khái niệm biến ngôn ngữ (Linguistic Variable) và tiếp đó là lý thuyết Tính toán trên từ (CWW) vào thập niên 1990 với định đề then chốt: "Logic mờ = tính toán trên từ". Như Zadeh khẳng định: "việc tính toán trên các từ CW/CWW sẽ mở ra cánh cửa cho việc thiết lập các mô hình toán học, tính toán khởi đầu cho việc xử lý ngôn ngữ tự nhiên."

Trong biểu diễn tri thức dạng đồ thị:

  • Robert Axelrod (1976) phát triển Đồ thị nhận thức (Cognitive Map - CM) dạng đa đồ thị có hướng và có dấu ${-, +}$ để phân tích các mối liên kết nhân - quả định tính trong các bài toán chính trị - xã hội. Hạn chế của CM là không thể lượng hóa mức độ tác động mạnh hay yếu giữa các khái niệm.
  • Bart Kosko (1986) khắc phục nhược điểm của CM bằng cách đề xuất Đồ thị nhận thức mờ (FCM), gán trọng số cạnh và giá trị trạng thái đỉnh trong đoạn $[0, 1]$ hoặc $[-1, 1]$, cập nhật trạng thái thông qua phương trình truy hồi ma trận: $$[C_1, C_2, \dots, C_n]{new} = f\left([C_1, C_2, \dots, C_n]{old} \cdot M\right)$$ với ma trận trọng số $M = (m_{ij})_{n \times n}$.
  • J. Mordeson et al. (2000) hoàn thiện lý thuyết đồ thị mờ hình thức $G = (V, \rho, \mu)$ nhưng các hàm thuộc đỉnh $\mu: V \rightarrow [0, 1]$ và cạnh $\rho: V \times V \rightarrow [0, 1]$ có giá trị tĩnh, không mô phỏng được biến động nhân - quả động lực học.

Về phương pháp tính toán trên từ cho FCM, hai công trình quốc tế tiêu biểu thể hiện rõ cuộc tranh luận phương pháp luận:

  1. Ronald R. Yager (2015): Đề xuất giải pháp CWW trên FCM bằng cách tính hàm thuộc $\mu(x)$ dựa trên số mờ hình thang (trapezoidal fuzzy numbers), sau đó tra bảng từ vựng để chuyển đổi giá trị. Điểm yếu là quá trình chuyển đổi giữa số mờ và từ gây méo mó ngữ nghĩa do hàm liên thuộc phụ thuộc định kiến chủ quan của chuyên gia.
  2. Mabel Frias et al. (2017): Phát triển phương pháp CWW cho FCM dựa trên mô hình Ngôn ngữ Bộ hai (2-tuple linguistic model) của Herrera & Martínez kết hợp số mờ tam giác (triangular fuzzy numbers). Mặc dù giảm thiểu sai số làm tròn, mô hình này bản chất vẫn duy trì cấu trúc lõi tính toán trên tập số thực trước khi ánh xạ ngược về bộ hai ngôn ngữ.

Luận án của Nguyễn Văn Hán định vị chính xác tại điểm giao thoa giữa Lý thuyết Đại số gia tử (Hedge Algebra - HA) của Nguyễn Cát Hồ và Lý thuyết đồ thị nhận thức. Thay vì sử dụng số mờ hình thang hay số mờ tam giác làm trung gian tính toán, luận án kế thừa luận điểm: "Mỗi giá trị ngôn ngữ được sinh ra từ một biến ngôn ngữ thuộc một cấu trúc đại số trừu tượng được gọi là đại số gia tử (ĐSGT). Cấu trúc này đã đại số hóa miền giá trị của biến ngôn ngữ để thực hiện phương pháp lập luận trên từ mà không phải chuyển sang số." Từ đó, nghiên cứu thiết lập mô hình Đồ thị nhận thức ngôn ngữ (Linguistic Cognitive Map - LCM), loại bỏ hoàn toàn các tầng mờ hóa/giải mờ hóa số học trung gian.

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 mô hình tính toán số mờ xấp xỉ sang tính toán đại số trừu tượng trên cấu trúc ngôn ngữ tự nhiên:

  1. Mở rộng lý thuyết Đại số gia tử (Hedge Algebra): Hình thức hóa cấu trúc đại số đối xứng đơn điệu $Mono-HA = (X, G, C, H, \le)$, trong đó tập phần tử sinh $G = {c^-, c^+}$, tập hằng $C = {0, W, 1}$ (với $W$ là phần tử trung hòa), và phân hoạch tập gia tử $H = H^- \cup H^+$ gồm gia tử âm $H^- = {h_j: -1 \ge j \ge -q}$ và gia tử dương $H^+ = {h_j: 1 \le j \le p}$.
  2. Xây dựng Dàn mở rộng trên miền trị ngôn ngữ (ELL): Đề xuất cấu trúc dàn đại số ELL có kiểu $\langle a_i, a_i, 2, 2, 2, 0, 0 \rangle$ trên từ vựng $\rho = \langle f^{a_i}, f^2, c \rangle$: $$\mathcal{L} = \left\langle L, \bigwedge, \bigvee, \wedge, \vee, \rightarrow, \bot, \top \right\rangle$$ trong đó $\top = \sup{L} = 1$, $\bot = \inf{L} = 0$, $\wedge$ và $\vee$ là các toán tử nhị phân (Min, Max), còn $\bigwedge$ và $\bigvee$ là các toán tử đa ngôi $a_i$ biến cho phép xử lý đồng thời trên vector và ma trận ngôn ngữ.
  3. Chứng minh cấu trúc Dàn thặng dư (Residuated Lattice): Luận án chứng minh chặt chẽ phép kéo theo ngôn ngữ được xác định theo công thức: $$\ell_2 \rightarrow \ell_3 \triangleq \sup{\ell_1 \in L \mid \ell_1 \wedge \ell_2 \le \ell_3}$$ thỏa mãn quan hệ liên thuộc thặng dư: $\ell_1 \wedge \ell_2 \le \ell_3 \iff \ell_1 \le \ell_2 \rightarrow \ell_3$. Đồng thời chứng minh bộ ba $(L, \wedge, 1)$ là một nửa nhóm giao hoán có phần tử đơn vị là 1 và bảo toàn quan hệ thứ tự $\le$ trên toàn bộ tập giá trị $L$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành giữa 3 cấu trúc lý thuyết: Đại số phổ dụng (Universal Algebra), Lý thuyết mô hình (Model Theory) kết hợp Logic cấp hai đơn vị (Monadic Second-Order Logic - MSO), và Cấu trúc Đồ thị nhận thức mờ (FCM).

Mô hình Đồ thị nhận thức ngôn ngữ LCM được định nghĩa qua hai cách tiếp cận:

  • Tiếp cận kế thừa FCM: LCM là đồ thị có hướng $G_{LCM} = (V, E, W_L)$, trong đó nhãn của đỉnh $V$ nhận giá trị trực tiếp trên tập ngôn ngữ $L$ sinh bởi HA, và ma trận trọng số $W_L = (w_{ij}){n \times n}$ có các phần tử $w{ij} \in L$.
  • Tiếp cận Lý thuyết mô hình: LCM được đặc tả như một cấu trúc $\rho$-structure $g = \langle V, lab_a, edge_b \rangle$ trên bảng từ vựng quan hệ đa ngôi, cho phép hình thức hóa toàn bộ các tiên đề suy luận bằng ngôn ngữ logic hình thức chính xác.

Điều kiện biên (boundary conditions) được xác định rõ: tập thứ tự bộ phận (Poset) $L$ phải thỏa mãn tính so sánh được tuyến tính thông qua biểu diễn dạng chuẩn $V$-form của các từ ngôn ngữ $\ell = h_n \dots h_1 c$, và độ đo tính mờ $f_m(u)$ thỏa mãn tính đầy đủ: $$\sum_{-q \le i \le p, i \neq 0} f_m(h_i u) = f_m(u), \quad \forall u \in X$$

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ lập trường nhận thức luận duy lý hình thức (formalist rationalism) và logic toán kiến tạo, kết hợp phương pháp suy diễn tiên đề với giải thuật đồ thị.

Thiết kế nghiên cứu đa tầng (multi-level design) bao gồm 3 tầng phân tích:

  1. Tầng cấu trúc đại số nền tảng: Thiết lập hệ tiên đề cho dàn ELL, xác lập các hàm ánh xạ ngữ nghĩa định lượng $\vartheta$ và hàm dấu $Sgn: X \rightarrow {-1, 0, 1}$.
  2. Tầng hình thức hóa đồ thị: Chuyển đổi không gian FCM truyền thống sang không gian LCM thông qua đại số từ vựng $STRUCT[\rho]$.
  3. Tầng thuật toán suy diễn: Phát triển các thuật toán lập luận tĩnh (Static Reasoning Algorithm) và lập luận động (Dynamic State Reasoning Algorithm).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai theo các giao thức toán học nghiêm ngặt:

  • Chuẩn hóa miền ngôn ngữ: Thiết lập bộ tham số tính toán mẫu gồm tập sinh $G = {\text{low}, \text{high}}$, hằng số trung hòa $W = \text{Medium}$, gia tử âm $H^- = {\text{Rather}, \text{Little}}$ ($q=2$), gia tử dương $H^+ = {\text{More}, \text{Very}}$ ($p=2$).
  • Giao thức chuyển đổi ngữ nghĩa định lượng: Chuyển đổi từ mô hình nhớ kết hợp mờ (FAM) sang mô hình nhớ kết hợp ngữ nghĩa (SAM) sử dụng hàm định lượng $\nu(h_j x)$: $$\nu(h_j x) = \nu(x) + Sgn(h_j x)\left[\sum_{i=j}^{-1} f_m(h_i x) - \omega(h_j x) f_m(h_j x)\right]$$ với $\omega(h_j x) = \frac{1}{2}[1 + Sgn(h_j x)Sgn(h_q h_j x)(\beta - \alpha)] \in {\alpha, \beta}$.
  • Triangulation hình thức: Đối soát kết quả lập luận trên LCM với 2 hệ thống đối chuẩn: Logic đa trị Lukasiewicz ($\ell_1 \wedge_L \ell_2 = \max{0, \ell_1 + \ell_2 - 1}$) và Logic Gödel ($\ell_1 \wedge_G \ell_2 = \min{\ell_1, \ell_2}$).

Data và phân tích

Luận án thực nghiệm và kiểm chứng trên các tập dữ liệu mô phỏng chuẩn trong khoa học máy tính:

  • Tập dữ liệu điều khiển độ cao máy bay: Đoạn độ cao $[0, 900]$ feet được mờ hóa thành 4 biến ngôn ngữ ${Large (L), Medium (M), Small (S), NearZero (NZ)}$ trên không gian tham chiếu 10 điểm đo từ $0$ đến $900$ feet. Qua phép biến đổi ĐSGT, các tập mờ được ánh xạ chính xác $1:1$ sang các hạng từ ngôn ngữ của HA: $NZ \Rightarrow VeryVerySmall$, $S \Rightarrow Small$, $M \Rightarrow Medium$, $L \Rightarrow LittleLarge$ với các tham số độ đo mờ $\alpha = \beta = 0.5$, $\mu(Little) = 0.25$, $\mu(Very) = 0.25$.
  • Tập dữ liệu mạng nhận thức chẩn đoán y khoa (khớp gối) và mô hình lao động trẻ em: Ma trận trạng thái đồ thị gồm $n=5$ đỉnh ($C_1$ đến $C_5$) và 5 liên kết nhân - quả có hướng mang nhãn trọng số ngôn ngữ như ${A_lot(-1), Much(+1), Some(-1)}$.
  • Đánh giá độ phức tạp thuật toán:
    • Thuật toán lập luận tĩnh theo nhánh đạt độ phức tạp thời gian tuyến tính $\mathcal{O}(|V| + |E|)$ thông qua cơ chế duyệt hàng đợi $Q$ cập nhật nhãn ngôn ngữ.
    • Thuật toán lập luận động đạt độ phức tạp ma trận $\mathcal{O}(k \cdot |V|^2)$ với $k$ là số bước lặp trạng thái trước khi hội tụ, tối ưu hơn hẳn mức độ phức tạp của các phương pháp giải mờ tích phân liên tục $\mathcal{O}(k \cdot |V|^2 \cdot S)$ với $S$ là số lát cắt $\alpha$-cut.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Loại bỏ hoàn toàn tổn thất ngữ nghĩa trong tính toán trên từ: Chứng minh toán học rằng việc thao tác trực tiếp trên dàn ELL bảo toàn tính đơn điệu ngữ nghĩa tuyệt đối, loại bỏ sai số xấp xỉ hình học vốn có trong các mô hình số mờ hình thang của Yager (2015) và số mờ tam giác của Frias et al. (2017).
  2. Chứng minh tính bảo toàn thứ tự của dàn ELL: Với mọi chuỗi gia tử $\delta, \Delta, \rho \in H^*$, nếu $\delta \le \Delta$ thì đối với phần tử sinh dương $c^+$: $$\bigwedge{\rho, \delta}c^+ \le \bigwedge{\rho, \Delta}c^+ \quad \text{và} \quad \bigvee{\rho, \delta}c^+ \le \bigvee{\rho, \Delta}c^+$$ và đảo chiều đối với phần tử sinh âm $c^-$, đảm bảo tính đúng đắn logic của mọi phép suy diễn đồ thị.
  3. Đột phá về tính hội tụ trạng thái động (State Convergence): Trong suy diễn động trên không gian trạng thái $\mathcal{C} = {C(0), C(1), C(2), \dots}$, vector trạng thái ngôn ngữ luôn luôn hội tụ về một vector điểm bất động (fixed point) hoặc chu trình giới hạn tuần hoàn hữu hạn sau $k < \infty$ bước lặp mà không xảy ra hiện tượng phân kỳ hay nhiễu loạn số học.
  4. Giải thuật tối ưu hóa luồng vào - ra: Rút ngắn quy trình tính toán đồ thị từ sơ đồ 5 giai đoạn xuống còn 2 giai đoạn trực tiếp, giảm thiểu $100%$ các phép tính tích phân giải mờ (defuzzification) tốn kém tài nguyên.

Implications đa chiều

  • Về mặt lý thuyết: Mở rộng thành công lý thuyết Đại số gia tử vào lĩnh vực lý thuyết đồ thị và mạng nơ-ron nhận thức mờ, bổ sung cấu trúc dàn thặng dư ELL vào kho tàng các cấu trúc đại số cho logic đa trị và AI tượng trưng (Symbolic AI).
  • Về mặt phương pháp luận: Cung cấp một phương pháp luận chuẩn xác cho phép mô hình hóa các hệ thống phức hợp mềm (soft complex systems) hoàn toàn bằng ngôn ngữ tự nhiên của chuyên gia, không cần ép buộc gán các hàm thuộc số nhân tạo.
  • Về mặt ứng dụng thực tiễn: Ứng dụng trực tiếp vào việc thiết kế các hệ thống điều khiển thông minh, hệ thống ra quyết định trong y tế, kinh tế, xã hội và các hệ thống nhúng IoT có tài nguyên tính toán hạn chế nhờ loại bỏ bộ vi xử lý dấu phẩy động cho các phép toán mờ.
  • Khả năng tổng quát hóa: Khung lý thuyết LCM và dàn ELL có thể áp dụng cho bất kỳ hệ thống suy luận mờ nào dựa trên biến ngôn ngữ tuyến tính hoặc đối xứng mịn hóa (Refined Hedge Algebra - RHA).

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  • Giới hạn cấu trúc thứ tự: Nghiên cứu hiện tại tập trung chủ yếu trên các đại số gia tử có tập hạng từ sắp thứ tự tuyến tính (tập $L$ là Poset so sánh được hoàn toàn); chưa giải quyết triệt để trường hợp các gia tử không so sánh được trong các đại số gia tử tổng quát.
  • Quy mô đồ thị thử nghiệm: Các thực nghiệm tập trung vào các đồ thị nhận thức có quy mô vừa và nhỏ ($n \le 50$ đỉnh); chưa kiểm thử hiệu năng trên các đồ thị siêu lớn (Big Graphs với hàng triệu đỉnh trong mạng xã hội).
  • Cơ chế học trọng số tự động: Trọng số ngôn ngữ hiện nay chủ yếu được xác lập từ tri thức chuyên gia hoặc ánh xạ từ bảng luật có sẵn, chưa tích hợp giải thuật học tự động (machine learning/deep learning) để tối ưu hóa trọng số từ dữ liệu lớn (Big Data).

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

  1. Mở rộng cấu trúc dàn ELL cho Logic lượng tử trên giá trị ngôn ngữ (Linguistic Quantum Logic - LQL) và dàn trực giao (Orthomodular Poset - OMP).
  2. Phát triển thuật toán học tự động ma trận trọng số ngôn ngữ LCM dựa trên mạng nơ-ron sâu và giải thuật di truyền (Genetic Algorithms).
  3. Triển khai các thư viện mã nguồn mở cho LCM phục vụ cộng đồng nghiên cứu AI và Hệ thống hỗ trợ ra quyết định (DSS).
  4. Nghiên cứu tích hợp LCM với các mô hình ngôn ngữ lớn (LLMs) để tăng cường khả năng giải thích (Explainable AI - XAI).

Tác động và ảnh hưởng

  • Tác động học thuật: Đặt nền móng cho hướng nghiên cứu tính toán đồ thị ngôn ngữ thuần túy, mở ra tiềm năng trích dẫn cao trong các tạp chí chuyên ngành hàng đầu về Logic mờ, Hệ tri thức (Knowledge-Based Systems, IEEE Transactions on Fuzzy Systems, Information Sciences).
  • Chuyển đổi công nghiệp: Ứng dụng trong các hệ thống IoT công nghiệp, hệ thống điều khiển tự động hóa nhà máy, thiết bị y tế chẩn đoán thông minh nơi ngôn ngữ tự nhiên của bác sĩ/kỹ sư được lập trình trực tiếp vào bộ điều khiển.
  • Tác động chính sách và xã hội: Cung cấp công cụ mô hình hóa các chính sách kinh tế - xã hội phức tạp (như bài toán phân tích lao động trẻ em, dự báo ô nhiễm môi trường) với độ minh bạch ngữ nghĩa cao, giúp các nhà hoạch định chính sách hiểu rõ chuỗi tác động nhân - quả mà không bị che khuất bởi các con số "hộp đen".

Đối tượng hưởng lợi

  • Nghiên cứu sinh tiến sĩ & Học viên cao học: Tiếp cận một khung lý thuyết toán học hoàn chỉnh về dàn thặng dư ngôn ngữ ELL và phương pháp luận nghiên cứu kết hợp giữa logic hình thức và lý thuyết đồ thị.
  • Các nhà khoa học & Giáo sư chuyên ngành AI/Khoa học máy tính: Khai thác các tính chất đại số và tính hội tụ trạng thái của LCM để phát triển các mô hình suy luận mờ thế hệ mới.
  • Kỹ sư R&D trong ngành công nghiệp thông minh & IoT: Áp dụng thuật toán suy luận LCM để chế tạo các vi mạch điều khiển thông minh tiết kiệm năng lượng, xử lý trực tiếp từ vựng mà không cần phần cứng tính toán số thực phức tạp.
  • Nhà hoạch định chính sách: Sử dụng đồ thị LCM làm công cụ mô phỏng chính sách định tính, đánh giá tác động đa chiều với độ tin cậy và khả năng giải thích tuyệt đối.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào? Trả lời: Đóng góp độc đáo nhất là việc xây dựng thành công Dàn mở rộng trên miền trị ngôn ngữ (ELL) $\mathcal{L} = \langle L, \bigwedge, \bigvee, \wedge, \vee, \rightarrow, \bot, \top \rangle$ và chứng minh nó là một Dàn thặng dư (Residuated Lattice). Công trình này mở rộng trực tiếp Lý thuyết Đại số gia tử của Nguyễn Cát Hồ và Lý thuyết Logic cơ bản (Basic Logic - BL) của Hájek, cho phép thực hiện các phép toán lấy Min/Max đa ngôi ($\bigwedge, \bigvee$) trực tiếp trên các vector và ma trận ngôn ngữ mà không cần ánh xạ số.

2. Đột phá phương pháp luận của LCM khi so sánh với các nghiên cứu quốc tế tiền nhiệm? Trả lời: So với phương pháp của Ronald R. Yager (2015) (sử dụng số mờ hình thang) và Mabel Frias et al. (2017) (sử dụng mô hình 2-tuple và số mờ tam giác), đột phá của LCM là loại bỏ triệt để chu trình chuyển đổi 5 giai đoạn (Từ $\rightarrow$ Số $\rightarrow$ Tính toán $\rightarrow$ Số $\rightarrow$ Từ). LCM tính toán trực tiếp trên miền từ thông qua cấu trúc đại số gia tử, loại trừ hoàn toàn sự phụ thuộc vào các hàm thuộc chủ quan và triệt tiêu sai số làm tròn số học.

3. Phát hiện nào trong luận án gây bất ngờ nhất về mặt toán học? Trả lời: Phát hiện bất ngờ và quan trọng nhất là Tính hội tụ tất yếu của không gian trạng thái động trên LCM. Dù quá trình lan truyền kích hoạt trên đồ thị diễn ra hoàn toàn trên các hạng từ ngôn ngữ với các toán tử phi tuyến, vector trạng thái $C(t)$ luôn luôn hội tụ về một vector trạng thái cố định ổn định (fixed point) hoặc chu trình hữu hạn có tính chu kỳ, chứng minh rằng tính toán trên từ vẫn duy trì tính ổn định động lực học hoàn hảo tương đương hoặc vượt trội hơn các hệ thống động lực số thực.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) chi tiết không? Trả lời: Có. Luận án cung cấp hệ thống tiên đề toán học hoàn chỉnh, bảng tham số định lượng $(\alpha, \beta, q, p)$, các bước chuyển đổi cụ thể từ mô hình FAM sang SAM, thuật toán chi tiết từng bước cho cả lập luận tĩnh theo nhánh (với cấu trúc hàng đợi $Q$ và nhãn đỉnh) và lập luận động theo biến đổi trạng thái ma trận, minh họa tường minh qua các bài toán mẫu (bài toán độ cao bay $[0, 900]$ fit, bài toán chẩn đoán khớp gối, mô hình lao động trẻ em).

5. Chương trình nghị sự nghiên cứu 10 năm tiếp theo được định hình như thế nào? Trả lời: Lộ trình 10 năm tập trung vào 3 mũi nhọn: (1) Mở rộng ELL sang Logic lượng tử ngôn ngữ (LQL) trên dàn trực giao OMP; (2) Tích hợp cơ chế tự học trọng số bằng Deep Learning/Reinforcement Learning trên đồ thị tri thức ngôn ngữ quy mô lớn; (3) Ứng dụng LCM làm lõi suy luận giải thích được (XAI) tích hợp bên trong các Mô hình Ngôn ngữ Lớn (LLMs) và hệ thống tác tử tự trị (Autonomous Agents).

Kết luận

  1. Luận án đã đề xuất và hình thức hóa thành công Cấu trúc Dàn mở rộng ELL trên miền trị ngôn ngữ của Đại số gia tử, chứng minh đầy đủ các tính chất của dàn thặng dư và tính bảo toàn thứ tự logic.
  2. Xây dựng hoàn chỉnh mô hình Đồ thị nhận thức ngôn ngữ LCM dựa trên cả hai tiếp cận: kế thừa FCM và Lý thuyết mô hình hóa cấu trúc logic $STRUCT[\rho]$.
  3. Thiết lập hệ thống Thuật toán lập luận tĩnh theo nhánh (độ phức tạp $\mathcal{O}(|V| + |E|)$) và Thuật toán lập luận động theo không gian trạng thái, tối ưu hóa triệt để hiệu năng tính toán trên từ.
  4. Chứng minh toán học chặt chẽ về Tính hội tụ trạng thái của đồ thị LCM, khẳng định sự ổn định tuyệt đối của các hệ suy diễn mờ ngôn ngữ.
  5. Hiện thực hóa bước chuyển đổi hệ hình tính toán trong AI mờ: thay thế hoàn toàn chu trình tính toán trung gian qua số thực bằng cơ chế tính toán trực tiếp trên từ vựng ngôn ngữ tự nhiên.
  6. Mở ra 3 hướng nghiên cứu mới mang tầm quốc tế: Logic lượng tử ngôn ngữ (LQL), Đồ thị nhận thức ngôn ngữ tự học (Self-learning LCM), và Trí tuệ nhân tạo có thể giải thích (XAI) dựa trên nền tảng đại số gia tử.