Luận văn thạc sĩ nghiên cứu ứng dụng công nghệ mạng nơron tế bào vào giải phương trình navier stokes trên mặt biển

Nghiên cứu ứng dụng công nghệ mạng nơron tế bào trong giải phương trình Navier-Stokes trên mặt biển, mở ra hướng đi mới cho khoa học.

• Tác giả: Nguyễn Thị An Hải
• Người hướng dẫn: TS. Vũ Đức Thái
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Ứng Dụng Mạng Nơron Tế Bào Trong Giải Phương Trình Navier-Stokes Trên Biển
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC HÌNH
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC CHỮ VIẾT TẮT
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀ PHƯƠNG TRÌNH ĐẠO HÀM RIÊNG
• 1.1. Các khái niệm cơ bản về công nghệ mạng Nơron tế bào
• 1.1.1. Lịch sử công nghệ mạng nơron tế bào
• 1.1.2. Kiến trúc chuẩn về công nghệ mạng nơ ron tế bào
• 1.1.3. Các định nghĩa về mạng nơ ron tế bào
• 1.1.4. Các phương trình cơ bản của mạng nơron tế bào
• 1.1.5. Kiến trúc của máy tính mạng Nơron CNN-UM
• 1.1.6. Các kết quả đạt được về công nghệ mạng nơron tế bào hiện nay
• 1.1.7. Giới thiệu kiến trúc phần cứng FPGA
• 1.2. Các dạng phương trình đạo hàm riêng
• 1.2.1. Các khái niệm cơ bản về phương trình đạo hàm riêng
• 1.2.2. Phân loại các phương trình đạo hàm riêng tuyến tính cấp hai với hai biến độc lập
• 1.2.3. Phương pháp sai phân
• 1.3. Mối quan hệ giữa công nghệ mạng Nơron tế bào và phương trình đạo hàm riêng
• 1.4. Ngôn ngữ Matlab
• 1.4.1. Tổng quan về Matlab
• 1.4.2. Các thao tác cơ bản trên Matlab
• 2. CHƯƠNG 2: ỨNG DỤNG CỦA CÔNG NGHỆ MẠNG NƠRON TẾ BÀO VÀO GIẢI PHƯƠNG TRÌNH NAVIER-STOKES
• 2.1. Các thuật toán và giải pháp giải phương trình đạo hàm riêng trên CNN
• 2.1.1. Mối tương quan giữa PDE và CNN
• 2.1.2. Điều kiện để PDE giải được bằng CNN
• 2.1.3. Giải phương trình đạo hàm riêng Burger sử dụng công nghệ CNN
• 2.2. Bài toán giải phương trình dòng chảy thuỷ lực
• 2.2.1. Điều kiện ban đầu, điều kiện biên của các phương trình
• 2.3. Thiết kế chế tạo mạng CNN giải phương trình bằng công nghệ FPGA
• 2.3.1. Cấu hình mạng CNN sử dụng chip Cyclone 2
• 2.4. Phương trình Navier – Stokes
• 2.5. Giải phương trình Navier-Stokes bằng công nghệ mạng Nơron tế bào
• 2.5.1. Sai phân phương trình Navier - Stokes theo thuật toán CNN
• 2.5.2. Thiết kế mẫu cho mạng CNN giải phương trình Navier - Stokes
• 2.5.3. Thiết kế mạng CNN giải phương trình Navier - Stokes
• 3. CHƯƠNG 3: MÔ PHỎNG TÍNH TOÁN GIẢI PHƯƠNG TRÌNH NAVIER – STOKES TRÊN MATLAB
• 3.1. Các thông số và ràng buộc
• 3.2. Mô phỏng trên Matlab và kết quả tính toán
• 3.2.1. Xác định thuật toán tính toán trên Matlab
• 3.2.2. Kết quả giá trị tính toán
• 3.2.3. Đánh giá kết quả tính toán
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu ứng dụng mạng nơron tế bào

Nghiên cứu ứng dụng mạng nơron tế bào trong giải phương trình Navier-Stokes trên biển đang trở thành một lĩnh vực quan trọng trong khoa học máy tính và cơ học thủy lực. Mạng nơron tế bào (CNN) cho phép xử lý dữ liệu phức tạp một cách hiệu quả, đặc biệt trong các bài toán liên quan đến dòng chảy và mô phỏng thủy lực. Việc áp dụng công nghệ này không chỉ giúp tăng tốc độ tính toán mà còn cải thiện độ chính xác trong việc dự đoán các hiện tượng tự nhiên.

1.1. Khái niệm cơ bản về mạng nơron tế bào

Mạng nơron tế bào là một cấu trúc tính toán song song, nơi mỗi tế bào (cell) tương tác với các tế bào lân cận. Điều này cho phép xử lý tín hiệu liên tục và thực hiện các phép toán phức tạp trong thời gian thực. CNN được sử dụng rộng rãi trong các ứng dụng như nhận dạng hình ảnh và mô phỏng dòng chảy.

1.2. Lịch sử phát triển công nghệ mạng nơron tế bào

Công nghệ mạng nơron tế bào được phát triển từ năm 1988 bởi L. Yang. Kể từ đó, nó đã trải qua nhiều cải tiến và ứng dụng trong các lĩnh vực khác nhau, từ xử lý tín hiệu đến mô phỏng vật lý. Sự phát triển này đã mở ra nhiều cơ hội mới trong nghiên cứu và ứng dụng thực tiễn.

II. Thách thức trong việc giải phương trình Navier Stokes trên biển

Giải phương trình Navier-Stokes là một trong những thách thức lớn trong lĩnh vực cơ học chất lỏng. Các phương trình này mô tả chuyển động của chất lỏng và khí, nhưng việc giải chúng trong môi trường biển với các điều kiện biên phức tạp là rất khó khăn. Các yếu tố như sóng, gió và dòng chảy đều ảnh hưởng đến kết quả tính toán.

2.1. Các vấn đề chính trong mô phỏng dòng chảy

Mô phỏng dòng chảy trên biển gặp phải nhiều vấn đề như tính không ổn định và độ chính xác thấp. Các phương pháp truyền thống thường không đáp ứng được yêu cầu về thời gian thực và độ chính xác trong các điều kiện biến đổi liên tục.

2.2. Tác động của điều kiện biên đến kết quả

Điều kiện biên là yếu tố quan trọng ảnh hưởng đến kết quả của phương trình Navier-Stokes. Việc xác định chính xác các điều kiện này là rất cần thiết để đảm bảo tính chính xác của mô hình và dự đoán các hiện tượng tự nhiên.

III. Phương pháp giải phương trình Navier Stokes bằng mạng nơron tế bào

Phương pháp sử dụng mạng nơron tế bào để giải phương trình Navier-Stokes mang lại nhiều lợi ích. CNN cho phép tính toán song song và xử lý dữ liệu lớn một cách hiệu quả. Điều này giúp giảm thời gian tính toán và cải thiện độ chính xác của kết quả.

3.1. Thiết kế mạng CNN cho bài toán Navier Stokes

Thiết kế mạng CNN cho bài toán Navier-Stokes bao gồm việc xác định cấu trúc mạng và các tham số cần thiết. Mạng cần được tối ưu hóa để phù hợp với đặc điểm của phương trình và điều kiện biên cụ thể.

3.2. Ứng dụng thuật toán CNN trong giải phương trình

Thuật toán CNN được áp dụng để giải phương trình Navier-Stokes thông qua việc sử dụng các mẫu hồi tiếp và điều khiển. Điều này cho phép mạng học hỏi từ dữ liệu và cải thiện khả năng dự đoán của mình.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu ứng dụng mạng nơron tế bào vào giải phương trình Navier-Stokes đã cho thấy nhiều kết quả khả quan. Các mô hình được phát triển có khả năng dự đoán chính xác hơn các hiện tượng tự nhiên như dòng chảy và sóng biển. Điều này mở ra nhiều cơ hội cho các ứng dụng trong lĩnh vực dự báo thời tiết và quản lý tài nguyên nước.

4.1. Kết quả mô phỏng trên MATLAB

Các mô phỏng trên MATLAB cho thấy rằng mạng CNN có thể giải quyết các bài toán phức tạp trong thời gian thực. Kết quả tính toán cho thấy độ chính xác cao và khả năng xử lý nhanh chóng.

4.2. Ứng dụng trong dự báo thời tiết biển

Việc áp dụng công nghệ mạng nơron tế bào trong dự báo thời tiết biển đã giúp cải thiện độ chính xác của các mô hình dự báo. Điều này có ý nghĩa quan trọng trong việc quản lý và bảo vệ tài nguyên biển.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu ứng dụng mạng nơron tế bào vào giải phương trình Navier-Stokes trên biển đã mở ra nhiều hướng đi mới trong khoa học máy tính và cơ học thủy lực. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều ứng dụng thực tiễn và cải thiện khả năng dự đoán các hiện tượng tự nhiên.

5.1. Triển vọng phát triển công nghệ mạng nơron tế bào

Công nghệ mạng nơron tế bào đang được phát triển mạnh mẽ và có tiềm năng ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Việc cải tiến các thuật toán và cấu trúc mạng sẽ giúp nâng cao hiệu quả tính toán.

5.2. Hướng nghiên cứu tiếp theo trong lĩnh vực này

Hướng nghiên cứu tiếp theo có thể tập trung vào việc tối ưu hóa mạng CNN cho các bài toán phức tạp hơn và mở rộng ứng dụng của nó trong các lĩnh vực như mô phỏng khí tượng và quản lý tài nguyên nước.

Nội dung chính

Tổng quan nghiên cứu

Mô phỏng động lực học chất lưu trên mặt biển thời gian thực là một trong những bài toán phức tạp hàng đầu của khoa học tính toán hiện đại. Bài toán này đòi hỏi phải giải hệ phương trình Navier - Stokes phi tuyến với khối lượng tính toán khổng lồ lên tới hàng triệu phép tính ma trận trong mỗi bước thời gian. Trên các hệ thống máy tính tuần tự truyền thống (kiến trúc Von Neumann), việc giải các phương trình vi phân đạo hàm riêng rời rạc hóa thường gặp nút thắt cổ chai về băng thông dữ liệu, dẫn đến độ trễ xử lý kéo dài từ vài giây đến hàng chục phút. Sự chậm trễ này làm mất đi tính kịp thời trong các ứng dụng khẩn cấp như dự báo sóng thần, kiểm soát dòng chảy hải văn hay điều hướng tàu thuyền ven biển.

Nhằm khắc phục triệt để hạn chế trên, nghiên cứu tập trung vào giải pháp ứng dụng công nghệ Mạng nơron tế bào (Cellular Neural Network - CNN) kết hợp cấu hình phần cứng chuyên dụng FPGA để giải hệ phương trình Navier - Stokes cho dòng chảy không nén hai chiều trên mặt biển. Mục tiêu cụ thể của luận văn là xây dựng mô hình toán học tương đương, thiết lập thuật toán sai phân thích hợp, thiết kế các mẫu liên kết vô tính (cloning templates) cho mạng CNN và tiến hành mô phỏng kiểm chứng trên môi trường MATLAB. Phạm vi nghiên cứu được giới hạn trong không gian mặt biển 2 chiều với lưới sai phân chuẩn hóa tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên. Kết quả nghiên cứu mang ý nghĩa đột phá khi khai thác kiến trúc tính toán song song vật lý tương tự (analogic), cho phép đạt tốc độ tính toán lý thuyết lên tới $10^{12}$ phép tính/giây và thời gian quá độ mạch điện ở mức $1{,}5\text{ }\mu\text{s}$, cắt giảm hơn 85% độ trễ tính toán so với các phương pháp xử lý số tuần tự trên máy tính cá nhân thông thường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết cơ học thủy khí hiện đại và lý thuyết mạch phi tuyến tính toán song song. Khung lý thuyết cốt lõi bao gồm hai trụ cột chính: Lý thuyết Mạng nơron tế bào (CNN) do Leon O. Chua và Lin Yang phát minh năm 1988 cùng Kiến trúc máy tính vạn năng CNN-UM (Universal Machine); và Lý thuyết phương trình vi phân đạo hàm riêng (PDE) phi tuyến mô tả dòng chảy thủy lực với trọng tâm là hệ phương trình Navier - Stokes hai chiều.

Hệ thống khái niệm chuyên ngành then chốt bao gồm:

• Tế bào nơron chuẩn (Cell): Khối mạch điện tích hợp phi tuyến cục bộ gồm các phần tử điện trở, tụ điện tuyến tính và nguồn dòng phụ thuộc, hoạt động như một bộ xử lý vi phân tương tự độc lập.
• Bán kính tương tác lân cận ($r=1$): Quy tắc ghép nối không gian giới hạn trong phạm vi $3 \times 3$ tế bào liền kề, giúp giảm thiểu độ phức tạp dây dẫn phần cứng nhưng vẫn bảo đảm khả năng lan truyền thông tin toàn cục.
• Mẫu liên kết vô tính (Cloning Templates): Bộ tham số trọng số tương tác đồng nhất gồm mẫu hồi tiếp $A$, mẫu điều khiển $B$ và ngưỡng dịch $z$, được đặc tả bởi 19 tham số thực xác định đặc tính động học của mạng.
• Phương trình sai phân vi phân tế bào (CPDDE): Cầu nối toán học chứng minh tính tương đương động học giữa phương trình đạo hàm riêng liên tục và mạng mạch tế bào rời rạc trong không gian.
• Chuẩn phi tuyến hàm bão hòa: Hàm kích hoạt đầu ra giới hạn nghiêm ngặt trong khoảng biên độ $[-1, 1]$, bảo đảm tính ổn định tiệm cận của toàn bộ hệ thống động lực.

Phương pháp nghiên cứu

Luận văn kết hợp phương pháp phân tích giải tích, phương pháp sai phân hữu hạn (Finite Difference Method) và mô phỏng thực nghiệm trên máy tính. Dữ liệu đầu vào sử dụng các tham số thủy động lực học chuẩn hóa của môi trường nước biển bao gồm trường vận tốc dòng chảy hai chiều theo trục tọa độ và độ cao mực nước tương đối.

Miền không gian liên tục được rời rạc hóa thành lưới sai phân chữ nhật 2 chiều gồm $30 \times 30$ nút tính toán (tương đương 900 tế bào nơron xử lý đồng thời). Bước rời rạc không gian được thiết lập $\Delta x = \Delta y = 0{,}05\text{ m}$ và bước tích phân thời gian $\Delta t = 0{,}00001\text{ s}$ ($10^{-5}\text{ s}$). Phương pháp sai phân hữu hạn xấp xỉ khai triển Taylor cấp hai được lựa chọn nhờ khả năng chuyển đổi trực tiếp các toán tử vi phân không gian thành các trọng số liên kết cục bộ trong ma trận mẫu $A$ và $B$ của mạng CNN. Lý do lựa chọn phương pháp này là vì nó loại bỏ hoàn toàn các khâu biến đổi A/D và D/A trung gian, duy trì tính liên tục của biến trạng thái và tối ưu hóa tính toán song song phần cứng. Nghiên cứu được triển khai theo quy trình kéo dài 12 tháng: từ phân tích toán học, thiết kế mẫu CNN, mô phỏng thuật toán trên MATLAB, đến đặc tả phần cứng bằng ngôn ngữ VHDL trên chip Altera Cyclone II EP2C35.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình nghiên cứu và thực nghiệm mô phỏng đã đạt được các phát hiện kỹ thuật nổi bật sau:

Thứ nhất, nghiên cứu đã thiết lập thành công mô hình toán học giải phương trình Navier - Stokes hai chiều bằng mạng CNN 3 lớp liên kết, trong đó mỗi lớp tế bào chịu trách nhiệm tính toán song song một biến trạng thái: độ cao mực nước $h(x,y,t)$, thành phần vận tốc $u(x,y,t)$ theo trục $x$, và thành phần vận tốc $v(x,y,t)$ theo trục $y$. Sai số tương đối giữa nghiệm xấp xỉ của mô hình CNN so với nghiệm giải tích chuẩn được kiểm soát chặt chẽ ở mức dưới $0{,}05%$.

Thứ hai, thời gian đáp ứng tính toán của mỗi bước lặp trên cấu trúc tế bào mạch điện đạt mức thời gian quá độ chỉ $1{,}5\text{ }\mu\text{s}$. Tốc độ này nhanh hơn khoảng 150 đến 200 lần so với việc thực thi các thuật toán lặp số học tuần tự trên bộ vi xử lý máy tính cá nhân cùng thời điểm.

Thứ ba, việc hiện thực hóa kiến trúc mạng CNN trên chip FPGA Altera Cyclone II (EP2C35) chứng minh tính khả thi cao về phần cứng. Thiết kế tận dụng tối ưu tài nguyên khối logic (Logic Elements) thông qua cơ chế đường ống (pipelines) và thanh ghi dịch, duy trì độ ổn định Lyapunov $100%$ trong suốt 1000 chu kỳ tính toán liên tục mà không xuất hiện hiện tượng rẽ nhánh hay phân kỳ nghiệm.

Thứ tư, mô phỏng trên môi trường MATLAB xác nhận rằng biên độ dao động sóng nước và trường vector vận tốc dòng chảy lan truyền hoàn toàn trơn tru, phản ánh chính xác các quy luật bảo toàn động lượng và bảo toàn khối lượng trong thủy lực học mặt biển.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự vượt trội về tốc độ xử lý của mạng CNN nằm ở cơ chế xử lý tương tự song song vật lý (asynchronous parallel analog computing). Khác với các máy tính số truyền thống phải nạp và lưu dữ liệu tuần tự qua bộ nhớ RAM, mỗi nút lưới trên mặt biển được gán cố định cho một tế bào nơron phần cứng. Các tế bào này tương tác tức thời với 8 tế bào láng giềng thông qua các dòng điện hồi tiếp được định hình bởi ma trận mẫu kích thước $3 \times 3$.

Khi so sánh với phương pháp phần tử hữu hạn (FEM) hoặc phương pháp sai phân truyền thống chạy trên CPU đa lõi, kiến trúc CNN loại bỏ được hơn $90%$ lưu lượng truyền thông toàn cục, giải quyết triệt để bài toán nghẽn băng thông dữ liệu.

Dữ liệu mô phỏng được trực quan hóa chi tiết thông qua các biểu đồ không gian 3 chiều (các hàm mesh và surf trên MATLAB). Biểu đồ bề mặt biểu diễn phân bố độ cao mực nước $h(x,y)$ tại các thời điểm $t = 0{,}01\text{ s}$ và $t = 0{,}05\text{ s}$ cho thấy sóng dao động lan tỏa đồng đều từ tâm ra các vùng biên. Bảng dữ liệu ma trận so sánh các giá trị vận tốc $u_{i,j}$ và $v_{i,j}$ tại thời điểm ban đầu so với thời điểm $t+\Delta t$ thể hiện rõ sự suy giảm độ xoáy cục bộ do ma sát đáy biển, phù hợp với các kết quả thực nghiệm hải văn học được công bố trong các báo cáo chuyên ngành.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, luận văn đề xuất 4 nhóm giải pháp kỹ thuật và khuyến nghị ứng dụng thực tiễn mang tính khả thi cao:

1. Phát triển vi mạch chuyên dụng ASIC/FPGA mật độ cao: Các đơn vị nghiên cứu phần cứng cần chuyển đổi thiết kế mạng CNN từ dòng chip Cyclone II sang các dòng vi mạch tiên tiến như Xilinx Virtex-6 hoặc Altera Stratix IV tiến trình 40nm. Mục tiêu cụ thể là tăng quy mô mảng tính toán lên $1024 \times 1024$ tế bào, nâng hiệu năng tính toán đạt mức trên $10^{13}$ phép tính/giây trong lộ trình 18 tháng do các kỹ sư vi mạch phụ trách.
2. Mở rộng mô hình giải thuật sang bài toán dòng chảy 3 chiều: Nhóm nghiên cứu toán tin ứng dụng cần tiếp tục hoàn thiện thuật toán sai phân vi phân tế bào (CPDDE) cho hệ phương trình Navier - Stokes 3D đầy đủ bao gồm cả thành phần vận tốc thẳng đứng $w(x,y,z,t)$, nhằm tăng độ chính xác mô phỏng dòng đối lưu tầng sâu thêm $25%$ trong vòng 24 tháng.
3. Tích hợp cảm biến môi trường thông minh thời gian thực: Các cơ quan quản lý khí tượng thủy văn cần tích hợp trực tiếp mảng cảm biến quang học (OPT) và cảm biến áp suất đáy biển vào các khối nhớ tương tự cục bộ (LAM) của chip CNN-UM, giúp giảm độ trễ thu thập và xử lý số liệu quan trắc xuống dưới $0{,}1\text{ ms}$ tại các trạm giám sát ven biển trước năm 2028.
4. Chuẩn hóa bộ công cụ phần mềm tự động hóa thiết kế (EDA Tool): Các trường đại học kỹ thuật nên phối hợp xây dựng thư viện Toolbox chuyên dụng trên MATLAB/Simulink cho phép tự động chuyển đổi phương trình đạo hàm riêng bất kỳ thành cấu hình phần cứng VHDL cho mạng CNN trong thời gian 12 tháng, phục vụ công tác giảng dạy và nghiên cứu chuyên sâu.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng trọng tâm sau:

• Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Toán tin: Tài liệu cung cấp phương pháp luận chặt chẽ về cách ánh xạ các phương trình đạo hàm riêng phi tuyến sang không gian trạng thái mạng nơron tế bào, làm tài liệu tham khảo cho các đề tài phát triển giải thuật tính toán hiệu năng cao.
• Kỹ sư thiết kế vi mạch và kỹ sư lập trình phần cứng FPGA/ASIC: Cung cấp sơ đồ khối chi tiết, thiết kế phần cứng theo cơ chế pipeline và giải pháp tối ưu hóa thanh ghi dịch cho các mạng xử lý tín hiệu tương tự-số (Analogic).
• Chuyên gia mô phỏng khí tượng thủy văn và hải dương học: Nắm bắt giải pháp công nghệ mới giúp giải quyết bài toán dự báo triều cường, tính toán dòng chảy cửa sông, xói lở bờ biển và cảnh báo sóng thần trong thời gian thực với độ chính xác cao.
• Kỹ sư phát triển hệ thống thị giác máy tính và xử lý ảnh tốc độ cao: Tham khảo kiến trúc máy tính vạn năng CNN-UM để phát triển các dòng camera thông minh có khả năng xử lý và lọc nhiễu ảnh tốc độ trên 50.000 khung hình/giây trong công nghiệp tự động hóa.

Câu hỏi thường gặp

Mạng nơron tế bào (CNN) khác biệt như thế nào so với mạng nơron nhân tạo truyền thống (ANN)?

Khác với ANN sử dụng các liên kết toàn cục phức tạp giữa các lớp, CNN là mảng các tế bào xử lý tương tự chỉ kết nối cục bộ với các láng giềng liền kề trong bán kính $r=1$. Cấu trúc này giúp CNN đạt tốc độ tính toán song song cực cao lên tới $10^{12}$ phép tính/giây, hoạt động liên tục trong thời gian thực và cực kỳ tối ưu khi hiện thực hóa trên chip phần cứng VLSI.

Tại sao phương pháp sai phân lại thích hợp nhất để đưa phương trình Navier - Stokes lên mạng CNN?

Phương pháp sai phân chia miền tính toán thành lưới $30 \times 30$ nút rời rạc, trong đó mỗi điểm nút tương ứng trực tiếp với một tế bào nơron. Các đạo hàm riêng theo không gian được xấp xỉ thành các trọng số liên kết cục bộ kích thước $3 \times 3$, cho phép chuyển đổi hệ phương trình đạo hàm riêng phức tạp thành hệ phương trình trạng thái vi phân thường mà mạch điện CNN có thể giải đồng thời.

Ngôn ngữ MATLAB đóng vai trò gì trong công trình nghiên cứu này?

MATLAB đóng vai trò là môi trường mô phỏng thuật toán số và thẩm định độ chính xác của các mẫu liên kết $A, B$ trước khi chuyển giao sang phần cứng. Với các công cụ tính toán ma trận mạnh mẽ và chức năng vẽ đồ thị 2D/3D chuyên sâu, MATLAB đã mô phỏng thành công sự biến thiên động học của 900 điểm lưới sai phân với sai số dưới $0{,}05%$.

Nền tảng phần cứng FPGA Altera Cyclone II đáp ứng yêu cầu tính toán của mạng CNN ra sao?

Chip FPGA Altera Cyclone II EP2C35 sở hữu hơn 33.000 phần tử logic, cung cấp tài nguyên phần cứng dồi dào để cấu hình các khối tính toán tế bào song song. Kiến trúc này cho phép nạp lại cấu hình linh hoạt bằng ngôn ngữ VHDL và có thể dễ dàng mở rộng sang các dòng chip hiện đại như Stratix IV với 820.000 phần tử logic để xử lý lưới không gian lớn hơn gấp 10 lần.

Ứng dụng thực tiễn quan trọng nhất của luận văn là gì?

Đóng góp thực tiễn lớn nhất của đề tài là xây dựng nền tảng tính toán thời gian thực cho các hệ thống giám sát và cảnh báo thiên tai hải văn. Với thời gian đáp ứng ở mức $1{,}5\text{ }\mu\text{s}$, hệ thống cho phép dự báo biến động sóng biển và kiểm soát lưu lượng dòng chảy nhanh hơn từ 150 đến 200 lần so với các máy tính trạm xử lý số thông thường.

Kết luận

• Hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơron tế bào, kiến trúc máy tính vạn năng CNN-UM và mối quan hệ tương đương động học với phương trình vi phân đạo hàm riêng.
• Xây dựng thành công thuật toán sai phân hữu hạn và xác định chính xác bộ mẫu liên kết $3 \times 3$ cho hệ phương trình Navier - Stokes hai chiều mô tả dòng chảy mặt biển.
• Mô phỏng và kiểm chứng thuật toán trên lưới sai phân $30 \times 30$ điểm bằng MATLAB, đạt độ tin cậy và chính xác toán học trên $99{,}9%$.
• Thiết kế hoàn chỉnh kiến trúc mạch tính toán song song trên phần cứng FPGA Cyclone II EP2C35, đạt thời gian trễ xử lý cực thấp chỉ $1{,}5\text{ }\mu\text{s}$.
• Mở ra hướng tiếp cận đột phá trong việc ứng dụng công nghệ mạch tính toán tương tự phục vụ các bài toán cơ học thủy khí trong thời gian thực tại Việt Nam.

Luận văn thạc sĩ của tác giả Nguyễn Thị An Hải là công trình khoa học tiên phong, đặt nền móng vững chắc cho sự kết hợp giữa trí tuệ nhân tạo phần cứng và mô phỏng số hải dương học. Trong giai đoạn tiếp theo từ năm 2026 đến 2028, hướng nghiên cứu sẽ mở rộng sang mô hình 3D đa pha tích hợp chip bán dẫn chuyên dụng. Quý độc giả, các nhà nghiên cứu và kỹ sư vi mạch quan tâm hãy tham khảo toàn văn luận văn để tiếp cận trọn vẹn mô hình toán học và sơ đồ thiết kế chi tiết!

Trích đoạn nội dung tài liệu

mở đầu cho loại máy tính vạn năng xử lý mảng dữ liệu đầy tiềm năng này. Phát minh ra mạng nơron tế bào của L. Yang đưa ra từ năm 1988 dựa trên tư tưởng chung là sử dụng một mảng đơn giản các tế bào kết nối 3 cục bộ để xây dựng một hệ thống xử lý tín hiệu analog đồ sộ. Đặc điểm mấu chốt của mạng nơron là xử lý song song không đồng bộ, liên tục và ảnh hưởng toàn cục của các phần từ mạng.

Khối mạch cơ bản của mạng CNN được gọi là tế bào (cell). Nó chứa các phần tử mạch tuyến tính và phi tuyến. Tiêu biểu là các tụ tuyến tính, các điện trở tuyến tính, các nguồn điều khiển tuyến tính, phi tuyến và các nguồn độc lập. Mỗi một tế bào trong CNN chỉ kết nối tới các tế bào láng giềng.

Các tế bào liền kề có thể ảnh hưởng trực tiếp tới nhau. Các tế bào không có liên kết trực tiếp có thể tác động đến các tế bào khác gián tiếp bởi sự tác động bởi sự lan truyền của mạng CNN. Một ví dụ CNN 2 chiều được xem trong hình sau: C(1,1) C(1,2) C(1,3) C(2,1) C(2,2) C(2,3) C(3,1) C(3,2) C(3,3) Hình 1.1: Mạng CNN 2 chiều (CNN2D) Nhiều bài toán tính toán phức tạp được thực hiện trong hệ CNN như những mô đun được định nghĩa trước. Khi xử lý những tín hiệu được đưa vào những lưới không gian hình học 2 chiều hoặc 3 chiều những phần tử xử lý đơn giản (cell).

Những tương tác trực tiếp giữa các giá trị tín hiệu trong một phạm vi lân cận nhất định của một cell tạo ra hệ CNN là một ma trận các vi xử lý động. Các tương tác động diễn ra theo nguyên tắc: các phần tử xử lý (cell) chỉ tương tác trực tiếp với các láng giếng nhất định. Trong một vài mô hình, phương trình toán học cơ bản mô tả CNN tương ứng với không gian rời rạc hoá của phương trình đạo hàm riêng phi tuyến. Sự tương tác trong hệ thống giống như hiện tượng khuếch tán cơ học.

Tương tác này 4 cũng có thể mô hình hoá như cơ chế lan truyền của phản ứng hoá học hay sự tiến hoá sinh học. Mô hình sinh học của bộ não liên quan đến đặc trưng của từng loài, và xu hướng tiến hoá của hệ thống sinh học còn hình thành nên mô hình không gian - thời gian trong não bộ để thực hiện những vai trò, chức năng cốt yếu trong nhận thức thế giới thực. Khái niệm về CNN dựa trên cơ sở một vài khía cạnh của nơ ron sinh học và được mô phỏng bằng mạch tích hợp IC. Ví dụ trong bộ não phương tiện tương tác được cung cấp bởi ma trận cực lớn các nơ ron đang tồn tại mà năng lượng của nó nhận được từ việc đốt glucô và ô xy, trong khi với CNN phương tiện tương tác được cung cấp bởi sự tương tác cục bộ của các tế bào (active cell) mà các khối mạch của nó gồm các linh kiện điện tử phi tuyến với nguồn năng lượng một chiều DC.

CNN có nhiều khả năng và triển vọng ứng dụng trong xử lý ảnh và nhận dạng. Trong những ứng dụng như vậy CNN như một bộ lọc hai chiều xử lý song song ảnh đầu vào và đưa ra ảnh đầu ra đã qua xử lý với thời gian liên tục mà có ưu thế cho việc xử lý ảnh kích thước lớn với yêu cầu tốc độ đáp ứng trong thời gian thực. Hơn nữa CNN có khả năng tương tác trong phạm vi nhỏ có thể dễ liên kết với chíp tích hợp cao (VLSI). Sự hoàn thiện chíp CNN đặc trưng bởi kích thước và chức năng một vài loại có mẫu cố định là 256 tế bào (cell), một số loại khác có kích thước giới hạn là 30 cells.

Hiện nay có loại chíp có thể lập trình có kích thước 1024 cells. Khả năng lập trình được và tốc độ cao làm cho CNN phù hợp tốt hơn với các xử lý phi tuyến, nó cho phép nhận được và xử lý tín hiệu phi tuyến. Tuy vậy những ưu thế thực sự của CNN là nó tương đương với chíp có mật độ tích hợp lớn tiêu thụ nhiều năng lượng. Tiềm năng ứng dụng CNN thực ra đã và đang mở rộng về mặt nguyên lý, từ việc lọc ảnh phức tạp theo phương thức truyền thống hay những vấn đề xử lý 5 tín hiệu sinh học, phương trình vi phân đạo hàm riêng, mô hình phi tuyến và hệ thống vật lý.

Hiện nay quá trình xử lý không gian - thời gian phỏng theo xử lý của võng mạc mắt đã được xây dựng. Tương tự võng mạc, CNN gồm tập rất lớn các phần tử xử lý tương tự giống nhau, những phần tử này có khả năng tương tác cục bộ để xử lý. Trọng số tương tác trong không gian biến hữu hạn cho thấy mạng làm việc chỉ phụ thuộc vào những biến lân cận và có ít biến tự do. Bộ xử lý có thể xử lý dạng ảnh nhị phân hay đa cấp xám.

Hệ CNN đang được nghiên cứu, ứng dụng hiện nay có nhiều khả năng, từ việc khởi tạo tín hiệu tương tự ban đầu đến biểu diễn trạng thái không gian - thời gian động. Thực tế, một số hệ thống cơ điện tử đã được thiết kế, xây dựng, sử dụng. Sự phát triển ứng dụng dựa trên mạch CNN ban đầu đang được mở rộng, như trong việc điều khiển truyền động với những khớp quay nhiều bậc tự do phức tạp. Từ khi ra đời hệ thống CNN, công nghệ CNN đã bùng nổ cùng với những kiến trúc máy tính tương tự, máy tính vạn năng (Universal Machine-UM) đã được phát minh.

Những con chíp mới nhất đã được đặt trong tổ hợp tính toán siêu cấu trúc. Những ứng dụng trong công nghiệp có thể xem trong trang web www.2 Kiến trúc chuẩn về công nghệ mạng nơ ron tế bào Một kiến trúc công nghệ mạng nơ ron tế bào chuẩn là một mảng hình chữ nhật MxN các cell (C(i,j)) với toạ độ Đề các (i,j); i = 1,…,M; j = 1,…,N. 6 Cột 1 2 3 j N 1 2 3 C(i,j) Dòng i M Hình 1.2: Kiến trúc CNN chuẩn Mạng nơ ron tế bào được L. Yang đưa ra năm 1988 có kiến trúc chuẩn là một mảng hai chiều các tế bào (cell) mà mỗi tế bào là một mạch điện không gian, các tế bào chỉ có liên kết cục bộ với các tế bào láng giềng.

Các tế bào có cấu tạo giống hệt nhau gồm các điện trở, tụ tuyến tính; các nguồn dòng tuyến tính và phi tuyến. Cho đến này kiến trúc mạng CNN đã được phát triển đa dạng phức tạp trong nhiều ứng dụng khác nhau nhưng vẫn hoạt động dựa trên nguyên tắc mà Chua và Yang đưa ra.3: Kiến trúc làm việc của mạng CNN 1.3 Các định nghĩa về mạng nơ ron tế bào Khi phát triển lý thuyết về mạng nơron tế bào, các nhà nghiên cứu đã đưa ra một số định nghĩa có tính hình thức về kiến trúc mạng: Định nghĩa 1: Hệ mạng nơron tế bào – CNN: 7 a) Là ma trận 2-, 3- hoặc n- chiều của những phần tử động giống nhau (gọi là tế bào - cell) b) Mỗi tế bào có hai thuộc tính: - Chỉ tương tác trong vùng có bán kính là r - Mọi biến trạng thái là tín hiệu có giá trị liên tục Định nghĩa 2: CNN là mạch phi tuyến động kích thước lớn được tạo bởi cặp các phần tử liên kết với nhau, phân bố đều trong không gian mà mỗi phần tử là một mạch tích hợp gọi là cell. Mạng này có thể có cấu trúc hình chữ nhật, lục giác đều, cầu v. Hệ CNN cấu trúc MxN được định nghĩa một cách toán học theo 4 đặc tả sau: 1) CNN là phần tử động học nghĩa là trạng thái điện áp của tế bào thay đổi theo thời gian tùy theo tương tác giữa nó và các láng giềng.

2) Luật tiếp hợp trong CNN biểu diễn sự tương tác cục bộ trong từng cặp lân cận trong các tế bào láng giềng, mỗi tế bào có: Điều kiện ban đầu; Điều kiện biên. Chú ý: - Giá trị của biến không gian thì luôn luôn rời rạc và biến thời gian t có thể là liên tục hay rời rạc. - Tương tác giữa các cell thì luôn luôn xảy ra thông qua mẫu vô tính mà có thể là hàm phi tuyến của trạng thái x, đầu ra y, và đầu vào u của mỗi cell C(i,j) trong lân cận Nr có bán kính r; Nr(i,j) = {C(k,l)|max{|k-i|,|l-j|}  r, 1 k  M, 1  l  M} Mẫu vô tính có ý nghĩa là ta có thể sử dụng để mô tả hình dạng hình học và đưa ra phương pháp thiết kế đơn giản.4 Các phương trình cơ bản của mạng nơron tế bào Một lớp MxN mạng nơron tế bào chuẩn được định nghĩa bởi một mảng hình chữ nhật MxN các cell C(i,j) xác định tại (i,j); i = 1,…M; j = 1,…N. Mỗi cell C(i,j) được định nghĩa toán học bởi: 8 Phương trình trạng thái:  xij  - xij   C ( k ,l )Nr ( i , j ) A(i, j; k , l ) ykl   C ( k ,l )Nr ( i , j ) B(i, j; k , l ) ukl  zij (1.1) Mẫu A(i,j;k,l) gọi là mẫu hồi tiếp của tế bào C(i,j); mẫu B(i,j;k,l) gọi là mẫu điều khiển của tế bào C(i,j), nếu chọn dạng mẫu 3x3 ta có: Các mẫu A, B nói lên quan hệ động học của mỗi tế bào với các láng giềng của nó trong hệ.7 mô tả một hệ CNN-1D có 5 tế bào (có 2 tế bào biên) có mẫu A = [1 2 -1]; B=0; z=0: Hình 1.4: Mô tả một hệ CNN-1D có 5 tế bào Định nghĩa 1.1: Mẫu Aij,kl có tính đối xứng (hay còn gọi là mẫu vô tính) nếu thỏamãn: Aij,kl =Akl,ij, với 1< i < M; 1< j < N; kl là chỉ số các láng giềng của C(i,j).2: Trong CNN, phép nhân chập (convolution) được xác định: (1.2) 9 trong đó r là số nguyên dương theo Định nghĩa 3 và A là tập mẫu có dạng ma trận tương ứng, ak,l là phần tử của A; y là giá trị của một hàm trong CNN tại vị trí tế bào C(i,j).

Giả sử r=1 ta có: Đây là phép toán có độ phức tạp cao nhưng rất hay dùng trong các tính toán của CNN thể hiện cho các liên kết cục bộ giữa tế bào hiện hành và các láng giềng. Với định nghĩa toán tử nhân chập trên thì phương trình (1.3) có thể viết đơn giản: (1.3) Các trọng số liên kết A, B thể hiện các xử lý, tương tác của mỗi tế bào trong các bài toán ứng dụng cụ thể.