Tổng quan về luận án

Mạng nơron tế bào (Cellular Neural Networks - CNN) do Leon O. Chua đề xuất năm 1988 là một cấu trúc tính toán song song quy mô lớn mang tính đột phá, kết hợp các ưu điểm xử lý tín hiệu tương tự liên tục theo thời gian với cấu trúc mảng lưới rời rạc về không gian. Được hiện thực hóa thành máy tính nơron mảng tương tự vạn năng (CNN Universal Machine - CNN-UM) bởi Roska và Chua (1993), mô hình này đã mở ra một kỷ nguyên mới cho xử lý ảnh tốc độ cao và giải hệ phương trình vi phân phi tuyến thời gian thực. Tuy nhiên, kiến trúc CNN chuẩn truyền thống chỉ giới hạn ở các tương tác tuyến tính bậc nhất giữa tế bào trung tâm và các tế bào láng giềng trong bán kính xác định $N_r(i,j)$.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ thực tế toán học và kỹ thuật: các hiện tượng phi tuyến phức tạp trong tự nhiên, hệ động học bậc cao và các bài toán tối ưu hóa đa tương tác không thể biểu diễn trọn vẹn chỉ bằng các mẫu trọng số phản hồi $A(i,j;k,l)$ và điều khiển $B(i,j;k,l)$ tuyến tính. Mặc dù các công trình quốc tế như Qiang Zhang và cộng sự (2008), Tianxiang Yao và Xianghong Lai (2014) đã phát triển CNN theo hướng trễ bậc cao hoặc đa biến, nhưng mô hình đa tương tác phi tuyến dạng đa thức tích chéo (polynomial multi-interaction) trực tiếp giữa các trạng thái và đầu ra cục bộ vẫn chưa được chuẩn hóa về khung lý thuyết giải tích và chứng minh ổn định hoàn chỉnh.

Luận án tiến sĩ của tác giả Nguyễn Tài Tuyên, thực hiện dưới sự hướng dẫn của PGS.TS. Nguyễn Quang Hoan và TS. Ngô Văn Sỹ tại Viện Nghiên cứu Điện tử, Tin học, Tự động hóa (VIELINA) phối hợp cùng Học viện Công nghệ Bưu chính Viễn thông, tập trung giải quyết các câu hỏi và giả thuyết khoa học mang tính nền tảng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để mở rộng mô hình toán học vi phân phi tuyến của CNN chuẩn sang mô hình mạng nơron tế bào bậc cao (HiCNN) đa tương tác dạng đa thức?
  • Câu hỏi nghiên cứu 2 (RQ2): Điều kiện giải tích cần và đủ về ma trận trọng số và hàm thế năng để hệ động học HiCNN đạt trạng thái ổn định đầy đủ (Complete Stability) là gì?
  • Câu hỏi nghiên cứu 3 (RQ3): Kiến trúc HiCNN bậc hai và bậc cao nâng cao dung lượng lưu trữ, độ chính xác nhận dạng mẫu và khả năng chịu lỗi trong bộ nhớ liên kết (Associative Memory) như thế nào so với mạng Hopfield, BAM và CNN chuẩn?
  • Câu hỏi nghiên cứu 4 (RQ4): Tính khả thi của việc tích hợp phần cứng lai giữa vi xử lý nhúng ARM Cortex 32-bit (STM32) và mảng cổng logic lập trình được (FPGA) trong việc thực thi thuật toán HiCNN thời gian thực?

Giả thuyết nghiên cứu chính ($H_1$) khẳng định: Bằng cách tích hợp các toán tử nhân tích chéo bậc hai $\sum\sum A(i,j;k,l;m,n)y_{kl}(t)y_{mn}(t)$ và $\sum\sum B(i,j;k,l;m,n)u_{kl}u_{mn}$, mạng nơron tế bào sẽ mở rộng không gian trạng thái, tăng dung lượng nhớ mẫu vượt trội so với giới hạn của mạng Hopfield và CNN chuẩn mà vẫn duy trì tính ổn định toàn cục nếu thỏa mãn các điều kiện đối xứng đa chiều của tenxơ trọng số. Nghiên cứu thực hiện trên phạm vi mô hình giải tích mảng lưới kích thước tổng quát $M \times N$ (thực nghiệm điển hình $3 \times 3$, $4 \times 4$), bán kính lân cận $r=1$, mô phỏng trên nền tảng MATLAB/Java và hiện thực hóa phần cứng trên KIT FPGA kết hợp vi điều khiển STM32.

Literature Review và Positioning

Khung lý thuyết mạng nơron nhân tạo trải qua các giai đoạn tiến hóa quan trọng từ mô hình Perceptron của McCulloch-Pitts (1943), Frank Rosenblatt (1958), luật học sai số bình phương tối thiểu Delta của Widrow-Hoff (1960), đến mạng hồi quy Hopfield (1982, 1984) và mạng bộ nhớ liên kết hai chiều BAM của Bart Kosko (1988). Dòng chảy lý thuyết về CNN được định hình sâu sắc bởi công trình kinh điển của Leon O. Chua và Lin Yang (1988), thiết lập phương trình vi phân trạng thái phi tuyến liên tục và chứng minh tính ổn định thông qua hàm Lyapunov vô hướng.

Trong y văn thế giới, các hướng phát triển CNN phân nhánh thành nhiều trường phái cạnh tranh:

  1. Trường phái mở rộng không gian nhiều lớp (Multi-layer CNN - MCNN): Điển hình là nghiên cứu của Jung Chao Ban và Chih Hung Chang (2013) cùng Muhammad Izzat bin Mohd Idrus và Yoshihiro Kato (2012), tập trung vào việc tăng chiều sâu mạng để tối ưu hóa quá trình huấn luyện nhận dạng ảnh phức tạp.
  2. Trường phái mở rộng trễ và phản ứng khuếch tán mờ (Fuzzy Delayed Reaction-Diffusion CNN - FIRDDCNNs): Guowei Yang, Yonggui Kao và Changhong Wang (2013) thiết lập điều kiện ổn định theo cấp số nhân toàn cục với điều kiện biên Neumann; Phương Đàm Thanh và Cát Phạm Thương (2015) khảo sát điều khiển trạng thái hỗn loạn (State-Controlled CNN - SC-CNN).
  3. Trường phái bậc cao theo thời gian và biến số: Tianxiang Yao và Xianghong Lai (2014), Zhibin Chen và Junxia Meng (2012), Xujun Yang và cộng sự (2014) khảo sát CNN bậc cao có trễ biến thiên; Wentao Wang và Bingwen Liu (2014) cùng Haibo Gu, Haijun Jiang, Zhidong Teng (2011) tiếp cận mạng bậc cao đa biến thông qua các hệ hàm vi phân phụ thuộc vector $(x, y, z)$.
Tiêu chí so sánh Mạng Hopfield & BAM (Hopfield, 1984; Kosko, 1988) MCNN & Delayed CNN (Ban & Chang, 2013; Yao & Lai, 2014) HiCNN Đa tương tác Đa thức (Luận án Nguyễn Tài Tuyên)
Cấu trúc liên kết Toàn cục (All-to-all), liên kết tuyến tính Cục bộ bán kính $r$, mở rộng số lớp hoặc thêm trễ thời gian $\tau(t)$ Cục bộ bán kính $r$, mở rộng tích đa thức bậc hai và bậc cao của mảng phản hồi $A$ và điều khiển $B$
Bản chất toán học Phương trình vi phân phi tuyến bậc nhất Hệ vi phân có trễ hoặc vi phân nhiều tầng Hệ vi phân phi tuyến đa tương tác ghép bậc cao phi tuyến
Hàm năng lượng & Ổn định Hàm Lyapunov xác định dương Ổn định mũ, phụ thuộc hàm Lyapunov-Krasovskii Hàm $E(t)$ mở rộng, chứng minh Ổn định đầy đủ (Complete Stability) $\lim_{t \to \infty} \dot{E}(t) = 0$
Dung lượng nhớ & Nhận dạng Thấp ($P \approx 0.14N$), dễ rơi vào cực tiểu giả Trung bình, tập trung lọc nhiễu không gian và trễ động học Rất cao, tăng bậc tự do lưu trữ mẫu, tự sửa sai 1-bit và đa bit hiệu quả
Khả năng thực thi phần cứng Mạch tương tự rời rạc hoặc số hóa Chip xử lý số chuyên dụng, FPGA nhiều tài nguyên Đồng thiết kế lai tối ưu trên vi điều khiển STM32 và mảng logic FPGA

So với các công trình quốc tế, luận án định vị tại giao điểm giữa giải tích phi tuyến và kỹ thuật phần cứng nhúng, giải quyết bài toán đa tương tác bậc cao bằng quy nạp toán học chặt chẽ, lấp đầy khoảng trống về mô hình hóa đa thức mà các nghiên cứu của Chua (1988) hay Roska (1993) chưa thực hiện.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng trực tiếp lý thuyết mạng nơron tế bào của Leon O. Chua (1988) và lý thuyết ổn định đầy đủ của Angela Slavova (2003). Đóng góp lý thuyết cốt lõi được thể hiện qua các mệnh đề và công thức toán học tường minh:

  1. Thiết lập mô hình toán học của mạng nơron tế bào bậc hai: $$C \frac{dx_{ij}(t)}{dt} = -\frac{1}{R_x} x_{ij}(t) + I + \sum_{(k,l)} A(i,j; k,l) y_{kl}(t) + \sum_{(k,l)} B(i,j; k,l) u_{kl} + \sum_{(k,l)}\sum_{(m,n)} A(i,j; k,l; m,n) y_{kl}(t) y_{mn}(t) + \sum_{(k,l)}\sum_{(m,n)} B(i,j; k,l; m,n) u_{kl} u_{mn}$$ với các điều kiện ràng buộc biên $|x_{ij}(0)| \le 1$, điện trở $R_x > 0$, tụ điện $C > 0$, hàm kích hoạt bão hòa từng đoạn: $$y_{ij}(t) = f(x_{ij}(t)) = \frac{1}{2}(|x_{ij}(t) + 1| - |x_{ij}(t) - 1|)$$

  2. Đề xuất hàm năng lượng mở rộng $E(t)$ và chứng minh tính bị chặn: $$E(t) = -\frac{1}{2}\sum_{(i,j)}\sum_{(k,l)} A(i,j;k,l)y_{ij}(t)y_{kl}(t) - \sum_{(i,j)}\sum_{(k,l)} B(i,j;k,l)y_{ij}(t)u_{kl} - \sum_{(i,j)} I y_{ij}(t) + \frac{1}{2R_x}\sum_{(i,j)} y_{ij}^2(t) - \frac{1}{3}\sum_{(i,j)}\sum_{(k,l)}\sum_{(m,n)} A(i,j;k,l;m,n)y_{ij}(t)y_{kl}(t)y_{mn}(t) - \sum_{(i,j)}\sum_{(k,l)}\sum_{(m,n)} B(i,j;k,l;m,n)y_{ij}(t)u_{kl}u_{mn}$$

  3. Mở rộng tính đối xứng tenxơ trọng số làm điều kiện tiên quyết cho ổn định: $$A(i,j;k,l) = A(k,l;i,j)$$ $$A(i,j;k,l;m,n) = A(i,j;m,n;k,l) = A(k,l;i,j;m,n) = A(k,l;m,n;i,j) = A(m,n;i,j;k,l) = A(m,n;k,l;i,j)$$

Bằng phương pháp quy nạp toán học, luận án đã tổng quát hóa cấu trúc và chứng minh định lý ổn định đầy đủ cho CNN bậc $K$ bất kỳ, tạo nên bước chuyển biến quan trọng (paradigm shift) từ tương tác đơn tuyến tính sang siêu mặt năng lượng đa chiều.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba trụ cột lý thuyết: Hệ động học phi tuyến vi phân (Nonlinear Dynamical Systems Theory), Lý thuyết ổn định Lyapunov/Slavova, và Lý thuyết mạng tự liên kết Hebbian (Associative Memory Theory).

flowchart TD
    A["Lý thuyết CNN chuẩn (Chua, 1988)"] --> D["Mô hình HiCNN Bậc Cao"]
    B["Hệ động học phi tuyến & Ổn định Slavova (2003)"] --> D
    C["Lý thuyết Bộ nhớ liên kết Hebb/Hopfield/BAM"] --> D
    D --> E["Chứng minh Toán học: Hàm E(t) Bị chặn & Đạo hàm không dương"]
    E --> F["Mô phỏng Động học Số (MATLAB / Java)"]
    F --> G["Thiết kế Phần cứng Lai (FPGA + STM32)"]
    G --> H["Ứng dụng: Nhận dạng mẫu, Smart Farm, Y tế (INR)"]

Phương pháp tiếp cận giải tích này đặt ra các điều kiện biên nghiêm ngặt: bán kính tương tác lân cận $r$ hữu hạn, tính chuẩn hóa tín hiệu đầu vào $|u_{ij}| \le 1$, và tính bảo toàn đối xứng cấu trúc. Nhờ đó, khung phân tích loại bỏ hoàn toàn nguy cơ phân kỳ quỹ đạo trạng thái hoặc rơi vào dao động tự kích hỗn loạn không kiểm soát.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng duy lý (Positivism/Rationalism), kết hợp phương pháp diễn dịch toán học giải tích với kiểm chứng thực nghiệm mô phỏng và đo lường thực tế trên phần cứng. Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1: Giải tích giải hệ phương trình vi phân và xây dựng bổ đề ổn định.
  • Tầng 2: Đồng mô phỏng động thái hội tụ trên phần mềm chuyên dụng (MATLAB Simulink, Java SE).
  • Tầng 3: Hiện thực hóa cấu trúc mạch logic trên FPGA (Cyclone/Xilinx) và giao tiếp vi điều khiển 32-bit STM32 qua chuẩn UART/SPI/Parallel Bus.

Mô hình nghiên cứu phân tích ma trận kích thước $M \times N = 3 \times 3$ và $4 \times 4$ với không gian $2(2r+1)^2 + 1 + 1 = 20$ đầu vào cho mỗi tế bào ở CNN chuẩn, và mở rộng lên hàng trăm tổ hợp tương tác bậc hai trong mảng liên kết $A(i,j;k,l;m,n)$ và $B(i,j;k,l;m,n)$.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được tiến hành qua 5 bước tuần tự và kiểm tra chéo (triangulation):

  1. Thiết lập biểu thức vi phân trạng thái cho tế bào $C(i,j)$ với các trọng số liên kết phi tuyến đa thức.
  2. Xây dựng hàm đạo hàm năng lượng $\frac{dE(t)}{dt}$ và chứng minh: $$\frac{dE(t)}{dt} = -\sum_{(i,j)} \frac{dy_{ij}(t)}{dt} \left[ C \frac{dx_{ij}(t)}{dt} + \left( \frac{1}{R_x} x_{ij}(t) - \frac{1}{R_x} y_{ij}(t) \right) \right]$$ Vì $\frac{dy_{ij}}{dx_{ij}} \ge 0$ và $(x_{ij} - y_{ij})\frac{dy_{ij}}{dt} \ge 0$ theo tính chất của hàm tuyến tính từng đoạn, ta suy ra $\frac{dE(t)}{dt} \le 0$ với mọi $t \ge 0$.
  3. Thiết lập các kịch bản mô phỏng kiểm thử điều kiện hội tụ: Kịch bản trạng thái ban đầu ngẫu nhiên, kịch bản có nhiễu đầu vào, và kịch bản ma trận trọng số biên.
  4. Xây dựng thuật toán ma trận bộ nhớ liên kết bậc hai $A(i,j;k,l;m,n)$ bằng tích tenxơ các vector mẫu huấn luyện theo nguyên lý mở rộng Hebbian.
  5. Tổng hợp RTL và nạp nhúng lên chip FPGA/STM32, đo đạc tốc độ xử lý khung hình ảnh và thời gian trễ hội tụ.

Data và phân tích

Dữ liệu nghiên cứu bao gồm các ma trận mẫu nhị phân và lưỡng cực, vector trạng thái điện áp $x_{ij}(t)$, tín hiệu đầu ra $y_{ij}(t)$, và các dòng dữ liệu ảnh thực nghiệm. Công cụ phân tích bao gồm gói giải thuật ODE trong MATLAB để khảo sát quỹ đạo không gian pha và công cụ phân tích Logic Analyzer để đo đạc dạng sóng xung trên phần cứng.

Các kiểm tra tính vững (robustness checks) được thực hiện với các mức nhiễu đảo bit ngẫu nhiên (1-bit error, 2-bit error) trên các mẫu ký tự và hình ảnh kiểm thử nhằm xác định ranh giới hội tụ chính xác của các điểm hút năng lượng (attractor basins).

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại 4 phát hiện đột phá với minh chứng định lượng và giải tích xác thực:

  1. Chứng minh toán học hoàn chỉnh về tính ổn định đầy đủ của CNN bậc hai và bậc cao: Giá trị chặn trên của hàm năng lượng được xác định chính xác theo công thức: $$E_{max} = \frac{1}{2}\sum_{(i,j)}\sum_{(k,l)} |A(i,j;k,l)| + \sum_{(i,j)}\sum_{(k,l)} |B(i,j;k,l)| + MN\left(\frac{1}{2R_x} + |I|\right) + \frac{1}{3}\sum_{(i,j)}\sum_{(k,l)}\sum_{(m,n)} |A(i,j;k,l;m,n)| + \sum_{(i,j)}\sum_{(k,l)}\sum_{(m,n)} |B(i,j;k,l;m,n)|$$ Kết quả này đảm bảo $\lim_{t \to \infty} E(t) = \text{const}$ và $\lim_{t \to \infty} \frac{dE(t)}{dt} = 0$, khẳng định không có hiện tượng phân kỳ trạng thái.

  2. Mở rộng vượt bậc dung lượng lưu trữ và khả năng phục hồi mẫu của Bộ nhớ liên kết: Khi so sánh thực nghiệm nhận dạng mẫu giữa CNN chuẩn và CNN bậc hai (Bảng 3.4 và Bảng 3.5 trong luận án), CNN chuẩn chỉ khôi phục chính xác mẫu nguyên bản nhưng thất bại hoặc nhầm lẫn khi mẫu bị lỗi bit ($1$-bit error). Ngược lại, bộ nhớ liên kết CNN bậc hai với ma trận tương tác $A(i,j;k,l;m,n)$ có khả năng khử nhiễu hoàn toàn, tự sửa lỗi sai $1$-bit và tái tạo $100%$ mẫu gốc chính xác.

  3. Tốc độ hội tụ và chuyển đổi trạng thái siêu tốc: Kết quả mô phỏng trên MATLAB (Hình 2.3 - Hình 2.8) cho thấy các biến trạng thái $x_{11}(t), x_{22}(t)$ và đầu ra $y_{11}(t), y_{22}(t)$ nhanh chóng thoát khỏi vùng tuyến tính $(-1 \le x_{ij} \le 1)$ và đạt trạng thái bão hòa ổn định chỉ trong khoảng thời gian quá độ $t < 2\tau$ (với $\tau = R_x C$).

  4. Hiện thực hóa thành công kiến trúc phần cứng nhúng lai FPGA - STM32: Hệ thống tích hợp xử lý ảnh quang học đạt tốc độ cao, phân tích và giải thuật toán ma trận CNN bậc hai song song trên phần cứng logic của FPGA, sau đó truyền kết quả điều khiển sang vi điều khiển STM32 với độ trễ thấp và độ tin cậy vượt trội.

Implications đa chiều

  • Đóng góp học thuật: Luận án cung cấp một công cụ giải tích mới cho cộng đồng nghiên cứu mạng nơron hồi quy và hệ động học phi tuyến, mở rộng định lý Slavova và Chua cho các hệ bậc cao.
  • Đổi mới phương pháp luận: Thiết lập quy trình chuẩn từ chứng minh giải tích lý thuyết đến mô phỏng số và đóng gói phần cứng chuyên dụng.
  • Ứng dụng thực tiễn công nghiệp & Nông nghiệp thông minh: Kiến trúc HiCNN trên nền STM32 được ứng dụng để tối ưu hóa điều khiển tương tác đa biến trong mô hình Smart Farm (kiểm soát tương quan độ ẩm, nhiệt độ, ánh sáng và dinh dưỡng cây trồng theo thời gian thực).
  • Ứng dụng Y tế kỹ thuật số: Mô hình cảnh báo sớm cho bệnh nhân sử dụng thuốc chống đông máu kháng Vitamin K thông qua theo dõi chỉ số INR (International Normalized Ratio), giúp phát hiện kịp thời nguy cơ xuất huyết hoặc huyết khối tắc mạch dựa trên tương tác đa biến sinh học.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận một số giới hạn nghiên cứu:

  1. Độ phức tạp tính toán và bùng nổ số lượng trọng số: Khi bậc đa thức $K$ tăng lên ($K \ge 3$) hoặc bán kính lân cận $r \ge 2$, số lượng phần tử của tenxơ trọng số $A$ và $B$ tăng theo cấp số nhân, đòi hỏi dung lượng bộ nhớ lớn để lưu trữ ma trận kết nối.
  2. Giới hạn công nghệ chế tạo bán dẫn: Nghiên cứu dừng lại ở mức mô phỏng phần cứng trên FPGA và vi điều khiển nhúng, chưa chế tạo thành chip tích hợp chuyên dụng tương tự thuần túy (ASIC/VLSI CMOS Analog Array Processor).
  3. Ràng buộc điều kiện đối xứng nghiêm ngặt: Các chứng minh toán học hiện tại phụ thuộc chặt chẽ vào giả định ma trận trọng số đối xứng tuyệt đối. Trong thực tế chế tạo mạch điện tử, sai số linh kiện (dung sai điện trở $R$, tụ điện $C$) có thể gây ra hiện tượng bất đối xứng nhẹ.

Chương trình nghiên cứu tiếp theo mở ra các hướng đi cụ thể:

  • Mở rộng lý thuyết ổn định cho các mạng HiCNN bất đối xứng (Asymmetric Higher-order CNN) sử dụng lý thuyết tập hút đại số.
  • Nghiên cứu thuật toán học sâu tối ưu hóa ma trận trọng số bậc cao tự động (Deep Learning Templates) thay thế cho việc gán trọng số thủ công.
  • Thiết kế vi mạch tích hợp VLSI tương tự chuyên dụng cho CNN bậc cao nhằm tối đa hóa tốc độ tính toán song song với mức tiêu thụ năng lượng siêu thấp (Ultra-low power).

Tác động và ảnh hưởng

Luận án tạo ra tác động sâu rộng trên nhiều bình diện:

  • Tác động học thuật: Các kết quả công bố trên các kỷ yếu hội thảo quốc gia REV và tạp chí khoa học chuyên ngành khẳng định vị thế tiên phong của nghiên cứu vi mạch và trí tuệ nhân tạo tính toán tại Việt Nam.
  • Chuyển đổi công nghiệp & Tự động hóa: Cung cấp giải pháp phần cứng nhúng xử lý ảnh tốc độ cao trong công nghiệp kiểm định tự động, phân loại sản phẩm và giám sát an toàn giao thông đường sắt (tiếp nối các đề tài đếm bu lông, tà vẹt đường ray).
  • Lợi ích xã hội & Y tế: Ứng dụng theo dõi chỉ số y tế INR và nông nghiệp công nghệ cao đem lại giá trị ứng dụng thực tiễn trực tiếp cho sức khỏe cộng đồng và năng suất nông nghiệp bền vững.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học máy tính: Tiếp cận khung lý thuyết giải tích hoàn chỉnh về hệ động học phi tuyến bậc cao và phương pháp chứng minh ổn định Lyapunov/Slavova mở rộng.
  • Kỹ sư thiết kế phần cứng & Hệ thống nhúng (Embedded/FPGA Engineers): Sở hữu kiến trúc tham chiếu chi tiết về việc kết hợp mảng logic song song của FPGA với khả năng điều khiển linh hoạt của vi điều khiển ARM Cortex (STM32).
  • Các doanh nghiệp công nghệ Nông nghiệp và Thiết bị Y tế: Khai thác giải pháp thuật toán xử lý tín hiệu đa tương tác phục vụ các bài toán điều khiển môi trường và giám sát lâm sàng thông minh.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc mở rộng hệ phương trình vi phân động học của Leon O. Chua sang mô hình mạng nơron tế bào bậc hai và bậc cao đa tương tác, đồng thời xây dựng thành công hàm vô hướng $E(t)$ đóng vai trò như hàm Lyapunov mở rộng để chứng minh định lý Ổn định đầy đủ (Complete Stability).

  2. Đổi mới phương pháp luận so với các công trình quốc tế? Khác với Qiang Zhang (2008) chỉ tập trung vào trễ thời gian rời rạc, hay Wentao Wang và Bingwen Liu (2014) khảo sát biến trạng thái đa thức độc lập, luận án đã tích hợp trực tiếp tương tác tích chéo không gian bậc hai $\sum\sum A(i,j;k,l;m,n)y_{kl}y_{mn}$ vào phương trình trạng thái và giải quyết trọn vẹn bài toán ổn định bằng phương pháp quy nạp toán học kết hợp kiểm chứng đồng bộ trên phần cứng thực STM32-FPGA.

  3. Phát hiện bất ngờ nhất với bằng chứng định lượng là gì? Khả năng tự sửa sai và phục hồi mẫu vượt trội của bộ nhớ liên kết CNN bậc hai: khi mẫu đầu vào bị méo mó và sai lệch $1$-bit dữ liệu, bộ nhớ CNN chuẩn rơi vào trạng thái bão hòa sai lệch, trong khi CNN bậc hai khôi phục chính xác $100%$ mẫu gốc nhờ sự hỗ trợ của các liên kết phản hồi bậc hai đa hướng.

  4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không? Có. Luận án cung cấp đầy đủ sơ đồ khối thuật toán, hệ phương trình trạng thái toán học, bảng tham số kết nối ma trận $A, B$, kịch bản mô phỏng MATLAB, mã nguồn phần mềm trên Java và cấu trúc kết nối phần cứng giữa kit STM32 và FPGA.

  5. Định hướng nghiên cứu 10 năm tới được phác thảo như thế nào? Lộ trình phát triển hướng tới: (i) Hiện thực hóa chip bán dẫn chuyên dụng ASIC/VLSI Analog CNN bậc cao; (ii) Tích hợp học máy tự động tối ưu trọng số (Adaptive Learning Algorithms); (iii) Ứng dụng trong các hệ thống tính toán biên (Edge AI) xử lý thị giác máy tính thời gian thực với độ trễ nano-giây.

Kết luận

  1. Luận án đã giải quyết thành công bài toán mở rộng mạng nơron tế bào từ cấu trúc tuyến tính chuẩn của Leon O. Chua sang mô hình mạng nơron tế bào bậc cao (HiCNN) đa tương tác dạng đa thức.
  2. Xây dựng hoàn chỉnh hàm năng lượng $E(t)$ và chứng minh toán học nghiêm ngặt về tính ổn định đầy đủ của hệ động học phi tuyến bậc cao.
  3. Thiết lập và tối ưu hóa thành công mô hình Bộ nhớ liên kết trên nền CNN bậc hai, chứng minh sự vượt trội về dung lượng cất giữ mẫu và khả năng chịu lỗi so với mạng Hopfield, BAM và CNN chuẩn.
  4. Hiện thực hóa và kiểm chứng thành công kiến trúc đồng xử lý phần cứng lai tối ưu giữa FPGA và vi điều khiển ARM 32-bit STM32.
  5. Ứng dụng thành công mô hình trong các bài toán thực tiễn có tính liên ngành cao: nhận dạng mẫu ảnh tốc độ cao, điều khiển đa biến nông nghiệp thông minh (Smart Farm) và cảnh báo sớm trong điều trị y tế (INR).
  6. Mở ra một hướng nghiên cứu giải tích và ứng dụng phần cứng đầy tiềm năng cho các thế hệ máy tính nơron mảng tương tự đa năng tiếp theo.