Tổng quan về luận án

Phương trình đạo hàm riêng (Partial Differential Equation - PDE) là nền tảng toán học kinh điển dùng để mô hình hóa các quy luật biến thiên không - thời gian trong vật lý, cơ học chất lưu, truyền nhiệt, xử lý tín hiệu và thị giác máy tính. Tuy nhiên, phần lớn các hệ PDE trong thực tế không tồn tại nghiệm giải tích tường minh (analytical solution). Các phương pháp tính số truyền thống như sai phân hữu hạn (Finite Difference Method - FDM), phần tử hữu hạn (Finite Element Method - FEM) và thể tích hữu hạn (Finite Volume Method - FVM) đối mặt với rào cản "lời nguyền số chiều" (curse of dimensionality) và chi phí bộ nhớ khổng lồ khi phải rời rạc hóa miền tính toán thành hệ thống lưới (mesh-based) cực mịn để đảm bảo độ hội tụ.

Nhằm vượt qua nút thắt này, luận án tiến sĩ chuyên ngành Cơ sở toán cho tin học (Mã số: 62460110) với đề tài "Tiếp cận máy học trong giải phương trình đạo hàm riêng, ứng dụng trong xử lý ảnh y khoa" do Nghiên cứu sinh Hồ Đắc Quán thực hiện dưới sự hướng dẫn khoa học của PGS. Huỳnh Trung Hiếu tại Trường Đại học Khoa học Tự nhiên - Đại học Quốc gia TP. Hồ Chí Minh đã thiết lập một hệ phương pháp luận đột phá. Luận án đặt ra ba câu hỏi nghiên cứu cốt lõi:

  1. RQ1: Làm thế nào để giải các phương trình đạo hàm riêng tuyến tính dạng Elliptic và phương trình khuếch tán đối lưu (Advection-Diffusion PDE - AD-PDE) mà không cần lặp qua thuật toán lan truyền ngược (Backpropagation) nhằm tối ưu triệt để tốc độ huấn luyện và độ chính xác?
  2. RQ2: Làm cách nào để tích hợp nghiệm của phương trình khuếch tán phi tuyến (Nonlinear Diffusion Equation - NDE) vào kiến trúc mạng nơron nhằm khử nhiễu ảnh y tế (siêu âm, CT, MRI) trong khi vẫn bảo toàn hoàn hảo các đường biên và cấu trúc giải phẫu vi mô?
  3. RQ3: Bằng cơ chế nào các phương trình vi phân thường/đạo hàm riêng theo thời gian thực (Neural ODE, Continuous-Time RNN, Liquid Time-Constant) có thể mô hình hóa chuỗi thời gian liên tục để giám sát và nhận dạng chính xác hành vi vệ sinh tay y tế theo quy chuẩn 6 bước của Tổ chức Y tế Thế giới (WHO)?

Luận án đề xuất khung lý thuyết dựa trên mạng truyền thẳng một lớp ẩn (Single Hidden Layer Feedforward Network - SLFN) kết hợp thuật toán huấn luyện cực trị (Extreme Learning Machine - ELM), kỹ thuật lấy mẫu ngẫu nhiên Monte Carlo (MC), mô hình khuếch tán phi tuyến Perona-Malik cải tiến và mạng nơron động lực học thời gian liên tục (LTC-ODE). Nghiên cứu giải quyết bài toán trên không gian 1D, 2D tĩnh và dữ liệu video chuỗi thời gian động, mở ra hướng đi mới kết hợp giữa toán học vi phân giải tích và trí tuệ nhân tạo hiện đại.

Literature Review và Positioning

Lịch sử giải phương trình đạo hàm riêng bằng mạng nơron nhân tạo ghi nhận các công trình nền tảng của Lagaris và cộng sự (1998, 2000) khi sử dụng mạng nhiều lớp (MLP) tối ưu hóa bằng thuật toán Levenberg-Marquardt (LM) hoặc lan truyền ngược (BP) để giải bài toán giá trị biên (BVPs) và giá trị ban đầu (IBVPs). Mai-Duy và Tran-Cong (2001-2006) mở rộng hướng tiếp cận bằng mạng hàm cơ sở xuyên tâm (RBFNs). Tuy nhiên, các kỹ thuật này tồn tại điểm yếu cố hữu: tốc độ hội tụ cực chậm do tối ưu dựa trên suy giảm gradient (Gradient Descent), dễ rơi vào điểm cực trị cục bộ (local minima), và nhạy cảm với việc khởi tạo trọng số.

Gần đây, sự xuất hiện của Mạng nơron vật lý tích hợp (Physics-Informed Neural Networks - PINN) bởi Raissi et al., Deep Galerkin Method (DGM) bởi Sirignano & Spiliopoulos, hay Theory of Functional Connections (TFC/X-TFC) bởi Mortari et al. (2020) đã định hình lại bức tranh học máy khoa học (Scientific Machine Learning). Dẫu vậy, PINN và DGM vẫn phụ thuộc nặng nề vào quá trình tối ưu lặp phi tuyến đắt đỏ. Srinivasan et al. phát triển mô hình PIELM và DPIELM (Distributed Physics-Informed ELM) bằng cách chia nhỏ miền tính toán tương tự thể tích hữu hạn, nhưng phương pháp lấy mẫu phân bố đều tĩnh làm gia tăng sai số tại các vùng chuyển tiếp gradient cao.

Trong xử lý ảnh y khoa, bài báo kinh điển của Pietro Perona và Jitendra Malik (1990) về khuếch tán bất đẳng hướng (anisotropic diffusion) đã đặt nền móng cho việc bảo toàn biên khi khử nhiễu. Tuy nhiên, việc xấp xỉ phương trình Perona-Malik bằng sai phân hữu hạn thông thường gây ra hiện tượng khối hóa (staircasing artifacts) và nhạy cảm với nhiễu đốm (speckle noise) trong ảnh siêu âm (Ultrasound) hay nhiễu Poisson trong chụp cắt lớp vi tính (CT).

Về mặt nhận dạng hành vi chuỗi (Human Activity Recognition - HAR) trong chăm sóc sức khỏe, việc giám sát tuân thủ vệ sinh tay y tế nhằm ngăn chặn nhiễm khuẩn bệnh viện (Healthcare-Associated Infections - HAIs) – nguyên nhân gây ra hơn 98.000 ca tử vong hàng năm tại Hoa Kỳ theo báo cáo của Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh (CDC) – vốn phụ thuộc vào các mô hình rời rạc như Hidden Markov Models (HMM), Support Vector Machines (SVM), hoặc RNN/LSTM truyền thống. Những mô hình này gặp khó khăn nghiêm trọng khi xử lý dữ liệu video có tốc độ khung hình biến thiên hoặc mất mát thông tin thời gian thực.

Luận án của NCS. Hồ Đắc Quán định vị nghiên cứu tại giao điểm đột phá: thay thế toàn bộ quá trình tối ưu lặp bằng lời giải giải tích dạng đóng (closed-form analytical solution) thông qua giả nghịch đảo Moore-Penrose trong ELM, tích hợp lấy mẫu Monte Carlo không gian và liên kết phương trình vi phân liên tục (Neural ODE / Liquid Time-Constant) cho bài toán thị giác máy tính động.

                  TIẾP CẬN KHOA HỌC TRONG GIẢI PDE & THỊ GIÁC Y TẾ
                                         │
     ┌───────────────────────────────────┴───────────────────────────────────┐
     ▼                                                                       ▼
[Phương pháp số cổ điển]                                            [Mạng nơron truyền thống]
- FDM, FEM, FVM (Mesh-based)                                        - MLP, PINN, DGM, ResNet
- Giới hạn: "Lời nguyền số chiều"                                   - Giới hạn: Tối ưu lặp gradient
- Lưới mịn gây bùng nổ chi phí tính toán                            - Hội tụ chậm, kẹt cực trị cục bộ
     │                                                                       │
     └───────────────────────────────────┬───────────────────────────────────┘
                                         ▼
                 [KHUNG ĐỘT PHÁ CỦA LUẬN ÁN: HỒ ĐẮC QUÁN (2023)]
 ┌───────────────────────────────────────────────────────────────────────────────────┐
 │ 1. ELMNN & ELMNET: Huấn luyện phi lặp (Non-iterative) + Lấy mẫu Monte Carlo       │
 │ 2. NDEANN: Khử nhiễu ảnh y tế bảo toàn biên qua PDE phi tuyến Perona-Malik        │
 │ 3. LTC-NODE: Mô hình hóa dòng thời gian liên tục giám sát quy trình rửa tay WHO   │
 └───────────────────────────────────────────────────────────────────────────────────┘

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và hoàn thiện ba lý thuyết toán - tin quan trọng:

  1. Mở rộng lý thuyết Extreme Learning Machine (Huang et al.) sang giải phương trình đạo hàm riêng cấp hai: Thay vì sử dụng ELM cho phân loại hoặc hồi quy thống kê thuần túy, luận án xây dựng toán tử vi phân trực tiếp lên hàm kích hoạt khả vi vô hạn của lớp ẩn, chuyển hóa bài toán vi phân biên tuyến tính thành bài toán bình phương tối thiểu tuyến tính có điều kiện biên kết hợp.
  2. Phát triển lý thuyết nghiệm thử (Trial Solution Formulation) trong bài toán AD-PDE: Thiết lập nghiệm giải tích thỏa mãn hoàn toàn điều kiện biên Dirichlet và Neumann tự động thông qua cấu trúc hàm phần dư, triệt tiêu sai số biên ngay trong không gian hàm nghiệm.
  3. Định hình lý thuyết biểu diễn trạng thái liên tục qua Neural ODE và Liquid Time-Constant (LTC): Chứng minh toán học rằng việc biểu diễn một chuỗi khối dư ResNet (He et al., 2016) chính là phép xấp xỉ sai phân Euler bậc một của một phương trình vi phân thường $\frac{du(t)}{dt} = f(u(t), t, h(t))$. Từ đó, mở rộng trạng thái ẩn của mạng hồi quy thành hệ thống động lực phi tuyến với hằng số thời gian biến thiên (liquid time-constants), nâng cao khả năng khái quát hóa quy luật vận động cơ thể người.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch ba trụ cột:

  • Toán tử vi phân giải tích: Sử dụng các toán tử Laplace ($\Delta$), Divergence ($\text{div}$) và Gradient ($\nabla$) để ràng buộc nghiệm của mạng nơron tuân thủ định luật bảo toàn vật lý.
  • Cơ chế học cấu trúc không lặp (Non-iterative Structural Learning): Trọng số đầu vào và độ lệch ($w, b$) của lớp ẩn được khởi tạo ngẫu nhiên liên tục; ma trận trọng số đầu ra ($\beta$) được tính trực tiếp trong một bước thông qua phép biến đổi ma trận giả nghịch đảo: $$\beta = H^{\dagger} T = (H^T H)^{-1} H^T T$$ trong đó $H$ là ma trận đầu ra của lớp ẩn chứa các đạo hàm riêng bậc nhất và bậc hai của hàm kích hoạt, $T$ là vector vế phải của phương trình PDE kết hợp điều kiện ban đầu/biên.
  • Khung điều kiện biên (Boundary Condition Encasement): Tách rời miền tính toán $\Omega$ và biên $\partial\Omega$ thông qua chiến lược lấy mẫu xác suất ngẫu nhiên, loại bỏ hoàn toàn sự phụ thuộc vào cấu trúc lưới hình học cứng nhắc.
                           KHUNG PHÂN TÍCH TOÁN HỌC TỔNG THỂ
  
  [Phương trình PDE / AD-PDE] ──► [Lấy mẫu Monte Carlo trong & biên] ──► [Ma trận đặc trưng vi phân H]
                                                                                   │
                                                                         [Nghịch đảo Moore-Penrose]
                                                                                   │
  [Nghiệm xấp xỉ liên tục u(x,t)] ◄── [Tính trọng số đầu ra Beta] ◄────────────────┘

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng toán học (Mathematical Positivism) kết hợp khoa học tính toán thực nghiệm (Empirical Computational Science). Quy trình nghiên cứu gồm 4 giai đoạn chuẩn hóa:

  1. Xây dựng mô hình toán học giải tích cho phương trình Elliptic, Parabolic và hệ khuếch tán đối lưu AD-PDE.
  2. Thiết kế thuật toán học máy giải tích không lặp ELMNN và ELMNET.
  3. Tích hợp giải thuật vào bài toán biên khử nhiễu ảnh y tế hai chiều (NDEANN).
  4. Xây dựng kiến trúc học sâu không gian - thời gian liên tục (HOG + Continuous-Time GRU / LTC-NODE + Random Forest) cho phân tích video chuỗi y tế.

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm được chuẩn hóa nghiêm ngặt từ khâu tiền xử lý, sinh mẫu đến kiểm định sai số:

  • Thuật toán ELMNN giải phương trình Elliptic: Xét bài toán Poisson $\Delta u(x,y) = f(x,y)$ trên miền đóng $\Omega = [a, b] \times [d, e]$. Mạng nơron truyền thẳng SLFN sử dụng $N$ nút ẩn với hàm kích hoạt Sigmoid hoặc Sin khả vi vô hạn. Không gian được lấy mẫu ngẫu nhiên bằng phân bố đều hoặc phân bố Monte Carlo gồm $N_{int}$ điểm trong miền và $N_{bc}$ điểm trên biên $\partial\Omega$.
  • Thuật toán ELMNET giải AD-PDE (1D+t và 2D+t): Mô hình hóa phương trình truyền sóng và khuếch tán: $$\frac{\partial u}{\partial t} + v_x \frac{\partial u}{\partial x} + v_y \frac{\partial u}{\partial y} = D \left(\frac{\partial^2 u}{\partial x^2} + \frac{\partial^2 u}{\partial y^2}\right) + f(t, x, y)$$ Sử dụng phương pháp lấy mẫu tỷ lệ bác bỏ Monte Carlo (Rejection Sampling) để tập trung các điểm kiểm tra tại các vùng biến thiên hàm dốc cao, giải quyết triệt để hiện tượng mất ổn định số học (numerical instability).
  • Quy trình khử nhiễu ảnh NDEANN: Giải phương trình khuếch tán phi tuyến Perona-Malik: $$\frac{\partial u}{\partial t} - \text{div}\left(c(|\nabla u|)\nabla u\right) = 0$$ với hàm hệ số khuếch tán triệt tiêu biên $c(|\nabla u|) = \exp\left(-\left(\frac{|\nabla u|}{K}\right)^2\right)$, trong đó $K$ là tham số điều khiển ngưỡng tương phản biên.
  • Quy trình nhận dạng hành vi vệ sinh tay RT6B (WHO): Trích xuất đặc trưng hình học không gian bằng Histogram of Oriented Gradients (HOG) đa khối, đưa qua mạng nơron thời gian liên tục CT-GRU/LTC để trích xuất biểu diễn biến thiên trạng thái nơron liên tục, và phân loại hành động bằng mô hình Rừng ngẫu nhiên (Random Forest).
                      QUY TRÌNH THỰC NGHIỆM ĐA TẦNG CỦA LUẬN ÁN
  
   [Dữ liệu đầu vào] ──► [Sinh mẫu Collocation (Monte Carlo)] ──► [Huấn luyện giải tích ELMNN/ELMNET]
           │                                                                    │
   [Ảnh y tế CT/MRI] ──► [Mô hình PDE phi tuyến Perona-Malik] ──► [Đánh giá PSNR / MAE khử nhiễu]
           │                                                                    │
   [Video thao tác tay] ──► [Trích xuất đặc trưng HOG] ──► [LTC-NODE / CT-GRU] ──► [Phân loại Random Forest]

Data và phân tích

Nghiên cứu sử dụng hệ thống dữ liệu đa dạng và công cụ phân tích hiện đại:

  • Dữ liệu toán học mô phỏng:
    • Bài toán Poisson 2D dạng 1: $f(x, y) = \sin(\pi x)\sin(\pi y)$ với nghiệm chính xác $u(x,y) = -\frac{1}{2\pi^2}\sin(\pi x)\sin(\pi y)$.
    • Bài toán Poisson 2D dạng 2: $f(x, y) = (x^3 + y^3) - 2(x + y)$.
    • Bài toán AD-PDE 1D và 2D phụ thuộc thời gian với vận tốc đối lưu $v$ và hệ số khuếch tán $D$ xác định.
  • Dữ liệu ảnh y tế & tiêu chuẩn: Tập ảnh chuẩn xám 2D (Lena, Cameraman, Barbara 512x512) và tập dữ liệu ảnh y tế thực tế gồm ảnh chụp cắt lớp vi tính (CT não, gan), ảnh cộng hưởng từ (MRI) và ảnh siêu âm y tế chịu tác động của nhiễu Gauss và nhiễu đốm nhân tạo.
  • Dữ liệu video nhận dạng cử chỉ: Tập dữ liệu chuẩn Hand Wash Dataset và bộ dữ liệu thu thập thực nghiệm đa người dùng Ad-Hoc Dataset tuân thủ nghiêm ngặt 6 bước vệ sinh tay của Tổ chức Y tế Thế giới (RT6B).
  • Môi trường tính toán & Phần mềm: Hệ thống được lập trình và mô phỏng trên nền tảng Python, MATLAB, thư viện NumPy, SciPy, PyTorch, scikit-learn và OpenCV.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại các kết quả thực nghiệm và toán học vượt trội so với các công bố quốc tế cùng thời điểm:

  1. Độ chính xác vượt bậc của ELMNN trên bài toán Elliptic: Trên bài toán Poisson với $f(x,y) = \sin(\pi x)\sin(\pi y)$, thuật toán ELMNN đạt sai số bình phương trung bình cực tiểu (MSE) đạt mức $10^{-6}$ đến $10^{-7}$, vượt trội hoàn toàn so với mô hình RBFNs của Mai-Duy et al. và MANN của Kumar et al. (đạt mức $10^{-4}$).
  2. Khả năng hội tụ siêu tốc và ổn định của ELMNET trên AD-PDE: Kết quả so sánh giữa ELMNET và mô hình VarNet cho thấy ELMNET giảm thời gian tính toán hơn 90% (từ hàng chục phút tối ưu gradient lặp xuống chỉ còn vài mili-giây cho bước nghịch đảo ma trận), đồng thời đường cong sai số biến thiên ($e_{BC}, e_{IC}, e_{total}$) của ELMNET triệt tiêu mượt mà mà không xảy ra dao động số (numerical oscillations).
  3. Bảo toàn cấu trúc biên xuất sắc trong ảnh y khoa (NDEANN): Khi áp dụng NDEANN vào khử nhiễu ảnh y tế (CT, MRI, siêu âm), tỷ số tín hiệu cực đại trên nhiễu (Peak Signal-to-Noise Ratio - PSNR) tăng trung bình từ 3.2 dB đến 5.8 dB so với phương pháp Perona-Malik (PM) cổ điển dùng sai phân hữu hạn. Chỉ số sai số tuyệt đối trung bình (MAE) giảm đáng kể, loại bỏ hoàn toàn hiện tượng biên giả và bảo toàn độ tương phản giữa các mô bệnh học.
  4. Đột phá trong nhận dạng quy trình rửa tay y tế: Mô hình kết hợp LTC-NODE và Random Forest đạt độ chính xác phân loại tổng thể (Accuracy) trên 93.8% trên tập dữ liệu chuẩn Hand Wash và vượt trên 91.5% trên tập dữ liệu phức tạp Ad-Hoc, vượt trội hơn hẳn các mô hình kinh điển như SVM (78.2%), KNN (74.6%), HMM (81.3%) và CNN-LSTM thuần túy (86.4%). Biểu đồ Boxplot và đường cong đặc trưng hoạt động máy thu (ROC curve) chứng minh mô hình duy trì diện tích dưới đường cong (AUC) đạt xấp xỉ 0.97 cho tất cả 6 bước rửa tay tiêu chuẩn.
                          SO SÁNH HIỆU NĂNG ĐỊNH LƯỢNG
  
  [Phương pháp giải PDE]
  ┌───────────────┬───────────────────────────────┬───────────────────────────────┐
  │ Thuật toán    │ Sai số trung bình (MSE)       │ Thời gian huấn luyện          │
  ├───────────────┼───────────────────────────────┼───────────────────────────────┤
  │ PINN / VarNet │ 10^-3 ~ 10^-4                 │ Vài phút ~ hàng chục phút     │
  │ ELMNN/ELMNET  │ 10^-6 ~ 10^-7 (Đột phá)       │ < 1.5 giây (Không lặp)        │
  └───────────────┴───────────────────────────────┴───────────────────────────────┘

  [Khử nhiễu ảnh y tế]
  ┌───────────────┬───────────────────────────────┬───────────────────────────────┐
  │ Phương pháp   │ PSNR cải thiện                │ Giữ biên vi mô giải phẫu      │
  ├───────────────┼───────────────────────────────┼───────────────────────────────┤
  │ PM sai phân   │ Cơ sở                         │ Bị mờ nhẹ, xuất hiện khối giả │
  │ NDEANN (Mới)  │ +3.2 dB ~ +5.8 dB             │ Rõ nét, không sinh biên giả   │
  └───────────────┴───────────────────────────────┴───────────────────────────────┘

  [Nhận dạng vệ sinh tay WHO (RT6B)]
  ┌───────────────┬───────────────────────────────┬───────────────────────────────┐
  │ Mô hình       │ Độ chính xác (Accuracy)       │ Xử lý chuỗi thời gian thực    │
  ├───────────────┼───────────────────────────────┼───────────────────────────────┤
  │ SVM / HMM     │ 74.6% - 81.3%                 │ Kém, nhạy cảm tốc độ khung    │
  │ LTC-NODE + RF │ 91.5% - 93.8% (Tối ưu)        │ Mượt mà, liên tục (ODE continuous) │
  └───────────────┴───────────────────────────────┴───────────────────────────────┘

Implications đa chiều

  • Về mặt học thuật: Mở ra hướng tiếp cận kết hợp giải tích ma trận và vật lý nơron (Physics-Informed Matrix Factorization), giải phóng các nhà nghiên cứu khỏi sự phụ thuộc vào hạ tầng GPU khổng lồ vốn cần thiết để huấn luyện các mạng học sâu lặp đi lặp lại.
  • Về mặt y tế lâm sàng: Cung cấp công cụ tiền xử lý ảnh y tế tốc độ cao, hỗ trợ bác sĩ chẩn đoán hình ảnh phát hiện sớm các tổn thương dạng khối u, xuất huyết não trên ảnh CT/MRI với độ tin cậy quang học cao nhất.
  • Về mặt quản trị bệnh viện & phòng dịch: Cung cấp giải pháp giám sát tự động không tiếp xúc quy trình kiểm soát nhiễm khuẩn qua camera thông thường, hỗ trợ các bệnh viện đáp ứng chỉ số chất lượng y tế của Bộ Y tế và WHO với chi phí vận hành thấp.

Limitations và Future Research

Luận án thừa nhận một số giới hạn nghiên cứu khách quan:

  1. Giới hạn hình học miền tính toán: Các thực nghiệm số của ELMNN và ELMNET chủ yếu kiểm thử trên các miền không gian lồi hoặc miền chữ nhật 1D, 2D ($\Omega \subset \mathbb{R}^2$). Việc mở rộng sang các miền hình học phức tạp, phi cấu trúc đa chiều (3D/4D complex manifolds) đòi hỏi kỹ thuật phân rã miền (Domain Decomposition) tinh vi hơn.
  2. Độ nhạy của ma trận ẩn khi số nút cực lớn: Khi số nút ẩn $N$ tăng lên hàng nghìn để đạt độ chính xác siêu cao, ma trận $H$ có thể gặp hiện tượng xấu điều kiện (ill-conditioned matrix), đòi hỏi bổ sung kỹ thuật hiệu chỉnh Tikhonov hoặc Ridge Regression để ổn định nghiệm.
  3. Phụ thuộc điều kiện chiếu sáng trong nhận dạng hành vi: Mô hình trích xuất đặc trưng HOG cho video rửa tay có thể suy giảm hiệu năng nhẹ trong điều kiện góc quay bị che khuất một phần (occlusion) hoặc ánh sáng môi trường phòng mổ thay đổi đột ngột.

Chương trình nghiên cứu tương lai (Future Research Agenda) vạch ra 4 hướng mở rộng:

  • Mở rộng thuật toán ELMNET cho các hệ phương trình Navier-Stokes phi tuyến mô phỏng dòng chảy huyết động học trong mạch máu tim và não bộ.
  • Tích hợp mạng học sâu Physics-Informed Graph Neural Networks (PI-GNN) để giải PDE trên lưới tam giác phi cấu trúc phục vụ tạo hình 3D nội tạng.
  • Ứng dụng kỹ thuật Self-Attention và Transformer thời gian liên tục kết hợp LTC-NODE để nhận dạng đa hành vi phức tạp của phẫu thuật viên trong phòng mổ thông minh.
  • Nhúng thuật toán khử nhiễu NDEANN trực tiếp vào phần cứng vi mạch (FPGA / Edge-AI chips) trên các đầu dò máy siêu âm cầm tay di động.

Tác động và ảnh hưởng

Công trình nghiên cứu mang lại tác động sâu rộng trên nhiều bình diện:

  • Đóng góp học thuật quốc tế: Đã công bố 02 công trình khoa học trên các tạp chí quốc tế thuộc danh mục SCIE uy tín [CT2, CT4], 01 bài báo hội thảo quốc tế [CT3] và 01 bài báo hội thảo chuyên ngành trong nước [CT1], khẳng định chất lượng và sự thẩm định khắt khe từ cộng đồng toán học và công nghệ thông tin quốc tế.
  • Chuyển đổi công nghệ số trong y tế: Đặt nền tảng cho việc tự động hóa khâu xử lý ảnh tại các hệ thống lưu trữ và truyền hình ảnh y tế (PACS) tại các bệnh viện lớn, giảm thiểu thời gian chờ chẩn đoán cho bệnh nhân.
  • Lợi ích kinh tế - xã hội: Góp phần giảm thiểu chi phí điều trị nhiễm khuẩn bệnh viện (vốn tiêu tốn hàng triệu USD mỗi năm tại các cơ sở y tế theo dữ liệu CDC) thông qua giải pháp trí tuệ nhân tạo giám sát vệ sinh dịch tễ chi phí thấp, triển khai dễ dàng trên hạ tầng camera giám sát sẵn có.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật Toán - Tin: Tiếp cận tài liệu chuẩn mực về phương pháp số giải tích kết hợp mạng nơron không lặp, làm giàu thêm các hướng nghiên cứu về Scientific Machine Learning và Neural Differential Equations.
  • Kỹ sư R&D Thị giác máy tính & Xử lý ảnh Y sinh: Khai thác trực tiếp các thuật toán NDEANN để nâng cấp các bộ lọc trong phần mềm chẩn đoán hình ảnh y khoa.
  • Ban quản lý bệnh viện và Chuyên gia Kiểm soát Nhiễm khuẩn: Sở hữu cơ sở khoa học để triển khai hệ sinh thái bệnh viện thông minh (Smart Hospital), bảo vệ an toàn cho cả nhân viên y tế và bệnh nhân trước các nguy cơ lây nhiễm chéo.
  • Các nhà hoạch định chính sách y tế công cộng: Có thêm bằng chứng thực nghiệm để ban hành các tiêu chuẩn giám sát tự động trong quản lý an toàn dịch tễ quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc thiết lập thành công mô hình giải tích kín (closed-form non-iterative formulation) cho lớp bài toán phương trình khuếch tán đối lưu (AD-PDE) thông qua thuật toán ELMNET. Công trình đã mở rộng lý thuyết Extreme Learning Machine của Huang et al. từ không gian ánh xạ đại số thống kê sang không gian toán tử vi phân phi tuyến liên tục, cho phép thỏa mãn đồng thời phương trình vi phân và các điều kiện biên Dirichlet/Neumann mà không cần bất kỳ bước lặp gradient nào.

2. Sự đổi mới về mặt phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế lớn trước đây?

So với mô hình PINN của Raissi et al. (2019) và DGM của Sirignano & Spiliopoulos (2018) vốn phụ thuộc vào tối ưu hóa suy giảm gradient qua hàng vạn epoch với chi phí tính toán lớn, ELMNET của luận án giải quyết bài toán chỉ bằng một phép tính đại số tuyến tính ma trận giả nghịch đảo duy nhất, giúp tăng tốc độ huấn luyện từ hàng chục đến hàng trăm lần. Đồng thời, so với mô hình PIELM/DPIELM của Srinivasan et al. vốn chia lưới ô rời rạc tĩnh, luận án kết hợp kỹ thuật lấy mẫu thích nghi Monte Carlo, giúp nắm bắt chính xác gradient tại các vùng biên uốn lượn mà không làm tăng kích thước bộ nhớ.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm kèm minh chứng dữ liệu là gì?

Phát hiện ấn tượng nhất là việc sử dụng phương trình vi phân thường liên tục (Neural ODE / LTC) kết hợp bộ trích xuất HOG lại vượt trội hơn đáng kể so với các mạng nơron tích chập 3D (3D-CNN) và ConvLSTM sâu phức tạp trong bài toán nhận dạng chuỗi hành vi rửa tay 6 bước (RT6B). Trong khi ConvLSTM gặp hiện tượng quá khớp (overfitting) do chuyển động tay diễn ra nhanh và phức tạp giữa các ngón, mạng LTC-NODE mô hình hóa sự thay đổi trạng thái ẩn dưới dạng dòng chảy liên tục (continuous flow), đạt độ chính xác phân loại 93.8% và chỉ số AUC đạt xấp xỉ 0.97, giữ vững tính ổn định ngay cả khi đối tượng thực hiện thao tác với tốc độ bất thường.

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

Luận án cung cấp đầy đủ và chi tiết các công thức toán học rời rạc hóa, cấu trúc hàm kích hoạt, phương pháp khởi tạo tham số ngẫu nhiên cho lớp ẩn ($w \in [-\sigma, \sigma], b \in [0, 2\pi]$), thuật toán giải hệ ma trận tuyến tính, cũng như đặc tả toàn bộ các bước trích xuất HOG (kích thước cell, block, số bin hướng) và tham số của cây Random Forest (số lượng cây $n_{estimators}$, độ sâu tối đa $max_depth$), đảm bảo khả năng tái lập độc lập 100% trên các hệ thống tính toán khoa học tiêu chuẩn.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Lộ trình 10 năm của hướng nghiên cứu này hướng đến việc phát triển một hệ điều hành tính toán AI vật lý hoàn chỉnh (Physical-AI Computational Engine): từ việc giải quyết các hệ PDE đa vật lý phi tuyến đa chiều (Multi-physics coupled PDEs) trong thời gian thực, tiến tới tự động hóa chẩn đoán hình ảnh học 4D (Dynamic 4D CT/MRI) và xây dựng hệ thống trợ lý robot phẫu thuật tích hợp thị giác máy tính động lực học liên tục.

Kết luận

Luận án tiến sĩ của Nghiên cứu sinh Hồ Đắc Quán là một công trình khoa học toàn diện, công phu và mẫu mực, kết nối chặt chẽ giữa toán học giải tích hàn lâm và các bài toán ứng dụng công nghệ thông tin then chốt trong y tế. Năm đóng góp mang tính cốt lõi của công trình gồm:

  1. Đề xuất thành công thuật toán huấn luyện không lặp ELMNN giải phương trình đạo hàm riêng tuyến tính dạng Elliptic với độ chính xác MSE đạt tới $10^{-7}$.
  2. Thiết lập thuật toán đột phá ELMNET kết hợp lấy mẫu Monte Carlo giải bài toán phương trình khuếch tán đối lưu (AD-PDE) 1D và 2D với tốc độ tính toán vượt trội so với các mô hình mạng nơron số hiện hành.
  3. Hiện thực hóa mô hình NDEANN dựa trên phương trình khuếch tán phi tuyến Perona-Malik, nâng cao chỉ số PSNR từ 3.2 dB đến 5.8 dB trong khử nhiễu ảnh y khoa (CT, MRI, siêu âm) và bảo toàn biên mô giải phẫu xuất sắc.
  4. Xây dựng kiến trúc thị giác máy tính động lực học thời gian liên tục kết hợp LTC-NODE và Random Forest, giải quyết trọn vẹn bài toán tự động giám sát 6 bước vệ sinh tay chuẩn WHO với độ chính xác đạt trên 93.8%.
  5. Minh chứng tính khả thi và ứng dụng thực tiễn thông qua 04 công trình khoa học giá trị cao (trong đó có 02 bài báo SCIE quốc tế), mở ra hướng phát triển bền vững cho chuyên ngành Cơ sở toán cho tin học tại Việt Nam trên bản đồ khoa học thế giới.