Tổng quan về mạng học sâu vật lý

Abstract

Trong những năm gần đây, mô hình mạng học sâu vật lý (Physics-Informed Neural Networks - PINNs) đã trở thành hướng đi mới trong lĩnh vực tính toán khoa học, khi kết hợp trí tuệ nhân tạo với các mô hình vật lý. PINNs cho phép tích hợp trực tiếp các phương trình vi phân (ODEs, PDEs) vào quá trình huấn luyện mạng nơ-ron, giúp tạo ra các mô hình vừa chính xác về mặt vật lý, vừa có khả năng xử lý dữ liệu thực tế. Bài báo cung cấp cái nhìn tổng quan về PINNs, từ nền tảng lý thuyết, kiến trúc mạng, đến cơ chế huấn luyện và các ứng dụng điển hình như giải PDEs, mô hình nghịch đảo, mô phỏng hệ động lực và đa vật lý. Ngoài ra, bài viết cũng phân tích các ưu điểm, thách thức kỹ thuật hiện nay và định hướng nghiên cứu tương lai như adaptive PINNs, phân rã miền (domain decomposition), và các biến thể như XPINNs, hp-VPINNs, MgFNO. Kết luận, PINNs là công cụ tiềm năng trong các bài toán có dữ liệu hạn chế nhưng đòi hỏi độ chính xác vật lý cao. Việc phát triển và ứng dụng PINNs tại Việt Nam là cần thiết, góp phần thúc đẩy lĩnh vực khoa học tính toán và trí tuệ nhân tạo.