Neural Operators

Neural operators là các neural networks học ánh xạ giữa toàn bộ các hàm hoặc trường thay vì các vectơ có độ dài cố định. Ví dụ, chúng có thể ánh xạ một trường áp suất gió sang một trường dòng khí trong tương lai hoặc hình học vật liệu sang phân bố ứng suất của nó. Điều này làm cho chúng đặc biệt hữu ích làm các mô hình thay thế nhanh cho các mô phỏng được chi phối bởi các phương trình đạo hàm riêng, hoặc PDE. Một tổng quan trên Nature Reviews Physics năm 2024 nhấn mạnh vai trò ngày càng tăng của chúng trong việc tăng tốc mô phỏng khoa học, dự báo và thiết kế kỹ thuật. (nature.com)

Link to this sectionCách hoạt động của Neural Operators#

Một mạng thông thường học một ánh xạ chiều hữu hạn, chẳng hạn như pixel thành các nhãn lớp. Thay vào đó, một neural operator học một quy tắc từ hàm sang hàm có thể tái sử dụng. Các kiến trúc được thiết kế để chấp nhận các trường được lấy mẫu trên các lưới hoặc đám mây điểm đồng thời giữ cho số lượng tham số đã học độc lập với độ phân giải. Phần giới thiệu về NeuralOperator giải thích cách điều này hỗ trợ các dự đoán trên các dạng rời rạc hóa khác với dữ liệu huấn luyện. (nature.com)

Các kiến trúc phổ biến bao gồm:

• Fourier Neural Operator: Áp dụng convolution toàn cục trong không gian tần số, thường sử dụng PyTorch fast Fourier transform API. FNO hoạt động đặc biệt hiệu quả với các trường vật lý có lưới đều đặn.
• DeepONet: Kết hợp một mạng mã hóa hàm đầu vào với một mạng khác đánh giá đầu ra tại các tọa độ được yêu cầu.
• Graph neural operators: Mở rộng các ý tưởng từ graph neural networks sang các lưới không đều và hình học phức tạp.
• Operator transformers: Thích ứng kiến trúc transformer với các trường liên tục và tương tác vật lý tầm xa.

Ví dụ có thể chạy này tạo ra một FNO 2D nhỏ và ánh xạ hai trường đầu vào tới một trường đầu ra:

import torch
from neuralop.models import FNO

model = FNO(n_modes=(16, 16), hidden_channels=32, in_channels=2, out_channels=1)
inputs = torch.rand(1, 2, 64, 64)  # Two sampled physical fields
prediction = model(inputs)
print(prediction.shape)  # torch.Size([1, 1, 64, 64])

Tài liệu NeuralOperator PyTorch chính thức cũng cung cấp các tập dữ liệu, hàm mất mát, bộ huấn luyện và các kiến trúc nhận thức hình học. (neuraloperator.github.io)

Link to this sectionNhững phát triển gần đây#

Nghiên cứu ngày càng xem các neural operators như các foundation models khoa học. Mô hình nền tảng PDE Poseidon đã chứng minh khả năng truyền tải qua 15 tác vụ PDE hạ nguồn, trong khi Laplace neural operators cải thiện việc xử lý các hệ thống tạm thời và không tuần hoàn. Vào tháng 7 năm 2026, các nhà nghiên cứu đã xuất bản các nguyên tắc thiết kế neural operator thực tế, nhấn mạnh tính toán nhận thức tọa độ, số lượng tham số cố định và sự hội tụ rời rạc hóa. (proceedings.neurips.cc)

Link to this sectionCác ứng dụng trong thực tế#

• Thu nhỏ tỷ lệ khí hậu (Climate downscaling): Một nghiên cứu JMLR năm 2024 về thu nhỏ tỷ lệ khí hậu độ phân giải tùy ý đã sử dụng FNO để chuyển đổi các mô phỏng khí hậu thô thành các trường có độ phân giải cao hơn, hỗ trợ phân tích hình ảnh vệ tinh chi tiết. (jmlr.org)
• Dự báo thời tiết: Spherical multigrid neural operators lập mô hình động lực học khí quyển toàn cầu đồng thời tuân thủ hình học của Trái Đất, bổ sung cho phân tích chuỗi thời gian truyền thống.
• Điều khiển kỹ thuật: Neural operators có thể nhanh chóng xấp xỉ các giải pháp điều khiển phản hồi cho các tham số hệ thống đang thay đổi, hỗ trợ digital twins phản hồi nhanh và tự động hóa công nghiệp.

Link to this sectionNeural Operators Và Computer Vision#

Neural operators mô hình hóa các trường liên tục đang tiến hóa, trong khi các mô hình computer vision thường nhận dạng các đối tượng hoặc cấu trúc trong hình ảnh. Chúng có thể kết hợp với nhau: Ultralytics YOLO26 có thể trích xuất hình học hoặc trạng thái vật lý từ dữ liệu camera, sau đó neural operator dự đoán dòng chất lỏng, truyền nhiệt, biến dạng hoặc một trường tương lai khác. Các tập dữ liệu thị giác, quá trình huấn luyện và triển khai có thể được quản lý thông qua Ultralytics Platform.

Thực tiễn tốt nhất là chuẩn hóa các trường vật lý, giữ lại tọa độ và điều kiện biên, huấn luyện trên nhiều độ phân giải, so sánh với các bộ giải số đáng tin cậy và đánh giá cả hành vi nội suy và ngoài phân phối. Neural operators làm tăng tốc mô phỏng nhưng không nên thay thế việc xác thực vật lý trong các hệ thống đòi hỏi độ an toàn cao.