Neural Operators

Neural operator là các mạng neural học ánh xạ giữa toàn bộ các hàm hoặc trường thay vì các vector có độ dài cố định. Ví dụ, chúng có thể ánh xạ một trường áp suất gió sang trường luồng không khí trong tương lai hoặc ánh xạ hình học vật liệu sang phân bố ứng suất của vật liệu đó. Điều này khiến chúng đặc biệt hữu ích khi làm model thay thế nhanh cho các mô phỏng được chi phối bởi phương trình vi phân riêng phần (PDEs). Một tổng quan năm 2024 trên Nature Reviews Physics 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)

Cách Neural Operators hoạt động#

Một network thông thường học ánh xạ hữu hạn chiều, chẳng hạn từ pixel đến nhãn lớp. Neural operator thay vào đó học một quy tắc ánh xạ có thể tái sử dụng từ hàm sang hàm. Các kiến trúc được thiết kế để tiếp nhận những trường được lấy mẫu trên lưới hoặc point cloud, đồng thời giữ cho số lượng tham số học được độc lập với độ phân giải. Phần giới thiệu về NeuralOperator giải thích cách thức này hỗ trợ dự đoán trên các phép rời rạc hóa khác với dữ liệu huấn luyện. (nature.com)

Các kiến trúc phổ biến bao gồm:

• Fourier Neural Operator: Áp dụng phép tích chập toàn cục trong miền tần số, thường sử dụng API biến đổi Fourier nhanh của PyTorch. FNOs hoạt động đặc biệt hiệu quả với các trường vật lý được lập lưới đều.
• DeepONet: Kết hợp một network mã hóa hàm đầu vào với một network khác đánh giá đầu ra tại các tọa độ được yêu cầu.
• Neural operator đồ thị: Mở rộng các ý tưởng từ mạng neural đồ thị sang các mesh không đều và hình học phức tạp.
• Transformer cho operator: Điều chỉnh kiến trúc Transformer cho các trường liên tục và tương tác vật lý tầm xa.

Ví dụ có thể chạy này tạo một FNO 2D nhỏ và ánh xạ hai trường đầu vào thành 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 PyTorch chính thức của NeuralOperator cũng cung cấp các dataset, hàm loss, trainer và kiến trúc nhận biết hình học. (neuraloperator.github.io)

Những phát triển gần đây#

Nghiên cứu ngày càng xem neural operator là các mô hình nền tảng cho khoa học. Mô hình nền tảng Poseidon PDE đã chứng minh khả năng chuyển giao trên 15 tác vụ PDE hạ nguồn, trong khi neural operator Laplace cải thiện khả năng xử lý các hệ chuyển tiếp và không tuần hoàn. Vào tháng 7 năm 2026, các nhà nghiên cứu đã công bố những nguyên tắc thiết kế neural operator thực tiễn, nhấn mạnh tính toán nhận biết tọa độ, số lượng tham số cố định và tính hội tụ theo phép rời rạc hóa. (proceedings.neurips.cc)

Các ứng dụng trong thực tế#

• Hạ quy mô khí hậu: Một nghiên cứu JMLR năm 2024 về hạ quy mô khí hậu ở độ phân giải tùy ý đã sử dụng FNOs để chuyển đổi các mô phỏng khí hậu độ phân giải thô thành các trường có độ phân giải cao hơn, hỗ trợ phân tích ảnh vệ tinh chi tiết. (jmlr.org)
• Dự báo thời tiết: Neural operator đa lưới hình cầu mô hình hóa động lực khí quyển toàn cầu đồng thời tôn trọng hình học của Trái Đất, bổ trợ cho phân tích chuỗi thời gian truyền thống.
• Điều khiển kỹ thuật: Neural operator có thể nhanh chóng xấp xỉ các nghiệm điều khiển phản hồi cho những tham số hệ thống thay đổi, hỗ trợ digital twin có khả năng phản hồi nhanh và tự động hóa công nghiệp.

Neural Operators và Computer Vision#

Neural operator mô hình hóa các trường liên tục biến đổi, trong khi các model computer vision thường nhận dạng đối tượng hoặc cấu trúc trong ảnh. Chúng có thể phối 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 lưu, truyền nhiệt, biến dạng hoặc một trường tương lai khác. Dataset, quá trình huấn luyện và triển khai vision có thể được quản lý thông qua Ultralytics Platform.

Thực hành 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, đồng thời đánh giá cả hành vi nội suy và hành vi ngoài phân phối. Neural operator giúp tăng tốc mô phỏng nhưng không nên thay thế việc kiểm định vật lý trong các hệ thống trọng yếu về an toàn.