[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_analytical%20formula{\"limit\":5}":3,"_public_topic_byId_analytical formula":41},{"code":4,"data":5,"meta":21},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":39,"vietnamLatest":40},[],[8,25],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":21,"url":22,"doi":23,"summary":24},"261121a4-8a3d-46c4-bb55-014f2affe062","Kiểm chứng bằng số các công thức giải tích cho dòng chảy trong kênh trên bề mặt ngâm tẩm chất lỏng","Numerical validation of analytical formulas for channel flows over liquid-infused surfaces",[13,14,15],"Hiroyuki Miyoshi","Henry Rodriguez-Broadbent","Darren G. Crowdy",3,"Journal of Engineering Mathematics",false,"2024-01-17",2024,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10665-023-10314-2","10.1007\u002Fs10665-023-10314-2","\u003Cp>Nghiên cứu cơ học chất lưu thực hiện thẩm định số học đối với hệ công thức giải tích tiệm cận chính xác \u003Cb class=\"publication-topic-keywords\">analytical formula\u003C\u002Fb> mô tả dòng chảy dọc rãnh kín trên các bề mặt ngấm chất lỏng hai pha. Phương pháp tính toán mới kiểm chứng dòng chảy tuần hoàn trong kênh dẫn mà không bị giới hạn bởi hình học vi rãnh hẹp. Kết quả chứng minh các biểu thức giải tích đạt độ tin cậy vượt trội so với bề mặt siêu kỵ nước trên dải thông số dòng đa dạng.\u003C\u002Fp>",{"publicationId":26,"title":27,"originalTitle":28,"authorNames":29,"authorCount":16,"journalName":33,"vietnamJournal":18,"publishDate":34,"publishYear":35,"totalCitation":21,"url":36,"doi":37,"summary":38},"31b4a673-f990-443e-9f05-5f2716c31dbd","Các công thức giải tích cho việc tối ưu hóa quá trình điều chế pha công suất thấp trong môi trường phi tuyến bậc hai","Analytical formulae for the optimization of the process of low-power phase modulation in a quadratic nonlinear medium",[30,31,32],"S. Saltiel","K. Koynov","I. Buchvarov","Applied Physics B","1996-07-01",1996,"http:\u002F\u002Flink.springer.com\u002F10.1007\u002FBF01112835","10.1007\u002FBF01112835","\u003Cp>Nghiên cứu quang học phi tuyến sử dụng phép gần đúng cường độ cố định thiết lập hệ biểu thức giải tích \u003Cb class=\"publication-topic-keywords\">analytical formula\u003C\u002Fb> tối ưu hóa quá trình điều chế pha cảm ứng trong môi trường phi tuyến bậc hai. Các phương trình giải tích mô tả chính xác độ dịch pha vượt ngưỡng pi\u002F2 trong quá trình trộn tổng tần số và phát sóng hài bậc hai, tương thích hoàn toàn với nghiệm số vi phân. Kết quả cung cấp công cụ toán học hỗ trợ thiết kế linh kiện quang tích hợp.\u003C\u002Fp>",[],[],{"code":4,"data":42,"meta":21},{"id":43,"title":44,"description":45,"content":46,"term":43,"englishTitle":21,"synonyms":21,"definition":21,"discipline":21,"references":21,"faqs":21,"createUser":47,"publishUser":21,"keywords":51,"keywordCount":62,"enrichTopicLink":63,"status":64,"createTime":65,"updateTime":66,"publishTime":21,"linkEnrichedTime":67,"publicationScanTime":68,"contentErrorMessage":21,"viewCount":69,"relateTopics":70},"analytical formula","Analytical formula là gì? Các nghiên cứu khoa học liên quan","Analytical formula là biểu thức toán học tường minh giúp tính chính xác một đại lượng mà không cần mô phỏng hay xấp xỉ số, thường dùng trong các mô hình lý thuyết. Nó sử dụng các hàm cơ bản và phép toán khép kín để mô tả mối quan hệ giữa các biến, mang lại lời giải chính xác trong các hệ tuyến tính hoặc khả vi.","\u003Ch2>Định nghĩa Analytical Formula\u003C\u002Fh2>\u003Cp>Analytical formula là một biểu thức toán học chính xác, mô tả một đại lượng dưới dạng hàm tường minh có thể đánh giá hoặc tính toán trực tiếp mà không cần đến các bước lặp hoặc mô phỏng số. Các công thức này được xây dựng dựa trên tập hợp các phép toán cơ bản (cộng, trừ, nhân, chia), hàm sơ cấp (mũ, log, sin, cos, v.v.) và biến độc lập, tạo thành một biểu thức khép kín.\u003C\u002Fp>\u003Cp>Ví dụ kinh điển là công thức nghiệm tổng quát của {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20b%E1%BA%ADc%20hai%22%7D}}: \u003Cscript type=\"math\u002Ftex\">x = \\frac{-b \\pm \\sqrt{b^2 - 4ac}}{2a}\u003C\u002Fscript> Công thức này cho phép xác định chính xác nghiệm của bất kỳ phương trình bậc hai nào trong đại số, miễn là các hệ số a, b, c được biết.\u003C\u002Fp>\u003Cp>Khác với mô hình xấp xỉ, công thức giải tích thường không phụ thuộc vào điều kiện biên hoặc bước tính và có thể áp dụng cho mọi giá trị trong miền xác định của hàm số. Đây là lý do tại sao analytical formula có vai trò trung tâm trong cả toán học lý thuyết lẫn ứng dụng. Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fmathworld.wolfram.com\u002FAnalyticSolution.html\">Wolfram MathWorld - Analytic Solution\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Phân biệt giữa Analytical và Numerical\u003C\u002Fh2>\u003Cp>Sự khác biệt giữa analytical và numerical methods là một trong những khái niệm cốt lõi trong {{topic|%7B%22topic%22%3A%22to%C3%A1n%20h%E1%BB%8Dc%20%E1%BB%A9ng%20d%E1%BB%A5ng%22%7D}}. Analytical solution là lời giải biểu diễn chính xác bằng công thức toán học, trong khi numerical solution dùng các thuật toán số để ước lượng lời giải theo từng bước. Phương pháp giải tích cho giá trị đúng tuyệt đối (exact value), còn phương pháp số chỉ đưa ra giá trị gần đúng (approximate value).\u003C\u002Fp>\u003Cp>Bảng so sánh dưới đây tóm tắt sự khác biệt chính:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Tiêu chí\u003C\u002Fth>\u003Cth>Analytical Formula\u003C\u002Fth>\u003Cth>Numerical Method\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Độ chính xác\u003C\u002Ftd>\u003Ctd>Chính xác tuyệt đối\u003C\u002Ftd>\u003Ctd>Gần đúng, sai số phụ thuộc thuật toán\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Dạng biểu thức\u003C\u002Ftd>\u003Ctd>Biểu thức tường minh\u003C\u002Ftd>\u003Ctd>Không có biểu thức cố định\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tính tổng quát\u003C\u002Ftd>\u003Ctd>Áp dụng được cho mọi giá trị biến\u003C\u002Ftd>\u003Ctd>Áp dụng được cho một số điều kiện cụ thể\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Ứng dụng\u003C\u002Ftd>\u003Ctd>Toán lý thuyết, mô hình hóa\u003C\u002Ftd>\u003Ctd>Tính toán số, mô phỏng, kỹ thuật\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Ví dụ, trong {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20tr%C3%ACnh%20vi%20ph%C3%A2n%22%7D}} đơn giản \u003Cscript type=\"math\u002Ftex\">\\frac{dy}{dx} = ky\u003C\u002Fscript>, lời giải analytical là: \u003Cscript type=\"math\u002Ftex\">y(x) = y_0 e^{kx}\u003C\u002Fscript> trong khi numerical method sẽ sử dụng Euler hay Runge-Kutta để tính giá trị y(x) tại từng điểm cụ thể.\u003C\u002Fp>\u003Cp>Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41598-020-72081-z\">Nature Scientific Reports - Analytical vs. Numerical Methods\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Vai trò trong toán học và vật lý\u003C\u002Fh2>\u003Cp>Trong toán học thuần túy, analytical formula là công cụ chính để chứng minh định lý, khai triển hàm và xây dựng lý thuyết. Trong vật lý và các ngành khoa học kỹ thuật, công thức giải tích cho phép mô tả và dự đoán hành vi của hệ thống tự nhiên một cách chính xác, nhờ đó phát triển các {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20l%C3%BD%20thuy%E1%BA%BFt%22%7D}} tổng quát.\u003C\u002Fp>\u003Cp>Các công thức cổ điển như định luật Newton về chuyển động, phương trình sóng, hoặc phương trình Maxwell đều có dạng analytical. Ví dụ, vị trí của vật chuyển động biến đổi đều theo thời gian được tính bằng: \u003Cscript type=\"math\u002Ftex\">s = ut + \\frac{1}{2}at^2\u003C\u002Fscript> Trong {{topic|%7B%22topic%22%3A%22c%C6%A1%20h%E1%BB%8Dc%20l%C6%B0%E1%BB%A3ng%20t%E1%BB%AD%22%7D}}, các nghiệm giải tích của phương trình Schrödinger cho phép mô tả trạng thái năng lượng của electron trong nguyên tử hydro.\u003C\u002Fp>\u003Cp>Một số lĩnh vực nơi analytical formula có vai trò đặc biệt quan trọng:\u003C\u002Fp>\u003Cul>\u003Cli>Điện từ học (các nghiệm trường điện, từ trường)\u003C\u002Fli>\u003Cli>Cơ học chất lưu (nghiệm chính xác của phương trình Bernoulli)\u003C\u002Fli>\u003Cli>Toán tài chính (công thức Black-Scholes trong định giá quyền chọn)\u003C\u002Fli>\u003Cli>Lý thuyết điều khiển (đáp ứng xung, truyền đạt hệ tuyến tính)\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Điều kiện tồn tại của Analytical Formula\u003C\u002Fh2>\u003Cp>Không phải mọi hệ phương trình hoặc {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20to%C3%A1n%20h%E1%BB%8Dc%22%7D}} đều có thể biểu diễn bằng công thức giải tích. Một số điều kiện đủ để tồn tại analytical solution bao gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Hệ có cấu trúc tuyến tính hoặc có thể tuyến tính hóa\u003C\u002Fli>\u003Cli>Hàm số liên tục, khả vi nhiều lần trong miền xác định\u003C\u002Fli>\u003Cli>Bài toán có điều kiện biên rõ ràng và khả thi\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ngược lại, các hệ thống có tính phi tuyến cao, hỗn loạn (chaotic), nhiều chiều hoặc có tham số ngẫu nhiên thường không thể giải bằng công thức giải tích. Ví dụ, hệ ba cơ quay (three-body problem) trong cơ học cổ điển không có nghiệm giải tích tổng quát, buộc phải sử dụng phương pháp số.\u003C\u002Fp>\u003Cp>Tóm tắt {{topic|%7B%22topic%22%3A%22c%C3%A1c%20y%E1%BA%BFu%20t%E1%BB%91%20%E1%BA%A3nh%20h%C6%B0%E1%BB%9Fng%22%7D}} đến khả năng tồn tại của công thức giải tích:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Yếu tố\u003C\u002Fth>\u003Cth>Ảnh hưởng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Tuyến tính\u003C\u002Ftd>\u003Ctd>Tăng khả năng tồn tại lời giải giải tích\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Số chiều\u003C\u002Ftd>\u003Ctd>Càng nhiều chiều, càng khó có công thức tường minh\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Phi tuyến\u003C\u002Ftd>\u003Ctd>Thường không có công thức analytical\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hỗn loạn\u003C\u002Ftd>\u003Ctd>Không tồn tại lời giải giải tích ổn định\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Ưu điểm của Analytical Formula\u003C\u002Fh2>\u003Cp>Công thức giải tích mang lại nhiều lợi ích vượt trội, đặc biệt trong nghiên cứu lý thuyết và ứng dụng kỹ thuật. Lợi ích lớn nhất là khả năng cung cấp lời giải chính xác cho một bài toán trong mọi điều kiện, miễn là các biến đầu vào đã được xác định. Điều này giúp loại bỏ sai số tính toán thường gặp trong mô phỏng số và giảm thiểu nhu cầu sử dụng tài nguyên máy tính.\u003C\u002Fp>\u003Cp>Ngoài ra, analytical formula giúp phân tích sâu các mối quan hệ giữa các biến số, tạo điều kiện cho việc {{topic|%7B%22topic%22%3A%22t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20h%E1%BB%87%20th%E1%BB%91ng%22%7D}} hoặc nhận dạng mô hình. Trong nhiều trường hợp, chỉ cần đạo hàm của công thức là có thể xác định cực trị, xu hướng tăng\u002Fgiảm, điểm dừng, v.v.\u003C\u002Fp>\u003Cp>Một số lợi ích cụ thể:\u003C\u002Fp>\u003Cul>\u003Cli>Đơn giản hóa việc kiểm tra giới hạn, đạo hàm, tích phân\u003C\u002Fli>\u003Cli>Cho phép mở rộng mô hình lý thuyết một cách hệ thống\u003C\u002Fli>\u003Cli>Hữu ích trong việc kiểm chứng kết quả từ mô phỏng số\u003C\u002Fli>\u003Cli>Dễ dàng lập trình và nhúng vào hệ thống tự động\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Nguồn: \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10440-018-0142-0\">Springer - Advantages of Analytical Methods\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>Giới hạn và nhược điểm\u003C\u002Fh2>\u003Cp>Mặc dù rất mạnh, analytical formula không phải là công cụ phù hợp với mọi tình huống. Nhiều hệ thống thực tế có độ phức tạp cao, phi tuyến hoặc bị ảnh hưởng bởi yếu tố ngẫu nhiên mà không thể biểu diễn dưới dạng công thức tường minh. Trong những trường hợp này, tìm lời giải giải tích là không khả thi hoặc kết quả thu được quá phức tạp để sử dụng hiệu quả.\u003C\u002Fp>\u003Cp>Một số nhược điểm tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>Có thể tồn tại nhưng không diễn đạt được bằng hàm sơ cấp\u003C\u002Fli>\u003Cli>Độ dài biểu thức quá lớn, gây khó khăn khi tính toán hoặc lập trình\u003C\u002Fli>\u003Cli>Không thể biểu diễn lời giải trong bài toán hỗn loạn hoặc nhiều chiều\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Chẳng hạn, hàm Airy hay hàm đặc biệt khác trong cơ học lượng tử là lời giải giải tích, nhưng không thể biểu diễn bằng các hàm sơ cấp. Do đó, các nhà khoa học thường chấp nhận sử dụng các mô hình số trong những trường hợp này.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\u003Cp>Analytical formula có mặt trong hầu hết các lĩnh vực khoa học và kỹ thuật, từ điện tử, cơ khí, tài chính, đến sinh học và dữ liệu. Khả năng cho kết quả chính xác giúp các kỹ sư và nhà khoa học đưa ra quyết định nhanh chóng mà không cần đến phần mềm mô phỏng phức tạp.\u003C\u002Fp>\u003Cp>Một số ứng dụng cụ thể:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Toán tài chính:\u003C\u002Fstrong> công thức Black-Scholes định giá quyền chọn\u003C\u002Fli>\u003Cli>\u003Cstrong>Điện tử:\u003C\u002Fstrong> hàm truyền trong mạch lọc RLC\u003C\u002Fli>\u003Cli>\u003Cstrong>Kỹ thuật cơ khí:\u003C\u002Fstrong> công thức tính ứng suất trong dầm\u003C\u002Fli>\u003Cli>\u003Cstrong>Khoa học dữ liệu:\u003C\u002Fstrong> đạo hàm hàm mất mát trong {{topic|%7B%22topic%22%3A%22h%E1%BB%93i%20quy%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}}\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Ví dụ trong hồi quy tuyến tính, đạo hàm của hàm chi phí là một analytical formula: \u003Cscript type=\"math\u002Ftex\">\\nabla J(\\theta) = \\frac{1}{m} X^T (X\\theta - y)\u003C\u002Fscript> Công thức này giúp huấn luyện mô hình machine learning mà không cần dùng mô phỏng gradient.\u003C\u002Fp>\u003Ch2>Phương pháp tìm công thức giải tích\u003C\u002Fh2>\u003Cp>Việc tìm công thức giải tích thường đòi hỏi kỹ thuật biến đổi phức tạp và hiểu biết sâu về cấu trúc bài toán. Một số phương pháp phổ biến gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Biến đổi đại số: rút gọn biểu thức, giải phương trình\u003C\u002Fli>\u003Cli>Biến đổi tích phân: Fourier, Laplace, Mellin\u003C\u002Fli>\u003Cli>Phép đổi biến: chuyển sang hệ tọa độ thuận lợi hơn\u003C\u002Fli>\u003Cli>Phân tích tổ hợp và tổ hợp đại số\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các công cụ hỗ trợ tìm lời giải giải tích gồm:\u003C\u002Fp>\u003Cul>\u003Cli>Mathematica, Maple\u003C\u002Fli>\u003Cli>MATLAB Symbolic Toolbox\u003C\u002Fli>\u003Cli>SymPy (Python)\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0898122120302481\">ScienceDirect - Symbolic Computation Techniques\u003C\u002Fa>\u003C\u002Fp>\u003Ch2>So sánh với Approximated Models\u003C\u002Fh2>\u003Cp>Khi không thể tìm được analytical formula, người ta thường sử dụng các mô hình gần đúng (approximated models) như khai triển chuỗi, mô phỏng số hoặc kỹ thuật phần tử hữu hạn. Tuy không chính xác tuyệt đối, các mô hình này cho kết quả đủ chính xác để sử dụng trong thực tế.\u003C\u002Fp>\u003Cp>Một ví dụ điển hình là khai triển chuỗi Taylor cho hàm mũ: \u003Cscript type=\"math\u002Ftex\">e^x \\approx 1 + x + \\frac{x^2}{2!} + \\frac{x^3}{3!} + \\dotsb\u003C\u002Fscript> Đây là cách tiếp cận để thay thế hàm mũ trong máy tính với sai số có thể kiểm soát được.\u003C\u002Fp>\u003Cp>So sánh:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Tiêu chí\u003C\u002Fth>\u003Cth>Analytical Formula\u003C\u002Fth>\u003Cth>Approximated Model\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Chính xác\u003C\u002Ftd>\u003Ctd>Tuyệt đối\u003C\u002Ftd>\u003Ctd>Tương đối, có sai số\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tính tổng quát\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003Ctd>Giới hạn theo điều kiện ban đầu\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Khả năng xử lý hệ phức tạp\u003C\u002Ftd>\u003Ctd>Thấp\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Hướng nghiên cứu mới\u003C\u002Fh2>\u003Cp>Các nhà khoa học đang khai thác trí tuệ nhân tạo để phát hiện công thức toán học từ dữ liệu. Các mô hình như AI Feynman, Deep Symbolic Regression có khả năng tự học từ {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20th%E1%BB%B1c%20nghi%E1%BB%87m%22%7D}} và đưa ra công thức giải tích gần đúng, giúp khám phá các định luật vật lý hoặc các hàm phụ thuộc trong hệ sinh học.\u003C\u002Fp>\u003Cp>Đây là bước tiến lớn kết hợp giữa symbolic AI và học máy (machine learning), mở ra hướng phát triển mới cho việc tự động hóa việc phát hiện mô hình toán học.\u003C\u002Fp>\u003Cp>Nguồn tham khảo: \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-019-0077-9\">Nature Machine Intelligence - AI Feynman\u003C\u002Fa>\u003C\u002Fp>",{"id":48,"researcherId":21,"name":49,"imageUrl":50},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[52,53,54,55,56,57,58,59,60,61],"phương trình bậc hai","toán học ứng dụng","phương trình vi phân","mô hình lý thuyết","cơ học lượng tử","mô hình toán học","các yếu tố ảnh hưởng","tối ưu hóa hệ thống","hồi quy tuyến tính","dữ liệu thực nghiệm",10,true,"PUBLISHED","2024-01-23T08:15:36.238+00:00","2026-09-09T10:09:59.956+00:00","2026-09-09T10:09:59.531+00:00","2026-09-05T04:28:31.788+00:00",411,[71,74,77,80,83,86,95,98,101,104],{"id":72,"title":73,"term":72,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":75,"title":76,"term":75,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"tán xạ","Tán xạ là gì? Các nghiên cứu khoa học về Tán xạ",{"id":78,"title":79,"term":78,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"toán cao cấp","Toán cao cấp là gì? Các nghiên cứu khoa học về Toán cao cấp",{"id":81,"title":82,"term":81,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":84,"title":85,"term":84,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"nguyên tử hydro","Nguyên tử hydro là gì? Các công bố khoa học về Nguyên tử hydro",{"id":87,"title":88,"term":87,"englishTitle":87,"definition":89,"discipline":90,"disciplineCode":91,"disciplineLabel":92,"disciplineColor":93,"disciplineIcon":94},"proton","Proton là gì? Cấu trúc và ứng dụng của Proton","Proton là một hạt hạ nguyên tử bền vững thuộc nhóm baryon cấu tạo từ hai quark lên và một quark xuống, mang điện tích nguyên tố dương và có khối lượng nghỉ xấp xỉ 1.6726 x 10^-27 kg nằm trong hạt nhân nguyên tử.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":96,"title":97,"term":96,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM",{"id":99,"title":100,"term":99,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"năng lực sáng tạo","Năng lực sáng tạo là gì? Các nghiên cứu khoa học liên quan",{"id":102,"title":103,"term":102,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"tối ưu hoá","Tối ưu hoá là gì? Các nghiên cứu khoa học về Tối ưu hoá",{"id":105,"title":106,"term":105,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"simulation","Simulation là gì? Các nghiên cứu khoa học về mô phỏng"]