[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%E1%BA%A1ng%20n%C6%A1%20ron%20nh%C3%A2n%20t%E1%BA%A1o{\"limit\":5}":3,"_public_topic_byId_mạng nơ ron nhân tạo":39},{"code":4,"data":5,"meta":21},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":25,"vietnamLatest":38},[],[8],{"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},"72a25da0-4264-4acb-92c1-fcd46330f870","Mô phỏng nhiệt thời gian thực của tàu vũ trụ sử dụng mạng nơ-ron nhân tạo","Spacecraft real-time thermal simulation using artificial neural networks",[13,14,15],"J. D. Reis Junior","A. M. Ambrosio","F. L. de Sousa",4,"Journal of the Brazilian Society of Mechanical Sciences and Engineering",false,"2021-03-12",2021,null,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs40430-021-02908-7","10.1007\u002Fs40430-021-02908-7","\u003Cp>Phát triển hệ thống mô phỏng nhiệt thời gian thực cho vệ tinh không gian Amazonia-1 dựa trên việc ứng dụng các kiến trúc \u003Cb class=\"publication-topic-keywords\">mạng nơ ron nhân tạo\u003C\u002Fb>. Phương pháp mạng học máy giúp rút ngắn thời gian tính toán so với các mô hình phương trình vi phân truyền thống, đồng thời đảm bảo độ chính xác cao phục vụ công tác huấn luyện điều hành vệ tinh quỹ đạo.\u003C\u002Fp>",[26],{"publicationId":27,"title":28,"originalTitle":21,"authorNames":29,"authorCount":31,"journalName":32,"vietnamJournal":33,"publishDate":34,"publishYear":35,"totalCitation":21,"url":36,"doi":21,"summary":37},"3740afce-1244-4edd-a6ad-32ffc5d8ba76","Ứng dụng mạng nơ ron nhân tạo dự báo công suất phát của nhà máy nhiệt điện",[30],"Lê Trọng Nghĩa; Phạm Văn Hoàn; TS. Nguyễn Minh Hòa*",1,"Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng",true,"2019-03-31",2019,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F1906","\u003Cp>Ứng dụng cấu trúc mô hình \u003Cb class=\"publication-topic-keywords\">mạng nơ ron nhân tạo\u003C\u002Fb> truyền thẳng hai lớp huấn luyện bằng thuật toán Levenberg-Marquardt để dự báo chính xác công suất phát của nhà máy nhiệt điện Ô Môn. Mô hình tích hợp thông số vận hành của lò hơi và tuabin, đạt sai số dự báo rất thấp và mở ra tiềm năng lớn trong điều khiển tự động hóa nhiệt điện.\u003C\u002Fp>",[],{"code":4,"data":40,"meta":21},{"id":41,"title":42,"description":43,"content":44,"term":41,"englishTitle":45,"synonyms":46,"definition":50,"discipline":51,"references":52,"faqs":74,"createUser":84,"publishUser":21,"keywords":87,"keywordCount":94,"enrichTopicLink":18,"status":95,"createTime":96,"updateTime":97,"publishTime":21,"linkEnrichedTime":98,"publicationScanTime":99,"contentErrorMessage":21,"viewCount":100,"relateTopics":101},"mạng nơ ron nhân tạo","Mạng nơ-ron nhân tạo: Kiến trúc, hàm kích hoạt và lan truyền ngược","Mạng nơ-ron nhân tạo (ANN) mô phỏng cấu trúc thần kinh sinh học, xử lý thông tin phi tuyến qua các lớp kết nối và thuật toán lan truyền ngược.","\u003Cp>\u003Cstrong>Mạng nơ-ron nhân tạo\u003C\u002Fstrong> (tiếng Anh: \u003Cem>artificial neural network\u003C\u002Fem>, viết tắt: \u003Cem>ANN\u003C\u002Fem>) là một mô hình tính toán lấy cảm hứng từ cấu trúc mạng lưới tế bào thần kinh sinh học trong não bộ động vật. ANN bao gồm các đơn vị xử lý thông tin cơ bản gọi là nơ-ron nhân tạo (hoặc nút), được tổ chức thành các lớp và liên kết với nhau bằng các kết nối có trọng số đại số biến thiên.\u003C\u002Fp>\n\u003Ch2>Cấu trúc toán học của một nơ-ron nhân tạo\u003C\u002Fh2>\n\u003Cp>Mô hình nơ-ron nhân tạo kinh điển (Perceptron) tiếp nhận một vector đầu vào \u003Cscript type=\"math\u002Ftex\">\\mathbf{x} = [x_1, x_2, \\dots, x_m]^T\u003C\u002Fscript> và tạo ra tín hiệu đầu ra \u003Cscript type=\"math\u002Ftex\">y\u003C\u002Fscript> thông qua hai giai đoạn biến đổi:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Tổng có trọng số và độ lệch (Linear combination):\u003C\u002Fstrong>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">z = \\sum_{j=1}^{m} w_j x_j + b = \\mathbf{w}^T \\mathbf{x} + b\u003C\u002Fscript>\u003C\u002Fp>\nTrong đó \u003Cscript type=\"math\u002Ftex\">w_j\u003C\u002Fscript> là các trọng số liên kết (weights) và \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript> là hệ số điều chỉnh độ lệch (bias).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hàm kích hoạt phi tuyến (Activation function):\u003C\u002Fstrong>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">y = \\sigma(z)\u003C\u002Fscript>\u003C\u002Fp>\nHàm \u003Cscript type=\"math\u002Ftex\">\\sigma\u003C\u002Fscript> đưa tính {{topic|%7B%22topic%22%3A%22phi%20tuy%E1%BA%BFn%20t%C3%ADnh%22%7D}} vào mạng, cho phép mô hình xấp xỉ các hàm số phức tạp bất kỳ theo Định lý xấp xỉ phổ quát (Universal Approximation Theorem).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Các hàm kích hoạt phổ biến\u003C\u002Fh2>\n\u003Cp>Sự lựa chọn hàm kích hoạt ảnh hưởng trực tiếp đến tốc độ hội tụ và tính ổn định của quá trình huấn luyện:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Hàm Sigmoid:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">\\sigma(z) = \\frac{1}{1 + e^{-z}}\u003C\u002Fscript>, ánh xạ đầu vào vào khoảng \u003Cscript type=\"math\u002Ftex\">(0, 1)\u003C\u002Fscript>, thường dùng cho lớp đầu ra của bài toán {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20lo%E1%BA%A1i%20nh%E1%BB%8B%20ph%C3%A2n%22%7D}}. Nhược điểm là hiện tượng triệt tiêu đạo hàm (vanishing gradient) khi \u003Cscript type=\"math\u002Ftex\">|z|\u003C\u002Fscript> lớn.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hàm Tang hyperbolic (Tanh):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">\\tanh(z) = \\frac{e^z - e^{-z}}{e^z + e^{-z}}\u003C\u002Fscript>, ánh xạ vào khoảng \u003Cscript type=\"math\u002Ftex\">(-1, 1)\u003C\u002Fscript>, đối xứng quanh điểm 0.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hàm Đơn vị chỉnh lưu tuyến tính (ReLU):\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">\\text{ReLU}(z) = \\max(0, z)\u003C\u002Fscript>, tính toán cực kỳ nhanh và giảm thiểu triệt tiêu đạo hàm, là hàm kích hoạt tiêu chuẩn cho các lớp ẩn trong mạng sâu.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Hàm Softmax:\u003C\u002Fstrong> Chuẩn hóa vector đầu ra của lớp cuối cùng thành một {{topic|%7B%22topic%22%3A%22ph%C3%A2n%20ph%E1%BB%91i%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} có tổng bằng 1 trong các bài toán phân loại đa lớp.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Kiến trúc mạng nơ-ron nhiều lớp (MLP)\u003C\u002Fh2>\n\u003Cp>Mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Perceptron - MLP) bao gồm:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Lớp đầu vào (Input Layer):\u003C\u002Fstrong> Tiếp nhận các đặc trưng thô của dữ liệu quan sát.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Một hoặc nhiều lớp ẩn (Hidden Layers):\u003C\u002Fstrong> Thực hiện các phép biến đổi đặc trưng phi tuyến liên tiếp để trích xuất các biểu diễn trừu tượng ở mức độ cao.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Lớp đầu ra (Output Layer):\u003C\u002Fstrong> Tạo ra giá trị dự báo cuối cùng (nhãn phân loại hoặc giá trị hồi quy liên tục).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Quá trình huấn luyện và Thuật toán lan truyền ngược\u003C\u002Fh2>\n\u003Cp>Mục tiêu của việc huấn luyện mạng nơ-ron là tìm bộ trọng số \u003Cscript type=\"math\u002Ftex\">\\mathbf{W}\u003C\u002Fscript> và bias \u003Cscript type=\"math\u002Ftex\">\\mathbf{b}\u003C\u002Fscript> sao cho hàm mất mát \u003Cscript type=\"math\u002Ftex\">L(\\mathbf{W})\u003C\u002Fscript> đạt giá trị nhỏ nhất trên tập dữ liệu huấn luyện.\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>Lan truyền xuôi (Forward Propagation):\u003C\u002Fstrong> Tín hiệu truyền từ lớp đầu vào qua các lớp ẩn để tính giá trị đầu ra và hàm mất mát.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Lan truyền ngược (Backpropagation):\u003C\u002Fstrong> Áp dụng quy tắc dây xích của giải tích vi phân để tính đạo hàm riêng (gradient) của hàm mất mát đối với từng trọng số:\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\frac{\\partial L}{\\partial w_{ij}} = \\frac{\\partial L}{\\partial z_i} \\cdot \\frac{\\partial z_i}{\\partial w_{ij}} = \\delta_i \\cdot x_j\u003C\u002Fscript>\u003C\u002Fp>\n\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Cập nhật trọng số (Gradient Descent):\u003C\u002Fstrong> Cập nhật trọng số theo hướng ngược vector gradient với tốc độ học \u003Cscript type=\"math\u002Ftex\">\\eta\u003C\u002Fscript>:\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">w_{ij} \\leftarrow w_{ij} - \\eta \\frac{\\partial L}{\\partial w_{ij}}\u003C\u002Fscript>\u003C\u002Fp>\nCác {{topic|%7B%22topic%22%3A%22thu%E1%BA%ADt%20to%C3%A1n%20t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%22%7D}} hiện đại như Adam, RMSprop hay SGD with Momentum giúp tăng tốc độ hội tụ và vượt qua các điểm cực tiểu cục bộ.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Các biến thể kiến trúc chuyên biệt\u003C\u002Fh2>\n\u003Cp>Từ kiến trúc MLP cơ bản, các kiến trúc mạng chuyên biệt đã được phát triển:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>CNN (Convolutional Neural Network):\u003C\u002Fstrong> Tận dụng phép tích chập không gian để xử lý dữ liệu dạng lưới 2D\u002F3D như hình ảnh và video.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>RNN \u002F LSTM \u002F GRU:\u003C\u002Fstrong> Có các kết nối hồi quy có trạng thái nhớ để xử lý dữ liệu {{topic|%7B%22topic%22%3A%22chu%E1%BB%97i%20th%E1%BB%9Di%20gian%22%7D}}, âm thanh và văn bản.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Transformer:\u003C\u002Fstrong> Dựa hoàn toàn trên cơ chế Attention, xử lý song song vượt trội và mở đường cho các {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20ng%C3%B4n%20ng%E1%BB%AF%20l%E1%BB%9Bn%22%7D}} hiện nay.\u003C\u002Fli>\n\u003C\u002Ful>\n","Artificial neural network",[47,48,49],"mạng thần kinh nhân tạo","ANN","neural network","Mạng nơ-ron nhân tạo (ANN) là một mô hình tính toán lấy cảm hứng từ cấu trúc mạng lưới tế bào thần kinh sinh học, bao gồm các đơn vị tính toán (nơ-ron) liên kết với nhau bằng các trọng số để tiếp nhận, biến đổi và truyền tải tín hiệu qua các hàm kích hoạt phi tuyến tính.","ENGINEERING_TECHNOLOGY",[53,60,67],{"citationText":54,"title":55,"authors":56,"source":57,"year":58,"doi":59,"url":21},"Han (2024). Efficient inverse design of optical multilayer nano-thin films using neural network principles: backpropagation and gradient descent. Nanoscale. doi:10.1039\u002Fd4nr01667j","Efficient inverse design of optical multilayer nano-thin films using neural network principles: backpropagation and gradient descent","Han","Nanoscale",2024,"10.1039\u002Fd4nr01667j",{"citationText":61,"title":62,"authors":63,"source":64,"year":65,"doi":66,"url":21},"Pattichis, Charalambous, Schizas, Middleton (1991). EMG DIAGNOSIS USING THE CONJUGATE GRADIENT BACKPROPAGATION NEURAL NETWORK LEARNING ALGORITHM. Artificial Neural Networks. doi:10.1016\u002Fb978-0-444-89178-5.50150-0","EMG DIAGNOSIS USING THE CONJUGATE GRADIENT BACKPROPAGATION NEURAL NETWORK LEARNING ALGORITHM","Pattichis, Charalambous, Schizas, Middleton","Artificial Neural Networks",1991,"10.1016\u002Fb978-0-444-89178-5.50150-0",{"citationText":68,"title":69,"authors":70,"source":71,"year":72,"doi":73,"url":21},"Saleh, Ajarmah (2022). Fractional Gradient Descent Learning of Backpropagation Artificial Neural Networks with Conformable Fractional Calculus. Frontiers in Artificial Intelligence and Applications Fuzzy Systems and Data Mining VIII. doi:10.3233\u002Ffaia220372","Fractional Gradient Descent Learning of Backpropagation Artificial Neural Networks with Conformable Fractional Calculus","Saleh, Ajarmah","Frontiers in Artificial Intelligence and Applications Fuzzy Systems and Data Mining VIII",2022,"10.3233\u002Ffaia220372",[75,78,81],{"question":76,"answer":77},"Một nơ-ron nhân tạo (Perceptron) thực hiện những phép tính gì?","Nơ-ron tính tổng có trọng số của các tín hiệu đầu vào cộng với độ lệch (bias), sau đó đưa kết quả qua một hàm kích hoạt phi tuyến để tạo đầu ra.",{"question":79,"answer":80},"Thuật toán lan truyền ngược (Backpropagation) hoạt động như thế nào?","Thuật toán tính đạo hàm riêng của hàm mất mát đối với từng trọng số theo quy tắc dây xích (chain rule), sau đó cập nhật trọng số ngược chiều gradient bằng phương pháp tối ưu hóa như SGD hay Adam.",{"question":82,"answer":83},"Tại sao cần các hàm kích hoạt phi tuyến như ReLU thay vì hàm tuyến tính?","Nếu chỉ sử dụng hàm kích hoạt tuyến tính, toàn bộ mạng nhiều lớp sẽ suy biến thành một phép biến đổi tuyến tính đơn lẻ, không thể học được các mối quan hệ phức tạp phi tuyến trong dữ liệu.",{"id":31,"researcherId":21,"name":85,"imageUrl":86},"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[88,89,90,91,92,93],"phi tuyến tính","phân loại nhị phân","phân phối xác suất","thuật toán tối ưu hóa","chuỗi thời gian","mô hình ngôn ngữ lớn",6,"PUBLISHED","2023-09-05T03:36:50.889+00:00","2026-09-04T07:11:52.582+00:00","2026-09-04T07:11:52.255+00:00","2026-09-04T06:22:07.077+00:00",454,[102,105,108,111,114,117,120,129,132,140],{"id":103,"title":104,"term":103,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":106,"title":107,"term":106,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"hiệu suất học tập","Hiệu suất học tập là gì? Các nghiên cứu khoa học liên quan",{"id":109,"title":110,"term":109,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"đường cong kuznets môi trường","Đường cong kuznets môi trường là gì? Nghiên cứu liên quan",{"id":112,"title":113,"term":112,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"mô hình garch","Mô hình garch là gì? Các bài nghiên cứu khoa học liên quan",{"id":115,"title":116,"term":115,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"mô hình arima","Mô hình arima là gì? Các công bố khoa học về Mô hình arima",{"id":118,"title":119,"term":118,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"học máy nâng cao","Học máy nâng cao là gì? Các nghiên cứu khoa học liên quan",{"id":121,"title":122,"term":121,"englishTitle":121,"definition":123,"discipline":124,"disciplineCode":125,"disciplineLabel":126,"disciplineColor":127,"disciplineIcon":128},"entropy","Entropy là gì? Từ nhiệt động lực học đến học máy","Entropy là đại lượng vật lý và toán học trung tâm biểu thị mức độ hỗn loạn, độ bất định hoặc lượng thông tin cần thiết để mô tả trạng thái của một hệ thống vật lý, thống kê hoặc mô hình tính toán.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":130,"title":131,"term":130,"englishTitle":21,"definition":21,"discipline":21,"disciplineCode":21,"disciplineLabel":21,"disciplineColor":21,"disciplineIcon":21},"stochastic","Stochastic là gì? Các nghiên cứu khoa học về Stochastic",{"id":133,"title":134,"term":133,"englishTitle":133,"definition":135,"discipline":51,"disciplineCode":136,"disciplineLabel":137,"disciplineColor":138,"disciplineIcon":139},"quadrotor","Quadrotor là gì? Nguyên lý bay bốn cánh quạt, mô hình động lực học, mạch điều khiển và bầy đàn UAV","Quadrotor là máy bay không người lái cánh quạt quay sử dụng bốn động cơ bố trí đối xứng để tạo lực nâng và điều khiển toàn bộ chuyển động không gian.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":141,"title":142,"term":141,"englishTitle":143,"definition":144,"discipline":51,"disciplineCode":136,"disciplineLabel":137,"disciplineColor":138,"disciplineIcon":139},"mô hình swat","Mô hình swat: Khái niệm, nguyên lý và ứng dụng","Soil and Water Assessment Tool (SWAT model)","Mô hình swat là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn."]