[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ma%20tr%E1%BA%ADn%20x%C3%A1c%20%C4%91%E1%BB%8Bnh%20d%C6%B0%C6%A1ng{\"limit\":5}":3,"_public_topic_byId_ma%20tr%E1%BA%ADn%20x%C3%A1c%20%C4%91%E1%BB%8Bnh%20d%C6%B0%C6%A1ng":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":22,"discipline":23,"references":24,"faqs":46,"createUser":56,"publishUser":60,"keywords":61,"keywordCount":10,"enrichTopicLink":62,"status":63,"createTime":64,"updateTime":65,"publishTime":66,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":67,"wikidataId":10,"relateTopics":68},"ma trận xác định dương","Ma trận xác định dương là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Ma trận xác định dương (positive definite matrix): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên ...","\u003Cp>\u003Cstrong>Ma trận xác định dương\u003C\u002Fstrong> (\u003Cem>positive definite matrix\u003C\u002Fem>) là một ma trận đối xứng thực mà dạng toàn phương tương ứng luôn nhận giá trị thực dương nghiêm ngặt đối với mọi vectơ khác không, đóng vai trò nền tảng trong tối ưu hóa lồi và học máy.\u003C\u002Fp>\n\u003Ch2>Định nghĩa Ma trận Xác định Dương\u003C\u002Fh2>\n\u003Cp>Ma trận vuông \u003Cscript type=\"math\u002Ftex\">A \\in \\mathbb{R}^{n\\times n}\u003C\u002Fscript> gọi là xác định dương nếu với mọi vectơ cột không không \u003Cscript type=\"math\u002Ftex\">x \\in \\mathbb{R}^n\u003C\u002Fscript> ta luôn có\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">x^T A x > 0\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>Yêu cầu này ngụ ý rằng biểu thức song tuyến tính do \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> sinh ra đóng vai trò tích lũy năng lượng dương trên mọi hướng của không gian vectơ. Kết quả là hàm số \u003Cscript type=\"math\u002Ftex\">f(x)=x^T A x\u003C\u002Fscript> chỉ có giá trị lớn hơn không, trừ trường hợp \u003Cscript type=\"math\u002Ftex\">x=0\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Định nghĩa này đòi hỏi hai điều kiện: \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> phải đối xứng (tức \u003Cscript type=\"math\u002Ftex\">A=A^T\u003C\u002Fscript>) và mọi cặp phần tử trong phép tính \u003Cscript type=\"math\u002Ftex\">x^T A x\u003C\u002Fscript> đều góp giá trị dương. Hầu hết các ma trận trong ứng dụng khoa học tính toán, tối ưu hóa và thống kê đều được giả thiết xác định dương để bảo đảm tính ổn định và khả năng giải hệ.\u003C\u002Fp>\n\n\u003Ch2>Tính chất Cơ bản\u003C\u002Fh2>\n\u003Cp>Một ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> xác định dương có các tính chất then chốt sau đây:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Đối xứng:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">A = A^T\u003C\u002Fscript>. Mọi ma trận xác định dương buộc phải đối xứng để đảm bảo \u003Cscript type=\"math\u002Ftex\">x^T A x\u003C\u002Fscript> luôn thực.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Giá trị riêng dương:\u003C\u002Fstrong> Nếu \u003Cscript type=\"math\u002Ftex\">A v = \\lambda v\u003C\u002Fscript> với vectơ riêng \u003Cscript type=\"math\u002Ftex\">v\\neq0\u003C\u002Fscript>, thì \u003Cscript type=\"math\u002Ftex\">\\lambda>0\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Định thức và các principal minors:\u003C\u002Fstrong> \u003Cscript type=\"math\u002Ftex\">\\det(A)>0\u003C\u002Fscript> và mọi định thức con chính đều dương.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Không có vectơ không dương tính:\u003C\u002Fstrong> Không tồn tại \u003Cscript type=\"math\u002Ftex\">x\\neq0\u003C\u002Fscript> sao cho \u003Cscript type=\"math\u002Ftex\">Ax=0\u003C\u002Fscript> hoặc \u003Cscript type=\"math\u002Ftex\">x^T A x \\le 0\u003C\u002Fscript>.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nhờ những tính chất này, \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> cho phép định nghĩa căn bậc hai \u003Cscript type=\"math\u002Ftex\">A^{1\u002F2}\u003C\u002Fscript> và nghịch đảo \u003Cscript type=\"math\u002Ftex\">A^{-1}\u003C\u002Fscript> cũng là xác định dương, đồng thời các phép toán như phân tích Cholesky và phân tích phổ luôn khả thi và ổn định về mặt số.\u003C\u002Fp>\n\n\u003Ch2>Điều kiện Sylvester\u003C\u002Fh2>\n\u003Cp>Theo tiêu chí Sylvester, một ma trận đối xứng \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> xác định dương nếu và chỉ nếu tất cả các định thức con chính từ cấp 1 đến cấp \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript> đều dương. Cụ thể, ký hiệu \u003Cscript type=\"math\u002Ftex\">\\Delta_k\u003C\u002Fscript> là định thức của ma trận con \u003Cscript type=\"math\u002Ftex\">A_{1:k,1:k}\u003C\u002Fscript>, ta có:\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">\n\\Delta_1 > 0,\\ \\Delta_2 > 0,\\ \\dots,\\ \\Delta_n = \\det(A) > 0\n\\end{script>\u003C\u002Fpre>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Cấp \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript>\n      Định thức con chính \u003Cscript type=\"math\u002Ftex\">\\Delta_k\u003C\u002Fscript>\n      Yêu cầu\n    \n  \n  \n    \n      1\n      \u003Cscript type=\"math\u002Ftex\">\\Delta_1 = a_{11}\u003C\u002Fscript>\n      > 0\n    \n    \n      2\n      \u003Cscript type=\"math\u002Ftex\">\\Delta_2 = \\begin{vmatrix}a_{11} & a_{12}\\\\a_{21}&a_{22}\\end{vmatrix}\u003C\u002Fscript>\n      > 0\n    \n    \n      …\n      …\n      …\n    \n    \n      \u003Cscript type=\"math\u002Ftex\">n\u003C\u002Fscript>\n      \u003Cscript type=\"math\u002Ftex\">\\Delta_n = \\det(A)\u003C\u002Fscript>\n      > 0\n    \n  \n\n\u003Cp>Việc kiểm tra tuần tự từng \u003Cscript type=\"math\u002Ftex\">\\Delta_k\u003C\u002Fscript> cho phép sớm phát hiện ma trận không thỏa mãn điều kiện, tiết kiệm chi phí tính toán so với phân tích toàn bộ phổ giá trị riêng. Thông tin này thường được áp dụng trong các thư viện số như LAPACK (LAPACK Users’ Guide).\u003C\u002Fp>\n\n\u003Ch2>Phân tích Giá trị Riêng\u003C\u002Fh2>\n\u003Cp>Vì \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đối xứng nên tồn tại phân tích trực giao\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">A = Q \\Lambda Q^T,\\quad Q^TQ=I,\\ \\Lambda=\\mathrm{diag}(\\lambda_1,\\dots,\\lambda_n).\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>Một ma trận xác định dương tương đương với việc mọi giá trị riêng \u003Cscript type=\"math\u002Ftex\">\\lambda_i\u003C\u002Fscript> trong \u003Cscript type=\"math\u002Ftex\">\\Lambda\u003C\u002Fscript> đều thỏa mãn \u003Cscript type=\"math\u002Ftex\">\\lambda_i>0\u003C\u002Fscript>. Việc kiểm tra phổ giá trị riêng được thực hiện bằng các thuật toán QR hoặc divide-and-conquer với độ chính xác cao (MathWorld).\u003C\u002Fp>\n\u003Cp>Giá trị riêng cũng cho phép định nghĩa condition number \u003Cscript type=\"math\u002Ftex\">\\kappa(A)=\\frac{\\lambda_{\\max}}{\\lambda_{\\min}}\u003C\u002Fscript>, đại lượng quan trọng đánh giá độ nhạy của việc giải hệ \u003Cscript type=\"math\u002Ftex\">Ax=b\u003C\u002Fscript> trước sai số làm tròn. Ma trận có \u003Cscript type=\"math\u002Ftex\">\\kappa(A)\u003C\u002Fscript> thấp (gần 1) cho thấy tính ổn định số học cao, trong khi \u003Cscript type=\"math\u002Ftex\">\\kappa(A)\u003C\u002Fscript> rất lớn dễ dẫn đến sai số tích lũy.\u003C\u002Fp>\n\u003Ch2>Phân tích Cholesky\u003C\u002Fh2>\n\u003Cp>Phân tích Cholesky phân tách ma trận xác định dương \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> thành tích của ma trận tam giác dưới \u003Cscript type=\"math\u002Ftex\">L\u003C\u002Fscript> và chuyển vị của nó:\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">A = L\\,L^T,\\quad L\\in\\mathbb{R}^{n\\times n}\\text{ tam giác dưới, }L_{ii}>0.\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>Giải thuật Cholesky lặp qua hàng và cột, tính thành phần \u003Cscript type=\"math\u002Ftex\">L_{ii}\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">L_{ji}\u003C\u002Fscript> theo công thức:\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">\nL_{ii} = \\sqrt{A_{ii} - \\sum_{k=1}^{i-1} L_{ik}^2},\\quad\nL_{ji} = \\frac{1}{L_{ii}}\\bigl(A_{ji} - \\sum_{k=1}^{i-1}L_{jk}L_{ik}\\bigr).\n\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>Độ phức tạp tính toán của Cholesky xấp xỉ \u003Cscript type=\"math\u002Ftex\">\\tfrac{1}{3}n^3\u003C\u002Fscript> phép toán, nhanh hơn phân tích phổ giá trị riêng hay khử Gaussian. Phân tích Cholesky thường được sử dụng để giải hệ phương trình tuyến tính \u003Cscript type=\"math\u002Ftex\">Ax=b\u003C\u002Fscript> nhanh chóng và ổn định, đồng thời phát hiện ngay lập tức nếu \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> không xác định dương khi biểu thức dưới dấu căn bị âm (LAPACK Users’ Guide).\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Bước\u003C\u002Fth>\n      \u003Cth>Phép toán chính\u003C\u002Fth>\n      \u003Cth>Độ phức tạp\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Tính \u003Cscript type=\"math\u002Ftex\">L_{ii}\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Căn bậc hai của số thực dương\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(n^2)\u003C\u002Fscript> tổng thể\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Tính \u003Cscript type=\"math\u002Ftex\">L_{ji}\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Thương của hiệu hai tổng tích\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(n^3)\u003C\u002Fscript> tổng thể\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Ứng dụng trong Tối ưu hóa\u003C\u002Fh2>\n\u003Cp>Trong tối ưu hóa lồi, hàm bậc hai\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">f(x)=\\tfrac12x^TAx - b^Tx + c\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>là lồi toàn cục nếu \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> xác định dương, đảm bảo tồn tại nghiệm tối ưu duy nhất giải \u003Cscript type=\"math\u002Ftex\">\\nabla f(x)=Ax-b=0\u003C\u002Fscript>. Phương pháp gradient descent và Newton tận dụng đặc tính này để hội tụ nhanh chóng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Gradient Descent:\u003C\u002Fstrong> bước nhảy \u003Cscript type=\"math\u002Ftex\">\\alpha\u003C\u002Fscript> chọn trong khoảng \u003Cscript type=\"math\u002Ftex\">(0,\\,2\u002F\\lambda_{\\max})\u003C\u002Fscript> để đảm bảo giảm hàm mục tiêu mỗi bước.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Newton’s Method:\u003C\u002Fstrong> sử dụng phân tích Cholesky để giải hệ \u003Cscript type=\"math\u002Ftex\">A\\,p = -\\nabla f(x)\u003C\u002Fscript>, hội tụ bậc hai gần nghiệm tối ưu (MIT OpenCourseWare).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Độ hội tụ tuyến tính của gradient descent tỉ lệ nghịch với condition number \u003Cscript type=\"math\u002Ftex\">\\kappa(A)\u003C\u002Fscript>, trong khi Newton ổn định hơn nhưng yêu cầu tính nghịch đảo hoặc phân tích Cholesky của \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> tại mỗi bước, chi phí \u003Cscript type=\"math\u002Ftex\">\\mathcal{O}(n^3)\u003C\u002Fscript>.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong Thống kê\u003C\u002Fh2>\n\u003Cp>Ma trận hiệp phương sai \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> của phân phối chuẩn đa biến \u003Cscript type=\"math\u002Ftex\">N(\\mu,\\Sigma)\u003C\u002Fscript> phải xác định dương để mật độ xác suất có nghĩa:\u003C\u002Fp>\n\u003Cpre>\u003Cscript type=\"math\u002Ftex\">\nf(x)=\\frac{1}{\\sqrt{(2\\pi)^n\\det\\Sigma}}\n\\exp\\bigl(-\\tfrac12(x-\\mu)^T\\Sigma^{-1}(x-\\mu)\\bigr).\n\u003C\u002Fscript>\u003C\u002Fpre>\n\u003Cp>Xác định dương của \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> đảm bảo tồn tại \u003Cscript type=\"math\u002Ftex\">\\Sigma^{-1}\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">\\det\\Sigma>0\u003C\u002Fscript>. Trong phân tích thành phần chính (PCA), phân tích giá trị riêng của \u003Cscript type=\"math\u002Ftex\">\\Sigma\u003C\u002Fscript> cho biết phương sai theo từng hướng, cho phép giảm chiều dữ liệu bằng cách chọn các thành phần chính với giá trị riêng lớn nhất (CMU Lecture).\u003C\u002Fp>\n\u003Cp>Trong hồi quy tuyến tính \u003Cscript type=\"math\u002Ftex\">y = X\\beta + \\varepsilon\u003C\u002Fscript>, ma trận thiết kế \u003Cscript type=\"math\u002Ftex\">X^TX\u003C\u002Fscript> phải xác định dương để phép ước lượng bình phương nhỏ nhất \u003Cscript type=\"math\u002Ftex\">\\hat\\beta=(X^TX)^{-1}X^Ty\u003C\u002Fscript> tồn tại và duy nhất. Đa cộng tuyến dẫn đến \u003Cscript type=\"math\u002Ftex\">X^TX\u003C\u002Fscript> suy biến hoặc gần suy biến, gây khối ill-conditioning.\u003C\u002Fp>\n\n\u003Ch2>Kiểm tra Số và Ổn định Tính Toán\u003C\u002Fh2>\n\u003Cp>Condition number \u003Cscript type=\"math\u002Ftex\">\\kappa(A)=\\frac{\\lambda_{\\max}}{\\lambda_{\\min}}\u003C\u002Fscript> đánh giá độ nhạy của lời giải hệ \u003Cscript type=\"math\u002Ftex\">Ax=b\u003C\u002Fscript> đối với sai số trong \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">b\u003C\u002Fscript>. Ma trận có \u003Cscript type=\"math\u002Ftex\">\\kappa(A)\u003C\u002Fscript> cao dễ dẫn đến mất chính xác do sai số làm tròn. Sử dụng phân tích Cholesky thay cho khử Gauss có thể giảm sai số tích lũy nhờ hạn chế số phép chia và nhân (NIST Matrix Computation).\u003C\u002Fp>\n\u003Cp>Thuật toán kiểm tra Cholesky breakdown dừng khi gặp \u003Cscript type=\"math\u002Ftex\">L_{ii}^2 = A_{ii} - \\sum_{k}L_{ik}^2 \\le 0\u003C\u002Fscript>, báo hiệu \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> không xác định dương. Đây là phương pháp nhanh và ổn định hơn so với tính toàn bộ phổ giá trị riêng.\u003C\u002Fp>\u003C\u002Fpre>","Ma trận xác định dương","positive definite matrix",[18,20,21],"ma trận nửa xác định dương","dạng toàn phương xác định dương","Ma trận xác định dương là một ma trận đối xứng thực mà dạng toàn phương tương ứng luôn nhận giá trị thực dương nghiêm ngặt đối với mọi vectơ khác không, đóng vai trò nền tảng trong tối ưu hóa lồi và học máy.","NATURAL_SCIENCES",[25,32,39],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Martin (1971). Symmetric Decomposition of a Positive Definite Matrix. Linear Algebra.","Symmetric Decomposition of a Positive Definite Matrix","Martin, Peters, Wilkinson","Linear Algebra",1971,"10.1007\u002F978-3-662-39778-7_1",{"citationText":33,"title":34,"authors":35,"source":36,"year":37,"doi":38,"url":10},"Seaks (1972). SYMINV: An Algorithm for the Inversion of a Positive Definite Matrix by the Cholesky Decomposition. Econometrica.","SYMINV: An Algorithm for the Inversion of a Positive Definite Matrix by the Cholesky Decomposition","Seaks","Econometrica",1972,"10.2307\u002F1912094",{"citationText":40,"title":41,"authors":42,"source":43,"year":44,"doi":45,"url":10},"Berenhaut (2005). Monotone convex sequences and Cholesky decomposition of symmetric Toeplitz matrices. Linear Algebra and its Applications.","Monotone convex sequences and Cholesky decomposition of symmetric Toeplitz matrices","Berenhaut, Bandyopadhyay","Linear Algebra and its Applications",2005,"10.1016\u002Fj.laa.2005.01.021",[47,50,53],{"question":48,"answer":49},"Tiêu chuẩn Sylvester kiểm tra tính xác định dương của ma trận như thế nào?","Một ma trận đối xứng thực là xác định dương khi và chỉ khi tất cả các định thức con chính góc (Leading Principal Minors) của nó đều mang giá trị dương nghiêm ngặt.",{"question":51,"answer":52},"Phân tích Cholesky áp dụng cho ma trận xác định dương có ý nghĩa gì?","Phân tích ma trận A thành tích L nhân L chuyển vị (với L là ma trận tam giác dưới có đường chéo dương), giúp giải hệ phương trình tuyến tính nhanh gấp đôi so với phép khử Gauss.",{"question":54,"answer":55},"Tại sao ma trận hiệp phương sai (Covariance Matrix) luôn là ma trận nửa xác định dương?","Vì phương sai của bất kỳ tổ hợp tuyến tính nào của các biến ngẫu nhiên luôn không âm, bảo đảm dạng toàn phương tương ứng luôn lớn hơn hoặc bằng không.",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},[13],false,"PUBLISHED","2025-08-05T09:17:12.574+00:00","2026-09-03T11:24:30.535+00:00","2025-08-05T10:02:13.511+00:00",264,[69,79,89,94,99,103,108,113,118,123],{"id":70,"title":71,"term":72,"englishTitle":73,"definition":74,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"lập trình bậc hai","Lập trình bậc hai là gì? Ý nghĩa và ứng dụng chuyên sâu","Lập trình bậc hai","quadratic programming","Lập trình bậc hai trong tối ưu hóa toán học là bài toán tìm cực trị (cực tiểu hoặc cực đại) của một hàm mục tiêu bậc hai gồm nhiều biến số, thỏa mãn đồng thời một hệ thống các ràng buộc tuyến tính dưới dạng các đẳng thức hoặc bất đẳng thức.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":84,"disciplineCode":85,"disciplineLabel":86,"disciplineColor":87,"disciplineIcon":88},"thuật toán điều khiển","Thuật toán điều khiển là gì? Phân loại và ứng dụng","control algorithm","Thuật toán điều khiển (control algorithm) là quy trình toán học hoặc tập hợp các quy tắc tính toán có nhiệm vụ xử lý tín hiệu đặt, thông tin đo lường hoặc phản hồi từ hệ thống và môi trường để xác định tín hiệu điều khiển tác động lên cơ cấu chấp hành, nhằm duy trì biến quá trình hoặc biến trạng thái của đối tượng ở giá trị mong muốn hay bám theo quỹ đạo xác định trước.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":90,"title":91,"term":90,"englishTitle":92,"definition":93,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"bài toán bậc hai","Bài toán bậc hai là gì? Bản chất, thuật toán và ứng dụng","quadratic programming problem","Bài toán bậc hai là bài toán tối ưu hóa nhằm tìm cực trị của hàm mục tiêu đa thức bậc hai dưới hệ thống các ràng buộc đẳng thức hoặc bất đẳng thức tuyến tính.",{"id":95,"title":96,"term":95,"englishTitle":97,"definition":98,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"khoảng cách bregman","Khoảng cách Bregman là gì? Bản chất của Bregman divergence","Bregman divergence","Khoảng cách Bregman là hàm phân kỳ cảm sinh bởi một hàm lồi ngặt khả vi trên miền lồi, đo lường sai số xấp xỉ tuyến tính bậc nhất và là công cụ cốt lõi trong giải tích lồi và học máy.",{"id":100,"title":101,"term":100,"englishTitle":100,"definition":102,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"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.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"nhiệt độ nóng chảy","Nhiệt độ nóng chảy là gì? Các nghiên cứu khoa học liên quan","nhiet do nong chay","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học tự nhiên, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":109,"title":110,"term":109,"englishTitle":111,"definition":112,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"hằng số tốc độ","Hằng số tốc độ là gì? Các bài nghiên cứu khoa học liên quan","rate constant","Hằng số tốc độ (Reaction Rate Constant, ký hiệu k) là một hệ số tỷ lệ đặc trưng trong phương trình động học biểu thị tốc độ của phản ứng hóa học khi nồng độ của tất cả các chất phản ứng bằng đơn vị.",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"động vật linh trưởng","Động vật linh trưởng là gì? Tiến hóa Perelman, giải phẫu Fleagle và Estrada","primates","Động vật linh trưởng là một bộ thú có vú bậc cao đặc trưng bởi bàn tay ngón cái đối diện, thị giác lập thể 3D và vỏ não phát triển, tiến hóa qua các nhánh Mũi ướt và Mũi khô theo nghiên cứu Perelman-Fleagle.",{"id":119,"title":120,"term":119,"englishTitle":121,"definition":122,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"đồng vị","Đồng vị là gì? Phân loại và ứng dụng trong khoa học hiện đại","isotope","Đồng vị là các biến thể của cùng một nguyên tố hóa học có cùng số proton trong hạt nhân nhưng khác nhau về số neutron, dẫn đến khối lượng nguyên tử khác nhau.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":23,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"chu trình sinh địa hóa","Chu trình sinh địa hóa: Khái niệm, nguyên lý và ứng dụng","Biogeochemical cycle","Chu trình sinh địa hóa là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực natural sciences, 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."]