[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C6%B0%C6%A1ng%20ph%C3%A1p%20l%E1%BA%B7p{\"limit\":5}":3,"_public_topic_byId_phương pháp lặp":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":43,"createUser":53,"publishUser":10,"keywords":57,"keywordCount":10,"enrichTopicLink":58,"status":59,"createTime":60,"updateTime":61,"publishTime":10,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":62,"relateTopics":63},"phương pháp lặp","Phương pháp lặp là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Phương pháp lặp (iterative method): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Phương pháp lặp\u003C\u002Fstrong> (\u003Cem>iterative method\u003C\u002Fem>) là (iterative method) là kỹ thuật giải tích số học tạo ra chuỗi các xấp xỉ liên tiếp hội tụ dần về nghiệm chính xác của phương trình đại số hoặc hệ phương trình tuyến tính\u002Fphi tuyến từ một giá trị khởi tạo ban đầu.\u003C\u002Fp>\n\u003Ch2>1. Cơ sở lý thuyết toán học và nguyên lý ánh xạ co\u003C\u002Fh2>\n\u003Cp>Trong toán học ứng dụng và tính toán khoa học, việc tìm nghiệm giải tích chính xác (closed-form analytical solution) cho các phương trình vi phân đạo hàm riêng, hệ phương trình phi tuyến phức tạp hoặc các hệ phương trình đại số tuyến tính quy mô lớn thường là bất khả thi hoặc đòi hỏi chi phí tính toán phi thực tế. Phương pháp lặp khắc phục hạn chế này bằng cách chuyển đổi bài toán tìm nghiệm \u003Cscript type=\"math\u002Ftex\">f(x) = 0\u003C\u002Fscript> thành bài toán tìm điểm bất động (fixed point problem):\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">x = g(x)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Từ một điểm khởi tạo giả định \u003Cscript type=\"math\u002Ftex\">x^{(0)}\u003C\u002Fscript>, thuật toán lặp sinh ra chuỗi vô hạn các giá trị xấp xỉ \u003Cscript type=\"math\u002Ftex\">\\{x^{(k)}\\}_{k=0}^{\\infty}\u003C\u002Fscript> theo quy tắc đệ quy:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">x^{(k+1)} = g(x^{(k)}), \\quad k = 0, 1, 2, \\dots\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Nền tảng lý thuyết quyết định tính hội tụ của sơ đồ lặp này dựa trên \u003Cstrong>Định lý điểm bất động Banach\u003C\u002Fstrong> (Banach Fixed-Point Theorem). Nếu hàm số \u003Cscript type=\"math\u002Ftex\">g: X \\to X\u003C\u002Fscript> xác định trên một không gian metric đầy đủ \u003Cscript type=\"math\u002Ftex\">(X, d)\u003C\u002Fscript> và thỏa mãn tính chất ánh xạ co (contraction mapping), nghĩa là tồn tại một hằng số Lipschitz \u003Cscript type=\"math\u002Ftex\">L \\in [0, 1)\u003C\u002Fscript> sao cho:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">d(g(u), g(v)) \\le L \\cdot d(u, v), \\quad \\forall u, v \\in X\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>thì điểm bất động \u003Cscript type=\"math\u002Ftex\">x^*\u003C\u002Fscript> tồn tại duy nhất và chuỗi lặp \u003Cscript type=\"math\u002Ftex\">x^{(k)}\u003C\u002Fscript> chắc chắn hội tụ về \u003Cscript type=\"math\u002Ftex\">x^*\u003C\u002Fscript> với tốc độ hội tụ tuyến tính theo sai số:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">d(x^{(k)}, x^*) \\le \\frac{L^k}{1 - L} d(x^{(1)}, x^{(0)})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Ch2>2. Các phương pháp lặp cổ điển giải hệ phương trình đại số tuyến tính\u003C\u002Fh2>\n\u003Cp>Khi giải hệ phương trình đại số tuyến tính quy mô lớn \u003Cscript type=\"math\u002Ftex\">Ax = b\u003C\u002Fscript> với ma trận hệ số \u003Cscript type=\"math\u002Ftex\">A \\in \\mathbb{R}^{n \\times n}\u003C\u002Fscript>, ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> thường được phân rã thành ba thành phần: \u003Cscript type=\"math\u002Ftex\">A = D - L - U\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">D\u003C\u002Fscript> là ma trận đường chéo, \u003Cscript type=\"math\u002Ftex\">L\u003C\u002Fscript> là ma trận tam giác dưới thực sự, và \u003Cscript type=\"math\u002Ftex\">U\u003C\u002Fscript> là ma trận tam giác trên thực sự. Các phương pháp lặp cổ điển được phân biệt qua cách thức khai thác các ma trận thành phần này:\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuật toán lặp\u003C\u002Fth>\n      \u003Cth>Công thức ma trận lặp \u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = T x^{(k)} + c\u003C\u002Fscript>\u003C\u002Fth>\n      \u003Cth>Cơ chế cập nhật thành phần tọa độ\u003C\u002Fth>\n      \u003Cth>Điều kiện hội tụ đủ\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Phương pháp Jacobi\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = D^{-1}(L + U)x^{(k)} + D^{-1}b\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Tất cả các biến mới \u003Cscript type=\"math\u002Ftex\">x_i^{(k+1)}\u003C\u002Fscript> được tính đồng thời từ toàn bộ vector cũ \u003Cscript type=\"math\u002Ftex\">x^{(k)}\u003C\u002Fscript>. Dễ song song hóa.\u003C\u002Ftd>\n      \u003Ctd>Ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> ưu thế đường chéo nghiêm ngặt (strictly diagonally dominant).\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Phương pháp Gauss-Seidel\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = (D - L)^{-1}Ux^{(k)} + (D - L)^{-1}b\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Sử dụng ngay các giá trị mới \u003Cscript type=\"math\u002Ftex\">x_1^{(k+1)}, \\dots, x_{i-1}^{(k+1)}\u003C\u002Fscript> để tính tiếp biến \u003Cscript type=\"math\u002Ftex\">x_i^{(k+1)}\u003C\u002Fscript>.\u003C\u002Ftd>\n      \u003Ctd>Ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đối xứng xác định dương hoặc ưu thế đường chéo nghiêm ngặt.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Phương pháp nới lỏng (SOR)\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = (D - \\omega L)^{-1}[(1-\\omega)D + \\omega U]x^{(k)} + \\omega(D - \\omega L)^{-1}b\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Nội suy có trọng số với tham số nới lỏng \u003Cscript type=\"math\u002Ftex\">\\omega \\in (0, 2)\u003C\u002Fscript> nhằm tối ưu hóa bán kính phổ ma trận lặp.\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">0 \u003C \\omega \u003C 2\u003C\u002Fscript> và ma trận \u003Cscript type=\"math\u002Ftex\">A\u003C\u002Fscript> đối xứng xác định dương.\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Điều kiện cần và đủ để phương pháp lặp tuyến tính tổng quát \u003Cscript type=\"math\u002Ftex\">x^{(k+1)} = T x^{(k)} + c\u003C\u002Fscript> hội tụ với mọi vector khởi tạo ban đầu là \u003Cstrong>bán kính phổ\u003C\u002Fstrong> của ma trận lặp \u003Cscript type=\"math\u002Ftex\">T\u003C\u002Fscript> phải thỏa mãn:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\rho(T) = \\max_{i} |\\lambda_i(T)| \u003C 1\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Bán kính phổ \u003Cscript type=\"math\u002Ftex\">\\rho(T)\u003C\u002Fscript> càng nhỏ, chuỗi lặp càng hội tụ nhanh chóng về nghiệm chính xác.\u003C\u002Fp>\n\u003Ch2>3. Phương pháp lặp giải phương trình phi tuyến và tối ưu hóa\u003C\u002Fh2>\n\u003Cp>Đối với phương trình phi tuyến một chiều \u003Cscript type=\"math\u002Ftex\">f(x) = 0\u003C\u002Fscript> hoặc hệ phương trình phi tuyến nhiều chiều \u003Cscript type=\"math\u002Ftex\">F(\\mathbf{x}) = 0\u003C\u002Fscript>, \u003Cstrong>phương pháp Newton-Raphson\u003C\u002Fstrong> là chuẩn mực kinh điển dựa trên phép xấp xỉ chuỗi Taylor bậc nhất quanh điểm lặp hiện tại:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbf{x}^{(k+1)} = \\mathbf{x}^{(k)} - [J_F(\\mathbf{x}^{(k)})]^{-1} F(\\mathbf{x}^{(k)})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó \u003Cscript type=\"math\u002Ftex\">J_F\u003C\u002Fscript> là ma trận Jacobian chứa các đạo hàm riêng bậc nhất của hàm mục tiêu. Khi điểm xuất phát \u003Cscript type=\"math\u002Ftex\">\\mathbf{x}^{(0)}\u003C\u002Fscript> đủ gần nghiệm \u003Cscript type=\"math\u002Ftex\">\\mathbf{x}^*\u003C\u002Fscript> và ma trận Jacobian không suy biến tại nghiệm, phương pháp Newton đạt được \u003Cstrong>tốc độ hội tụ bậc hai (quadratic convergence)\u003C\u002Fstrong>, nghĩa là sai số ở bước lặp tiếp theo tỷ lệ thuận với bình phương sai số của bước lặp trước:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\|\\mathbf{x}^{(k+1)} - \\mathbf{x}^*\\| \\le C \\cdot \\|\\mathbf{x}^{(k)} - \\mathbf{x}^*\\|^2\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong kỷ nguyên trí tuệ nhân tạo và học máy hiện đại, \u003Cstrong>phương pháp giảm độ dốc (Gradient Descent)\u003C\u002Fstrong> và các biến thể ngẫu nhiên (SGD, Adam) chính là những phương pháp lặp tối ưu hóa bậc nhất quan trọng nhất, cập nhật các trọng số nơ-ron ngược chiều vector gradient của hàm mất mát:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\mathbf{w}^{(k+1)} = \\mathbf{w}^{(k)} - \\eta \\nabla \\mathcal{L}(\\mathbf{w}^{(k)})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>với \u003Cscript type=\"math\u002Ftex\">\\eta > 0\u003C\u002Fscript> là tốc độ học (learning rate) điều tiết bước nhảy của quá trình tối ưu hóa.\u003C\u002Fp>\n\u003Ch2>4. Tiêu chuẩn dừng lặp và phân tích độ ổn định số học\u003C\u002Fh2>\n\u003Cp>Trong tính toán thực tế, chuỗi lặp không thể chạy vô hạn mà phải được ngắt theo các tiêu chuẩn dừng định trước (stopping criteria) dựa trên ngưỡng dung sai sai số \u003Cscript type=\"math\u002Ftex\">\\varepsilon\u003C\u002Fscript> (thường từ \u003Cscript type=\"math\u002Ftex\">10^{-6}\u003C\u002Fscript> đến \u003Cscript type=\"math\u002Ftex\">10^{-12}\u003C\u002Fscript>):\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Tiêu chuẩn gia số nghiệm:\u003C\u002Fstrong> Ngừng khi sự thay đổi giữa hai bước lặp kế tiếp đủ nhỏ: \u003Cscript type=\"math\u002Ftex\">\\|x^{(k+1)} - x^{(k)}\\| \u003C \\varepsilon\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tiêu chuẩn phần dư tuyệt đối hoặc tương đối:\u003C\u002Fstrong> Ngừng khi chuẩn của vector phần dư suy giảm dưới ngưỡng cho phép: \u003Cscript type=\"math\u002Ftex\">\\|Ax^{(k)} - b\\| \u002F \\|b\\| \u003C \\varepsilon\u003C\u002Fscript>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Số bước lặp tối đa (Max iterations):\u003C\u002Fstrong> Đặt giới hạn bảo vệ để chống hiện tượng lặp vô hạn khi thuật toán phân kỳ hoặc rơi vào chu trình tuần hoàn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bên cạnh đó, hiện tượng lỗi làm tròn số học do giới hạn độ chính xác dấu phẩy động (floating-point precision) có thể làm tích tụ sai số trong các hệ phương trình có số điều kiện ma trận rất lớn (\u003Cscript type=\"math\u002Ftex\">\\kappa(A) \\gg 1\u003C\u002Fscript>), đòi hỏi việc áp dụng các kỹ thuật tiền điều kiện hóa (preconditioning) để nén phổ trị riêng của hệ phương trình trước khi lặp.\u003C\u002Fp>\n\u003Ch2>5. Ứng dụng đột phá trong khoa học tính toán và kỹ thuật\u003C\u002Fh2>\n\u003Cp>Phương pháp lặp là nền tảng cốt lõi của toàn bộ các phần mềm mô phỏng kỹ thuật hiện đại. Trong cơ học chất lưu tính toán (CFD), thuật toán SIMPLE và PISO lặp liên tục để giải phương trình Navier-Stokes phi tuyến mô phỏng dòng chảy quanh cánh máy bay và khí động học ô tô. Trong phân tích kết cấu công trình bằng phương pháp phần tử hữu hạn (FEM), các phương pháp lặp không gian con Krylov (như Phương pháp Gradient Liên hợp - CG và GMRES) cho phép giải quyết các hệ phương trình thưa với hàng trăm triệu ẩn số mà phương pháp khử Gauss trực tiếp hoàn toàn bất khả thi do cạn kiệt bộ nhớ máy tính tính toán.\u003C\u002Fp>\n\u003Ch2>6. Xu hướng phát triển phương pháp lặp trong học sâu và tính toán lượng tử\u003C\u002Fh2>\n\u003Cp>Trong bối cảnh bùng nổ của trí tuệ nhân tạo và mô hình ngôn ngữ lớn (LLMs), các phương pháp lặp tối ưu hóa ngẫu nhiên tiếp tục đóng vai trò là động cơ tính toán nền tảng. Các thuật toán tối ưu hóa thích nghi hiện đại như AdamW và Lion liên tục tinh chỉnh vector trọng số thông qua hàng tỷ bước lặp trên các cụm siêu máy tính GPU\u002FTPU hiệu năng cao. Để giải quyết bài toán nút thắt cổ chai về truyền thông giữa các nút tính toán phân tán, các biến thể phương pháp lặp bất đồng bộ (Asynchronous Iterative Methods) và các thuật toán lượng tử hóa gradient đã được phát triển nhằm giảm thiểu độ trễ mạng mà vẫn duy trì tính hội tụ toán học vững chắc.\u003C\u002Fp>\n\u003Cp>Bên cạnh đó, trong lĩnh vực tính toán lượng tử (Quantum Computing), các thuật toán lặp lượng tử biến phân (Variational Quantum Eigensolver - VQE) kết hợp giữa mạch lượng tử tham số hóa và thuật toán lặp tối ưu hóa cổ điển đang mở ra hướng đi đột phá để mô phỏng cấu trúc phân tử sinh học phức tạp và cấu trúc vùng năng lượng vật liệu, vượt xa giới hạn tính toán của bất kỳ siêu máy tính cổ điển nào hiện có.\u003C\u002Fp>","Phương pháp lặp","iterative method",[13,18,20,21],"giải tích số lặp","thuật toán lặp","Phương pháp lặp (iterative method) là kỹ thuật giải tích số học tạo ra chuỗi các xấp xỉ liên tiếp hội tụ dần về nghiệm chính xác của phương trình đại số hoặc hệ phương trình tuyến tính\u002Fphi tuyến từ một giá trị khởi tạo ban đầu.","NATURAL_SCIENCES",[25,32,38],{"citationText":26,"title":27,"authors":28,"source":29,"year":30,"doi":31,"url":10},"Sheikhi (2023). A New Iterative Method To Find The Moore-Penrose Inverse. Research Square Platform LLC.","A New Iterative Method To Find The Moore-Penrose Inverse","Sheikhi, Esmaeili","Research Square Platform LLC",2023,"10.21203\u002Frs.3.rs-2604093\u002Fv1",{"citationText":33,"title":34,"authors":35,"source":29,"year":36,"doi":37,"url":10},"Ma (2024). The Modified CG Iterative Method for Solving the General Sylvester Matrix Equation *. Research Square Platform LLC.","The Modified CG Iterative Method for Solving the General Sylvester Matrix Equation *","Ma, Xie",2024,"10.21203\u002Frs.3.rs-4156350\u002Fv1",{"citationText":39,"title":40,"authors":41,"source":29,"year":36,"doi":42,"url":10},"Shi (2024). 3D reconstruction study of motion fuzzy coded and non-coded targets based on iterative relaxation method. Research Square Platform LLC.","3D reconstruction study of motion fuzzy coded and non-coded targets based on iterative relaxation method","Shi","10.21203\u002Frs.3.rs-3942814\u002Fv1",[44,47,50],{"question":45,"answer":46},"Điều kiện cần và đủ để phương pháp lặp tuyến tính tổng quát hội tụ với mọi vector khởi tạo ban đầu là gì?","Bán kính phổ của ma trận lặp T phải nghiêm ngặt nhỏ hơn một (tất cả các giá trị riêng của T đều có mô-đun tuyệt đối nhỏ hơn 1).",{"question":48,"answer":49},"Tốc độ hội tụ của phương pháp Newton-Raphson đạt bậc mấy khi đạo hàm tại nghiệm khác không?","Phương pháp Newton-Raphson đạt tốc độ hội tụ bậc hai (quadratic convergence), số chữ số có nghĩa chính xác tăng gấp đôi sau mỗi bước lặp khi điểm khởi tạo đủ gần nghiệm.",{"question":51,"answer":52},"Phương pháp Gauss-Seidel khác biệt gì so với phương pháp Jacobi trong cách cập nhật biến số?","Gauss-Seidel sử dụng ngay các giá trị thành phần mới tính được của bước lặp hiện tại để tính các thành phần tiếp theo, trong khi Jacobi chỉ dùng toàn bộ giá trị của bước lặp trước.",{"id":54,"researcherId":10,"name":55,"imageUrl":56},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[13],false,"PUBLISHED","2023-09-08T02:05:58.116+00:00","2026-09-04T10:12:55.372+00:00",352,[64,67,76,80,85,90,95,100,105,110],{"id":65,"title":66,"term":65,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"pls sem","PLS-SEM là gì? Các bài nghiên cứu khoa học về PLS-SEM",{"id":68,"title":69,"term":68,"englishTitle":70,"definition":71,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"sự hội tụ","Sự hội tụ: Khái niệm, nguyên lý toán học và ứng dụng","Convergence","Sự hội tụ là hiện tượng hoặc quá trình mà trong đó các phần tử của một dãy, chuỗi hoặc các trạng thái của một hệ thống tiến dần về một giới hạn hoặc điểm cân bằng xác định.","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":77,"title":78,"term":77,"englishTitle":77,"definition":79,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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":81,"title":82,"term":81,"englishTitle":83,"definition":84,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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":86,"title":87,"term":86,"englishTitle":88,"definition":89,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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":91,"title":92,"term":91,"englishTitle":93,"definition":94,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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":96,"title":97,"term":96,"englishTitle":98,"definition":99,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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":101,"title":102,"term":101,"englishTitle":103,"definition":104,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"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.",{"id":106,"title":107,"term":106,"englishTitle":108,"definition":109,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"ethylene","Ethylene là gì? Cấu trúc hóa học, vai trò sinh học và ứng dụng","Ethylene","Ethylene (ethene, công thức hóa học C2H4) là một hydrocarbon không no thuộc nhóm anken đơn giản nhất, tồn tại ở thể khí không màu, đồng thời là một phytohormone dạng khí điều hòa sự chín và rụng ở thực vật.",{"id":111,"title":112,"term":111,"englishTitle":113,"definition":114,"discipline":23,"disciplineCode":72,"disciplineLabel":73,"disciplineColor":74,"disciplineIcon":75},"không khí ẩm","Không khí ẩm là gì? Các công bố khoa học về Không khí ẩm","moist air","Không khí ẩm là hỗn hợp nhiệt động học giữa không khí khô và hơi nước, có các thông số đặc trưng gồm độ ẩm tương đối, độ ẩm tuyệt đối và nhiệt độ điểm sương."]