PINN so với phương pháp số truyền thống: Khi nào mạng nơ-ron vật lý chiếm ưu thế?

Khi giải các phương trình vi phân — công cụ cốt lõi để mô phỏng dòng chảy, truyền nhiệt, điện từ trường hay động lực học kết cấu — giới nghiên cứu từ lâu vẫn trung thành với các phương pháp số cổ điển như sai phân hữu hạn (finite difference) hay phần tử hữu hạn (finite element). Nhưng vài năm trở lại đây, một hướng tiếp cận mới mang tên PINN (Physics-Informed Neural Network — mạng nơ-ron tích hợp vật lý) nổi lên như ứng viên thay thế đầy hứa hẹn. Câu hỏi đặt ra rất thực tế: liệu PINN có thực sự vượt được các phương pháp cũ, và nếu có thì trong điều kiện nào?

Một thử nghiệm gần đây đã đặt thẳng hai đối thủ lên bàn cân để trả lời câu hỏi đó.

Cách bố trí thử nghiệm

Tác giả thực hiện hai phép so sánh song song. Một bên là mạng nơ-ron tích hợp vật lý — mô hình học sâu được huấn luyện để không chỉ khớp dữ liệu mà còn tuân thủ chính phương trình vi phân mô tả hệ thống. Bên còn lại là bộ giải sai phân hữu hạn thuần túy, tức phương pháp số kinh điển đã được dùng hàng thập kỷ.

Cả hai được đem ra thi đấu hai lần trên cùng một lớp bài toán, nhưng ở hai độ phức tạp khác nhau:

• Bài toán 1 chiều (1D): không gian đơn giản, số điểm lưới cần tính toán ít.
• Bài toán 5 chiều (5D): không gian nhiều chiều, nơi số điểm lưới tăng theo cấp số nhân nếu dùng cách tiếp cận truyền thống.

Điểm đáng chú ý là tác giả không thay đổi gì ở bộ giải sai phân giữa hai lần thử — chỉ thay đổi chiều của bài toán. Kết quả vì thế phản ánh đúng bản chất của từng phương pháp.

"Tôi đặt mạng nơ-ron tích hợp vật lý lên đối đầu với một bộ giải sai phân hữu hạn thuần túy hai lần: một lần ở 1D và một lần ở 5D. Người thắng cuộc đã thay đổi."

Vì sao số chiều lại quyết định?

Đây chính là điểm mấu chốt, và cũng là lý do khiến thử nghiệm này đáng chú ý với giới làm mô phỏng tại Việt Nam — từ các nhóm nghiên cứu khí tượng, dầu khí cho tới tài chính định lượng.

Phương pháp lưới cổ điển hoạt động dựa trên việc rời rạc hóa không gian thành các điểm. Ở 1D, bạn chỉ cần chia đoạn thẳng thành 100 điểm chẳng hạn. Nhưng ở 5D, muốn giữ nguyên độ phân giải đó, bạn phải dùng 100 mũ 5 — tức 10 tỷ điểm. Hiện tượng này gọi là lời nguyền số chiều (curse of dimensionality). Chi phí tính toán và bộ nhớ nổ tung theo cấp số nhân, khiến bài toán nhanh chóng trở nên bất khả thi.

PINN thì khác. Mạng nơ-ron không cần dựng lưới. Nó học một hàm liên tục xấp xỉ nghiệm, và số tham số của mạng tăng theo cách tuyến tính hoặc gần tuyến tính chứ không bùng nổ theo số chiều. Về lý thuyết, đây chính là lợi thế lớn nhất của PINN.

Bài học rút ra

Thử nghiệm này không tuyên bố PINN là kẻ chiến thắng tuyệt đối. Thông điệp thực tế hơn, và cũng hữu ích hơn cho người làm kỹ thuật:

• Ở không gian ít chiều, bộ giải sai phân hữu hạn vẫn nhanh, chính xác và đáng tin cậy hơn. Không có lý do gì phải chuyển sang PINN chỉ vì nó mới.
• Ở không gian nhiều chiều, cán cân đảo chiều. Khi số chiều tăng, chi phí của phương pháp lưới vượt qua ngưỡng chịu đựng, và PINN trở nên cạnh tranh — thậm chí vượt trội.
• Việc chọn công cụ phải xuất phát từ bài toán, không phải từ mức độ "thời thượng" của công nghệ.

Góc nhìn cho người làm công nghệ Việt Nam

Với các nhóm nghiên cứu và kỹ sư trong nước đang xử lý bài toán mô phỏng — từ dự báo thời tiết, mô phỏng dòng chảy trong ngành dầu khí, tối ưu hóa thiết kế vi mạch, cho tới định giá sản phẩm tài chính phái sinh — kết luận này mang tính thực tiễn cao. Nhiều bài toán trong số đó vốn dĩ có số chiều rất lớn, đúng vùng mà PINN phát huy lợi thế.

Tuy nhiên cần lưu ý: PINN vẫn có nhược điểm riêng. Quá trình huấn luyện đòi hỏi hạ tầng GPU, thời gian train lâu hơn nhiều so với chạy một bộ giải số thông thường, và độ chính xác phụ thuộc nặng vào cách thiết kế hàm mất mát. Không phải cứ nhiều chiều là PINN tự động thắng — còn phụ thuộc vào cấu trúc bài toán, điều kiện biên và chất lượng dữ liệu.

Điểm cốt lõi mà thử nghiệm này khẳng định rất rõ ràng: ranh giới giữa phương pháp cũ và mới không cố định, mà dịch chuyển theo độ phức tạp của bài toán. Người kỹ sư giỏi là người hiểu rõ cả hai và biết khi nào nên dùng cái nào.