Trong lĩnh vực sáng chế hay xử lý Big data, để phát hiện ra nghiệm thích hợp từ những sự liên kiết phức tạp có tính trade-off của các thông số, hiện nay có một kĩ thuật mới đang được các nhà nghiên cứu chú ý. Đó là kĩ thuật “luận toán tối ưu hóa” được đề xướng như một bước tiến tiếp theo cho ngành sáng chế hay business.
Đây là kĩ thuật đầu tiên được sử dụng trong việc cải tiến và giải quyết hàng loạt những vấn đề tồn tại trong việc sáng chế cũng như các vấn đề xã hội bằng phương pháp toán học rồi từ đó đưa ra phương án tiến hành tiếp theo một cách thích hợp nhất.
Ông Hirokazu Anai cho biết: “Có thể bắt gặp từ luận toán tối ưu hóa và khái niệm của nó trong nhiều lĩnh vực khác nhau”. Từ công nghệ nâng cao tính năng của máy tính hay cùng với việc xuất hiện những ứng dụng mới như Big Data, kĩ thật toán học được sử dụng với rất nhiều bài toán kể cả trong ngành sáng chế cùng như với hệ thống xã hội. Để từ đó nâng cao động cơ tạo ra sự đổi mới một cách toàn diện từ xí nghiệp – trường học – chính phủ.
“Luận toán tối ưu hóa” còn được gọi với cái tên khác “Phương pháp tiến cử”. Ví dụ, từ một lượng lớn thông tin nhận được từ các động cơ hay hệ thông định vị, chúng ta vừa vừa xem xét và phân tích một loạt các yếu tố như mô hình, giải tích, sự tối ưu hóa, điền khiển theo một mối quan hệ vòng tròn. Mặc dù có rất nhiều trade-off nhưng nếu điều khiển được động cơ như thế này sẽ giúp nâng cao hiệu quả sử dụng nhiên liệu một cách đáng kể. Đó chính là tác dụng của phương pháp tối ưu hóa.
Cách tìm những tổ hợp thích hợp nhất từ trade-off từ những thông số
Chắc hẳn khi nhìn vào cụm từ “Luận toán tối ưu hóa” nhiều người sẽ liên tưởng một khái niệm mơ hồ nhưng trên thực tế nó đã được đưa vào ứng dụng trong ngành sáng chế từ lâu.
Sau đây ông Hiraguchi sẽ giới thiệu hai ví dụ về ứng dụng của thuật toán này. Một là ứng dụng trong thiết kế hình mẫu của ‘slider’ trong bộ phận ổ đĩa để duy trì trạng thái nổi của đầu từ so với mặt đĩa.
Để đạt được trạng thái nổi trên không một cách ổn định mà không bị ảnh hưởng bởi các yếu tố như vị trí đầu từ, áp xuất, nhiệt độ, ông Hiraguchi và các đồng nghiệp đã dùng phương pháp QE (Quntifer Elimination) phát triển được thuật toán tối ưu hóa nhiều mục đích từ đó tạo ra hình dáng thích hợp nhất cho slider. Tiếp theo đó, dựa trên phạm vi có thể tối ưu hóa tìm được trong qua trình tính toán phạm vi tính toán bị thu hẹp. Trước đây quá trình thiết tế mẫu hình này đòi hỏi khoảng thời gian là 14 ngày thì nay với cách thức như trên chỉ mất 1 ngày mà thôi.
Ứng dụng thứ 2 được áp dụng trong thiết kế SRAM. Bằng việc phân nhỏ hóa các nút quá trình, margin hoạt động của các bóng bán dẫn cấu tạo nên SRAM hẹp lại như trước nay không hề tồn tại. Sự thật rằng việc các nhà thiết kế mạch bán dẫn dựa chỉ dựa vào kinh nghiệm cũng có giới hạn. Trong đó, nhóm của ông Hiraguchi đã tối ưu hóa tế bào bộ nhớ bằng cách áp dụng thuật toán tối ưu hóa với nhiều mục đích vào việc thiết kế kích thước hình học cấu tạo nên các tế bào bộ nhớ hay những thông số tiêu thụ điện lực. Từ việc kết hợp những hiệu quả đó các nhà thiết kế sẽ nhận được những căn cứ để thiết kế nhờ phương pháp tối ưu hóa số học.
Hiệu quả trong việc tối ưu hóa định lượng
Với BI (Business Intelligence), BA (Business analytis) hay DSS (decision – support – systerm) phương pháp tối ưu hóa số học đều có hiệu quả. Nó đưa ra được “Bước tiếp theo thích hợp” rất quan trọng đối với việc kinh doanh hay sản xuất từ những dữ liệu gốc liên quan đến công ty và xã hội.
Ví dụ, trong lưới điện thông minh, dựa vào những điều kiện sử dụng điện hay môi trường đã được sử lý thành các Data (Big data) trong trường hợp muốn điều khiển lượng điện phân phối thì cũng giống như ví dụ về điều khiển động cơ như hình bên trên bằng cách xem xét dòng chảy của 1 loạt yếu tố: Mô hình, phân tích, tối ưu hóa, kiểm soát ta có thể hiện thực hóa việc sử dụng năng lượng điện một cách hiệu quả nhất.
Ngoài ra, nếu bạn lấy ví dụ về bán lẻ, việc phân tích sự kết hợp các mòn hàng khi đi mua sắm của khách hàng đã được tiến hành từ rất lâu, nhưng nếu sử dụng phương pháp tối ưu hóa toán học bạn có thể có được một kết quả chính xác hơn nữa. Cho dù sự kết hợp của các món hàng có lớn và nhiều như thế nào chăng nữa thì việc phát triển thuật toán và cải tổ sẽ giúp chúng ta có được kết quả trong quãng thời gian ngắn hiệu quả hơn.
Sức lan tỏa của mô hình tăng khả năng ứng dụng của tối ưu hóa số học
Lý do mà phương pháp này nhận được nhiều sự quan tâm đó là nó hứa hẹn mang lại nhiều hiệu quả tốt đẹp khi ứng dụng được trong nhiều lĩnh vực từ sáng chế đến BA. Thêm và đó ta phải kể đến tác dụng tăng vận tốc cho máy tính so với trước đây hiệu quả tăng rõ rệt dù chỉ trong khoảng thời gian rất ngắn. Ngay cả một phần của các phần mềm CAE/CAM cũng có những chức năng tìm kiếm tự động những mô hình có tính thích hợp cao nhất đó là ví dụ rất gần gũi của khái niệm tối ưu hóa.
Mặc dù vậy để mà tiến hành phương pháp tối ưu hóa để định lượng cần phải mô hình hóa những vấn đề, hiện tượng thành con số biểu diễn trên máy tính. Tóm lại, cần phải tích cực sử dụng phương pháp “Khai thác mô hình” như đang ứng dụng với các công ty sản xuất ô tô. Hơn thế nữa, trong tương lai nếu muốn ứng dụng tối tưu hóa toán học vào nhiều lĩnh vực hơn nữa thì việc đào tạo những nhân lực có khả năng sử dụng phương pháp này là một điều vô cùng quan trọng.
Tối ưu hóa toán học, nghe qua như một khái niệm trừu tượng nhưng thực sự phương pháp này đang bắt đầu ứng dụng vào thực tế và mang lại rất nhiều lợi ích hiệu quả.
Người dịch: Phương Hà
Nguồn: Nikkeibp