Sinh viên Nguyễn Thị Ngọc Lan (thứ 2 từ bên phải sang) nhận giải Nhất tại Hội nghị Sinh viên nghiên cứu khoa học Trường Đại học Công nghệ năm 2026. Ảnh: AVITECH Research Group.

Hình ảnh, video hay tín hiệu từ nhiều cảm biến đều có thể tạo ra những tập dữ liệu với nhiều chiều thông tin. Khi số chiều tăng, việc biểu diễn dữ liệu có thể đòi hỏi lượng bộ nhớ lớn và kéo theo những bài toán tính toán phức tạp hơn. Với sinh viên Nguyễn Thị Ngọc Lan, năm thứ ba ngành Trí tuệ nhân tạo, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội, câu hỏi vì thế không chỉ nằm ở việc xử lý dữ liệu thế nào mà còn ở cách tổ chức cấu trúc dữ liệu trước khi tính toán.

Từ hướng tiếp cận này, Nguyễn Thị Ngọc Lan thực hiện đề tài TriNet, một mô hình mạng tensor dành cho dữ liệu bậc cao. Đề tài nghiên cứu khoa học sinh viên do Lan thực hiện dưới sự hướng dẫn của TS. Lê Trung Thành giành giải Nhất cấp trường năm 2026. Kết quả nghiên cứu sau đó xuất hiện trong công trình được công bố tại Hội nghị quốc tế về Âm học, Tiếng nói và Xử lý tín hiệu ICASSP 2026, với Nguyễn Thị Ngọc Lan đứng tên đầu trong danh sách bốn tác giả.

Hai dấu mốc này cần được phân biệt. Ở hội nghị nghiên cứu khoa học sinh viên, Lan thực hiện đề tài cá nhân dưới sự hướng dẫn của giảng viên. Công bố tại ICASSP là kết quả của nhóm tác giả gồm Nguyễn Thị Ngọc Lan, TS. Lê Trung Thành, GS. Nguyễn Linh Trung và GS. Karim Abed-Meraim. Vì vậy, các kết quả của bài báo là sản phẩm của tập thể tác giả, không thể quy toàn bộ cho riêng một sinh viên.

Làm gọn cấu trúc trước khi xử lý dữ liệu

Một ma trận có thể được hình dung như bảng dữ liệu hai chiều. Tensor mở rộng cách biểu diễn đó sang ba, bốn hoặc nhiều chiều hơn. Video chẳng hạn có thể đồng thời chứa thông tin về chiều cao, chiều rộng, màu sắc và thời gian. Khi số chiều tăng, số lượng tham số cần lưu giữ và xử lý cũng có thể tăng nhanh.

Mạng tensor là một cách chia cấu trúc dữ liệu lớn thành những thành phần nhỏ hơn có liên kết với nhau. Vấn đề là một mạng đủ linh hoạt để mô tả quan hệ giữa nhiều chiều có thể trở nên phức tạp và tiêu tốn nhiều bộ nhớ.

TriNet được xây dựng để xử lý điểm đánh đổi này. Trong cấu trúc mà nhóm tác giả đề xuất, các thành phần của mạng được kết nối thêm thông qua những nhân tố trung gian, trong khi bậc của các nhân tố được giới hạn không quá ba. Cách thiết kế này nhằm giữ khả năng liên kết giữa nhiều phần của tensor mà không khiến độ phức tạp của từng thành phần tăng theo toàn bộ số chiều của dữ liệu.

Nhóm tác giả đồng thời xây dựng thuật toán dựa trên ADMM, một phương pháp tối ưu lặp, để xử lý hai nhiệm vụ là phân rã tensor và hoàn thiện tensor. Nhiệm vụ thứ hai xuất hiện khi một phần dữ liệu bị thiếu và hệ thống cần ước lượng những phần chưa quan sát được.

Sinh viên Nguyễn Thị Ngọc Lan trình bày poster TriNet tại Hội nghị Sinh viên nghiên cứu khoa học Trường Đại học Công nghệ năm 2026. Ảnh: Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

Các thử nghiệm không chỉ sử dụng dữ liệu mô phỏng. Nhóm còn kiểm tra phương pháp trên một ảnh đa phổ và hai chuỗi video News và Highway, chủ động tạo ra các mức thiếu dữ liệu khác nhau rồi so sánh TriNet với một số mô hình mạng tensor hiện có.

Trong những điều kiện được khảo sát, TriNet cho kết quả cạnh tranh về chất lượng tái tạo và hiệu quả lưu trữ. Với các bộ dữ liệu thực được báo cáo, phương pháp đạt giá trị PSNR cao nhất trong những cấu hình mà nhóm so sánh. Tuy nhiên, TriNet không phải phương pháp nhanh nhất trong mọi trường hợp. Thời gian chạy vẫn chậm hơn Tensor Train, và ở một thử nghiệm với tensor bậc ba, TriNet cũng chậm hơn FCTN.

Kết quả này cho thấy tiết kiệm bộ nhớ không đồng nghĩa với việc một phương pháp sẽ đồng thời nhanh hơn tất cả đối thủ. Giữa độ gọn của cấu trúc, tốc độ tính toán và chất lượng khôi phục dữ liệu vẫn tồn tại những đánh đổi cần được kiểm nghiệm trên từng bài toán cụ thể.

Bài toán dữ liệu thiếu cũng cho thấy nghiên cứu AI không chỉ là cuộc chạy đua làm mô hình lớn hơn. Cách dữ liệu được tổ chức, phần dữ liệu bị mất và lượng tài nguyên cần dùng để xử lý đều có thể trở thành những câu hỏi nghiên cứu riêng.

Từ đề tài sinh viên đến một công bố quốc tế

Nguyễn Thị Ngọc Lan chọn thực hiện đề tài nghiên cứu khoa học sinh viên một mình dưới sự hướng dẫn của TS. Lê Trung Thành. Khi ấy, Lan vẫn đang học năm thứ ba và lựa chọn một chủ đề khó trình diễn bằng giao diện hay thiết bị trực quan. Phần trọng tâm nằm ở cấu trúc toán học phía sau việc biểu diễn dữ liệu nhiều chiều.

Poster TriNet tại hội nghị nghiên cứu khoa học vì vậy chứa các mô hình mạng, biểu thức toán học, đồ thị và kết quả khôi phục dữ liệu. Đó là dạng công việc đòi hỏi sinh viên phải đi khá sâu vào nền tảng toán và thuật toán thay vì chỉ sử dụng các mô hình AI có sẵn cho một ứng dụng cụ thể.

Nguyễn Thị Ngọc Lan từng chia sẻ rằng nghiên cứu giúp cô nhận ra giá trị của việc tự khám phá, tự đặt câu hỏi và tìm lời giải. Quá trình tham gia nghiên cứu của Lan cũng không bắt đầu từ TriNet.

Năm 2025, cô là một trong tám đồng tác giả của một công trình về theo dõi không gian con thưa từ dòng dữ liệu có nhiễu và ngoại lai, công bố tại ISCIT 2025. Tác giả đứng đầu của công trình này là Tạ Giang Thùy Loan, vì vậy không có cơ sở để quy phương pháp hoặc kết quả của nghiên cứu cho riêng Nguyễn Thị Ngọc Lan.

Đến TriNet năm 2026, tên Lan xuất hiện đầu tiên trong danh sách bốn tác giả. Công trình được ICASSP 2026 xếp vào phiên nghiên cứu về phân rã và hoàn thiện ma trận, tensor và có trong chương trình ngày 6/5/2026 tại Barcelona, Tây Ban Nha.

Việc Nguyễn Thị Ngọc Lan xuất hiện ở vị trí đồng tác giả trong một công trình năm 2025 rồi đứng tên đầu ở TriNet năm 2026 cho thấy vị trí của cô trong danh sách tác giả đã thay đổi giữa hai công bố. Tuy nhiên, chỉ từ thứ tự tên không thể xác định toàn bộ phần việc hay mức đóng góp của từng người nếu không có tuyên bố đóng góp tác giả chi tiết. Điều có thể xác lập là Lan đã tham gia hoạt động nghiên cứu trong hai năm liên tiếp và là tác giả đầu của công trình TriNet.

Sinh viên Nguyễn Hoàng Lan bên trái và sinh viên Nguyễn Thị Ngọc Lan tại Hội nghị Sinh viên nghiên cứu khoa học Trường Đại học Công nghệ năm 2026. Ảnh: AVITECH Research Group.

Những phép thử vẫn còn ở phía trước

TriNet được nhắc tới với khả năng có thể tiếp tục phát triển cho các loại dữ liệu như hình ảnh, video, tín hiệu điện não, điện tim hay dữ liệu cảm biến. Tuy nhiên, những khả năng đó cần được tách khỏi kết quả mà công trình ICASSP 2026 đã thực sự kiểm nghiệm.

Các thử nghiệm được công bố mới gồm dữ liệu tổng hợp, ảnh đa phổ và video. Công trình chưa thử TriNet trên dữ liệu điện não hoặc điện tim thực tế và cũng chưa chứng minh một hệ thống y sinh hoàn chỉnh sử dụng mô hình này. Vì vậy, xử lý tín hiệu y sinh hiện mới là hướng có thể nghiên cứu tiếp, chưa phải hiệu quả đã được xác lập.

Nhóm tác giả cũng đặt ra những bước phát triển tiếp theo, trong đó có việc xây dựng phiên bản có khả năng thích nghi với tensor thay đổi theo thời gian và các biến thể bền vững hơn trước nhiễu hoặc dữ liệu ngoại lai.

Điều đó đặt TriNet đúng vào trạng thái của một kết quả nghiên cứu đang được phát triển. Mô hình đã có cấu trúc, thuật toán, thử nghiệm đối chứng và một công bố tại hội nghị quốc tế, nhưng từ kết quả trên các bộ dữ liệu thử nghiệm đến một công cụ vận hành trong ứng dụng thực tế vẫn còn nhiều bước kiểm chứng.

Với sinh viên Nguyễn Thị Ngọc Lan, TriNet vì thế chưa phải lời giải cuối cùng cho bài toán dữ liệu nhiều chiều. Từ việc tham gia một công trình năm 2025 đến đứng tên đầu trong TriNet năm 2026, hành trình nghiên cứu của cô vẫn đang ở giai đoạn tích lũy và thử nghiệm. Những biến thể tiếp theo của mô hình sẽ là thước đo rõ hơn cho hướng nghiên cứu mà nữ sinh ngành Trí tuệ nhân tạo đang theo đuổi.