បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃវិធីសាស្ត្រប្រែត្រឡប់ទិន្នន័យតាមបែបប្រពៃណី (Local optimization) ដែលជារឿយៗទាមទារព័ត៌មានដើមច្បាស់លាស់ និងងាយជាប់គាំងក្នុងដំណោះស្រាយមិនល្អបំផុត ជាពិសេសចំពោះបញ្ហាទិន្នន័យដែនសក្តានុពលដែលមានលក្ខណៈមិនមានតែមួយ (Non-uniqueness)។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានអនុវត្តក្បួនដោះស្រាយវិវត្តន៍ឌីផេរ៉ង់ស្យែល (DE) ដើម្បីធ្វើការប្រែត្រឡប់ទិន្នន័យម៉ាញេទិក 3D ដោយធ្វើការសាកល្បងលើគំរូសិប្បនិម្មិតដែលមាននិងគ្មានសំឡេងរំខាន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Strategy 1 (DE/best/1/bin) យុទ្ធសាស្ត្រទី ១ នៃក្បួនដោះស្រាយវិវត្តន៍ឌីផេរ៉ង់ស្យែល |
មានសមត្ថភាពកំណត់ទីតាំង និងប៉ារ៉ាម៉ែត្រនៃវត្ថុប្រភពបានល្អបំផុត និងផ្តល់នូវកម្រិតកំហុសទាបបំផុត។ | អាចប្រឈមនឹងការជាប់គាំងក្នុងដំណោះស្រាយមិនល្អប្រសិនបើផ្ទៃនៃបញ្ហាមានភាពស្មុគស្មាញខ្លាំង (បើទោះបីជាក្នុងលទ្ធផលនេះវាល្អបំផុតក៏ដោយ)។ | កម្រិតកំហុសទាបបំផុត ០.៥៦ nT (សម្រាប់ទិន្នន័យគ្មានសំឡេងរំខាន) និង RMS ២.៩៤ nT (សម្រាប់ទិន្នន័យមានសំឡេងរំខាន)។ |
| Strategy 2 (DE/rand/1/bin) យុទ្ធសាស្ត្រទី ២ (ជ្រើសរើសវ៉ិចទ័រដោយចៃដន្យ) |
មានលក្ខណៈនៃការស្វែងរកទូលំទូលាយ (Exploration) ដោយសារការជ្រើសរើសវ៉ិចទ័រមូលដ្ឋានដោយចៃដន្យ។ | ផ្តល់លទ្ធផលមិនសូវល្អដូចយុទ្ធសាស្ត្រទី ១ ក្នុងការប៉ាន់ប្រមាណប៉ារ៉ាម៉ែត្រនៃគំរូ។ | កម្រិតកំហុសខ្ពស់ជាងគេគឺ ១.១៦ nT។ |
| Strategy 3 (DE/rand-to-best/1/bin) យុទ្ធសាស្ត្រទី ៣ (ការរួមបញ្ចូលរវាងចៃដន្យ និងល្អបំផុត) |
ព្យាយាមធ្វើឱ្យមានតុល្យភាពរវាងការស្វែងរកទូទៅ និងការស្វែងរកតម្រង់ទិសទៅរកដំណោះស្រាយល្អ។ | នៅតែមានកម្រិតកំហុសខ្ពស់ជាងយុទ្ធសាស្ត្រទី ១ បន្តិច។ | កម្រិតកំហុសមធ្យមគឺ ០.៨ nT។ |
| Local Optimization Methods វិធីសាស្ត្រវិភាគតាមតំបន់ (ដូចដែលបានរៀបរាប់ក្នុងអារម្ភកថា) |
ចំណាយពេលគណនាតិចជាងវិធីសាស្ត្រវិវត្តន៍ (Global optimization)។ | ទាមទារព័ត៌មានដើម (Initial model) ច្បាស់លាស់ និងងាយជាប់គាំងក្នុងដំណោះស្រាយដែលមិនមែនជាដំណោះស្រាយល្អបំផុត (Local minima)។ | មិនត្រូវបានប្រើក្នុងការពិសោធន៍ផ្ទាល់ទេ តែជាមូលហេតុដែលនាំឱ្យមានការសិក្សានេះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ វិធីសាស្ត្រនេះទាមទារថាមពលកុំព្យូទ័រខ្ពស់ជាងវិធីសាស្ត្រប្រពៃណី ដោយសារវាត្រូវគណនាម្តងហើយម្តងទៀតនៅក្នុងដំណើរការវិវត្តន៍ ប៉ុន្តែវាមិនទាមទារព័ត៌មានគំរូដើមស្មុគស្មាញឡើយ។
ការសិក្សានេះធ្វើឡើងដោយផ្អែកលើទិន្នន័យសិប្បនិម្មិត (Synthetic data) នៃរូបរាងធរណីមាត្រសាមញ្ញ (Prismatic bodies) តែប៉ុណ្ណោះ មិនទាន់បានសាកល្បងលើទិន្នន័យភូគម្ភសាស្ត្រជាក់ស្តែងដែលមានភាពស្មុគស្មាញជាងនេះទេ។ សម្រាប់កម្ពុជា ការអនុវត្តជាក់ស្តែងអាចនឹងជួបប្រទះសំឡេងរំខាននៃដី និងស្រទាប់ថ្មដែលមិនមានលក្ខណៈសាមញ្ញដូចគំរូនេះ។
វិធីសាស្ត្រនេះមានសារៈសំខាន់ខ្លាំងសម្រាប់វិស័យភូគម្ភសាស្ត្រនៅកម្ពុជា ជាពិសេសក្នុងតំបន់ដែលមិនសូវមានទិន្នន័យដើមច្បាស់លាស់។
ទោះបីជាវាជាការសិក្សាតាមបែបទ្រឹស្តីក៏ដោយ ក្បួនដោះស្រាយ DE គឺជាឧបករណ៍ដ៏មានសក្តានុពលសម្រាប់អ្នកភូគម្ភវិទ្យាកម្ពុជាក្នុងការវិភាគទិន្នន័យម៉ាញេទិកដោយមិនពឹងផ្អែកលើការស្មានទុកជាមុន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| 3D inversion | ដំណើរការគណិតវិទ្យាដែលប្រើទិន្នន័យវាស់វែងលើផ្ទៃដី ដើម្បីបង្កើតរូបភាពឬគំរូនៃរចនាសម្ព័ន្ធក្រោមដីឡើងវិញក្នុងលំហបីវិមាត្រ (បណ្តោយ ទទឹង និងជម្រៅ)។ | ដូចជាការប្រើស្រមោលរបស់វត្ថុ ដើម្បីទស្សន៍ទាយថារូបរាងពិតរបស់វត្ថុនោះជាអ្វី។ |
| Differential evolution (DE) algorithm | ជាក្បួនដោះស្រាយកុំព្យូទ័រដែលយកគំរូតាមការវិវត្តន៍របស់ធម្មជាតិ (ដូចជាការបន្តពូជ និងការផ្លាស់ប្តូរហ្សែន) ដើម្បីស្វែងរកចម្លើយដ៏ល្អបំផុតសម្រាប់បញ្ហាស្មុគស្មាញដោយមិនជាប់គាំង។ | ដូចជាការជ្រើសរើសពូជស្រូវដែលល្អបំផុតមកដាំបន្តគ្នាជាច្រើនជំនាន់ និងកែប្រែបន្តិចបន្តួច ដើម្បីឱ្យបានស្រូវដែលផ្តល់ទិន្នផលខ្ពស់បំផុត។ |
| Total field magnetic data | ទិន្នន័យដែលទទួលបានពីការវាស់កម្លាំងដែនម៉ាញេទិកសរុបនៅកន្លែងណាមួយ ដើម្បីស្វែងរកវត្ថុធាតុដែលមានជាតិដែក ឬរចនាសម្ព័ន្ធដីក្រោមដីដែលមានលក្ខណៈម៉ាញេទិក។ | ដូចជាការប្រើឧបករណ៍រាវរកដែក ដើម្បីដឹងថាមានអ្វីកប់នៅក្រោមដីតាមរយៈកម្លាំងស្រូបរបស់វា។ |
| Mutation | នៅក្នុងក្បួនដោះស្រាយ DE នេះគឺជាដំណើរការបង្កើតដំណោះស្រាយថ្មីៗ ដោយការកែប្រែតម្លៃមួយចំនួននៃដំណោះស្រាយដែលមានស្រាប់ ដើម្បីធានាថាការស្វែងរកមានភាពចម្រុះ។ | ដូចជាការសាកល្បងថែមថយគ្រឿងផ្សំក្នុងសម្លបន្តិចបន្តួចដោយចៃដន្យ ដើម្បីមើលថាវាឆ្ងាញ់ជាងមុនឬអត់។ |
| Crossover | ជាដំណើរការលាយបញ្ចូលគ្នារវាងព័ត៌មានពីដំណោះស្រាយពីរផ្សេងគ្នា (Target vector និង Mutant vector) ដើម្បីបង្កើតដំណោះស្រាយថ្មីមួយ (Trial vector)។ | ដូចជាកូនដែលកើតមកមានមុខមាត់កាត់រកឪពុកខ្លះ និងកាត់រកម្តាយខ្លះ។ |
| Prismatic bodies | រូបរាងធរណីមាត្រសាមញ្ញ (រាងប្រអប់ ឬដុំឥដ្ឋ) ដែលអ្នកវិទ្យាសាស្ត្រប្រើតំណាងឱ្យវត្ថុ ឬរ៉ែដែលកប់ក្រោមដីក្នុងការគណនាដើម្បីងាយស្រួលធ្វើគំរូ។ | ដូចជាការប្រើដុំឥដ្ឋការ៉ូ (Lego) ដើម្បីតំណាងឱ្យវត្ថុផ្សេងៗក្នុងការពិសោធន៍។ |
| Non-uniqueness | បញ្ហាដែលទិន្នន័យវាស់វែងតែមួយអាចបកស្រាយបានជាគំរូក្រោមដីច្រើនខុសៗគ្នា ធ្វើឱ្យពិបាកដឹងថាណាមួយជាការពិតប្រសិនបើគ្មានព័ត៌មានបន្ថែម។ | ដូចជាការឃើញដានជើងស្បែកជើងលេខ ៤០ តែមិនដឹងថាជាដានជើងរបស់នរណាឱ្យប្រាកដ ព្រោះមានមនុស្សច្រើនពាក់លេខនេះ។ |
| Search space | ដែនកំណត់ ឬវិសាលភាពនៃតម្លៃទាំងអស់ (ពីអប្បបរមាទៅអតិបរមា) ដែលក្បួនដោះស្រាយត្រូវបានអនុញ្ញាតឱ្យស្វែងរកចម្លើយ។ | ដូចជាការកំណត់ព្រំដែនដីមួយកន្លែង ដើម្បីដើររករបស់ដែលបាត់ ដោយមិនដើរចេញក្រៅតំបន់នោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
