Trí tuệ nhân tạo (AI) đang làm thay đổi sâu sắc cách chúng ta khám phá và hiểu thế giới tự nhiên. Trong lĩnh vực khoa học như tạo ảnh sóng tính toán, AI đã và đang mang lại những công cụ mạnh mẽ để mô hình hóa, tái tạo và diễn giải các hiện tượng vật lý phức tạp. Tuy nhiên, luôn có một thách thức được đặt ra là: làm thế nào để thiết kế các hệ thống học máy có thể nắm bắt được các quy luật vật lý chi phối quá trình, thay vì chỉ đơn thuần ghi nhớ dữ liệu? Bài trình bày sẽ thảo luận hai hướng tiếp cận nhằm đạt được mục tiêu trên. Hướng thứ nhất nhấn mạnh học có tích hợp tri thức vật lý (physics-informed learning), trong đó các định luật vật lý được đưa trực tiếp vào kiến trúc mô hình hoặc hàm mục tiêu huấn luyện, cho phép suy luận vững chắc ngay cả khi dữ liệu hạn chế. Hướng thứ hai xem xét sự phát triển của các mô hình quy mô lớn và mô hình nền tảng, tận dụng khối lượng dữ liệu mô phỏng và thực nghiệm để học các biểu diễn tổng quát, có khả năng chuyển giao giữa các lĩnh vực vật lý khác nhau. Thông qua việc so sánh hai cách tiếp cận định hướng bởi vật lý và mở rộng theo dữ liệu, bài trình bày sẽ làm rõ những điểm mạnh, hạn chế, cũng như tiềm năng tích hợp. Dựa trên các ví dụ trong nghiên cứu về tạo ảnh sóng trong địa-vật lý và y sinh, bài trình bày sẽ minh họa cách các phương pháp này có thể nâng cao cả hiểu biết khoa học lẫn hiệu năng thực tiễn. Cuối cùng, góc nhìn rộng hơn về khám phá khoa học dựa trên AI được nêu ra, nhấn mạnh rằng việc “dạy” cho máy các nguyên lý vật lý có thể giúp chúng ta vượt qua việc khớp dữ liệu đơn thuần để tiến tới hiểu biết thực sự về thế giới vật lý.

Artificial intelligence is transforming how we explore and understand the natural world. In scientific domains such as computational wave imaging, from mapping Earth’s subsurface in geoscience to visualizing tissues in medical ultrasound, AI provides powerful new tools to model, reconstruct, and interpret complex physical phenomena. Yet, a fundamental question remains: how can we design learning systems that capture the governing physics of a process, rather than merely memorizing data? In this talk, I will discuss two complementary directions toward this goal. The first emphasizes physics-informed learning, where physical laws are embedded directly into model architectures or training objectives, enabling robust inference even with limited data. The second examines the rise of large-scale and foundation models, which leverage massive simulated or experimental datasets to learn broad, transferrable representations across physical regimes. By contrasting these paradigms, physics-guided versus data-scaled, I will highlight their respective strengths, limitations, and potential for hybrid integration. Drawing on examples from my research in geophysical and biomedical wave imaging, I will illustrate how these approaches can enhance both understanding and practical performance. I will conclude with a broader perspective on AI-driven scientific discovery, focusing on how teaching machines the principles of physics can move us beyond data fitting toward genuine understanding of the physical world.