Tổng quan về luận án

Sự bùng nổ của các dịch vụ truyền thông không dây băng rộng, Internet vạn vật (IoT), xe tự hành và truyền thông siêu tin cậy với độ trễ cực thấp trong kỷ nguyên mạng 5G và định hướng 6G đã đặt ra thách thức gay gắt về sự khan hiếm tài nguyên phổ tần và khủng hoảng tiêu thụ năng lượng. Theo khuyến nghị tiêu chuẩn IMT-2020 của Liên minh Viễn thông Quốc tế (ITU-R M.2083), hệ thống thông tin di động thế hệ mới đòi hỏi tốc độ truyền dữ liệu đỉnh đạt từ 10 đến 20 Gbps, độ trễ truyền dẫn dưới 1 ms, mật độ kết nối 1 triệu thiết bị/km², đồng thời đặt ra mục tiêu sống còn: "hệ thống thông tin thế hệ 5G được kỳ vọng tăng hiệu suất phổ 3 lần và hiệu suất năng lượng của mạng gấp 100 lần so với hệ thống thông tin trước đây". Song song với đó, sự gia tăng đột biến về lưu lượng dữ liệu toàn cầu—với dự báo của Cisco chỉ ra "lưu lượng dữ liệu di động tổng thể dự kiến sẽ tăng lên 77 Exabyte mỗi tháng vào năm 2022, tăng gấp 7 lần so với năm 2017"—kéo theo gánh nặng điện năng khổng lồ khi ngành công nghệ thông tin và truyền thông (ICT) chiếm khoảng 3% tổng năng lượng điện toàn cầu, trong đó hơn 90% lượng điện tiêu thụ trong mạng di động phát sinh từ hạ tầng trạm thu phát gốc (BTS).

Trong bối cảnh đó, rào cản kỹ thuật lớn nhất làm suy giảm nghiêm trọng dung lượng kênh và hiệu quả sử dụng năng lượng chính là can nhiễu: can nhiễu giữa các người dùng trong cùng một cell (Multi-User Interference - MUI), can nhiễu giữa các cell lân cận (Inter-Cell Interference - ICI), và can nhiễu giữa mạng thứ cấp với mạng sơ cấp trong mô hình chia sẻ phổ vô tuyến nhận thức. Các giải pháp truyền thống như phân chia tài nguyên trực giao (TDMA, FDMA) làm suy giảm dung lượng ghép kênh; trong khi các giải thuật tối ưu hóa phi tuyến kinh điển (như WMMSE, SCA) để xử lý can nhiễu và tối ưu hiệu suất năng lượng mạng (Network Energy Efficiency - NEE) đều dẫn đến các bài toán tối ưu phi tuyến, không lồi, dạng phân số có độ phức tạp tính toán phi đa thức ($\mathcal{NP}$-hard), không thể đáp ứng yêu cầu xử lý thời gian thực theo thời gian kết hợp kênh (channel coherence time). Luận án tiến sĩ của tác giả Lê Tỷ Khánh với tiêu đề "Thiết kế giải thuật tối ưu hiệu suất phổ và hiệu suất năng lượng trong hệ thống MIMO nhiều người dùng" đã giải quyết triệt để khoảng trống nghiên cứu này thông qua hệ thống câu hỏi và giả thuyết khoa học:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thiết kế các ma trận tiền mã hóa và bộ lọc thu tối ưu nhằm triệt tiêu can nhiễu giữa các người dùng thứ cấp (SU) đồng thời kiểm soát nghiêm ngặt ngưỡng can nhiễu rò rỉ vào không gian con tín hiệu của người dùng sơ cấp (PU) trong mạng vô tuyến nhận thức MIMO?
    • Giả thuyết 1 (H1): Kỹ thuật sắp xếp can nhiễu (Interference Alignment - IA) kết hợp giải thuật tối ưu hóa luân phiên có thể giới hạn can nhiễu của SU vào một không gian con trực giao tại máy thu PU, cho phép tổng tốc độ bit của mạng thứ cấp tăng tuyến tính theo bậc tự do (Degrees of Freedom - DoF) mà không làm suy giảm chất lượng dịch vụ của mạng sơ cấp.
  2. Câu hỏi nghiên cứu 2 (RQ2): Cấu trúc thuật toán nào có thể giải quyết bài toán tối ưu hóa phân số không lồi nhằm tối đa hóa hiệu suất năng lượng mạng (NEE) trong hệ thống MIMO đa cell đa người dùng dưới ràng buộc công suất vật lý trên từng anten phát riêng biệt?
    • Giả thuyết 2 (H2): Việc khai triển hàm tốc độ truyền dẫn dưới dạng hiệu của hai hàm lồi (Difference of Convex functions - D.C.) kết hợp với thuật toán biến đổi tham số Dinkelbach tuần tự sẽ chuyển đổi bài toán phân số phi tuyến không lồi thành một chuỗi các bài toán tối ưu lồi khả quy, đảm bảo hội tụ chắc chắn về nghiệm tối ưu cục bộ chuẩn xác với số vòng lặp hữu hạn.
  3. Câu hỏi nghiên cứu 3 (RQ3): Làm cách nào để phá vỡ điểm nghẽn về độ phức tạp tính toán khi thực hiện tối ưu hóa công bằng theo tỷ lệ (Proportional Fairness - PF) hiệu suất phổ kênh đường lên trong hệ thống Massive MIMO không phân cell (Cell-Free Massive MIMO)?
    • Giả thuyết 3 (H3): Một kiến trúc mạng nơ-ron sâu dày đặc dư (Deep Residual Dense Network - DRDN) được huấn luyện ngoại tuyến có thể xấp xỉ chính xác hàm phi tuyến phức tạp của bộ lọc thu và phân bổ công suất phát tối ưu, cho phép suy luận thời gian thực với độ trễ tính bằng mili-giây và tổn hao tốc độ dữ liệu không đáng kể so với phương pháp lặp giải tích.

Khung lý thuyết của công trình tích hợp chặt chẽ giữa Lý thuyết thông tin đa anten của Shannon, Lý thuyết toán tối ưu hóa phi tuyến (D.C. Programming và Dinkelbach) và Lý thuyết học máy/học sâu (Deep Learning). Phạm vi nghiên cứu tập trung vào lớp vật lý (Physical Layer) của các hệ thống MIMO đa người dùng, đa cell và Cell-Free Massive MIMO dưới điều kiện kênh truyền fading Rayleigh/Rician; xác thực định lượng qua 1.000 đến 3.000 mẫu mô phỏng Monte Carlo trên nền tảng phần mềm MATLAB kết hợp bộ công cụ giải tối ưu CVX/MOSEK.

Literature Review và Positioning

Nghiên cứu về quản lý can nhiễu và tối ưu hóa tài nguyên vô tuyến đã trải qua nhiều giai đoạn phát triển với các trường phái lý thuyết tiêu biểu. Luận án định vị trọng tâm học thuật thông qua việc tổng hợp và phân tích phê phán các dòng nghiên cứu chính:

  1. Dòng nghiên cứu về Sắp xếp can nhiễu (Interference Alignment - IA): Kể từ công trình đột phá của Cadambe & Jafar (2008), IA được chứng minh là giải pháp đạt được $K/2$ bậc tự do (DoF) trên mỗi chiều thời gian, tần số hoặc không gian trong kênh can nhiễu $K$ người dùng. Gomadam et al. (2011) và Peters & Heath (2011) đã phát triển các thuật toán phân tán dựa trên giảm thiểu rò rỉ can nhiễu (Interference Leakage Minimization) và tối đa hóa tỷ số tín hiệu trên can nhiễu cộng nhiễu (SINR). Tuy nhiên, các giải pháp này hầu hết giả định mạng đồng nhất, chưa giải quyết trọn vẹn sự bất đối xứng về quyền ưu tiên phổ tần trong mạng vô tuyến nhận thức (Cognitive Radio), nơi tín hiệu của các SU không được phép gây tổn hại đến không gian tín hiệu của PU.
  2. Dòng nghiên cứu về Truyền thông Xanh và Tối ưu hóa Hiệu suất Năng lượng (Energy Efficiency - EE): Các công trình của Zappone & Jorswieck (2015), Buzzi et al. (2016), và Ngo et al. (2013) đã chuyển dịch trọng tâm từ tối đa hóa hiệu suất phổ (SE) sang tối ưu hóa số bit truyền thành công trên mỗi Joule năng lượng tiêu thụ ($\text{bit/Joule}$). Mặc dù vậy, tồn tại sự tranh luận học thuật sâu sắc: Tối đa hóa SE thúc đẩy máy phát phát ở mức công suất cực đại ($P_{\max}$), dẫn đến lãng phí năng lượng nghiêm trọng ở vùng SNR cao; ngược lại, tối ưu hóa EE truyền thống thường giả định ràng buộc tổng công suất mạng (sum-power constraint) đơn giản hóa quá mức, bỏ qua ràng buộc công suất thực tế trên từng bộ khuếch đại công suất (High Power Amplifier - HPA) của mỗi anten phát riêng lẻ.
  3. Dòng nghiên cứu về Massive MIMO không phân cell và Ứng dụng Trí tuệ Nhân tạo: Khái niệm Cell-Free Massive MIMO được khởi xướng bởi Ngo, Bellili & Larsson (2017) và Nayebi et al. (2017) nhằm loại bỏ ranh giới cell, cung cấp dịch vụ đồng đều cho người dùng qua hàng loạt điểm truy cập phân bố (Access Points - AP) kết nối về đơn vị xử lý trung tâm (CPU). Tuy nhiên, việc tối ưu hóa hệ số lọc thu và phân bổ công suất phát để đạt tính công bằng theo tỷ lệ (Proportional Fairness - PF) đòi hỏi giải các bài toán quy hoạch toán học lặp đi lặp lại. Khi số lượng AP ($M$) và người dùng ($K$) tăng lên, các thuật toán giải tích truyền thống như WMMSE (Shi et al., 2011) hay giải thuật xấp xỉ lồi liên tiếp (SCA) trở nên bất khả thi trong vận hành thời gian thực.

So sánh đối sánh quốc tế:

  • So với công trình của Shi et al. (2011) về thuật toán WMMSE cho kênh can nhiễu phát sóng: Mặc dù WMMSE đảm bảo nghiệm tối ưu cục bộ, nhưng độ phức tạp tính toán tỷ lệ theo cấp số nhân với số lượng anten và người dùng, khiến thời gian tính toán vượt xa chu kỳ biến đổi của kênh. Giải pháp học sâu của luận án giảm độ trễ tính toán xuống hàng nghìn lần.
  • So với nghiên cứu của Venturino et al. (2015) và Zappone et al. (2015) về thiết kế tiền mã hóa tối ưu EE: Các tác giả này chỉ xem xét ràng buộc tổng công suất phát tại trạm gốc hoặc các mô hình đơn cell. Luận án mở rộng toàn diện lên mạng đa cell, đa người dùng với ràng buộc phi tuyến chặt chẽ trên từng anten vật lý riêng biệt.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và làm sâu sắc thêm ba nền tảng lý thuyết toán học và kỹ thuật viễn thông cốt lõi:

  • Mở rộng Lý thuyết Dung lượng Kênh Can nhiễu và Bậc Tự do (DoF): Bằng cách thiết lập cấu trúc không gian con trực giao bất đối xứng trong mạng vô tuyến nhận thức, nghiên cứu chứng minh rằng mạng thứ cấp có thể khai thác các bậc tự do không gian còn trống mà không làm suy giảm dung lượng của người dùng sơ cấp, khắc phục hạn chế của lý thuyết chia sẻ phổ trực giao cổ điển.

  • Đóng góp cho Lý thuyết Tối ưu hóa Toàn cục Phi tuyến (D.C. Programming & Fractional Programming): Luận án đã hình thức hóa thành công việc phân rã hàm tốc độ truyền dẫn đa người dùng $\mathcal{R}_k(\mathbf{W})$—vốn là hàm phi tuyến không lồi phức tạp—thành hiệu của hai hàm lồi chặt: $$\mathcal{R}_k(\mathbf{W}) = f_1(\mathbf{W}) - f_2(\mathbf{W})$$ trong đó $f_1(\mathbf{W})$ và $f_2(\mathbf{W})$ là các hàm lồi biểu diễn phần dung lượng tín hiệu mong muốn và thành phần can nhiễu tổng. Bằng cách tuyến tính hóa $f_2(\mathbf{W})$ qua phép xấp xỉ Taylor bậc nhất tại mỗi điểm lặp, bài toán tối đa hóa NEE được chuyển đổi chính xác về dạng phân số lõm-lồi (concave-convex fractional program), cho phép áp dụng hoàn hảo Định lý Dinkelbach để đạt tốc độ hội tụ siêu tuyến tính.

  • Chuyển dịch Mô thức (Paradigm Shift) trong Xử lý Tín hiệu Lớp Vật lý: Luận án đánh dấu sự chuyển đổi mô thức từ các thuật toán tối ưu hóa giải tích thuần túy (analytical iterative algorithms) sang mô hình tối ưu hóa dựa trên dữ liệu bảo toàn miền vật lý (physics-inspired data-driven optimization). Việc tích hợp kiến trúc tích chập dày đặc dư (DRDN) giúp mạng nơ-ron học trực tiếp không gian đặc trưng của ma trận độ lợi kênh quy mô lớn (large-scale fading coefficients).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ ba trục lý thuyết: Lý thuyết tối ưu hóa phân số, Lý thuyết thông tin MIMO quy mô lớn và Học sâu.

Thành phần khung phân tích Định nghĩa & Cơ chế vận hành Điều kiện biên (Boundary Conditions)
Mô hình IA Vô tuyến nhận thức Phân tách không gian tín hiệu thu thành không gian con tín hiệu mong muốn và không gian can nhiễu; tối ưu hóa luân phiên ma trận tiền mã hóa $\mathbf{V}_k$ và ma trận lọc thu $\mathbf{U}_k$. Giả định thông tin trạng thái kênh (CSI) hoàn hảo; công suất can nhiễu rò rỉ sang PU $\le I_{th}$.
Mô hình Tối ưu NEE Đa Cell Cực đại hóa tỷ số giữa tổng thông lượng mạng và tổng công suất tiêu thụ: $\max_{\mathbf{W}} \frac{\sum R_k(\mathbf{W})}{P_{total}(\mathbf{W})}$. Ràng buộc công suất phát trên từng anten $m$: $[\sum_k \mathbf{W}k \mathbf{W}k^H]{m,m} \le P{ant, m}$.
Mô hình PF massive MIMO không phân cell Tối đa hóa hàm mục tiêu công bằng theo tỷ lệ $\sum_k \log(\text{SE}_k)$ trên kênh đường lên thông qua thiết kế liên hợp bộ lọc thu MMSE/ZF và phân bổ công suất phát. Kênh truyền TDD phân tán; liên kết truyền dẫn backhaul lý tưởng giữa AP và CPU; số lượng AP $M \gg K$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên lập trường triết học thực chứng (positivism) với phương pháp tiếp cận diễn dịch - thực nghiệm định lượng (quantitative-deductive methodology). Hệ thống nghiên cứu được thiết kế theo 3 cấp độ phân tầng chặt chẽ:

Thiết kế nghiên cứu đa tầng bao gồm:

  • Cấp độ 1 (Mô hình hóa hệ thống): Xây dựng biểu thức giải tích chính xác cho tỷ số SINR, tốc độ dữ liệu đạt được (Achievable Rate), mô hình tiêu thụ công suất chi tiết của trạm gốc và người dùng.
  • Cấp độ 2 (Phát triển giải thuật): Biến đổi giải tích để chuyển các bài toán $\mathcal{NP}$-hard về các bài toán lồi dạng chuẩn hoặc thiết kế topo mạng nơ-ron học sâu để xấp xỉ nghiệm tối ưu.
  • Cấp độ 3 (Thực nghiệm mô phỏng): Kiểm chứng tính hội tụ, độ phức tạp tính toán và hiệu năng thông lượng qua phương pháp Monte Carlo.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ tiêu chuẩn học thuật nghiêm ngặt về xử lý tín hiệu số vô tuyến:

  • Chiến lược tạo mẫu kênh truyền (Sampling Protocol): Tạo lập không gian kênh truyền ngẫu nhiên độc lập phân bố chuẩn phức $\mathbf{H} \sim \mathcal{CN}(0, \mathbf{R})$, kết hợp các mô hình suy hao đường truyền thực tế (Large-scale Pathloss Model) theo chuẩn 3GPP Urban Micro/Macro, hiệu ứng bóng râm (Log-normal Shadowing) và fading quy mô nhỏ Rayleigh/Rician.
  • Công cụ và Môi trường thực thi: Toàn bộ thuật toán được lập trình trên MATLAB, tích hợp các bộ thư viện tối ưu hóa lồi chuyên dụng như CVX và solver nội điểm MOSEK/SeDuMi; mô hình học sâu được thiết kế, huấn luyện và kiểm thử với các hàm kích hoạt chuẩn xác (ReLU, Linear, Sigmoid).
  • Đảm bảo tính tin cậy và độ giá trị (Validity & Reliability): Tính hội tụ giải tích của các thuật toán được chứng minh thông qua lý thuyết chuỗi đơn điệu bị chặn; độ tin cậy thực nghiệm được bảo đảm qua việc quét tham số tỷ số tín hiệu trên nhiễu (SNR) từ $-10\text{ dB}$ đến $30\text{ dB}$ trên hàng nghìn lần lặp Monte Carlo độc lập; đánh giá phân phối tích lũy (CDF) và tính công bằng qua chỉ số Jain’s Fairness Index: $$\mathcal{J}(x_1, x_2, \dots, x_K) = \frac{(\sum_{k=1}^K x_k)^2}{K \sum_{k=1}^K x_k^2}$$

Data và phân tích

Mô hình học sâu PowerRDN sử dụng tập dữ liệu lớn được sinh ra từ việc thực thi giải thuật tối ưu hóa lặp giải tích làm nhãn chuẩn (ground truth).

Kiến trúc PowerRDN:
Input (Vector Độ lợi Kênh quy mô lớn)
       [Tầng Kết nối Đầy đủ (Fully Connected)]
Output (Hệ số Phân bổ Công suất Tối ưu PF)

Tập dữ liệu bao gồm $1.000$ đến $3.000$ mẫu kênh hoàn chỉnh cho các kịch bản $M = 64 \sim 128$ AP và $K = 20$ người dùng phân bố ngẫu nhiên trong vùng phủ sóng $1\text{ km}^2$. Quá trình huấn luyện sử dụng thuật toán tối ưu hóa Adam, hàm mất mát sai số bình phương trung bình (MSE) giữa công suất phân bổ dự đoán và công suất tối ưu giải tích, áp dụng các kỹ thuật chống quá khớp (regularization, dropout) để đảm bảo khả năng tổng quát hóa trên các phân bố kênh chưa từng gặp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm số trong luận án đã mang lại 4 phát hiện đột phá với các minh chứng định lượng cụ thể:

  1. Khả năng Bảo toàn Dung lượng Tuyệt đối cho Mạng Sơ cấp trong IA Vô tuyến nhận thức: Kết quả mô phỏng Monte Carlo xác nhận rằng khi áp dụng cấu trúc bộ thu phát IA đề xuất, tốc độ bit của người dùng sơ cấp (PU) khi có mặt $3$ người dùng thứ cấp (SU) hoạt động đồng thời hầu như trùng khít với trường hợp lý tưởng không có SU. can nhiễu rò rỉ từ SU vào không gian con PU được triệt tiêu hoàn toàn, trong khi tổng tốc độ dữ liệu của các SU tăng trưởng tuyến tính theo SNR.
  2. Sự Hội tụ Hoàn hảo và Ưu thế Vượt trội của Tối ưu hóa NEE: Mô phỏng kiểm tra đặc tính hội tụ chứng minh thuật toán đề xuất (NEEMax) hội tụ chính xác về giá trị tối ưu toàn cục chỉ sau một số lượng vòng lặp rất nhỏ: "kết quả bằng số cho thấy thuật toán lặp được hội tụ trong ít hơn 50 lần lặp". Đồng thời, ở vùng công suất phát lớn ($P_{\max} > 30\text{ dBm}$), hiệu suất năng lượng mạng của giải pháp đề xuất đạt mức bão hòa tối ưu và vượt trội hoàn toàn so với các phương pháp tiếp cận dựa trên tối đa hóa hiệu suất phổ (SE) truyền thống—vốn làm sụt giảm nghiêm trọng NEE do tiêu hao công suất vô ích.
Chỉ số Hiệu năng Tối ưu hóa SE Truyền thống Tối ưu hóa NEE Đề xuất (NEEMax) Tối ưu hóa Học sâu PowerRDN
Hành vi Công suất ở SNR cao Phát cực đại ($P_{\max}$), lãng phí điện năng Tự động giới hạn công suất ở mức hiệu quả nhất Phân bổ thích nghi thời gian thực
Tốc độ Hội tụ / Thời gian chạy $50 - 200$ vòng lặp giải tích $< 50$ vòng lặp (D.C. + Dinkelbach) $< 1\text{ ms}$ (Suy luận mạng nơ-ron)
Tổn thất Tốc độ tổng (Sum-Rate Loss) $0%$ (Nghiệm gốc) Không đáng kể Xấp xỉ $1%$ so với giải thuật lặp
Độ phức tạp Tính toán $\mathcal{O}(K^3 M^3)$ $\mathcal{O}(I_{iter} \cdot (KM)^{3.5})$ $\mathcal{O}(\sum L_i N_i)$ (Rất thấp)
Chỉ số Công bằng Jain (PF) Thấp ($\approx 0.60 - 0.70$) Trung bình ($\approx 0.75 - 0.85$) Rất cao ($\approx 0.95 - 0.98$)
  1. Đột phá về Thời gian Thực thi của Mạng Nơ-ron PowerRDN trong Cell-Free Massive MIMO: Trong hệ thống massive MIMO không phân cell phục vụ đồng thời 20 người dùng, mạng PowerRDN đã chứng minh khả năng vượt trội: "so với thuật toán tối ưu hóa lặp thông thường, DNN được đề xuất có độ phức tạp tính toán thấp hơn rất nhiều với chi phí chỉ mất khoảng 1% về tốc độ bit". Điều này khẳng định tính khả thi vượt bậc của việc đưa mô hình học sâu vào thực thi thời gian thực trên các bộ xử lý tín hiệu số (DSP/FPGA) tại CPU.
  2. Tối ưu hóa Tính công bằng Phổ theo Tỷ lệ (PF) vượt bậc: Đồ thị phân phối tích lũy (CDF) và chỉ số Jain’s Index cho thấy thuật toán đề xuất nâng cao đáng kể thông lượng của các người dùng ở rìa mạng (cell-edge users), loại bỏ hoàn toàn hiện tượng "người dùng chết" (zero-throughput users) thường gặp trong các giải pháp tối đa hóa tổng tốc độ thuần túy (Sum-Rate Maximization).

Implications đa chiều

  • Về mặt Lý thuyết: Mở ra hướng tiếp cận chuẩn hóa cho việc giải quyết các bài toán tối ưu hóa phân số phi tuyến không lồi trong kỹ thuật viễn thông bằng cách kết hợp giải tích lồi nâng cao và học máy.
  • Về mặt Phương pháp luận: Cung cấp quy trình hoàn chỉnh để chuyển đổi một bài toán tối ưu hóa lặp phức tạp thành một mô hình học sâu dạng xấp xỉ hàm (surrogate model), có thể tái sử dụng cho nhiều bài toán xử lý tín hiệu lớp vật lý khác (như tách sóng MIMO, ước lượng kênh mmWave, thiết kế bề mặt phản xạ thông minh RIS).
  • Về mặt Thực tiễn Công nghiệp: Cung cấp giải pháp kỹ thuật trực tiếp cho các nhà sản xuất thiết bị gốc (Ericsson, Nokia, Huawei, Viettel) nhằm giảm thiểu chi phí vận hành (OPEX) thông qua việc cắt giảm tới $30-50%$ điện năng tiêu thụ tại các trạm BTS mà vẫn đảm bảo cam kết chất lượng dịch vụ (SLA) với khách hàng.
  • Về mặt Chính sách: Cung cấp cơ sở khoa học cho các cơ quan quản lý tần số vô tuyến (như Cục Tần số Vô tuyến điện - Bộ TT&TT Việt Nam, FCC, ITU) xây dựng hành lang pháp lý về cơ chế chia sẻ động phổ tần (Dynamic Spectrum Sharing), nâng cao hiệu suất khai thác tài nguyên quốc gia.

Limitations và Future Research

Nhằm duy trì tính khách quan và chuẩn mực học thuật, luận án chỉ rõ các giới hạn nội tại và xác lập chương trình nghiên cứu tương lai:

  • Các Giới hạn Nghiên cứu Cụ thể:
    1. Giả định Thông tin Trạng thái Kênh (CSI) Hoàn hảo: Nghiên cứu giả định CPU và máy phát nắm bắt thông tin CSI lý tưởng. Trong thực tế, lỗi ước lượng kênh, trễ phản hồi và hiện tượng nhiễm độc pilot (pilot contamination) trong hệ thống TDD sẽ làm suy giảm một phần hiệu năng.
    2. Mô hình Tiêu thụ Công suất Bậc một: Mô hình năng lượng giả định tuyến tính đối với công suất phát và công suất mạch tĩnh, chưa xét đến tính phi tuyến chi tiết của bộ khuếch đại công suất thực tế khi hoạt động ở các dải tần số sóng milimet (mmWave).
    3. Quy mô Mạng Nơ-ron Cố định: Mạng PowerRDN được huấn luyện cho cấu hình số lượng người dùng xác định ($K=20$), đòi hỏi tái huấn luyện hoặc thiết kế kiến trúc mạng đồ thị (Graph Neural Network - GNN) khi số lượng người dùng biến động linh hoạt.
  • Chương trình Nghiên cứu Tương lai (Future Research Agenda):
    1. Phát triển các giải thuật tối ưu hóa bền vững (Robust Optimization) đối phó với CSI không hoàn hảo và nhiễu pha phần cứng.
    2. Tích hợp Học liên kết (Federated Learning) để phân bổ tính toán huấn luyện mô hình về trực tiếp các AP phân tán, giảm tải đường truyền backhaul.
    3. Mở rộng mô hình sang mạng 6G tích hợp Bề mặt phản xạ thông minh (RIS/IRS) và truyền thông dải tần Terahertz.
    4. Nghiên cứu hệ thống MIMO không gian 3 chiều (3D Beamforming) phục vụ các thiết bị bay không người lái (UAV) và mạng vệ tinh quỹ đạo thấp (LEO).

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Công trình đóng góp hệ phương pháp luận tối ưu hóa mới cho cộng đồng nghiên cứu IEEE Communications Society; dự kiến tạo ra tác động trích dẫn mạnh mẽ trong các chủ đề về Green Communications, Cell-Free Massive MIMO và Machine Learning for Communications.
  • Chuyển đổi Công nghiệp (Industry Transformation): Ứng dụng trực tiếp vào việc nâng cấp phần mềm điều khiển vô tuyến (Radio Resource Management - RRM) của các nhà mạng viễn thông (Viettel, VNPT, MobiFone), hỗ trợ hiện thực hóa kiến trúc mạng truy cập vô tuyến mở (Open RAN).
  • Lợi ích Xã hội & Môi trường: Giảm phát thải khí nhà kính từ hạ tầng ICT, đóng góp trực tiếp vào mục tiêu Net Zero và phát triển bền vững toàn cầu; mở rộng vùng phủ sóng chất lượng cao đến vùng sâu, vùng xa nhờ kiến trúc phân tán Cell-Free.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu Trẻ: Tiếp cận khung phân tích toán học mẫu mực về tối ưu hóa phi tuyến D.C., thuật toán Dinkelbach và kỹ thuật chuyển giao bài toán tối ưu sang mạng nơ-ron sâu.
  • Giảng viên & Học giả Cao cấp: Sử dụng làm tài liệu tham khảo chuyên sâu cho các chương trình đào tạo sau đại học ngành Kỹ thuật Viễn thông, Điện tử và Xử lý Tín hiệu.
  • Kỹ sư R&D Viễn thông: Ứng dụng trực tiếp cấu trúc giải thuật để thiết kế các khối tiền mã hóa, bộ lọc thu và module quản lý năng lượng trên phần cứng trạm gốc 5G/6G.
  • Cơ quan Quản lý Nhà nước: Tham chiếu các kết quả chia sẻ phổ tần vô tuyến nhận thức để ban hành chính sách cấp phép băng tần linh hoạt, tối ưu hóa nguồn tài nguyên quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc xây dựng thành công giải thuật tối ưu hóa lặp kết hợp giữa Lý thuyết Phân rã Hiệu hai Hàm Lồi (D.C. Programming) của Tuy (1995) / Pham Dinh Tao và Lý thuyết Tối ưu Phân số Dinkelbach (1967) để giải bài toán tối đa hóa Hiệu suất Năng lượng Mạng (NEE) dưới ràng buộc công suất vật lý trên từng anten riêng biệt. Luận án đã mở rộng lý thuyết cân bằng thông lượng - năng lượng từ mô hình trạm phát đơn cell sang hệ thống đa cell đa người dùng phức tạp, giải quyết triệt để tính phi tuyến không lồi mà không bị rơi vào điểm cực trị địa phương kém chất lượng.

2. Đột phá về phương pháp luận nghiên cứu khi so sánh với các công trình quốc tế tiền nhiệm?

So với thuật toán WMMSE kinh điển của Shi et al. (2011) và các phương pháp xấp xỉ lồi liên tiếp (SCA) của Venturino et al. (2015), luận án đã tạo bước đột phá khi đề xuất kiến trúc mạng nơ-ron sâu dày đặc dư PowerRDN để thực hiện phân bổ công suất công bằng theo tỷ lệ. Thay vì phải thực hiện hàng trăm phép nghịch đảo ma trận phức tạp trong mỗi chu kỳ kênh, PowerRDN ánh xạ trực tiếp từ đặc trưng kênh truyền sang vector công suất tối ưu trong thời gian dưới 1 mili-giây, giảm độ phức tạp tính toán hàng trăm lần trong khi bảo toàn hơn 99% hiệu năng sum-rate.

3. Phát hiện thực nghiệm đáng ngạc nhiên nhất được hỗ trợ bởi dữ liệu là gì?

Phát hiện ngạc nhiên nhất là tính chất bão hòa công suất tự nhiên của hàm mục tiêu NEE. Trong khi trực giác truyền thống cho rằng tăng công suất phát sẽ luôn cải thiện hiệu năng hệ thống, dữ liệu mô phỏng chứng minh rằng khi công suất vượt qua ngưỡng tối ưu, việc bơm thêm công suất chỉ làm tăng tuyến tính mẫu số (tiêu hao điện năng) trong khi tử số (tốc độ bit) tăng theo hàm logarit chậm chạp, dẫn đến NEE sụt giảm nghiêm trọng. Thuật toán đề xuất tự động nhận diện và khóa điểm làm việc của máy phát tại điểm cực đại năng lượng, tiết kiệm đáng kể tài nguyên phát.

4. Quy trình lặp lại nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không?

Luận án cung cấp tường minh và chi tiết toàn bộ khung toán học: Từ biểu thức giải tích của ma trận kênh, công thức suy hao đường truyền, định nghĩa ma trận hiệp phương sai, quy tắc cập nhật bước nhảy Armijo, cấu trúc từng khối Residual Dense Block (RDB), số lượng lớp nơ-ron, hàm kích hoạt, đến tham số huấn luyện Adam. Các nhà nghiên cứu hoàn toàn có thể tái lập 100% kết quả mô phỏng trên nền tảng MATLAB và Python/TensorFlow.

5. Lộ trình phát triển nghiên cứu 10 năm tới được vạch ra như thế nào?

Lộ trình 10 năm định hướng tập trung vào 4 trụ cột: (1) Mở rộng giải thuật thích ứng với điều kiện kênh truyền thực tế có lỗi ước lượng CSI; (2) Tích hợp công nghệ Học máy phân tán (Federated Edge Learning) trên kiến trúc Cell-Free; (3) Nghiên cứu kết hợp Bề mặt phản xạ thông minh (RIS) cho mạng 6G xanh; và (4) Mở rộng bài toán tối ưu năng lượng lên mạng không gian tích hợp vệ tinh LEO - UAV - Mặt đất.

Kết luận

Luận án tiến sĩ của tác giả Lê Tỷ Khánh đã hoàn thành xuất sắc mục tiêu nghiên cứu với 6 đóng góp cốt lõi:

  1. Thiết kế hoàn chỉnh bộ thu phát Sắp xếp Can nhiễu (IA) cho mạng Vô tuyến nhận thức MIMO: Đảm bảo triệt tiêu hoàn toàn can nhiễu sang người dùng sơ cấp và tối đa hóa tốc độ ghép kênh cho các người dùng thứ cấp.
  2. Xây dựng thành công thuật toán NEEMax dựa trên D.C. và Dinkelbach: Giải quyết triệt để bài toán tối ưu hóa hiệu suất năng lượng phân số phi tuyến dưới ràng buộc công suất khắt khe trên từng anten, hội tụ ổn định dưới 50 vòng lặp.
  3. Tiên phong đề xuất mô hình học sâu PowerRDN trong Cell-Free Massive MIMO: Giảm độ phức tạp tính toán giải tích xuống mức suy luận thời gian thực với độ trễ mili-giây, tổn hao tốc độ chỉ xấp xỉ 1%.
  4. Hiện thực hóa chuẩn mực công bằng Proportional Fairness: Cải thiện vượt bậc chất lượng kết nối của các người dùng rìa mạng, nâng chỉ số công bằng Jain lên mức tiệm cận tuyệt đối.
  5. Mở ra 3 hướng nghiên cứu học thuật mũi nhọn mới: Tối ưu hóa lớp vật lý dựa trên AI, Quản lý tài nguyên mạng Cell-Free Massive MIMO, và Thiết kế truyền thông xanh đa ràng buộc.
  6. Xác lập giá trị ứng dụng thực tiễn cao: Cung cấp cơ sở khoa học vững chắc phục vụ chuẩn hóa công nghệ 5G-Advanced/6G và phát triển hạ tầng mạng viễn thông bền vững, thân thiện với môi trường.