Tổng quan nghiên cứu

Lưu lượng dữ liệu di động toàn cầu đang chứng kiến sự bùng nổ mạnh mẽ, từ mức xấp xỉ 21,15 GB/tháng trên mỗi thiết bị vào năm 2023 và dự kiến tăng vọt lên 56,37 GB/tháng vào năm 2029, thậm chí đạt 66,2 GB/tháng tại khu vực Bắc Mỹ. Để đáp ứng nhu cầu kết nối khổng lồ trong kỷ nguyên Internet vạn vật (IoE), mạng không dây thế hệ thứ sáu (6G) đặt ra các tiêu chuẩn kỹ thuật khắt khe như tốc độ dữ liệu đỉnh đạt ít nhất 1 Tbps (gấp từ 100 đến 1000 lần so với 5G), mật độ kết nối xấp xỉ 10 triệu thiết bị/km² và độ tin cậy đạt 99,99999%. Tuy nhiên, các giải pháp truyền thống như Massive MIMO quy mô lớn đòi hỏi chi phí phần cứng và mức tiêu thụ điện năng quá cao. Trong bối cảnh đó, công nghệ Bề mặt Phản xạ Thông minh (Intelligent Reflecting Surface - IRS) nổi lên như một giải pháp đột phá giúp tái cấu trúc môi trường truyền sóng vô tuyến một cách chủ động với mức tiêu thụ năng lượng gần như bằng không.

Mặc dù mang lại nhiều triển vọng, rào cản kỹ thuật lớn nhất của hệ thống IRS là bài toán ước lượng thông tin trạng thái kênh truyền (Channel State Information - CSI). Do các phần tử phản xạ trên IRS có bản chất thụ động và không tích hợp chuỗi xử lý tín hiệu tần số vô tuyến (RF), số lượng tham số kênh cần ước lượng tăng theo cấp số nhân, dẫn đến độ phức tạp tính toán và suy giảm độ chính xác nghiêm trọng.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Viễn thông tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh (hoàn thành vào tháng 12/2023, thuộc khuôn khổ đề tài nghiên cứu mã số B2023-20-09) tập trung giải quyết triệt để thách thức này. Mục tiêu nghiên cứu là xây dựng mô hình toán học toàn diện và đề xuất giải pháp ước lượng kênh truyền dựa trên kỹ thuật học sâu (Deep Learning) cho hệ thống thông tin đa người dùng có bề mặt phản xạ thông minh hỗ trợ (IRS-aMUC), qua đó tối ưu hóa tỷ số tín hiệu trên nhiễu (SNR), giảm thiểu sai số ước lượng và nâng cao thông lượng truyền dữ liệu thực tế cho mạng 6G.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp giữa lý thuyết lan truyền sóng điện từ, mô hình tán xạ kênh truyền vô tuyến và các kiến trúc mạng nơ-ron học sâu tiên tiến.

Trước hết, lý thuyết fading vô tuyến được phân tách thành hai thành phần chính: fading tầm rộng (large-scale fading) và fading tầm hẹp (small-scale fading). Fading tầm rộng mô tả sự suy hao đường truyền theo hàm logarit với khoảng cách cùng hiện tượng che khuất (log-normal shadowing). Số mũ suy hao đường truyền điển hình dao động từ $n = 2,0$ trong không gian tự do, $n = 2,5$ đến $3,5$ trong môi trường đô thị, cho đến $n = 4,0$ đến $6,0$ trong môi trường tòa nhà có nhiều vật cản. Fading tầm hẹp được mô hình hóa thông qua phân phối Rayleigh cho các đường truyền không nhìn thấy trực tiếp (NLoS) và phân phối Rician với hệ số $K$ biểu thị tỷ lệ năng lượng giữa tia nhìn thấy trực tiếp (LoS) và các tia tán xạ đa đường.

Thứ hai, mô hình phần tử phản xạ thông minh (IRS) được phân tích dựa trên mạch trở kháng tương đương gồm các thông số điện cảm $L_1, L_2$, điện dung $C_m$ và điện trở hiệu dụng $R_m$. Bằng cách điều khiển linh hoạt điện dung và điện trở thông qua bộ điều khiển FPGA, hệ số phản xạ tại từng phần tử được thiết lập với độ dịch pha biến thiên liên tục từ $0$ đến $2\pi$, cho phép điều hướng búp sóng chính xác đến người dùng mục tiêu.

Thứ ba, khung lý thuyết học sâu tập trung vào hai kiến trúc khử nhiễu: Mạng nơ-ron học dư sâu tích chập (CDRN - Convolutional Deep Residual Network) và Mạng nơ-ron học dư dày đặc (RDN - Residual Dense Network). Kiến trúc ResNet sử dụng kết nối tắt (skip connection) nhằm khắc phục hiện tượng triệt tiêu đạo hàm (vanishing gradient), trong khi RDN tích hợp các khối học dư dày đặc cục bộ (RDB) để khai thác tối đa các đặc trưng đa cấp của ma trận kênh truyền.

Phương pháp nghiên cứu

Luận văn áp dụng phương pháp mô hình hóa toán học kết hợp với mô phỏng số lượng lớn trên máy tính để kiểm chứng và đánh giá hiệu năng.

  • Nguồn dữ liệu và cỡ mẫu: Dữ liệu nghiên cứu được tổng hợp thông qua quá trình mô phỏng giao thức truyền thông phân chia theo thời gian (TDD) cho hệ thống IRS-aMUC. Tập dữ liệu bao gồm $20.000$ mẫu kênh truyền ngẫu nhiên phục vụ giai đoạn huấn luyện (training) và $5.000$ mẫu độc lập phục vụ giai đoạn kiểm tra (testing).
  • Phương pháp chọn mẫu: Nghiên cứu thực hiện phương pháp lấy mẫu phân tầng ngẫu nhiên trên các dải tỷ số tín hiệu trên nhiễu SNR biến thiên từ -10 dB đến 20 dB, với cấu hình trạm gốc (BS) gồm $M = 8$ anten, bề mặt IRS gồm $N = 32$ phần tử phản xạ, phục vụ đồng thời $K = 4$ người dùng đơn anten.
  • Phương pháp phân tích và lý do lựa chọn: Nghiên cứu áp dụng quy trình ước lượng hai giai đoạn. Giai đoạn 1 sử dụng bộ ước lượng bình phương nhỏ nhất (LS) để tạo ra ma trận kênh thô ban đầu. Giai đoạn 2 chuyển đổi ma trận phức kích thước $M \times (N+1)$ thành dữ liệu ảnh hai kênh (tương ứng với phần thực và phần ảo) rồi đưa qua mạng học sâu RDN để loại bỏ nhiễu cộng Gaussian trắng (AWGN). Hàm mất mát sai số bình phương trung bình thực nghiệm (Empirical MSE) được tối ưu hóa bằng thuật toán lan truyền ngược. Phương pháp này được lựa chọn vì có khả năng xấp xỉ bộ ước lượng tối ưu Bayes MMSE mà không đòi hỏi biết trước hàm mật độ xác suất (PDF) của kênh truyền. Quá trình thu thập dữ liệu và phân tích mô phỏng được thực hiện tập trung trong khoảng thời gian từ tháng 09/2023 đến tháng 12/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thực nghiệm số liệu đã mang lại bốn kết quả đột phá về độ chính xác ước lượng và tốc độ truyền dữ liệu:

Thứ nhất, mô hình học sâu đề xuất vượt trội hoàn toàn so với các phương pháp ước lượng truyền thống về sai số bình phương trung bình chuẩn hóa (NMSE). Tại mức tỷ số tín hiệu trên nhiễu SNR = 5 dB, mô hình RDN đạt giá trị NMSE thấp hơn 35,4% so với bộ ước lượng Least Squares (LS) truyền thống và thấp hơn 12,8% so với mô hình mạng nơ-ron tích chập tiêu chuẩn.

Thứ hai, tốc độ hội tụ và tính ổn định của mô hình RDN đạt mức tối ưu. Trong quá trình huấn luyện qua 100 epochs, hàm mất mát của mô hình RDN giảm mạnh và đạt trạng thái ổn định ngay từ epoch thứ 45, hạn chế triệt để hiện tượng quá khớp (overfitting) nhờ sự hỗ trợ của các lớp chuẩn hóa Batch Normalization và hàm kích hoạt ReLU.

Thứ ba, sự vượt trội về số lượng ma trận dịch pha tối ưu. Khi số lượng ma trận dịch pha $C$ của IRS được thiết lập vượt ngưỡng giới hạn tối thiểu ($C \ge N + 1$, cụ thể khảo sát tại $C = 36$ cho cấu hình $N = 32$), hệ thống sử dụng ma trận biến đổi Fourier rời rạc (DFT) giúp tăng độ chính xác ước lượng kênh lên 28,6% so với việc lựa chọn pha ngẫu nhiên.

Thứ tư, thông lượng truyền dữ liệu của người dùng được cải thiện rõ rệt. Tại mức SNR = 10 dB và cấu hình hệ thống $M = 8$ anten trạm gốc, $N = 32$ phần tử IRS, tốc độ truyền dữ liệu đường xuống (downlink) trung bình của người dùng đạt xấp xỉ 6,85 bps/Hz, tăng trưởng hơn 22,3% so với hệ thống chỉ sử dụng kênh ước lượng bằng thuật toán LS thô.

Thảo luận kết quả

Nguyên nhân chính giúp kiến trúc RDN vượt trội là nhờ cơ chế kết nối dày đặc cục bộ (Dense Connectivity) kết hợp với đường truyền tắt dư thừa. Các khối Residual Dense Block (RDB) cho phép các lớp tích chập phía sau tái sử dụng trực tiếp các đặc trưng không gian và pha thu được từ các lớp trước đó. Khi biểu diễn ma trận kênh truyền dưới dạng ảnh hai chiều với hai kênh thực - ảo, mạng RDN có khả năng bóc tách cấu trúc tương quan phức tạp giữa các phần tử phản xạ lân cận trên bề mặt IRS, biến bài toán ước lượng kênh phức tạp thành bài toán khử nhiễu hình ảnh hiệu quả cao.

Trong các báo cáo phân tích học thuật, các dữ liệu này được thể hiện trực quan nhất thông qua đồ thị suy giảm sai số NMSE theo trục thời gian huấn luyện (epochs) và đồ thị đường cong hiệu năng thông lượng (bps/Hz) theo dải biến thiên SNR từ 0 dB đến 15 dB. Ngoài ra, một bảng so sánh đa tiêu chí giữa thuật toán LS, MMSE lý thuyết, LMMSE và hai mô hình học sâu CDRN, RDN sẽ làm nổi bật sự cân bằng xuất sắc giữa độ phức tạp thuật toán và độ chính xác ước lượng.

So với các công bố khoa học trước đây vốn chỉ áp dụng mạng nơ-ron truyền thẳng (FNN) hoặc bộ ước lượng LMMSE đòi hỏi phải tính toán nghịch đảo ma trận kích thước lớn với chi phí tính toán tỷ lệ bậc ba $O((N+1)^3)$, mô hình RDN của luận văn giúp chuyển phần lớn gánh nặng tính toán sang giai đoạn huấn luyện ngoại tuyến (offline training). Trong giai đoạn thực thi trực tuyến (online testing), mô hình chỉ thực hiện các phép nhân tích chập ma trận đơn giản, giúp giảm độ trễ xử lý tín hiệu xuống mức mili-giây, hoàn toàn phù hợp với các tiêu chuẩn thời gian thực khắt khe của mạng 6G.

Đề xuất và khuyến nghị

Dựa trên những phát hiện mang tính đột phá từ kết quả nghiên cứu, luận văn đưa ra bốn nhóm giải pháp và khuyến nghị chiến lược nhằm đưa công nghệ ước lượng kênh bằng học sâu vào triển khai thực tiễn:

  1. Tích hợp và chuẩn hóa thuật toán học sâu RDN vào bộ xử lý băng cơ sở (Baseband Unit) của trạm gốc 6G. Các tập đoàn sản xuất thiết bị viễn thông cần biên dịch mô hình mạng nơ-ron RDN sang phần cứng chuyên dụng như chip FPGA hoặc ASIC. Mục tiêu cụ thể là giảm thời gian suy luận ước lượng kênh xuống dưới 1 ms trên mỗi khung truyền dẫn, hoàn thành việc thử nghiệm phần cứng trước quý 4/2025.
  2. Mở rộng thử nghiệm mô hình trên dải băng tần sóng milimet (mmWave) và dải sóng Terahertz (THz). Các viện nghiên cứu viễn thông và trường đại học cần nâng cấp môi trường đo kiểm thực tế, nâng số lượng phần tử phản xạ lên $N = 64$ hoặc $N = 128$ phần tử với độ phân giải lượng tử hóa pha 4-bit, đảm bảo mức tiêu thụ năng lượng toàn bề mặt dưới 5 W, thực hiện trong giai đoạn 2025 - 2026.
  3. Thiết kế giao thức báo hiệu pilot thích ứng và tối ưu hóa ma trận dịch pha DFT động. Nhóm nghiên cứu tiêu chuẩn hóa thuộc các nhà mạng viễn thông cần phát triển cấu trúc khung truyền dẫn pilot trực giao có chiều dài tối ưu $L \ge K$, giúp cắt giảm ít nhất 20% phụ phí báo hiệu điều khiển (signaling overhead) trên toàn mạng trước năm 2027.
  4. Ứng dụng mô hình học tăng cường sâu (Deep Reinforcement Learning - DRL) kết hợp với ước lượng kênh RDN để định hình búp sóng thời gian thực. Các kỹ sư tối ưu hóa mạng vô tuyến cần triển khai giải pháp liên kết này nhằm triệt tiêu hoàn toàn các "vùng chết" sóng vô tuyến tại các đô thị mật độ cao, nâng thông lượng người dùng vùng biên cell lên tối thiểu 25% trước năm 2028.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho bốn nhóm đối tượng chuyên môn:

  • Học viên cao học và nghiên cứu sinh chuyên ngành Kỹ thuật Viễn thông, Công nghệ Thông tin và Khoa học Dữ liệu: Luận văn cung cấp toàn bộ cơ sở lý thuyết toán học từ mô hình kênh fading, lý thuyết mạch siêu vật liệu IRS đến việc xây dựng mã nguồn mô phỏng thuật toán học sâu xử lý tín hiệu phức tạp, là tài liệu tham khảo đắt giá cho các đề tài nghiên cứu chuyên sâu về 6G.
  • Kỹ sư nghiên cứu và phát triển (R&D) tại các tập đoàn công nghệ và sản xuất thiết bị viễn thông: Luận văn cung cấp các chỉ dẫn cụ thể về việc mô hình hóa phần tử phản xạ, cấu trúc ma trận dịch pha và giải pháp nén kiến trúc mạng nơ-ron để nhúng trực tiếp vào các vi mạch xử lý tín hiệu số thế hệ mới.
  • Chuyên gia quy hoạch và tối ưu hóa mạng vô tuyến tại các nhà khai thác mạng di động: Tài liệu mang lại góc nhìn thực tế về cách khắc phục các điểm nghẽn vùng phủ sóng, tối ưu hóa mức tiêu thụ năng lượng của trạm gốc và phương pháp phân bổ tài nguyên vô tuyến trong môi trường đa người dùng.
  • Giảng viên đại học và các nhà nghiên cứu lý thuyết xử lý tín hiệu: Luận văn đóng vai trò như một giáo trình chuyên khảo mẫu mực kết hợp hài hòa giữa toán học xác suất Bayes truyền thống và các kỹ thuật trí tuệ nhân tạo đương đại trong xử lý tín hiệu không dây.

Câu hỏi thường gặp

Bề mặt phản xạ thông minh IRS khác gì so với trạm tiếp sóng (Relay) khuếch đại truyền thống? Khác với trạm tiếp sóng truyền thống cần thu nhận tín hiệu, giải mã, khuếch đại và phát lại bằng các chuỗi RF tiêu tốn nhiều năng lượng, IRS hoạt động hoàn toàn thụ động. IRS điều khiển pha và biên độ của sóng điện từ tới bằng các mảng siêu vật liệu với mức tiêu thụ điện năng không đáng kể, không gây thêm can nhiễu tự thân và có chi phí sản xuất thấp hơn khoảng 60% so với Relay chủ động.

Tại sao phương pháp ước lượng kênh bình phương tối thiểu (LS) truyền thống lại kém hiệu quả trong hệ thống IRS? Phương pháp LS giả định các thông số kênh là hằng số chưa biết và rất nhạy cảm với nhiễu cộng Gaussian (AWGN). Trong hệ thống IRS với hàng trăm phần tử phản xạ, đường truyền qua IRS là kênh ghép (cascaded channel) có mức suy hao lớn, khiến tỷ số SNR của tín hiệu pilot bị suy giảm mạnh. Thuật toán LS không thể khai thác thông tin tương quan không gian, dẫn đến sai số NMSE tăng cao trên 40% ở vùng SNR thấp.

Mạng nơ-ron tích chập RDN xử lý ma trận kênh truyền số phức như thế nào? Các ma trận kênh truyền trong viễn thông đều mang giá trị phức gồm biên độ và pha. Luận văn đã phân tách ma trận kích thước $M \times (N+1)$ thành hai ma trận thực biểu diễn phần thực (Real) và phần ảo (Imaginary). Hai ma trận này được ánh xạ thành hai kênh dữ liệu tương tự hai kênh màu của một bức ảnh 2D, cho phép các bộ lọc tích chập của RDN trích xuất đặc trưng không gian một cách tối ưu.

Việc tăng số lượng phần tử phản xạ $N$ ảnh hưởng thế nào đến độ phức tạp của hệ thống? Khi số phần tử $N$ tăng lên (từ 32 lên 64 hoặc 128 phần tử), mức tăng ích phản xạ năng lượng sẽ tăng theo tỷ lệ bậc hai $N^2$, giúp mở rộng vùng phủ sóng vượt bậc. Tuy nhiên, chiều dài chuỗi ma trận pha $C$ cần tối thiểu $N + 1$ khung con, làm tăng phụ phí pilot. Mô hình RDN giúp xử lý lượng dữ liệu lớn này song song với thời gian suy luận chỉ tăng tuyến tính theo kích thước ma trận.

Mô hình học sâu đề xuất có khả thi trong môi trường di động thực tế tốc độ cao không? Hoàn toàn khả thi. Do toàn bộ quá trình học phức tạp được thực hiện ngoại tuyến (offline), mô hình đã được huấn luyện sẵn có thể đưa ra kết quả ước lượng kênh gần như tức thời (dưới 1 ms) khi nhận dữ liệu pilot. Khả năng này đáp ứng hoàn hảo yêu cầu thích ứng kênh nhanh của các phương tiện di chuyển với vận tốc lên tới hàng trăm km/h trong mạng 6G.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện khung lý thuyết kênh truyền vô tuyến kết hợp với mô hình mạch tương đương của bề mặt phản xạ thông minh (IRS) trong kỷ nguyên mạng di động 6G.
  • Đề xuất giải pháp ước lượng kênh truyền hai giai đoạn mang tính đột phá, ứng dụng mạng nơ-ron học dư dày đặc (RDN) để biến bài toán ước lượng kênh ghép phức tạp thành mô hình khử nhiễu ảnh 2 chiều.
  • Chứng minh thực nghiệm bằng mô phỏng số liệu rằng mô hình RDN giúp giảm sai số chuẩn hóa NMSE hơn 35% so với phương pháp LS truyền thống tại mức SNR = 5 dB và tiệm cận giới hạn tối ưu Bayes MMSE.
  • Tối ưu hóa cấu trúc ma trận dịch pha dựa trên biến đổi Fourier rời rạc DFT với số khung con $C = 36$, giúp cải thiện thông lượng dữ liệu của người dùng đường xuống thêm hơn 22%.
  • Mở ra nền tảng lý thuyết và giải thuật thực thi quan trọng cho việc tích hợp trí tuệ nhân tạo vào hạ tầng mạng không dây thế hệ tiếp theo.

Lộ trình phát triển tiếp theo của nghiên cứu tập trung vào việc thử nghiệm thuật toán trên phần cứng SDR thực tế giai đoạn 2025 - 2026, mở rộng lên dải tần Terahertz và kết hợp học tăng cường sâu để điều khiển bề mặt IRS tự động trước năm 2030. Các nhóm nghiên cứu, doanh nghiệp và kỹ sư viễn thông quan tâm có thể khai thác các công thức và kiến trúc mô hình trong luận văn để đẩy nhanh tiến trình thương mại hóa công nghệ 6G tại Việt Nam.