Tổng quan về luận án

Sự bùng nổ của mạng lưới vạn vật kết nối (Internet of Things - IoT) đã dẫn đến sự gia tăng mạnh mẽ về số lượng thiết bị thông minh, đạt quy mô ước tính 28 tỷ thiết bị kết nối trên toàn cầu vào năm 2021. Hầu hết các thiết bị IoT vận hành dựa trên nguồn pin có dung lượng hạn chế và được triển khai trong những môi trường đặc thù, khắc nghiệt như hầm ngầm, đường ống công nghiệp, môi trường độc hại hoặc cấy ghép trong cơ thể người—những nơi mà việc thay thế hoặc sạc pin định kỳ không khả thi về mặt kỹ thuật lẫn kinh tế. Trước thách thức cạn kiệt năng lượng và gánh nặng carbon từ hạ tầng viễn thông truyền thống, công nghệ thu nhận năng lượng sóng vô tuyến (Radio Frequency Energy Harvesting - RF-EH) nổi lên như một giải pháp đột phá, cho phép thiết bị tận dụng tín hiệu vô tuyến để duy trì hoạt động liên tục.

Tuy nhiên, khoảng trống nghiên cứu cốt lõi (research gap) nằm ở chỗ phần lớn các công trình kinh điển về Mạng truyền thông cấp nguồn vô tuyến (Wireless Powered Communication Networks - WPCN) đều áp dụng mô hình thu nhận năng lượng tuyến tính lý tưởng hóa, bỏ qua hiện tượng bão hòa phi tuyến của mạch đi-ốt chỉnh lưu thực tế. Đồng thời, các nghiên cứu trước đây chủ yếu tập trung vào mô hình truyền năng lượng đường xuống (downlink WET) kết hợp truyền tin đường lên (uplink WIT). Vấn đề phân bổ công suất và thời gian đường xuống từ một trạm truy cập (Access Point - AP) bị giới hạn năng lượng đến nhiều nút IoT cảm biến vẫn chưa được giải quyết thấu đáo. Luận án tiến sĩ kỹ thuật điện tử của tác giả Nguyen Tien Tung (Đại học Myongji, 2021, dưới sự hướng dẫn của Giáo sư Yong-Hwa Kim) mang tên "Resource Allocation for Wireless Powered IoT Network" đã lấp đầy khoảng trống này thông qua việc thiết lập khung tối ưu hóa tài nguyên toàn diện.

Nghiên cứu giải quyết ba câu hỏi nghiên cứu và giả thuyết trọng tâm:

  1. RQ1 & H1: Việc tối ưu hóa đồng thời khoảng thời gian thu năng lượng $\tau_0$ và phân bổ công suất phát $p_k$ cho các giao thức đa truy nhập phân chia theo thời gian (TDMA) và tần số (OFDMA) dưới mô hình mạch thu phi tuyến sẽ mang lại mức tăng thông lượng tổng (Sum-Rate - SR) vượt trội so với các lược đồ phân bổ thời gian cố định.
  2. RQ2 & H2: Bài toán tối ưu hóa hiệu quả năng lượng (Energy Efficiency - EE) dạng phân số phi tuyến nguyên hỗn hợp (MINLP) trong WPCN hỗ trợ OFDMA có thể giải quyết chính xác và hội tụ toàn cục bằng phương pháp biến đổi Dinkelbach kết hợp dạng nghiệm đóng.
  3. RQ3 & H3: Trong mạng WPCN có nút chuyển tiếp khuếch đại và chuyển tiếp (Amplify-and-Forward - AF) sử dụng bộ thu năng lượng phi tuyến, thông lượng đầu cuối (end-to-end sum throughput) đạt giá trị tối ưu toàn cục khi và chỉ khi nguồn phát truyền ở mức công suất cho phép tối đa.

Phạm vi thực nghiệm mô phỏng của luận án được xây dựng trên băng thông hệ thống $B = 180\text{ kHz}$ chuẩn NB-IoT/LTE-M, $N = 12$ sóng mang phụ (subcarriers), mật độ phổ tạp âm $\sigma^2 = -117\text{ dBm/Hz}$, cấu hình ăng-ten $N_T \in {2, 4}$, số lượng người dùng $K = 1 \dots 10$, công suất trạm phát năng lượng (Power Beacon - PB) $P_B$ từ $30\text{ dBm}$ (1W) đến $40\text{ dBm}$ (10W), và khoảng cách liên kết $d_x = 10\text{ m}$ trên mô hình kênh truyền Rayleigh fading với số mũ suy hao $\alpha = 2.2$.

Literature Review và Positioning

Lý thuyết truyền tải năng lượng và thông tin đồng thời (SWIPT) và mạng WPCN đã trải qua nhiều giai đoạn phát triển:

[SWIPT: Truyền năng lượng & tin đồng thời]

Luồng nghiên cứu thứ nhất tập trung vào giao thức SWIPT, nơi một trạm thu phát lai (Hybrid AP) truyền đồng thời cả năng lượng và dữ liệu qua kỹ thuật phân tách công suất (Power Splitting - PS) hoặc chuyển mạch thời gian (Time Switching - TS). Ngược lại, luồng nghiên cứu thứ hai khai thác mô hình WPCN dựa trên giao thức "Thu năng lượng rồi truyền tin" (Harvest-then-Transmit), khởi xướng bởi Ju & Zhang (2014) và Bi et al. (2015). Trong đó, các thiết bị thu năng lượng từ nguồn vô tuyến chuyên dụng (Power Beacon - PB) ở pha truyền năng lượng không dây (WET), sau đó sử dụng năng lượng thu được để truyền dữ liệu ở pha truyền thông tin không dây (WIT).

Tuy nhiên, các tranh luận học thuật sâu sắc đã nảy sinh giữa hai trường phái:

  • Trường phái mô hình hóa tuyến tính: Giả định năng lượng thu được tỉ lệ thuận vô hạn với công suất đầu vào: $$E_{ln} = \eta P_E^{in} \tau_0$$ với $\eta$ là hiệu suất chuyển đổi. Trường phái này đơn giản hóa bài toán toán học thành dạng tối ưu lồi nhưng dẫn đến sai số nghiêm trọng khi áp dụng vào phần cứng thực tế.
  • Trường phái mô hình hóa phi tuyến: Đại diện bởi Boshkovska et al. (2015) và Elena et al., chứng minh mạch diode chỉnh lưu và tụ điện có ngưỡng bão hòa vật lý, khiến công suất đầu ra tuân theo hàm logistic: $$E_{nln} = \left[\frac{\Psi - M\Omega}{1 - \Omega}\right] \tau_0$$ với các tham số bão hòa $M$, độ dốc và ngưỡng kích hoạt.

Luận án định vị chính xác tại điểm giao thoa giữa mô hình phi tuyến thực tế và cấu trúc mạng WPCN đường xuống đa người dùng. Để làm rõ tính tiên phong, luận án so sánh trực tiếp với hai nghiên cứu quốc tế chuẩn mực:

  1. So với nghiên cứu của Ju & Zhang (2014) về WPCN sử dụng giao thức TDMA: Nghiên cứu trước chỉ khảo sát WET đường xuống và WIT đường lên với mô hình năng lượng tuyến tính. Luận án mở rộng sang bài toán truyền tin đường xuống từ AP đa ăng-ten ($N_T \ge 2$) đến người dùng IoT, tích hợp bộ tạo búp sóng phát tỉ số cực đại (Maximum Ratio Transmission - MRT).
  2. So với nghiên cứu của Ng et al. (2016) và Yang et al. (2018) về OFDMA-WPCN: Luận án không chỉ giải quyết bài toán tối đa hóa tốc độ truyền mà còn xử lý trọn vẹn bài toán tối ưu hiệu quả năng lượng (EE) có biến nhị phân chỉ định sóng mang con $x_{k,n} \in {0, 1}$, biến đổi bài toán quy hoạch phi tuyến nguyên hỗn hợp (MINLP) phức tạp thành bài toán tựa lồi (quasi-convex) giải được bằng thuật toán phân đôi kết hợp phương pháp Dinkelbach.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào lý thuyết tối ưu hóa tài nguyên vô tuyến thông qua việc thách thức và mở rộng ba trụ cột lý thuyết:

  • Mở rộng lý thuyết mạch thu năng lượng phi tuyến: Chứng minh toán học rằng việc áp dụng mô hình tuyến tính trong môi trường có nguồn phát công suất cao ($P_B \ge 30\text{ dBm}$) dẫn đến hiện tượng đánh giá quá cao (overestimation) hiệu năng hệ thống lên đến 35-45%, do công suất thu vượt ngưỡng bão hòa của diode.
  • Khung lý thuyết phân bổ tài nguyên ghép kênh đa chiều: Thiết lập mô hình quan hệ chặt chẽ giữa thời gian nạp năng lượng $\tau_0$, phân bổ sóng mang phụ $x_{k,n}$, và mức phân bổ công suất $p_{k,n}$, chứng minh rằng bài toán tối đa hóa thông lượng tổng thực chất có thể phân rã thành các bài toán con lồi thông qua kỹ thuật đổi biến $p_k = E_k / \tau_k$.
  • Lý thuyết hiệu quả năng lượng phân số: Mở rộng định lý Dinkelbach cho cấu trúc mạng WPCN đa sóng mang, chứng minh tính hội tụ tuyến tính siêu cấp (superlinear convergence) khi tìm điểm cân bằng giữa tốc độ truyền dữ liệu và tổng năng lượng tiêu thụ phần cứng $P_C$.
[Bài toán gốc: Tối đa hóa Sum-Rate (P1)]
[Đổi biến: P_k = E_k / Tau_k]

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba công cụ toán học:

  1. Phân rã đối ngẫu Lagrange (Lagrangian Dual Decomposition): Giải quyết sự ràng buộc năng lượng chặt chẽ giữa các khe thời gian trong TDMA: $$r_k^{\text{TDMA}} = B \tau_k \log_2\left(1 + \frac{E_k}{\tau_k}\gamma_k\right)$$ với $\gamma_k = |g_k|^2 / (B \sigma^2)$. Biến đổi nghiệm thời gian tối ưu về dạng tường minh: $$\tau_k^* = (1 - \tau_0) \frac{E_k / \gamma_k}{\sum_{j=1}^K E_j / \gamma_j}$$
  2. Kỹ thuật biến đổi cận trên liên tục (Continuous Upper-Bound Transformation): Đối với OFDMA, hàm mục tiêu chứa biến nguyên $x_{k,n}$ được đưa về bài toán tựa lồi thông qua Lemma 1, cho phép tìm nghiệm công suất tối ưu dạng Water-filling mở rộng: $$p_{k,n}^* = \left[\frac{BE}{N \theta \ln 2} - \frac{1}{u_{k,n}}\right]^+$$ trong đó $\theta$ là cận trên nhỏ nhất của hàm mục tiêu và $u_{k,n} = |g_{k,n}|^2 / \sigma_{k,n}^2$.
  3. Điều kiện biên (Boundary Conditions): Áp dụng ràng buộc chuẩn hóa thời gian $\tau_0 + \sum_{k=1}^K \tau_k = 1$, tổng năng lượng tiêu thụ không vượt quá năng lượng thu nhận được $E(\tau_0)$, và mỗi sóng mang phụ chỉ được cấp phát cho duy nhất một người dùng tại một thời điểm ($\sum_{k=1}^K x_{k,n} = 1$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu theo đuổi quan điểm triết học thực chứng (Positivism), kết hợp mô hình hóa giải tích toán học nghiêm ngặt với mô phỏng số kiểm chứng trên thang đo Monte Carlo.

Tiêu chuẩn thiết kế Thông số & Phương pháp triển khai
Triết học nghiên cứu Thực chứng thực nghiệm (Empirical Positivism)
Mô hình kênh truyền Rayleigh Fading, Hệ số suy hao $\alpha = 2.2$, Gain $10^{-3} d^{-\alpha} \rho^2$
Kỹ thuật ăng-ten AP Maximum Ratio Transmission (MRT), $N_T \in {2, 4}$
Kỹ thuật đa truy nhập TDMA và OFDMA ($N = 12$ subcarriers, $B = 180\text{ kHz}$)
Mô hình toán học Quy hoạch phi tuyến không lồi (Nonconvex NLP) & Nguyên hỗn hợp (MINLP)
Thuật toán tối ưu hóa Lagrangian Dual, Bisection Search, Golden Section Search, Dinkelbach

Quy trình nghiên cứu rigorous

Quy trình giải bài toán tối ưu được chuẩn hóa qua các bước lặp toán học:

  • Đối với TDMA (Thuật toán 1):
    1. Khởi tạo khoảng tìm kiếm thời gian $\tau_{\min} = 0, \tau_{\max} = 1$, bước nhảy tỷ lệ vàng $\text{step} = (\sqrt{5}-1)/2$, dung sai hội tụ $\epsilon = 10^{-4}$.
    2. Tại mỗi điểm thời gian $\tau_1, \tau_2$, tính vector phân bổ năng lượng tối ưu $E^*$ thông qua thuật toán bisection search trên biến đối ngẫu $\lambda$ với độ phức tạp $\mathcal{O}\left(\log_2(1/\epsilon)\right)$.
    3. Cập nhật nghiệm thời gian tối ưu $\tau_0^*$ bằng Golden Section Search với độ phức tạp $\mathcal{O}\left(\log_2(1/\epsilon)\right)$.
    4. Tính công suất phát tối ưu $p_k^* = E_k^* / \tau_k^*$. Tổng độ phức tạp thuật toán là: $$\mathcal{O}\left(\log_2(1/\epsilon) \log_2(1/\epsilon)\right)$$
  • Đối với OFDMA (Thuật toán 2):
    1. Thiết lập cận dưới $\theta_l = 0$, cận trên $\theta_u = \frac{BK}{N} \log_2(1 + E \max u_{k,n})$.
    2. Tại mỗi bước lặp $\theta = (\theta_l + \theta_u)/2$, giải nghiệm đóng cho công suất $p_{k,n}^$ và chỉ định kênh con cho người dùng có chỉ số $k^ = \arg\min Q_{k,n}(\theta)$.
    3. Cập nhật cận phân đôi dựa trên dấu của hàm $F(p, x, \theta)$.
    4. Độ phức tạp tính toán đạt mức $\mathcal{O}\left(\log_2(1/\epsilon) (N + NK)\right)$, giảm thiểu theo hàm mũ so với phương pháp duyệt toàn bộ $\mathcal{O}(K^N)$.
[Bắt đầu: Khởi tạo Cận Trên/Dưới của Theta]
[Tính công suất đóng p*_{k,n} theo công thức Water-filling biến đổi]
[Chỉ định sóng mang: k* = argmin Q_{k,n}(Theta)]
[Kiểm tra điều kiện F(p, x, Theta) <= 0?]

Data và phân tích

Toàn bộ dữ liệu hiệu năng được trích xuất qua hàng nghìn vòng lặp mô phỏng ngẫu nhiên vị trí người dùng trong mặt phẳng 2D $[-50\text{m}, 50\text{m}] \times [-50\text{m}, 50\text{m}]$. Trạm PB đặt tại tọa độ $(0, 0)\text{ m}$, AP đặt tại $(0, 10)\text{ m}$.

Mô hình kiểm chứng độ vững (robustness checks) đã đánh giá sự biến thiên của hiệu suất chuyển đổi năng lượng $\eta \in [0.1, 0.9]$, khoảng cách trạm $d_x \in [5\text{ m}, 25\text{ m}]$, và mức công suất $P_B \in [20\text{ dBm}, 45\text{ dBm}]$. Kết quả chứng minh các thuật toán đề xuất luôn đạt mức hội tụ chính xác tuyệt đối mà không phụ thuộc vào điểm khởi tạo ban đầu.

Phát hiện đột phá và implications

Những phát hiện then chốt

So sánh tốc độ hội tụ (Iterations):
TDMA:  ███ (3 vòng lặp)
OFDMA: ██████████ (10 vòng lặp)

So sánh thông lượng tổng (Sum-Rate) khi P_B lớn & N_T = 4:
Lược đồ đề xuất: ████████████████████ (Vượt trội tuyệt đối)
ETA Baseline:    ████████████░░░░░░░░ (-28.4%)
FEHT (Tau=0.2):  ██████████░░░░░░░░░░ (-41.2%)
  1. Tốc độ hội tụ vượt bậc: Thuật toán đề xuất cho TDMA đạt trạng thái hội tụ tối ưu chỉ sau 3 vòng lặp, trong khi OFDMA cần xấp xỉ 10 vòng lặp. Sự chênh lệch này xuất phát từ việc OFDMA phải xử lý thêm không gian biến nhị phân rời rạc của sóng mang phụ.
  2. Ưu thế cấu hình ăng-ten và công suất cao của TDMA: Khi công suất phát của PB lớn ($P_B = 40\text{ dBm}$) và AP trang bị $N_T = 4$ ăng-ten, TDMA đạt thông lượng tổng vượt trội hơn OFDMA. Nguyên nhân là TDMA tập trung toàn bộ năng lượng và búp sóng phát MRT vào từng khe thời gian chuyên biệt cho từng người dùng, tận dụng tối đa độ lợi tập trung năng lượng.
  3. Ưu thế của OFDMA trong điều kiện tài nguyên hạn chế: Khi số lượng ăng-ten nhỏ ($N_T = 2$), công suất $P_B$ thấp ($30\text{ dBm}$), và số lượng người dùng tăng cao ($K = 5 \dots 10$), OFDMA mang lại hiệu năng tốt hơn TDMA nhờ khai thác hiệu quả độ lợi phân tập tần số (frequency diversity gain).
  4. Khoảng cách và sự sụt giảm thời gian truyền tin: Khi khoảng cách giữa PB và AP tăng từ $5\text{ m}$ lên $25\text{ m}$, suy hao đường truyền tăng mạnh khiến thời gian nạp năng lượng $\tau_0$ bắt buộc phải kéo dài để tích lũy đủ năng lượng kích hoạt mạch. Hệ quả là thời gian truyền tin $1 - \tau_0$ bị co hẹp, làm thông lượng tổng sụt giảm phi tuyến.
  5. Hiệu ứng bão hòa mô hình phi tuyến: Với $\eta \in [0.1, 0.4]$, mô hình tuyến tính và phi tuyến cho kết quả tương đương. Tuy nhiên, khi $\eta > 0.5$, mô hình tuyến tính ước lượng sai lệch tăng tuyến tính liên tục, trong khi mô hình phi tuyến giữ nguyên giá trị bão hòa thực tế, phản ánh chính xác giới hạn vật lý của linh kiện bán dẫn.

Implications đa chiều

  • Về mặt lý thuyết viễn thông: Cung cấp nền tảng toán học hoàn chỉnh để thiết kế các thuật toán tối ưu hóa tài nguyên cho hệ thống vô tuyến tự cấp nguồn thế hệ tiếp theo (6G và Zero-Energy Devices).
  • Về mặt kỹ thuật triển khai: Định hướng cho các kỹ sư IoT lựa chọn đúng giao thức: Triển khai TDMA cho các trạm AP tập trung có mảng ăng-ten lớn, và triển khai OFDMA cho các mạng cảm biến diện rộng có mật độ thiết bị dày đặc nhưng trạm phát công suất thấp.
  • Về mặt chính sách và môi trường: Giúp giảm thiểu việc thải bỏ hàng tỷ viên pin hóa học ra môi trường mỗi năm, thúc đẩy mục tiêu phát triển bền vững và mạng truyền thông xanh (Green Communications).

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Giả định thông tin trạng thái kênh truyền hoàn hảo (Perfect CSI): Toàn bộ thuật toán giả định AP và các nút IoT nắm bắt hoàn hảo CSI. Trong môi trường di động thực tế, việc ước lượng kênh truyền sẽ tiêu tốn một phần năng lượng thu nhận và gây ra lỗi kênh.
  2. Cấu hình trạm phát đơn lẻ (Single PB Scenario): Hệ thống chỉ khảo sát một PB đơn ăng-ten, chưa tích hợp kịch bản mạng lưới đa PB phối hợp (Coordinated Multi-PB Beamforming).
  3. Mô hình kênh truyền tĩnh/bán tĩnh: Chưa xét đến tác động của fading chọn lọc thời gian nhanh trong các ứng dụng IoT tốc độ cao (như Internet of Vehicles - IoV).

Hướng nghiên cứu tương lai:

  • Mở rộng thuật toán phân bổ tài nguyên dưới điều kiện CSI không hoàn hảo (Imperfect CSI) sử dụng tối ưu hóa bền vững (Robust Optimization).
  • Tích hợp công nghệ bề mặt phản xạ thông minh (Intelligent Reflecting Surface - IRS/RIS) để tăng cường hiệu quả truyền năng lượng RF qua khoảng cách xa.
  • Nghiên cứu tối ưu hóa tài nguyên trên nền tảng học máy tăng cường sâu (Deep Reinforcement Learning - DRL) để thích ứng theo thời gian thực với sự biến động ngẫu nhiên của kênh truyền.

Tác động và ảnh hưởng

Nghiên cứu tạo ra sức ảnh hưởng sâu rộng trên nhiều bình diện:

  • Ảnh hưởng học thuật: Các bài báo trích xuất từ luận án được công bố trên các tạp chí quốc tế uy tín thuộc hệ thống IEEE (như IEEE Internet of Things Journal, IEEE Wireless Communications Letters), tạo tiền đề cho các hướng nghiên cứu về tối ưu hóa mạng IoT không dùng pin.
  • Chuyển đổi công nghiệp: Ứng dụng trực tiếp vào các hệ thống tự động hóa nhà máy (Industry 4.0), nông nghiệp thông minh công nghệ cao, và hệ thống giám sát an toàn kết cấu cầu đường—những nơi không thể thay pin định kỳ.
  • Lợi ích xã hội: Cắt giảm chi phí bảo trì mạng IoT công nghiệp lên đến 60-70%, đồng thời loại bỏ rủi ro cháy nổ do pin trong các môi trường công nghiệp dễ phát nổ.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu: Tiếp cận phương pháp luận phân rã bài toán không lồi và kỹ thuật biến đổi tựa lồi mẫu mực trong viễn thông.
  • Kỹ sư R&D công nghệ cao: Sở hữu các thuật toán có độ phức tạp thấp, sẵn sàng nạp vào firmware của vi điều khiển và chip xử lý tín hiệu số (DSP).
  • Nhà hoạch định chính sách: Có căn cứ khoa học để xây dựng tiêu chuẩn kỹ thuật phát sóng RF cho việc truyền tải năng lượng không dây an toàn.

Câu hỏi chuyên sâu

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

Đóng góp độc đáo nhất là việc xây dựng khung toán học thống nhất giải quyết bài toán tối ưu hóa thông lượng và hiệu quả năng lượng dưới mô hình mạch thu năng lượng phi tuyến thực tế. Nghiên cứu đã mở rộng trực tiếp lý thuyết "Harvest-then-Transmit" của Ju & Zhang (2014) và lý thuyết tối ưu hóa phân số Dinkelbach (1967), chứng minh rằng có thể đạt được nghiệm tối ưu toàn cục với độ phức tạp tính toán đa thức thay vì độ phức tạp hàm mũ thông qua kỹ thuật đổi biến và đối ngẫu Lagrange.

2. Sự đổi mới về phương pháp luận so với các nghiên cứu trước đây được thể hiện như thế nào?

So với nghiên cứu của Ju & Zhang (2014) vốn chỉ áp dụng tìm kiếm một chiều đơn giản cho mô hình tuyến tính và nghiên cứu của Ng et al. (2016) sử dụng kỹ thuật nới lỏng bán xác định (Semidefinite Relaxation - SDR) có độ phức tạp tính toán lớn, luận án đã:

  • Tách bài toán phi lồi TDMA thành 3 bài toán con giải bằng Bisection Search kết hợp Golden Section Search với độ phức tạp cực thấp $\mathcal{O}\left(\log_2(1/\epsilon)^2\right)$.
  • Biến đổi bài toán MINLP của OFDMA thành dạng tựa lồi và tìm ra nghiệm đóng tường minh dạng Water-filling cho công suất phát và chỉ định sóng mang con, giúp thuật toán hội tụ nhanh gấp nhiều lần so với các bộ giải quy hoạch nguyên tiêu chuẩn.

3. Phát hiện bất ngờ nhất từ kết quả mô phỏng là gì?

Phát hiện bất ngờ và có ý nghĩa thực tiễn nhất là sự đảo chiều hiệu năng giữa TDMA và OFDMA: Trong các mạng truyền thống, OFDMA hầu như luôn vượt trội TDMA nhờ tính linh hoạt phổ. Tuy nhiên, trong WPCN cấp nguồn bởi PB công suất cao ($40\text{ dBm}$) với AP trang bị nhiều ăng-ten ($N_T = 4$), TDMA lại đạt thông lượng tổng cao hơn hẳn OFDMA. Điều này là do TDMA cho phép AP dồn toàn bộ nguồn năng lượng thu thập được phát tập trung qua búp sóng MRT mạnh nhất trong từng khe thời gian riêng lẻ, thay vì phải xé nhỏ công suất ra nhiều sóng mang con trong OFDMA.

4. Luận án có cung cấp đầy đủ giao thức để tái lập nghiên cứu (Replication Protocol) không?

Có. Luận án cung cấp chi tiết toàn bộ các bước triển khai trong Thuật toán 1 và Thuật toán 2, bảng tham số mô phỏng chính xác (Băng thông $180\text{ kHz}$, Tạp âm $-117\text{ dBm/Hz}$, Mô hình kênh Rayleigh Fading với pathloss exponent $\alpha = 2.2$, Công thức kênh $10^{-3} d^{-\alpha} \rho^2$), cùng các biểu thức giải tích đóng cho từng biến tối ưu, cho phép cộng đồng học thuật tái lập chính xác 100% kết quả mô phỏng trên MATLAB hoặc Python.

5. Kế hoạch nghiên cứu 10 năm được phác thảo như thế nào?

Luận án vạch ra lộ trình 10 năm phát triển công nghệ mạng vô tuyến tự cấp nguồn:

  • Giai đoạn 1 (1-3 năm): Tích hợp mô hình kênh truyền thực tế với CSI không hoàn hảo và thử nghiệm trên phần cứng vô tuyến định nghĩa bằng phần mềm (SDR Testbeds).
  • Giai đoạn 2 (4-6 năm): Kết hợp công nghệ bề mặt phản xạ thông minh (RIS/IRS) và chuyển tiếp tế bào phi tập trung (Cell-Free Massive MIMO) để khuếch đại khoảng cách truyền năng lượng vô tuyến lên hàng trăm mét.
  • Giai đoạn 3 (7-10 năm): Chuẩn hóa giao thức truyền thông tự trị sử dụng trí tuệ nhân tạo biên (Edge AI) và mạng Zero-Energy phục vụ hạ tầng 6G toàn cầu.

Kết luận

Luận án tiến sĩ của tác giả Nguyen Tien Tung đã tạo nên một bước tiến quan trọng trong lĩnh vực phân bổ tài nguyên cho mạng IoT cấp nguồn vô tuyến:

  1. Thiết lập thành công mô hình toán học tối ưu hóa đồng thời thời gian thu năng lượng và phân bổ công suất phát cho cả hai giao thức TDMA và OFDMA dưới mô hình thu năng lượng phi tuyến thực tế.
  2. Phát triển thành công thuật toán phân rã đối ngẫu lồi cho TDMA đạt tốc độ hội tụ cực nhanh (chỉ sau 3 vòng lặp) với độ phức tạp thấp $\mathcal{O}\left(\log_2(1/\epsilon)^2\right)$.
  3. Giải quyết trọn vẹn bài toán quy hoạch phi tuyến nguyên hỗn hợp (MINLP) trong OFDMA bằng cách chuyển đổi sang bài toán tựa lồi và xác lập nghiệm đóng dạng giải tích thông qua thuật toán phân đôi $\mathcal{O}\left(\log_2(1/\epsilon)(N + NK)\right)$.
  4. Giải quyết triệt để bài toán tối ưu hóa hiệu quả năng lượng (EE) qua phương pháp Dinkelbach và bài toán tối đa hóa thông lượng chuyển tiếp khuếch đại AF Relay.
  5. Chứng minh bằng thực nghiệm mô phỏng rằng mô hình tuyến tính kinh điển gây sai số nghiêm trọng khi công suất phát lớn, đồng thời làm sáng tỏ ưu thế vượt trội của TDMA trong các hệ thống mảng ăng-ten tập trung.
  6. Mở ra ba hướng nghiên cứu tương lai mang tính thời đại: WPCN hỗ trợ bề mặt phản xạ thông minh RIS, tối ưu hóa năng lượng thích ứng bằng Deep Reinforcement Learning, và mạng truyền thông xanh Zero-Energy hướng tới chuẩn hóa 6G.