Bối cảnh và vấn đề nghiên cứu

Trong xu thế phát triển của các hệ thống thông tin di động thế hệ sau 5G (B5G) và hướng tới 6G, các yêu cầu kỹ thuật về tốc độ xử lý dữ liệu, vùng phủ sóng, độ tin cậy và độ trễ cực thấp đặt ra nhiều thách thức lớn cho lớp vật lý (Physical Layer). Để tối ưu hóa kênh truyền và tiết kiệm năng lượng, công nghệ bề mặt phản xạ thông minh có thể tái cấu hình (Reconfigurable Intelligent Surfaces - RIS) đã được nghiên cứu rộng rãi. RIS sử dụng một mảng các phần tử thụ động chi phí thấp để điều khiển pha, biên độ và hướng sóng điện từ mà không cần bộ khuếch đại công suất hay mạch xử lý RF phức tạp.

Tuy nhiên, các kiến trúc RIS truyền thống chỉ hoạt động ở chế độ phản xạ (Reflection-only), đòi hỏi máy phát và máy thu phải nằm cùng một phía so với bề mặt. Hạn chế này giới hạn phạm vi phục vụ trong phạm vi nửa không gian (góc mở $180^\circ$), không đáp ứng được các kịch bản người dùng phân bố ngẫu nhiên ở cả hai phía của bề mặt thông minh. Để giải quyết triệt để vấn đề này, công nghệ bề mặt phát và phản xạ thông minh đồng thời (Simultaneously Transmitting and Reflecting RIS - STAR-RIS) được đề xuất. STAR-RIS cho phép tín hiệu tới được phân tách thành hai thành phần: một phần phản xạ lại không gian phía trước và một phần truyền (khúc xạ) xuyên qua không gian phía sau, hiện thực hóa khả năng phủ sóng toàn không gian $360^\circ$.

Mặc dù mang lại hiệu quả vượt trội về mặt vùng phủ sóng, việc điều khiển và tối ưu hóa hệ thống STAR-RIS kết hợp với kỹ thuật đa truy cập không trực giao (Non-Orthogonal Multiple Access - NOMA) đối mặt với bài toán tối ưu phi tuyến phức tạp. Cụ thể, việc phân bổ hệ số công suất từ nút nguồn cho các người dùng ở các vùng không gian khác nhau nhằm giảm thiểu xác suất dừng (Outage Probability - OP) đòi hỏi các thuật toán xử lý nhanh và chính xác. Đề tài đồ án "Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS" do học viên Lê Minh Trí thực hiện dưới sự hướng dẫn của GS. Võ Nguyễn Quốc Bảo tại Học viện Công nghệ Bưu chính Viễn thông Cơ sở TP. Hồ Chí Minh nhằm giải quyết bài toán trên.

Mục tiêu và nhiệm vụ nghiên cứu của đồ án bao gồm:

  1. Tổng quan cơ sở lý thuyết về bề mặt phản xạ thông minh RIS, bề mặt phát và phản xạ đồng thời STAR-RIS cùng kỹ thuật đa truy cập không trực giao NOMA.
  2. Xây dựng mô hình toán học và phân tích hiệu năng hệ thống vô tuyến STAR-RIS NOMA đường xuống, thiết lập biểu thức giải tích của tỷ số tín hiệu trên nhiễu (SINR) và xác suất dừng (OP) trên kênh truyền fading Rayleigh đôi (Double Rayleigh fading).
  3. Thiết lập bài toán tối ưu hóa hệ số phân bổ công suất nút nguồn nhằm cực tiểu hóa xác suất dừng của toàn hệ thống.
  4. Thiết kế cấu trúc mạng học sâu nơ-ron (Deep Neural Network - DNN) và quy trình huấn luyện ngoại tuyến để ước lượng và dự đoán trực tuyến hệ số phân bổ công suất tối ưu.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống thông tin vô tuyến đường xuống bao gồm một trạm phát (nút nguồn $S$), một bề mặt STAR-RIS hoạt động ở chế độ phân chia năng lượng (Energy Splitting - ES) gồm $N$ phần tử, cùng hai người dùng: người dùng gần $n$ (nằm trong vùng phản xạ) và người dùng xa $f$ (nằm trong vùng truyền qua).
  • Phạm vi nghiên cứu: Kênh truyền fading Rayleigh; tín hiệu truyền thẳng trực tiếp từ trạm phát đến người dùng bị che chắn hoàn toàn; nghiên cứu được thực hiện và nghiệm thu vào tháng 5 năm 2024 tại Phòng Thí nghiệm Thông tin Vô tuyến, Khoa Viễn thông II, Học viện Công nghệ Bưu chính Viễn thông Cơ sở TP. Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình hệ thống

Đồ án xây dựng nền tảng dựa trên các khái niệm và mô hình kỹ thuật sau:

  • Cấu trúc phần tử và cơ chế vật lý của STAR-RIS: Khác với RIS truyền thống vốn chỉ phản ứng với thành phần điện trường của sóng tới tạo ra dòng phân cực điện $J_p$, phần tử của STAR-RIS được thiết kế để phản ứng đồng thời với cả thành phần điện trường và từ trường, tạo ra dòng phân cực điện $J_p$ và dòng từ hóa $J_b$. Nhờ vậy, chất nền của STAR-RIS cho phép sóng vô tuyến truyền xuyên qua (trong suốt đối với tần số hoạt động). Biên độ tín hiệu phản xạ ($\beta_r^i$) và truyền qua ($\beta_t^i$) tại phần tử thứ $i$ tuân theo định luật bảo toàn năng lượng: $$\beta_{ir}^2 + \beta_{it}^2 = 1, \quad \forall i \in {1, 2, \dots, N}$$
  • Các giao thức hoạt động của STAR-RIS:
    1. Phân tách năng lượng (Energy Splitting - ES): Tất cả các phần tử đều đồng thời phản xạ và truyền qua năng lượng với tỷ lệ $\beta_{it} : \beta_{ir}$.
    2. Chuyển đổi chế độ (Mode Switching - MS): Các phần tử được chia thành hai nhóm riêng biệt hoạt động ở chế độ truyền hoàn toàn hoặc phản xạ hoàn toàn.
    3. Chuyển đổi thời gian (Time Switching - TS): Toàn bộ phần tử luân phiên chuyển đổi giữa chế độ phản xạ và truyền trong các khe thời gian trực giao.
  • Kỹ thuật NOMA và Khử nhiễu tuần tự (SIC): Ghép kênh miền công suất tại máy phát và thực hiện giải mã khử nhiễu tuần tự SIC tại máy thu. Nút nguồn phân bổ công suất nhiều hơn cho người dùng xa ($\alpha_f$) và ít hơn cho người dùng gần ($\alpha_n$) với điều kiện $\alpha_n + \alpha_f = 1$ ($\alpha_n \le \alpha_f$). Người dùng gần $n$ giải mã và loại bỏ tín hiệu của người dùng $f$ trước khi giải mã tín hiệu của chính mình, trong khi người dùng $f$ coi tín hiệu của người dùng $n$ là nhiễu.

Phương pháp nghiên cứu

Đồ án kết hợp phương pháp phân tích giải tích toán học, mô phỏng số và kỹ thuật học máy:

  1. Phương pháp giải tích toán học: Xây dựng biểu thức hàm mật độ xác suất (PDF) và hàm phân bố tích lũy (CDF) cho tích hai biến ngẫu nhiên Rayleigh độc lập (Double Rayleigh). Đồ án sử dụng phương pháp xấp xỉ chuỗi Laguerre mở rộng để tính toán tích phân phức tạp của hàm Gamma không đầy đủ, từ đó đưa ra dạng đóng (closed-form) cho xác suất dừng $OP_n$, $OP_f$ và xác suất dừng toàn hệ thống $OP$.
  2. Phương pháp mô phỏng số (Monte Carlo): Sử dụng phần mềm MATLAB để mô phỏng truyền tin thực tế qua kênh fading Rayleigh, đối sánh giá trị giải tích lý thuyết và kết quả mô phỏng số trên nhiều dải giá trị tỷ số tín hiệu trên nhiễu (SNR) từ $-25\text{ dB}$ đến $15\text{ dB}$.
  3. Phương pháp tối ưu hóa và Học sâu (Deep Learning):
    • Sử dụng thuật toán tìm kiếm trực tiếp không đạo hàm fminsearch trên MATLAB để tìm giá trị tối ưu $\alpha_n^*$ làm cực tiểu hóa hàm xác suất dừng $OP$ tại từng mức SNR.
    • Xây dựng kiến trúc mạng nơ-ron học sâu truyền thẳng (Feedforward DNN) với hàm kích hoạt phi tuyến Sigmoid và thuật toán tối ưu Levenberg-Marquardt (LMA).
    • Đánh giá hiệu năng mạng học sâu thông qua sai số toàn phương trung bình (MSE) và căn bậc hai sai số toàn phương trung bình (RMSE).

Nguồn dữ liệu

Dữ liệu huấn luyện, kiểm định và đánh giá của mạng DNN được tổng hợp tự động thông qua mô phỏng trên MATLAB dựa trên mô hình toán học đã được chứng minh. Tập dữ liệu bao gồm không gian vector đầu vào và nhãn tối ưu, được phân chia theo tỷ lệ chuẩn:

  • Tập huấn luyện (Training set): 70%
  • Tập kiểm định (Validation set): 15%
  • Tập kiểm thử (Testing set): 15%

Nội dung chính theo từng chương

Chương 1 - Cơ sở lý luận

Chương 1 hệ thống hóa toàn bộ lý thuyết nền tảng phục vụ cho đề án:

  • Tổng quan về RIS: Trình bày cấu tạo vật lý 3 lớp của tấm RIS (lớp ngoài gồm chất nền điện môi và các diode PIN; lớp giữa là tấm đồng ngăn rò rỉ năng lượng; lớp trong là bảng mạch điều khiển logic FPGA hoặc vi điều khiển). Phân tích nguyên lý làm việc dựa trên mật độ phân cực điện $P$ và độ nhạy điện $\chi_e$.
  • Bề mặt phát và phản xạ thông minh STAR-RIS: So sánh sự khác biệt cấu trúc giữa RIS (các phần tử gắn trên đế kim loại phản xạ) và STAR-RIS (chất nền trong suốt, phần tử đáp ứng cả điện trường và từ trường). Phân tích chi tiết 3 chế độ hoạt động ES, MS, TS cùng các ma trận truyền và phản xạ tương ứng.
  • Kỹ thuật Đa truy cập không trực giao NOMA: So sánh ưu điểm về hiệu suất phổ tần và khả năng kết nối lớn của NOMA so với đa truy cập phân chia theo tần số trực giao (OFDMA). Trình bày cơ chế phân bổ công suất tại nguồn $S$ và quy trình khử nhiễu tuần tự SIC tại máy thu.
  • Ứng dụng của STAR-RIS: Nêu bật khả năng thiết lập liên kết truyền thông trong môi trường ngoài trời (gắn trên mặt tiền tòa nhà, biển quảng cáo) và trong nhà khi liên kết trực tiếp (Line-of-Sight - LoS) giữa trạm gốc và người dùng bị che chắn bởi vật cản.

Chương 2 – Khảo sát và đánh giá hiệu năng mô hình STAR-RIS

Chương 2 tập trung vào việc mô hình hóa toán học và đánh giá hiệu năng hệ thống:

  • Mô hình hệ thống đường xuống: Thiết lập mô hình gồm nút nguồn $S$, mảng STAR-RIS gồm $N$ phần tử hoạt động ở chế độ ES, người dùng phản xạ $n$ và người dùng truyền qua $f$. Hệ thống loại bỏ thành phần pha ngẫu nhiên của kênh truyền thông qua việc cấu hình góc pha dịch chuyển tại các phần tử STAR-RIS: $\theta_i = \phi_i + \psi_i$ (cho phản xạ) và $\psi_i = \phi_i + \omega_i$ (cho truyền qua).
  • Tỷ số tín hiệu trên nhiễu cộng can nhiễu (SINR):
    • SINR tại người dùng $n$ sau khi thực hiện SIC hoàn hảo: $$\gamma_n = A^2 \rho \alpha_n \beta_r^2, \quad \text{với } A = \sum_{i=1}^N h_i g_i, \quad \rho = \frac{P_s}{N_0}$$
    • SINR tại người dùng $f$: $$\gamma_f = \frac{B^2 \rho \alpha_f \beta_t^2}{B^2 \rho \alpha_n \beta_t^2 + 1}, \quad \text{với } B = \sum_{i=1}^N h_i t_i$$
  • Thiết lập công thức Xác suất dừng (OP):
    • Xác suất dừng của người dùng $n$ ($OP_n$) và người dùng $f$ ($OP_f$) được giải bằng cách áp dụng chuỗi Laguerre mở rộng trên biến ngẫu nhiên $A$ và $B$ (tổng của $N$ phân phối double Rayleigh độc lập): $$OP_n = \frac{1}{\Gamma(a+1)} \gamma\left(a+1, \frac{1}{b}\sqrt{\frac{\gamma_{th}^n}{\rho \alpha_n \beta_r^2}}\right)$$
    • Xác suất dừng toàn hệ thống được tính gần đúng: $$OP \approx 1 - (1 - OP_n)(1 - OP_f)$$
  • Kết quả mô phỏng và nhận xét:
    • Kết quả mô phỏng số Monte Carlo hoàn toàn trùng khớp với đường cong giải tích lý thuyết.
    • Khi số lượng phần tử $N$ tăng ($N = 2, 4, 6, 10$), xác suất dừng của hệ thống giảm mạnh tại cùng một mức công suất phát.
    • So sánh giữa RIS và STAR-RIS cho thấy: tại cùng một người dùng $n$, hệ thống sử dụng RIS truyền thống có xác suất dừng thấp hơn do tập trung $100%$ năng lượng vào vùng phản xạ. Ngược lại, STAR-RIS chấp nhận đánh đổi một phần công suất phản xạ để phân bổ năng lượng truyền qua phục vụ thêm người dùng $f$, đạt được khả năng phủ sóng toàn không gian $360^\circ$.
Tham số mô phỏng Giá trị thiết lập
Tọa độ nút nguồn $S$ $(0, 0)$
Tọa độ người dùng phản xạ $n$ $(1, 0)$
Tọa độ người dùng truyền qua $f$ $(0.8, 1)$
Tọa độ mặt phẳng STAR-RIS $(0, 0.7)$
Số phần tử STAR-RIS ($N$) $2, 4, 6, 10$
Dải tỷ số tín hiệu trên nhiễu (SNR) $-25\text{ dB}$ đến $15\text{ dB}$
Hệ số suy hao kênh truyền ($\eta$) $3$
Hệ số phân bổ công suất ban đầu ($\alpha_n$) $0.3$
Hệ số biên độ phản xạ ($\beta_r$) và truyền qua ($\beta_t$) $\beta_r = 0.5, \beta_t = 0.5$

Chương 3 - Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS

Chương 3 trình bày giải pháp ứng dụng học sâu để tối ưu hóa công suất:

  • Bài toán tối ưu hóa: Mục tiêu là tìm hệ số phân bổ công suất $\alpha_n$ để cực tiểu hóa xác suất dừng của toàn hệ thống: $$\min_{\alpha_n} OP$$ với điều kiện ràng buộc $0 \le \alpha_n \le 0.5$ (đảm bảo $\alpha_n \le \alpha_f$).
  • Thiết kế tập dữ liệu: Sử dụng hàm fminsearch trên MATLAB để tìm nghiệm cực tiểu $\alpha_n^*$ ứng với dải SNR từ $-15\text{ dB}$ đến $10\text{ dB}$ (bước nhảy $0.1\text{ dB}$), số phần tử $N=4$. Dữ liệu đầu vào mạng DNN là vector $OP$ cùng các thông số hình học, và đầu ra là giá trị tối ưu $\alpha_n$.
  • Kiến trúc mạng nơ-ron DNN:
    • Mô hình gồm 1 tầng vào, 1 tầng ra và $L-1$ tầng ẩn. Tầng ẩn sử dụng hàm kích hoạt phi tuyến Sigmoid $g(x) = \frac{1}{1 + e^{-x}}$.
    • Thuật toán tối ưu huấn luyện: Levenberg-Marquardt (LMA) kết hợp thuật toán lan truyền ngược để cập nhật trọng số và độ lệch. Quá trình huấn luyện diễn ra ngoại tuyến (offline), sau đó mô hình được dùng để suy luận dự đoán trực tuyến (online) với độ trễ thấp.
  • Kết quả dự đoán và đánh giá độ tin cậy:
    • Khảo sát các mô hình DNN với số lượng lớp ẩn khác nhau: 1, 2, 4 và 6 lớp ẩn.
    • Kết quả mô phỏng chỉ ra rằng mạng DNN với 4 lớp ẩn đã tiệm cận giá trị tối ưu thực tế, và mạng DNN với 6 lớp ẩn cho kết quả trùng khớp hoàn toàn với dữ liệu tối ưu lý thuyết sinh ra từ fminsearch.
    • Đánh giá hiệu năng hệ thống tại các mức phân bổ công suất khác nhau: hệ thống áp dụng hệ số $\alpha_n$ từ mạng DNN 6 lớp ẩn đạt mức xác suất dừng thấp nhất, vượt trội rõ rệt so với các trường hợp phân bổ công suất ngẫu nhiên ($\alpha_n = 0.3$, $\alpha_n = 0.35$) hoặc cố định ($\alpha_n = 0$).
    • Phân tích chỉ số RMSE khẳng định mạng DNN 6 lớp ẩn có sai số nhỏ nhất, đảm bảo độ tin cậy cao nhất cho hệ thống.
SNR ($\text{dB}$) Hệ số phân bổ tối ưu $\alpha_n$ (fminsearch) Giá trị OP cực tiểu tương ứng
$-5$ $0.481562$ $0.00982$
$0$ Giá trị hội tụ Cực tiểu hóa tương ứng
$5$ Giá trị hội tụ Cực tiểu hóa tương ứng
$10$ Giá trị hội tụ Cực tiểu hóa tương ứng

Chương 4 – Kết quả và hướng phát triển

  • Kết quả đạt được: Đề án đã xây dựng thành công quy trình ứng dụng mạng học sâu DNN để ước lượng và dự đoán chính xác hệ số phân bổ công suất tối ưu cho hệ thống STAR-RIS NOMA đường xuống. Mô hình DNN 6 lớp ẩn giải quyết bài toán tối ưu phi tuyến mà không đòi hỏi thời gian tính toán đại số lặp lại trong quá trình vận hành thực tế.
  • Định hướng phát triển: Đề xuất mở rộng nghiên cứu sang mô hình kênh truyền Rician xếp tầng (Cascaded Rician fading), tối ưu hóa đa biến đồng thời (bao gồm tọa độ vị trí của STAR-RIS và số lượng phần tử $N$), và áp dụng các thuật toán Học tăng cường (Reinforcement Learning - RL) cho môi trường vô tuyến động.

Kết quả và đóng góp

Kết quả chính

  1. Biểu thức giải tích tường minh: Thiết lập thành công công thức tính tỷ số SINR và xác suất dừng (OP) dạng đóng trên kênh truyền fading double Rayleigh cho mô hình mạng STAR-RIS NOMA đường xuống. Độ chính xác của các biểu thức toán học được kiểm chứng qua sự trùng khớp tuyệt đối với kết quả mô phỏng số.
  2. Minh chứng ưu thế vùng phủ của STAR-RIS: Phân tích định lượng sự đánh đổi công suất để đổi lấy khả năng phủ sóng toàn không gian ($360^\circ$), chứng minh hệ thống STAR-RIS duy trì kết nối đồng thời cho cả người dùng vùng truyền qua và vùng phản xạ.
  3. Mô hình học sâu tối ưu hóa hiệu năng: Xây dựng mạng DNN với 6 lớp ẩn được huấn luyện qua thuật toán Levenberg-Marquardt, có khả năng dự đoán chính xác hệ số phân bổ công suất nguồn $\alpha_n^*$ giúp hệ thống luôn hoạt động tại điểm có xác suất dừng cực tiểu.
  4. Đánh giá sai số: Định lượng độ chính xác của mạng DNN thông qua việc phân tích sai số toàn phương trung bình RMSE trên các tập cấu hình 1, 2, 4 và 6 lớp ẩn.

Đóng góp của đề tài

  • Đóng góp về mặt lý thuyết: Cung cấp phương pháp phân tích hiệu năng toán học cho công nghệ STAR-RIS kết hợp NOMA sử dụng chuỗi xấp xỉ Laguerre mở rộng trong điều kiện fading kép.
  • Đóng góp về mặt ứng dụng giải thuật: Đề xuất giải pháp kết hợp giữa thuật toán tìm kiếm tối ưu ngoại tuyến (fminsearch) và mạng học sâu DNN truyền thẳng, giúp chuyển đổi bài toán tối ưu phi tuyến phức tạp thành một hàm ánh xạ trực tuyến có thời gian thực thi nhanh, mở ra hướng ứng dụng AI trong quản lý tài nguyên vô tuyến lớp vật lý.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

  • Mô hình kênh truyền giới hạn: Đề tài mới chỉ khảo sát trên mô hình kênh truyền fading Rayleigh thuần túy, chưa xét đến các thành phần truyền thẳng (LoS) đặc trưng của kênh Rician.
  • Giới hạn số chiều tối ưu: Quá trình huấn luyện mạng DNN chỉ tập trung tối ưu hóa duy nhất một biến là hệ số phân bổ công suất $\alpha_n$; các thông số khác như vị trí hình học của STAR-RIS, số phần tử $N$, và hệ số phân chia năng lượng $\beta_r, \beta_t$ vẫn đang được cố định trong từng kịch bản.
  • Độ phức tạp phần cứng khi tăng lớp ẩn: Việc tăng số lớp ẩn (từ 6 lớp trở lên) làm tăng khối lượng tính toán và độ trễ thực thi của mạng nơ-ron, đòi hỏi phải cân nhắc bài toán đánh đổi giữa độ chính xác và độ trễ trong các hệ thống thời gian thực.

Hướng nghiên cứu tiếp theo

  1. Mở rộng khảo sát hiệu năng hệ thống trên các mô hình kênh truyền tổng quát hơn như kênh fading Rician xếp tầng hoặc kênh Nakagami-$m$.
  2. Xây dựng bài toán tối ưu hóa đồng thời nhiều tham số: kết hợp tối ưu hệ số công suất $\alpha_n$, hệ số phân chia biên độ $\beta_r/\beta_t$, ma trận dịch pha tại STAR-RIS và vị trí triển khai tối ưu của tấm STAR-RIS trong không gian 3 chiều.
  3. Nghiên cứu và triển khai các mô hình học máy tiên tiến khác như Học tăng cường sâu (Deep Reinforcement Learning - DRL) để thích ứng theo thời gian thực với sự di động của người dùng và sự thay đổi liên tục của trạng thái kênh truyền (CSI).

Giá trị tham khảo

Tài liệu đồ án này mang lại giá trị tham khảo hữu ích cho:

  • Sinh viên, học viên cao học và nghiên cứu sinh ngành Kỹ thuật Viễn thông, Điện tử - Truyền thông: Tài liệu cung cấp cơ sở toán học chi tiết về việc xây dựng công thức SINR, tích phân hàm CDF/PDF của kênh truyền Rayleigh đôi, và phương pháp xấp xỉ chuỗi Laguerre trong phân tích xác suất dừng của hệ thống RIS/STAR-RIS.
  • Các kỹ sư và nhà nghiên cứu quan tâm đến ứng dụng AI trong mạng không dây: Cung cấp quy trình hoàn chỉnh từ bước mô hình hóa bài toán vật lý, tạo tập dữ liệu huấn luyện bằng MATLAB (fminsearch), thiết kế mạng nơ-ron DNN, đến việc đánh giá độ tin cậy bằng chỉ số RMSE.
  • Các nhóm nghiên cứu về công nghệ B5G/6G: Cung cấp tài liệu tham khảo về nguyên lý cấu tạo, mô hình phân chia năng lượng ES/MS/TS và tiềm năng mở rộng vùng phủ sóng toàn không gian của công nghệ STAR-RIS kết hợp kỹ thuật đa truy cập NOMA.

Câu hỏi thường gặp

1. Công nghệ STAR-RIS khắc phục hạn chế lớn nhất nào của RIS truyền thống?

RIS truyền thống chỉ hoạt động ở chế độ phản xạ sóng, do đó máy phát và máy thu bắt buộc phải nằm cùng một phía so với bề mặt thông minh (chỉ phục vụ nửa không gian $180^\circ$). STAR-RIS khắc phục hạn chế này bằng cách hỗ trợ cả dòng điện và dòng từ trường trong cấu tạo phần tử, cho phép tín hiệu vừa phản xạ vừa truyền xuyên qua bề mặt, mở rộng vùng phủ sóng ra toàn không gian $360^\circ$ cho cả người dùng phía trước và phía sau bề mặt.

2. Ba giao thức hoạt động chính của mặt phẳng STAR-RIS là gì?

Ba giao thức bao gồm:

  • Phân tách năng lượng (Energy Splitting - ES): Tất cả các phần tử đồng thời phản xạ và truyền qua năng lượng sóng tới theo tỷ lệ điều chỉnh $\beta_{it} : \beta_{ir}$.
  • Chuyển đổi chế độ (Mode Switching - MS): Bề mặt được chia thành các nhóm phần tử riêng biệt, một nhóm chỉ phản xạ hoàn toàn và nhóm còn lại chỉ truyền qua hoàn toàn.
  • Chuyển đổi thời gian (Time Switching - TS): Toàn bộ các phần tử luân phiên chuyển đổi giữa chế độ phản xạ và truyền qua trong các khe thời gian trực giao khác nhau.

3. Tại sao xác suất dừng của hệ thống STAR-RIS tại người dùng gần $n$ lại cao hơn so với hệ thống RIS truyền thống?

Vì mặt phẳng STAR-RIS hoạt động ở chế độ phân chia năng lượng, công suất sóng tới phải chia sẻ một phần cho người dùng xa $f$ ở phía sau mặt phẳng ($\beta_r^2 + \beta_t^2 = 1$). Trong khi đó, RIS truyền thống tập trung toàn bộ $100%$ năng lượng cho vùng phản xạ ($\beta_r = 1$). Do đó, STAR-RIS chấp nhận đánh đổi một phần công suất tại người dùng $n$ để đạt được khả năng phục vụ đồng thời cả hai không gian.

4. Thuật toán nào được tác giả sử dụng để tạo nhãn dữ liệu tối ưu cho mạng học sâu DNN?

Tác giả sử dụng hàm fminsearch trong phần mềm MATLAB. Đây là giải thuật tìm kiếm trực tiếp không sử dụng đạo hàm (dựa trên thuật toán Simplex của Nelder-Mead) để tìm giá trị cực tiểu của hàm xác suất dừng $OP$ nhiều biến không giới hạn, từ đó thu được hệ số phân bổ công suất tối ưu $\alpha_n^*$ tương ứng với từng mức SNR.

5. Cấu hình mạng học sâu DNN nào cho kết quả tối ưu và đáng tin cậy nhất trong đề tài?

Mạng học sâu DNN với 6 lớp ẩn (sử dụng hàm kích hoạt Sigmoid và thuật toán tối ưu Levenberg-Marquardt) cho kết quả dự đoán trùng khớp hoàn toàn với dữ liệu tối ưu thực tế từ fminsearch và đạt chỉ số sai số RMSE thấp nhất trong số các cấu hình được thử nghiệm (1, 2, 4 và 6 lớp ẩn).

Kết luận

Đồ án "Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS" của học viên Lê Minh Trí đã giải quyết trọn vẹn bài toán phân tích hiệu năng và tối ưu hóa phân bổ công suất cho hệ thống thông tin vô tuyến STAR-RIS NOMA đường xuống. Bằng việc kết hợp phương pháp xấp xỉ giải tích chuỗi Laguerre và mô phỏng số Monte Carlo, công trình đã chứng minh tính chính xác của các biểu thức xác suất dừng trên kênh truyền fading Rayleigh đôi. Đồng sinh, việc đề xuất thành công mô hình mạng học sâu DNN 6 lớp ẩn được huấn luyện bằng thuật toán Levenberg-Marquardt đã cung cấp một giải pháp khả thi, chính xác và giảm thiểu độ phức tạp tính toán thời gian thực cho bài toán tối ưu hóa tài nguyên trong các mạng truyền thông không dây thế hệ tiếp theo.