Bối cảnh và vấn đề nghiên cứu

Sự gia tăng nhanh chóng của các thiết bị kết nối Internet vạn vật (IoT) và điện thoại thông minh tạo ra khối lượng dữ liệu cá nhân khổng lồ tại vùng biên mạng. Theo số liệu thống kê của IBM được trích dẫn trong văn bản, tính đến năm 2022, toàn thế giới có gần 7 tỷ thiết bị IoT, trong đó có khoảng 3 tỷ điện thoại thông minh. Khối lượng dữ liệu phong phú này đóng vai trò quan trọng trong việc huấn luyện các mô hình Trí tuệ nhân tạo (AI) và Học máy (Machine Learning). Tuy nhiên, kiến trúc xử lý truyền thống tập trung trên điện toán đám mây (Cloud-centric) bộc lộ nhiều hạn chế về gánh nặng băng thông mạng lõi, độ trễ truyền dẫn và đặc biệt là rủi ro rò rỉ quyền riêng tư khi dữ liệu nhạy cảm phải tập trung về máy chủ trung tâm.

Để giải quyết mâu thuẫn giữa nhu cầu khai thác dữ liệu và bảo mật thông tin, mô hình Học liên kết (Federated Learning - FL) được đề xuất, cho phép các thiết bị cục bộ huấn luyện mô hình ngay tại nguồn và chỉ gửi các tham số mô hình về máy chủ điều phối. Mặc dù vậy, trong môi trường IoT thực tế, các thiết bị cục bộ thường bị giới hạn nghiêm ngặt về năng lượng vận hành và băng thông truyền thông không dây. Việc truyền tải liên tục các tham số mô hình mạng nơ-ron sâu có kích thước lớn qua nhiều vòng lặp dẫn đến tiêu hao năng lượng nhanh chóng và nguy cơ gián đoạn hoạt động.

Trước bối cảnh đó, đề tài khóa luận tập trung giải quyết bài toán tối ưu hóa phân bổ tài nguyên trong hệ thống học liên kết kết hợp thu hoạch năng lượng (Energy Harvesting Federated Learning - EHFL) thông qua các nhiệm vụ nghiên cứu:

  1. Nghiên cứu hệ thống cơ sở lý thuyết về Học sâu (Deep Learning), Mạng nơ-ron nhân tạo (DNN), kỹ thuật Học tăng cường sâu (Deep Reinforcement Learning - DRL) và mô hình Học liên kết (Federated Learning).
  2. Phân tích nguyên lý lượng tử hóa tham số (Quantization) nhằm giảm dung lượng mô hình truyền tải giữa thiết bị cục bộ và máy chủ trung tâm.
  3. Thiết lập mô hình toán học cho hệ thống học liên kết thu hoạch năng lượng, mô hình hóa bài toán phân bổ băng thông, mức thu hoạch năng lượng và độ trễ truyền thông.
  4. Xây dựng bài toán tối ưu hóa đa mục tiêu và ứng dụng thuật toán mạng Q sâu (Deep Q-Network - DQN) để đưa ra chính sách phân bổ tài nguyên tối ưu, tiến hành mô phỏng thực nghiệm và đánh giá độ hội tụ cũng như sai số mô hình.

Đối tượng nghiên cứu của đồ án là cơ chế tối ưu phân bổ tài nguyên (băng thông, năng lượng, mức lượng tử hóa tham số) trong hệ thống học liên kết. Phạm vi nghiên cứu tập trung vào mô hình lý thuyết mạng thông tin vô tuyến kết hợp thu hoạch năng lượng và mô phỏng thực nghiệm trên môi trường tính toán dựa trên các thuật toán FedAvg và DQN.

Cơ sở lý thuyết và phương pháp

Khóa luận được xây dựng dựa trên sự giao thoa giữa các khung lý thuyết về trí tuệ nhân tạo và mạng truyền thông không dây:

  • Học sâu (Deep Learning) và Mạng nơ-ron sâu (DNN): Mô hình tính toán phân lớp gồm lớp đầu vào (Input Layer), các lớp ẩn (Hidden Layers) và lớp đầu ra (Output Layer), sử dụng các hàm kích hoạt và điều chỉnh trọng số thông qua lan truyền ngược để xấp xỉ các hàm toán học phức tạp.
  • Học tăng cường sâu (Deep Reinforcement Learning - DRL): Kết hợp giữa học tăng cường (Reinforcement Learning) dựa trên cơ chế tương tác thử - sai với môi trường và mạng nơ-ron sâu đóng vai trò xấp xỉ hàm giá trị trạng thái - hành động (Q-function), cụ thể là thuật toán Deep Q-Network (DQN).
  • Học liên kết (Federated Learning - FL): Khung học máy phân tán cho phép các nút mạng cục bộ đào tạo mô hình trên dữ liệu riêng tư và gửi cập nhật tham số (gradient hoặc trọng số) về máy chủ để tổng hợp bằng thuật toán trung bình cộng liên kết (Federated Averaging - FedAvg).
  • Lượng tử hóa trọng số (Weight Quantization): Kỹ thuật ánh xạ các giá trị trọng số liên tục (ví dụ: số thực chính xác đơn 32-bit float32) sang tập giá trị rời rạc có kích thước nhỏ hơn (ví dụ: số nguyên 8-bit int8) để giảm tải bộ nhớ và băng thông truyền thông.
  • Hệ thống thu hoạch năng lượng (Energy Harvesting - EH): Cơ chế chuyển đổi năng lượng sóng vô tuyến từ trạm phát thành điện năng duy trì hoạt động cho thiết bị IoT.

Phương pháp nghiên cứu thực tế được tác giả triển khai bao gồm:

  • Phương pháp phân tích và tổng hợp lý thuyết từ các công bố khoa học tiêu biểu (bài báo của Google năm 2016, nghiên cứu của IBM, các công bố trên tạp chí Nature Medicine năm 2020).
  • Phương pháp mô hình hóa toán học: Thiết lập hệ thống công thức giải tích mô tả công suất thu hoạch năng lượng, suy hao truyền sóng (path-loss), fa-đinh quy mô nhỏ (small-scale fading), độ trễ tính toán và truyền thông.
  • Phương pháp tối ưu hóa và học máy: Xây dựng không gian trạng thái, không gian hành động và hàm phần thưởng trong bài toán quyết định Markov (MDP), sử dụng thuật toán DQN để tìm chính sách điều khiển tối ưu.
  • Phương pháp thực nghiệm mô phỏng: Thiết lập các tham số môi trường và chạy thử nghiệm đánh giá sự đánh đổi giữa số bit lượng tử hóa, độ hội tụ của thuật toán và sai số lượng tử qua từng vòng lặp.

Nguồn dữ liệu nghiên cứu là các tập dữ liệu phục vụ đào tạo cục bộ phân tán trên các nút mạng, kết hợp với các mô hình tham số kênh truyền vô tuyến được giả lập trong quá trình mô phỏng.

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình Học liên kết thu hoạch năng lượng (EHFL), bao gồm một Trạm cơ sở (Base Station - BS) đóng vai trò là Máy chủ trung tâm (Central Server) và $N$ thiết bị IoT (Users) phân tán trong không gian mạng.

       +-------------------------------------------------+
       |      Primary Networks (PNs) [Băng thông W]      |
       +-------------------------------------------------+
                                |
                                v
               +---------------------------------+
               |  Base Station (BS) / Server     |
               |  - Chọn PN có chi phí thấp nhất |
               |  - Truyền sóng cấp năng lượng   |
               |  - Điều phối mô hình toàn cầu   |
               +---------------------------------+
                     /          |          \
       Sóng năng lượng /      |      \ Sóng năng lượng
       Tham số mô hình /      |      \ Tham số mô hình
                     v          v          v
                 +--------+ +--------+ +--------+
                 | User 1 | | User 2 | | User N |
                 +--------+ +--------+ +--------+
                 (IoT: Thu hoạch năng lượng, Đào tạo cục bộ,
                       Lượng tử hóa trọng số float32 -> int8)

Quy trình vận hành kỹ thuật và phân bổ tài nguyên của hệ thống được xác lập qua các khối chức năng chính:

1. Cơ chế lựa chọn và phân bổ băng thông từ mạng chính (Primary Networks - PNs)

Hệ thống kết nối với các mạng chính PNs xung quanh để thuê tài nguyên phổ tần. Mỗi PN $m$ đưa ra một mức chi phí $c_m$. Trạm cơ sở BS thực hiện thuật toán tìm kiếm để chọn ra mạng PN thứ $j$ có mức chi phí thấp nhất:

$$j = \arg \min c_m$$

Mạng PN $j$ được chọn cung cấp $|B_j|$ khối tài nguyên (Resource Blocks - RBs), mỗi khối có độ rộng băng thông là $|B|$. Do đó, tổng băng thông khả dụng mà hệ thống nhận được là:

$$W = |B| \cdot |B_j|$$

Lượng băng thông này được chia đều cho $N$ thiết bị IoT tham gia quá trình học máy, mỗi thiết bị $i$ nhận được độ rộng băng tần:

$$B_i = \frac{W}{N} = \frac{|B| \cdot |B_j|}{N}$$

2. Mô hình thu hoạch năng lượng của thiết bị

Để phòng ngừa sự cố cạn kiệt năng lượng làm gián đoạn tiến trình huấn luyện, trạm cơ sở BS phát sóng vô tuyến truyền năng lượng xuống các thiết bị. Thiết bị $i$ sử dụng ăng-ten thu nhận và mạch chuyển đổi RF thành điện năng. Công suất thu hoạch năng lượng $P_i^{harv}$ được xác định theo mô hình toán học:

$$P_i^{harv} = \xi P h_i d_i^{-\alpha} \quad (\text{W})$$

Trong đó:

  • $\xi \in [0, 1]$ là hiệu suất chuyển đổi năng lượng của mạch thu.
  • $P$ là công suất phát sóng của trạm BS.
  • $h_i$ biểu diễn hệ số suy hao fa-đinh quy mô nhỏ (small-scale fading).
  • $d_i$ là khoảng cách địa lý giữa thiết bị $i$ và trạm BS.
  • $\alpha$ là hệ số suy hao đường truyền (path-loss exponent).

Năng lượng thu hoạch được trong khoảng thời gian $t_i^{harv}$ là:

$$e_i^{harv} = P_i^{harv} \cdot t_i^{harv} \quad (\text{J})$$

Tổng năng lượng khả dụng tại thiết bị $i$ để phục vụ tính toán cục bộ và truyền dữ liệu được quản lý theo dung lượng lưu trữ tối đa $E_i$:

$$e_i = \min(e_{i,0} + e_i^{harv}, E_i) \quad (\text{J})$$

Với $e_{i,0}$ là mức năng lượng còn lại trước khi bắt đầu chu kỳ nạp.

3. Cơ chế lượng tử hóa trọng số (Weight Quantization)

Sau khi hoàn thành tính toán trên tập dữ liệu riêng tư, thiết bị thực hiện lượng tử hóa vector tham số cục bộ từ kiểu dữ liệu 32-bit (float32) sang các mức biểu diễn rời rạc ngắn hơn (như số nguyên 8-bit int8 hoặc số bit cấu hình động). Kỹ thuật này giảm kích thước dữ liệu cần truyền tải tới 4 lần và tăng tốc độ xử lý truyền thông từ 2 đến 4 lần, đồng thời duy trì sai số lượng tử nằm trong ngưỡng hội tụ cho phép.

4. Thiết kế mô hình Deep Q-Network (DQN)

Bài toán phân bổ tài nguyên được cấu trúc thành một quá trình quyết định Markov giải quyết bằng DQN:

  • Không gian trạng thái (State space): Biểu diễn trạng thái năng lượng khả dụng $e_i$, điều kiện kênh truyền vô tuyến $h_i$, và sai số lượng tử của các thiết bị tại vòng lặp hiện tại.
  • Không gian hành động (Action space): Các quyết định lựa chọn số bit lượng tử hóa, công suất truyền tải và tỷ lệ phân chia thời gian thu hoạch năng lượng.
  • Hàm phần thưởng (Reward function): Thiết lập hàm mục tiêu kết hợp nhằm tối đa hóa độ chính xác và tốc độ hội tụ của mô hình toàn cầu, đồng thời giảm thiểu tổng thời gian chu kỳ (độ trễ) và năng lượng tiêu thụ của toàn mạng.

Nội dung chính theo từng chương

Chương 1: Các vấn đề lý luận cơ bản về Học sâu và Kỹ thuật Học tăng cường sâu

Chương 1 hệ thống hóa nền tảng lý thuyết về mạng nơ-ron nhân tạo và các mô hình học máy hiện đại. Tác giả phân tích cấu trúc của mạng nơ-ron sâu (DNN) với ba tầng thành phần: lớp đầu vào (tiếp nhận và phân loại thông tin), lớp ẩn (xử lý các phép tính phức tạp với hàm kích hoạt để phi tuyến hóa dữ liệu) và lớp đầu ra (hiển thị kết quả dưới dạng phân loại hoặc hồi quy).

Nội dung chương làm rõ mối quan hệ giữa Học tăng cường truyền thống và Học tăng cường sâu (DRL). Nếu học tăng cường cổ điển dựa trên tương tác thử - sai để tìm kiếm phần thưởng tối ưu trong không gian trạng thái hạn chế, thì DRL khai thác sức mạnh của DNN để xấp xỉ hàm giá trị hành động (hàm Q) trong môi trường có không gian trạng thái và hành động liên tục, số chiều lớn. Tác giả khẳng định DRL là công cụ toán học thích hợp để tự động đưa ra các quyết định phân bổ tài nguyên tối ưu trong môi trường mạng vô tuyến biến động.

Chương 2: Tổng quan về mô hình Học liên kết và Lượng tử hóa

Chương 2 trình bày chi tiết về nguồn gốc, kiến trúc và ứng dụng của Học liên kết (FL). Thuật ngữ Federated Learning xuất hiện từ năm 2016 trong công bố của Google ("Communication-Efficient Learning of Deep Networks from Decentralized Data" do G. Anthony Reina trình bày), xuất phát từ nhu cầu xử lý dữ liệu phân tán trên điện thoại di động mà không cần tập trung dữ liệu thô.

Thành phần Vai trò trong hệ thống Học liên kết (FL)
Máy chủ trung tâm (Central Server / BS) Quản lý mô hình toàn cầu, điều phối các vòng lặp đào tạo, phân phối tham số và tổng hợp cập nhật từ các máy cục bộ.
Máy cục bộ (Users / Clients / Local Devices) Lưu trữ dữ liệu riêng tư, thực thi đào tạo mô hình trên dữ liệu cục bộ bằng thuật toán học máy, tính toán gradient/tham số và gửi cập nhật về máy chủ.
Dữ liệu (Data) Phân tán tại các thiết bị biên, mang tính chất cục bộ, bảo mật, không truyền qua mạng mạng lõi, thường có đặc tính Non-IID.

Tác giả phân tích ưu điểm cốt lõi của FL là tiết kiệm băng thông mạng và bảo vệ quyền riêng tư người dùng. Ngược lại, các thách thức kỹ thuật lớn gồm: vấn đề dữ liệu không độc lập và không đồng nhất (Non-IID), sự không đồng nhất về phần cứng giữa các thiết bị cục bộ, và giới hạn năng lực tính toán của các nút mạng biên. Chương này cũng tổng hợp các ứng dụng thực tiễn của FL trong y tế (dự đoán nhu cầu oxy cho bệnh nhân COVID-19 công bố trên Nature Medicine 2020), tài chính - ngân hàng, phần mềm di động (bàn phím Android, trợ lý ảo Siri, ứng dụng trình duyệt Firefox 2018) và hệ thống xe tự lái trong Robotics.

Phần cuối chương phân tích lý thuyết Lượng tử hóa (Quantization), bản chất là quá trình ánh xạ không gian giá trị liên tục sang tập hữu hạn các giá trị rời rạc. Trong FL, lượng tử hóa trọng số (Weight Quantization) làm giảm kích thước mô hình gửi lên máy chủ, giúp tiết kiệm bộ nhớ và giảm năng lượng truyền tải, dù phải chấp nhận một mức độ mất mát chính xác nhất định.

Chương 3: Quy trình vận hành và phân bổ tài nguyên trong mô hình Học liên kết

Chương 3 là phần trọng tâm về mặt xây dựng mô hình toán học của khóa luận. Tác giả định nghĩa hệ thống Học liên kết thu hoạch năng lượng (EHFL), kết hợp giữa công nghệ thu nhận năng lượng môi trường/vô tuyến và học máy phân tán. Quy trình đào tạo của hệ thống được chuẩn hóa qua 5 giai đoạn:

  1. Khởi tạo tác vụ và phân phối mô hình khởi tạo từ máy chủ.
  2. Huấn luyện mô hình cục bộ trên dữ liệu riêng tư của từng thiết bị.
  3. Thực hiện lượng tử hóa tham số cục bộ để nén dung lượng truyền thông.
  4. Truyền tải tham số lượng tử hóa lên máy chủ, máy chủ cập nhật và tổng hợp mô hình toàn cầu.
  5. Lặp lại chu trình cho đến khi mô hình toàn cầu đạt điều kiện hội tụ.

Chương này thiết lập chi tiết các biểu thức toán học xác định chi phí băng thông qua mạng chính $W = |B| \cdot |B_j|$, công thức công suất thu hoạch năng lượng vô tuyến $P_i^{harv} = \xi P h_i d_i^{-\alpha}$ và năng lượng khả dụng $e_i$. Đồng thời, chương trình bày cách thức tính toán thời gian trễ của vòng lặp bao gồm thời gian tính toán cục bộ, thời gian nén lượng tử hóa và thời gian truyền tải không dây, làm cơ sở xây dựng hàm mục tiêu tối ưu.

Chương 4: Tiến hành thực nghiệm

Chương 4 mô tả quy trình hiện thực hóa bài toán tối ưu trên mô phỏng. Tác giả mô hình hóa hệ thống bằng thuật toán Federated Averaging (FedAvg) kết hợp với mạng Q sâu (Deep Q-Network - DQN). Các nội dung thực nghiệm bao gồm:

  • Chuẩn bị dữ liệu và thiết lập các tham số môi trường mạng (số lượng thiết bị $N$, khoảng cách $d_i$, hệ số suy hao đường truyền $\alpha$, băng thông khả dụng).
  • Hiện thực hóa sơ đồ khối thuật toán DQN tích hợp trong hệ thống FL.
  • Đánh giá sự ảnh hưởng của số lượng bit lượng tử hóa đối với tốc độ hội tụ của mô hình FL toàn cầu qua các vòng lặp (Hình 4.2).
  • Khảo sát sự biến thiên của sai số lượng tử hóa tương ứng với các cấu hình số bit khác nhau (Hình 4.3). Kết quả mô phỏng chứng minh việc phân bổ tài nguyên và chọn mức bit lượng tử hóa thích nghi giúp hệ thống duy trì được độ chính xác đào tạo trong khi tiết kiệm năng lượng và giảm thời gian trễ chu kỳ.

Kết quả và đóng góp

Khóa luận đạt được các kết quả kỹ thuật cụ thể dựa trên số liệu và nội dung công bố trong văn bản:

  • Xây dựng hoàn chỉnh mô hình EHFL: Tích hợp thành công cơ chế thu hoạch năng lượng không dây với bài toán phân bổ băng thông từ các mạng chính PNs ($j = \arg \min c_m$) và thuật toán học liên kết FedAvg.
  • Định lượng hiệu quả của lượng tử hóa tham số: Phân tích và chứng minh việc chuyển đổi biểu diễn dữ liệu từ định dạng 32-bit (float32) sang 8-bit (int8) cho phép giảm kích thước mô hình và nhu cầu băng thông mạng đến 4 lần, đồng thời cải thiện tốc độ xử lý tính toán và truyền thông từ 2 đến 4 lần.
  • Ứng dụng thành công DRL cho bài toán điều khiển biên: Thiết lập khung thuật toán DQN với không gian trạng thái, hành động và hàm thưởng phù hợp, cho phép trạm BS và các thiết bị tự động thích ứng với điều kiện kênh truyền và năng lượng để lựa chọn mức bit lượng tử hóa tối ưu.
  • Đóng góp so với các nghiên cứu trước: Khác với các mô hình FL truyền thống chỉ giả định thiết bị có nguồn năng lượng cố định hoặc không xét đến chi phí phổ tần, nghiên cứu này giải quyết đồng thời bài toán thu hoạch năng lượng vô tuyến và nén tham số thích nghi, giảm thiểu rủi ro thiết bị ngừng hoạt động giữa chừng do cạn kiệt pin.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và các nội dung được trình bày trong tài liệu, các hạn chế và định hướng phát triển bao gồm:

  • Hạn chế:
    • Mô hình toán học về kênh truyền vô tuyến và thu hoạch năng lượng giả định bỏ qua các yếu tố nhiễu tín hiệu phức tạp và tác động ngoại vi ngoài kênh fa-đinh và suy hao khoảng cách.
    • Vấn đề dữ liệu không đồng nhất (Non-IID) và sự chênh lệch lớn về cấu hình phần cứng giữa các thiết bị cục bộ mới chỉ dừng lại ở mức độ phân tích lý thuyết, chưa được xử lý triệt để trong thuật toán tối ưu.
    • Các kết quả đánh giá được thực hiện thông qua mô phỏng thuật toán, chưa triển khai thử nghiệm trên hệ thống phần cứng IoT thực tế.
  • Hướng nghiên cứu tiếp:
    • Mở rộng bài toán tối ưu trong điều kiện môi trường mạng có tính di động cao, vị trí các thiết bị thay đổi liên tục theo thời gian.
    • Tích hợp thêm các cơ chế bảo mật nâng cao như bảo mật vi sai (Differential Privacy) hoặc mã hóa đồng cấu cùng với lượng tử hóa tham số.
    • Kiểm thử mô hình với các tập dữ liệu thực nghiệm quy mô lớn và đa dạng hơn trên các thiết bị nhúng thực tế.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên, học viên cao học và các kỹ sư nghiên cứu thuộc các chuyên ngành Công nghệ thông tin, Kỹ thuật Truyền thông, Mạng máy tính và Khoa học dữ liệu:

  • Phần mô hình hóa toán học (Chương 3): Cung cấp tài liệu tham khảo chuẩn xác về cách thức lập công thức cho các bài toán phân bổ tài nguyên, tính toán năng lượng thu hoạch sóng vô tuyến và trễ mạng trong môi trường tính toán biên (Edge Computing).
  • Phần tích hợp DRL và FL (Chương 3 & 4): Là tài liệu hữu ích cho những ai đang thực hiện đề tài về ứng dụng học tăng cường sâu (DQN) trong việc giải quyết các bài toán tối ưu hóa tài nguyên mạng không dây.
  • Khái niệm và ứng dụng lượng tử hóa (Chương 2): Giúp người đọc nắm vững nguyên lý nén mô hình học máy để triển khai thực tế trên các thiết bị có tài nguyên bộ nhớ và năng lượng hạn chế.

Câu hỏi thường gặp

1. Khái niệm EHFL trong khóa luận được định nghĩa như thế nào?
EHFL (Energy Harvesting Federated Learning) là hệ thống kết hợp giữa thu hoạch năng lượng tự động (Energy Harvesting) từ các nguồn môi trường hoặc sóng vô tuyến và mô hình học máy phân tán (Federated Learning). Trong hệ thống này, các thiết bị cục bộ sử dụng năng lượng thu hoạch được để vận hành quá trình huấn luyện và gửi cập nhật mô hình, giảm sự phụ thuộc vào nguồn điện truyền thống hoặc pin cố định.

2. Trạm cơ sở BS lựa chọn băng thông từ các mạng chính (PNs) theo nguyên tắc nào?
Trạm cơ sở BS thu nhận yêu cầu chi phí $c_m$ từ các mạng chính PNs xung quanh và lựa chọn mạng thứ $j$ có mức chi phí thấp nhất theo công thức $j = \arg \min c_m$. Tổng băng thông $W = |B| \cdot |B_j|$ sau đó được chia đều cho $N$ thiết bị IoT tham gia hệ thống.

3. Công suất thu hoạch năng lượng của thiết bị IoT được tính toán dựa trên các tham số nào?
Công suất thu hoạch năng lượng của thiết bị $i$ được tính theo công thức $P_i^{harv} = \xi P h_i d_i^{-\alpha}$, trong đó $\xi$ là hiệu suất chuyển đổi, $P$ là công suất phát của trạm BS, $h_i$ là hệ số fa-đinh quy mô nhỏ, $d_i$ là khoảng cách từ thiết bị tới trạm BS, và $\alpha$ là hệ số suy hao đường truyền.

4. Kỹ thuật lượng tử hóa tham số mang lại lợi ích cụ thể gì cho hệ thống FL theo phân tích của tác giả?
Lượng tử hóa chuyển đổi trọng số từ kiểu dữ liệu thực 32-bit (float32) sang số nguyên có độ dài bit ngắn hơn (như int8), giúp giảm kích thước mô hình và nhu cầu băng thông mạng tới 4 lần, đồng thời tăng tốc độ xử lý truyền tải từ 2 đến 4 lần, qua đó tiết kiệm năng lượng và giảm độ trễ chu kỳ đào tạo.

5. Thuật toán nào được lựa chọn để giải quyết bài toán tối ưu phân bổ tài nguyên trong đồ án?
Tác giả sử dụng thuật toán Deep Q-Network (DQN) thuộc kỹ thuật Học tăng cường sâu (DRL), kết hợp với thuật toán tổng hợp mô hình liên kết Federated Averaging (FedAvg) để điều khiển thích nghi các tham số trạng thái và hành động trong mạng.

Kết luận

Khóa luận tốt nghiệp của sinh viên Cao Đức Vũ đã nghiên cứu toàn diện việc tích hợp kỹ thuật học tăng cường sâu (DQN) và lượng tử hóa trọng số nhằm tối ưu hóa phân bổ tài nguyên trong hệ thống học liên kết thu hoạch năng lượng (EHFL). Bằng việc mô hình hóa chi tiết các ràng buộc về băng thông, công suất thu hoạch sóng vô tuyến và trễ truyền thông, tác giả đã đề xuất giải pháp khả thi giúp cân bằng giữa độ chính xác của mô hình học máy toàn cầu và mức tiêu thụ năng lượng của các thiết bị IoT vùng biên. Đồ án cung cấp cấu trúc lý thuyết chặt chẽ cùng các kết quả mô phỏng thực nghiệm rõ ràng, đóng vai trò là tài liệu tham khảo có giá trị trong lĩnh vực trí tuệ nhân tạo phân tán và truyền thông không dây hiện đại.