Nghiên cứu ước lượng kênh cho hệ thống mimo với sự hỗ trợ của bề mặt phản xạ thông minh dựa trên mô hình tensor

Nghiên cứu ước lượng kênh cho hệ thống MIMO sử dụng bề mặt phản xạ thông minh (IRS) và mô hình Tensor. Giải pháp hiệu quả cho truyền thông không dây.

• Tác giả: Trịnh Tiến Long
• Người hướng dẫn: TS. Đào Minh Hưng
• Trường học: Trường Đại Học Quy Nhơn
• Chuyên ngành: Kỹ thuật viễn thông
• Đề tài: Ước Lượng Kênh Cho Hệ Thống MIMO Với Sự Hỗ Trợ Của Bề Mặt Phản Xạ Thông Minh Dựa Trên Mô Hình Tensor
• Loại tài liệu: Đề án thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Bình Định

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. PHẦN MỞ ĐẦU
• 1.1. Lý do lựa chọn đề án
• 1.2. Tổng quan tình hình nghiên cứu
• 1.3. ĐỐI TƯỢNG, PHẠM VI VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.3.3. Phương pháp nghiên cứu
• 1.4. Bố cục của đề án
• 1.5. Ý nghĩa khoa học và thực tiễn của đề án
• 2. LÝ THUYẾT CƠ BẢN CỦA IRS TRONG ỨNG DỤNG CÁC HỆ THỐNG THÔNG TIN
• 2.1. Khái quát về bề mặt phản xạ thông minh IRS
• 2.1.1. Giới thiệu IRS và tiềm năng ứng dụng trong hệ thống thông tin
• 3. HIỆU SUẤT HỆ THỐNG BĂNG THÔNG RỘNG VỚI SỰ HỖ TRỢ IRS
• 4. ƯỚC LƯỢNG KÊNH CHO HỆ THỐNG MIMO VỚI HỖ TRỢ IRS DỰA TRÊN MÔ HÌNH TENSOR
• 4.1. Khái quát chung về Ước lượng kênh IRS
• 4.2. Mô tả bài toán và những thách thức
• 4.3. Phương pháp ước lượng kênh IRS
• 4.3.1. Ước lượng kênh IRS bán thụ động
• 4.3.2. Ước lượng kênh thụ động
• 4.3.3. Ước lượng kênh cho hệ thống MIMO với sự hỗ trợ của IRS dựa trên mô hình Tensor
• 4.3.3.1. Mô hình tín hiệu hệ thống
• 4.3.3.2. Ước lượng kênh bình phương nhỏ nhất LS (Least Square)
• 4.3.3.3. Mô hình tín hiệu Tensor
• 4.3.3.4. Ước lượng kênh dựa vào mô hình Tensor
• 4.3.3.5. Ước lượng kênh dựa vào nhân tử Khatri-Rao
• 4.3.3.6. Ước lượng kênh BALS
• 4.4. Độ phức tạp tính toán
• 4.5. Đánh giá hiệu suất ước lượng
• 4.6. Điều kiện thực thi các thuật toán Ước lượng
• 4.6.1. Hạng đầy đủ của ma trận G và H
• 4.6.2. Trường hợp ma trận G và H thiếu hạng
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• QUYẾT ĐỊNH GIAO ĐỀ TÀI VÀ CỬ NGƯỜI HƯỚNG DẪN

Tóm tắt

I. Tổng Quan Ước Lượng Kênh MIMO IRS Dựa Trên Tensor

Bề mặt phản xạ thông minh (IRS) nổi lên như một giải pháp đột phá trong công nghệ truyền dẫn vô tuyến, đặc biệt cho các hệ thống 6G. IRS có khả năng kiểm soát môi trường truyền dẫn, từ đó tăng cường hiệu suất hệ thống. Ước lượng kênh MIMO với sự hỗ trợ của IRS là yếu tố then chốt để khai thác tối đa tiềm năng của công nghệ này. Việc sử dụng mô hình Tensor mở ra hướng tiếp cận mới, cho phép khai thác cấu trúc đa chiều của kênh truyền dẫn, từ đó cải thiện độ chính xác của ước lượng. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm độ phức tạp tính toán và các điều kiện thực thi. Nghiên cứu này tập trung vào việc khám phá và phát triển các phương pháp ước lượng kênh hiệu quả, góp phần thúc đẩy ứng dụng rộng rãi của IRS trong thực tế. Các công trình gần đây đã thảo luận về tiềm năng và thách thức của truyền thông không dây được trợ giúp IRS, một thách thức liên quan đến hệ thống đó là số lượng các phần tử IRS.

1.1. Khái niệm và vai trò của Bề Mặt Phản Xạ Thông Minh IRS

IRS là một bề mặt phẳng bao gồm một số lượng lớn các phần tử phản xạ thụ động, mỗi phần tử có khả năng tạo ra sự biến đổi biên độ (hoặc pha) và điều khiển độc lập với tín hiệu đến. Bằng cách phân bố IRS với mật độ cao và điều khiển tín hiệu phản xạ hợp lý, mạng không dây có thể thiết lập lại cấu hình để truyền tín hiệu trên kênh không dây. Điều này giúp khắc phục suy hao, giảm nhiễu và cải thiện hiệu suất hệ thống.

1.2. Ưu điểm khi kết hợp IRS và Hệ Thống MIMO

Kết hợp IRS và MIMO giúp mở rộng vùng phủ sóng, đặc biệt là cho người dùng trong vùng chết. Ngoài ra, nó có thể triệt tiêu nhiễu đồng kênh CCI khi người dùng ở rìa của ô, hoặc có thể sử dụng trong các truyền thông tin không dây và truyền năng lượng đồng thời trong mạng IoT. Để đạt được hiệu suất cao nhất hệ thống MIMO với sự trợ giúp IRS cần bảo đảm sự hoàn hảo thông tin trạng thái kênh CSI (Channel State Information).

II. Thách Thức Ước Lượng Kênh Chính Xác Cho Hệ Thống IRS MIMO

Việc ước lượng kênh chính xác trong hệ thống IRS-MIMO là một thách thức lớn do số lượng lớn các phần tử phản xạ trên IRS và cấu trúc phức tạp của kênh truyền. Các phương pháp ước lượng truyền thống có thể không hiệu quả hoặc đòi hỏi chi phí tính toán quá lớn. Việc đảm bảo thông tin trạng thái kênh CSI chính xác là yếu tố then chốt để tối ưu hóa beamforming và precoding, từ đó nâng cao hiệu suất hệ thống. Một số công trình nghiên cứu đề xuất giao thức ước lượng kênh đường lên cho hệ thống MIMO nhiều người dùng được hỗ trợ IRS áp dụng các phương pháp cảm biến nén CS (Compressing Sensing).

2.1. Khó khăn trong việc có được Thông Tin Trạng Thái Kênh CSI

Với số lượng lớn các phần tử IRS đặt ra một thách thức đối với việc giải quyết bài toán ước lượng kênh. Chẳng hạn như, với cấu trúc bán thụ động, trong đó IRS sử dụng một vài phần tử tích cực để kết nối truyền/ nhận chuỗi tần số vô tuyến. Trong trường hợp này, các phần tử tích cực có thể xử lý tín hiệu băng gốc tại IRS tạo điều kiện thuận lợi cho hệ thống có được thông tin trạng thái kênh CSI.

2.2. Hạn chế của cấu trúc IRS Thụ Động so với Bán Thụ Động

Trong trường hợp cấu trúc bao gồm hoàn toàn các phần tử thụ động, trong đó IRS hoạt động bằng các tia phản xạ của các sóng tới và kiểm soát sự dịch pha. Trường hợp này, thực hiện ước lượng kênh ghép tầng (giữa máy phát BS - IRS - máy thu người dùng) phải được thực hiện tại máy thu, dựa trên các tín hiệu hoa tiêu được truyền bởi máy phát và được phản xạ từ IRS.

III. Cách Tiếp Cận Mô Hình Tensor Ước Lượng Kênh MIMO IRS

Sử dụng mô hình Tensor để ước lượng kênh trong hệ thống MIMO-IRS mang lại nhiều ưu điểm. Tensor decomposition cho phép khai thác cấu trúc đa chiều của kênh truyền dẫn, từ đó giảm số lượng tham số cần ước lượng và cải thiện độ chính xác. Các thuật toán như CP decomposition và Tucker decomposition có thể được áp dụng để phân tích Tensor và trích xuất thông tin kênh. Việc kết hợp mô hình Tensor với các thuật toán machine learning và deep learning mở ra tiềm năng lớn để phát triển các phương pháp ước lượng kênh hiệu quả và thích nghi.

3.1. Lợi ích của việc sử dụng Tensor Decomposition

Trong thập kỷ qua, mô hình Tensor đã được áp dụng thành công trong nhiều bài toán xử lý tín hiệu, đặc biệt trong trường hợp truyền thông không dây, liên quan đến thiết kế máy thu bán mù (semi-blind) cho hệ thống MIMO, và gần đây hơn là ước lượng kênh nén trong các hệ thống massive MIMO. Việc xử lý tín hiệu rất hiệu quả nhờ vào việc phân tích Tensor để khai thác tính chất đa chiều của các tín hiệu phát/ thu và các kênh thông tin.

3.2. Ứng dụng các thuật toán CP và Tucker Decomposition

Các thuật toán như CP decomposition và Tucker decomposition có thể được áp dụng để phân tích Tensor và trích xuất thông tin kênh. Việc này giúp giảm số lượng tham số cần ước lượng, từ đó cải thiện độ chính xác và hiệu quả của quá trình ước lượng.

IV. Phương Pháp Ước Lượng Kênh BALS và Nhân Tử Khatri Rao

Đề án này tập trung nghiên cứu mở rộng nhằm nâng cao hiệu năng thuật toán ước lượng kênh LS (Least Squares) cho hệ thống MIMO với sự trợ giúp của bề mặt phản xạ thông minh IRS hoàn toàn thụ động. Sử dụng thuật toán KRF và BALS được đề xuất với kết quả mô phỏng hứa hẹn. Trong hầu hết các công trình nghiên cứu đề cập trên đây, việc xử lý tín hiệu rất hiệu quả nhờ vào việc phân tích Tensor để khai thác tính chất đa chiều của các tín hiệu phát/ thu và các kênh thông tin.

4.1. Thuật Toán Ước Lượng Kênh BALS

Việc áp dụng thuật toán BALS (Bilinear Alternating Least Squares) cho phép ước lượng kênh một cách hiệu quả bằng cách lặp lại quá trình tối ưu hóa các thành phần kênh một cách luân phiên. BALS tận dụng cấu trúc song tuyến tính của mô hình kênh để đơn giản hóa quá trình ước lượng.

4.2. Ứng dụng Nhân Tử Khatri Rao để Ước Lượng Kênh

Nhân tử Khatri-Rao là một công cụ mạnh mẽ để phân tích cấu trúc của ma trận kênh. Việc sử dụng nhân tử Khatri-Rao giúp cải thiện độ chính xác và hiệu quả của quá trình ước lượng kênh trong hệ thống MIMO-IRS.

V. Kết Quả Đánh Giá Hiệu Suất Ước Lượng Kênh Tensor MIMO

Các kết quả mô phỏng cho thấy rằng phương pháp ước lượng kênh dựa trên mô hình Tensor đạt được độ chính xác cao hơn so với các phương pháp truyền thống. Hiệu suất được đánh giá dựa trên các chỉ số như Mean Squared Error (MSE) và Signal-to-Noise Ratio (SNR). Điều này chứng tỏ tiềm năng của mô hình Tensor trong việc cải thiện hiệu suất hệ thống MIMO-IRS. Các phương pháp ước lượng kênh là thụ động và bán thụ động, hiệu quả cho hệ thống MIMO có hỗ trợ IRS, với ưu tiên về chi phí và hiệu suất.

5.1. So sánh MSE và SNR với các phương pháp truyền thống

So sánh MSE (Mean Squared Error) và SNR (Signal-to-Noise Ratio) giữa phương pháp ước lượng kênh dựa trên mô hình Tensor và các phương pháp truyền thống cho thấy sự vượt trội của phương pháp mới. Điều này chứng minh hiệu quả của việc khai thác cấu trúc đa chiều của kênh truyền dẫn.

5.2. Ảnh hưởng của Số Lượng Phần Tử IRS đến Hiệu Suất

Nghiên cứu cũng xem xét ảnh hưởng của số lượng phần tử IRS đến hiệu suất ước lượng kênh. Kết quả cho thấy rằng, việc tăng số lượng phần tử IRS giúp cải thiện độ chính xác của ước lượng nhưng cũng làm tăng độ phức tạp tính toán.

VI. Tương Lai Ứng Dụng và Phát Triển Ước Lượng Kênh MIMO IRS

Công nghệ ước lượng kênh MIMO với sự hỗ trợ của IRS dựa trên mô hình Tensor có tiềm năng ứng dụng rộng rãi trong các hệ thống truyền thông 6G, đặc biệt là trong các ứng dụng yêu cầu tốc độ dữ liệu siêu cao và độ tin cậy cực cao. Việc tiếp tục nghiên cứu và phát triển các phương pháp ước lượng kênh hiệu quả và thích nghi là rất quan trọng để khai thác tối đa tiềm năng của công nghệ này. IRS đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất hệ thống nhiều điểm truy cập AP hỗ trợ IRS. Việc thiết kế cần cân nhắc cả việc cải thiện công suất tín hiệu mong muốn và giảm thiểu nhiễu trong ô và nhiễu liên ô ICI.

6.1. Triển khai trong Mạng 6G và các ứng dụng tiềm năng

Công nghệ ước lượng kênh MIMO với IRS là một yếu tố quan trọng trong việc triển khai mạng 6G. Các ứng dụng tiềm năng bao gồm truyền thông siêu tin cậy với độ trễ thấp (URLLC), truyền thông thực tế ảo và thực tế tăng cường (VR/AR), và các ứng dụng IoT quy mô lớn.

6.2. Hướng Nghiên Cứu Phát Triển trong Tương Lai

Các hướng nghiên cứu phát triển trong tương lai bao gồm việc phát triển các thuật toán ước lượng kênh thích nghi với môi trường thay đổi, tối ưu hóa vị trí và cấu hình của IRS, và kết hợp IRS với các công nghệ truyền thông tiên tiến khác như beamforming và precoding.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh mạng không dây thế hệ thứ năm (5G) đang được triển khai rộng rãi, nhu cầu phát triển các công nghệ mạng không dây thế hệ tiếp theo như B5G và 6G ngày càng trở nên cấp thiết. Theo ước tính, các hệ thống này cần đáp ứng các yêu cầu khắt khe hơn về tốc độ dữ liệu siêu cao, hiệu quả năng lượng, phạm vi phủ sóng rộng và độ tin cậy cực cao với độ trễ thấp. Tuy nhiên, các công nghệ hiện tại gặp nhiều hạn chế như chi phí triển khai cao, tiêu thụ năng lượng lớn và phức tạp trong xử lý tín hiệu, đặc biệt khi mở rộng vùng phủ sóng và tăng dung lượng mạng.

Đề án nghiên cứu tập trung vào việc ước lượng kênh cho hệ thống MIMO (Multiple Input Multiple Output) với sự hỗ trợ của bề mặt phản xạ thông minh IRS (Intelligent Reflecting Surface) dựa trên mô hình Tensor. IRS là công nghệ mới nổi, bao gồm một mảng 2D với nhiều phần tử phản xạ thụ động hoặc bán thụ động có khả năng điều chỉnh biên độ và pha của sóng vô tuyến, giúp cải thiện vùng phủ sóng, tăng dung lượng và giảm nhiễu trong mạng không dây. Mục tiêu nghiên cứu là phát triển các thuật toán ước lượng kênh hiệu quả cho hệ thống MIMO-IRS, nhằm nâng cao hiệu suất truyền dẫn thông tin trong các mạng không dây thế hệ mới.

Phạm vi nghiên cứu tập trung vào mô hình Tensor để mở rộng và nâng cao hiệu năng thuật toán ước lượng kênh Least Squares (LS) cho hệ thống MIMO với IRS hoàn toàn thụ động. Nghiên cứu được thực hiện trong bối cảnh mạng viễn thông tại Việt Nam, với các kết quả mô phỏng và phân tích lý thuyết nhằm đánh giá hiệu quả của các thuật toán đề xuất. Ý nghĩa của đề án nằm ở việc cung cấp cơ sở khoa học và công nghệ cho việc ứng dụng IRS trong các hệ thống thông tin băng rộng, góp phần phát triển mạng 6G với hiệu suất cao và chi phí hợp lý.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của đề án dựa trên hai nền tảng chính: công nghệ bề mặt phản xạ thông minh IRS và mô hình Tensor trong xử lý tín hiệu.

1. Bề mặt phản xạ thông minh IRS: IRS là một mảng phẳng gồm nhiều phần tử phản xạ thụ động có khả năng điều chỉnh biên độ và pha của sóng vô tuyến phản xạ. IRS giúp thiết lập lại cấu hình kênh không dây, tạo ra các đường truyền ảo, tăng hạng ma trận kênh, chuyển đổi kênh fading nhanh thành kênh fading chậm để tăng độ tin cậy, và khống chế nhiễu đồng kênh (CCI) cũng như nhiễu liên tế bào (ICI). Mô hình tín hiệu IRS được biểu diễn qua ma trận đường chéo phản xạ phức $\Theta$, trong đó mỗi phần tử phản xạ được điều khiển độc lập về pha và biên độ. Mô hình suy hao kênh IRS được xem xét theo hai dạng chính: suy hao tích khoảng cách và suy hao tổng khoảng cách, phản ánh sự giảm công suất tín hiệu qua các đường truyền phản xạ.

2. Mô hình Tensor: Tensor là một công cụ toán học đa chiều được sử dụng để mô hình hóa và phân tích các tín hiệu đa chiều trong hệ thống MIMO-IRS. Mô hình Tensor giúp khai thác tính chất đa chiều của tín hiệu phát và thu, cũng như các kênh truyền thông tin, từ đó nâng cao hiệu quả ước lượng kênh. Các thuật toán ước lượng kênh dựa trên mô hình Tensor như Khatri-Rao Factorization (KRF) và Bilinear Alternating Least Squares (BALS) được áp dụng để xử lý các bài toán ước lượng kênh phức tạp trong hệ thống MIMO với IRS.

Các khái niệm chính bao gồm:

• Channel State Information (CSI): Thông tin trạng thái kênh, cần thiết để tối ưu hóa beamforming và phản xạ IRS.
• Beamforming thụ động: Kỹ thuật điều chỉnh pha và biên độ phản xạ của IRS để tập trung tín hiệu tại người dùng.
• Least Squares (LS) Estimation: Phương pháp ước lượng kênh dựa trên tối thiểu hóa sai số bình phương.
• Khatri-Rao Product: Phép nhân ma trận đặc biệt dùng trong mô hình Tensor để phân tích kênh ghép tầng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp giữa khảo sát tài liệu, phân tích lý thuyết và mô phỏng số.

• Nguồn dữ liệu: Thu thập và tổng hợp các công trình nghiên cứu quốc tế và trong nước về IRS, MIMO, mô hình Tensor và ước lượng kênh.
• Phương pháp phân tích:
  • Xây dựng mô hình hệ thống MIMO-IRS dựa trên mô hình Tensor.
  • Phát triển thuật toán ước lượng kênh LS mở rộng với các biến số phản xạ IRS.
  • Áp dụng các thuật toán KRF và BALS để giải bài toán ước lượng kênh phức tạp.
  • Phân tích hiệu suất thuật toán qua các chỉ số như sai số ước lượng, độ phức tạp tính toán và khả năng thích nghi với các điều kiện kênh khác nhau.
• Timeline nghiên cứu:
  • Giai đoạn 1: Khảo sát và tổng hợp lý thuyết, mô hình hóa hệ thống (3 tháng).
  • Giai đoạn 2: Phát triển và hiệu chỉnh thuật toán ước lượng kênh (4 tháng).
  • Giai đoạn 3: Mô phỏng và đánh giá hiệu suất thuật toán trên Matlab (3 tháng).
  • Giai đoạn 4: Viết báo cáo, luận văn và hoàn thiện đề án (2 tháng).

Cỡ mẫu mô phỏng được lựa chọn phù hợp với các kịch bản thực tế, bao gồm số lượng phần tử IRS từ vài chục đến vài trăm, số anten MIMO từ 2 đến 8, nhằm đánh giá hiệu quả trong các điều kiện kênh khác nhau. Phương pháp chọn mẫu mô phỏng dựa trên các kịch bản mạng không dây phổ biến và các mô hình kênh fading Rayleigh, Rice, và LoS.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất ước lượng kênh dựa trên mô hình Tensor vượt trội so với phương pháp LS truyền thống:
   Thuật toán KRF và BALS cho thấy sai số ước lượng kênh giảm khoảng 15-20% so với LS thông thường trong các kịch bản mô phỏng với số phần tử IRS từ 50 đến 100. Điều này chứng tỏ khả năng khai thác đa chiều của mô hình Tensor giúp cải thiện độ chính xác ước lượng.

2. Công suất tín hiệu thu tăng bình phương theo số lượng phần tử IRS:
   Mô hình suy hao kênh và kết quả mô phỏng cho thấy công suất thu tại người dùng tăng theo bậc $O(N^2)$ khi số phần tử IRS $N$ tăng lên, ví dụ khi $N$ tăng từ 200 lên 400, tốc độ truyền đạt được tăng thêm khoảng 2 bps/Hz. Đây là minh chứng cho hiệu quả beamforming thụ động của IRS.

3. Tối ưu hóa đồng thời beamforming tích cực tại AP và beamforming thụ động tại IRS nâng cao đáng kể dung lượng hệ thống MIMO:
   So sánh các kịch bản mô phỏng, thuật toán tối ưu xen kẽ giữa ma trận hiệp phương sai phát tại AP và ma trận phản xạ IRS giúp tăng dung lượng kênh lên đến 30% so với trường hợp không có IRS hoặc chỉ tối ưu một bên.

4. Ảnh hưởng của dịch pha và biên độ phản xạ rời rạc làm giảm hiệu suất truyền dẫn:
   Khi IRS chỉ kiểm soát dịch pha hoặc biên độ ở mức rời rạc (ví dụ 2-4 mức), hiệu suất truyền dẫn giảm khoảng 10-15% so với trường hợp điều khiển liên tục. Tuy nhiên, việc này giúp giảm chi phí phần cứng và độ phức tạp thiết kế.

Thảo luận kết quả

Nguyên nhân chính của các phát hiện trên là do mô hình Tensor cho phép khai thác cấu trúc đa chiều của tín hiệu và kênh truyền, từ đó cải thiện độ chính xác ước lượng kênh trong hệ thống MIMO-IRS phức tạp. Việc tăng số lượng phần tử IRS làm tăng đáng kể độ lợi beamforming thụ động, giúp bù đắp suy hao kênh truyền và tăng công suất thu.

So với các nghiên cứu trước đây, kết quả đề án khẳng định tính khả thi và hiệu quả của việc áp dụng mô hình Tensor trong ước lượng kênh IRS, đồng thời cung cấp các thuật toán có độ phức tạp tính toán hợp lý, phù hợp với các hệ thống thực tế. Việc cân nhắc giữa điều khiển dịch pha và biên độ rời rạc giúp cân bằng giữa hiệu suất và chi phí triển khai, phù hợp với các ứng dụng trong mạng 6G.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh sai số ước lượng kênh giữa các thuật toán, biểu đồ tốc độ truyền theo số phần tử IRS, và bảng tổng hợp hiệu suất dung lượng kênh trong các kịch bản beamforming khác nhau, giúp minh họa rõ ràng các lợi ích và hạn chế của từng phương pháp.

Đề xuất và khuyến nghị

1. Phát triển thuật toán ước lượng kênh dựa trên mô hình Tensor mở rộng cho các hệ thống MIMO-IRS đa người dùng:
   Động từ hành động: Phát triển
   Target metric: Giảm sai số ước lượng kênh ít nhất 20% so với LS truyền thống
   Timeline: 12 tháng
   Chủ thể thực hiện: Các nhóm nghiên cứu trong lĩnh vực viễn thông và xử lý tín hiệu.

2. Thiết kế phần cứng IRS hỗ trợ điều khiển dịch pha và biên độ rời rạc với số bit điều khiển tối ưu:
   Động từ hành động: Thiết kế
   Target metric: Giảm chi phí phần cứng ít nhất 30% so với IRS điều khiển liên tục
   Timeline: 18 tháng
   Chủ thể thực hiện: Các công ty công nghệ và viện nghiên cứu chuyên về vật liệu và mạch điện tử.

3. Triển khai thử nghiệm thực tế hệ thống MIMO-IRS trong môi trường mạng 5G/6G tại các khu vực đô thị và trong nhà:
   Động từ hành động: Triển khai
   Target metric: Tăng vùng phủ sóng và dung lượng mạng ít nhất 25% so với mạng truyền thống
   Timeline: 24 tháng
   Chủ thể thực hiện: Các nhà mạng viễn thông và trung tâm nghiên cứu ứng dụng.

4. Xây dựng bộ công cụ mô phỏng và đánh giá hiệu suất hệ thống MIMO-IRS tích hợp mô hình Tensor:
   Động từ hành động: Xây dựng
   Target metric: Hỗ trợ mô phỏng đa kịch bản với độ chính xác trên 95%
   Timeline: 6 tháng
   Chủ thể thực hiện: Các nhóm nghiên cứu và phát triển phần mềm trong lĩnh vực viễn thông.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật viễn thông:
   Luận văn cung cấp kiến thức chuyên sâu về công nghệ IRS và mô hình Tensor, giúp nâng cao hiểu biết và phát triển các đề tài nghiên cứu liên quan.

2. Kỹ sư phát triển hệ thống mạng không dây:
   Các kỹ sư có thể áp dụng các thuật toán ước lượng kênh và tối ưu beamforming trong thiết kế và triển khai mạng 5G/6G, đặc biệt trong các dự án tích hợp IRS.

3. Doanh nghiệp công nghệ và nhà sản xuất thiết bị viễn thông:
   Thông tin về cấu trúc phần cứng IRS và các giải pháp điều khiển rời rạc giúp doanh nghiệp phát triển sản phẩm phù hợp với yêu cầu thị trường và giảm chi phí sản xuất.

4. Các nhà hoạch định chính sách và quản lý viễn thông:
   Luận văn cung cấp cơ sở khoa học để đánh giá tiềm năng và thách thức của công nghệ IRS trong phát triển hạ tầng mạng quốc gia, từ đó xây dựng các chính sách hỗ trợ nghiên cứu và ứng dụng.

Câu hỏi thường gặp

1. IRS là gì và tại sao nó quan trọng trong mạng 6G?
   IRS là bề mặt phản xạ thông minh gồm nhiều phần tử phản xạ thụ động có thể điều chỉnh pha và biên độ sóng vô tuyến. Nó giúp cải thiện vùng phủ sóng, tăng dung lượng và giảm nhiễu trong mạng không dây, là công nghệ then chốt cho mạng 6G.

2. Mô hình Tensor giúp gì cho ước lượng kênh trong hệ thống MIMO-IRS?
   Mô hình Tensor khai thác cấu trúc đa chiều của tín hiệu và kênh truyền, giúp nâng cao độ chính xác ước lượng kênh và giảm sai số so với các phương pháp truyền thống như Least Squares.

3. Điều khiển dịch pha và biên độ rời rạc có ảnh hưởng thế nào đến hiệu suất IRS?
   Việc điều khiển rời rạc làm giảm hiệu suất truyền dẫn khoảng 10-15% so với điều khiển liên tục, nhưng giúp giảm chi phí phần cứng và độ phức tạp thiết kế, phù hợp với các ứng dụng thực tế.

4. Làm thế nào để tối ưu đồng thời beamforming tại AP và IRS?
   Thuật toán tối ưu xen kẽ được sử dụng để điều chỉnh ma trận hiệp phương sai phát tại AP và ma trận phản xạ IRS, nhằm đạt dung lượng kênh tối đa trong hệ thống MIMO-IRS.

5. Ứng dụng thực tế của hệ thống MIMO-IRS là gì?
   Hệ thống này được ứng dụng trong mở rộng vùng phủ sóng trong các khu vực đô thị, trong nhà, hỗ trợ truyền thông siêu tin cậy với độ trễ thấp, và truyền tải năng lượng không dây trong mạng IoT và thành phố thông minh.

Kết luận

• Đề án đã phát triển thành công mô hình Tensor ứng dụng trong ước lượng kênh cho hệ thống MIMO với sự hỗ trợ của IRS, nâng cao độ chính xác và hiệu suất truyền dẫn.
• Thuật toán KRF và BALS cho hiệu quả vượt trội so với phương pháp LS truyền thống, giảm sai số ước lượng khoảng 15-20%.
• Hiệu suất công suất thu tăng bình phương theo số lượng phần tử IRS, giúp tăng dung lượng mạng và giảm tiêu thụ năng lượng tại điểm phát.
• Việc điều khiển dịch pha và biên độ rời rạc là giải pháp thực tế giúp cân bằng giữa hiệu suất và chi phí triển khai IRS.
• Các kết quả nghiên cứu là nền tảng quan trọng cho phát triển mạng 6G và các ứng dụng viễn thông tương lai.

Next steps: Triển khai thử nghiệm thực tế, phát triển phần cứng IRS điều khiển rời rạc, mở rộng nghiên cứu cho hệ thống đa người dùng và đa tế bào.

Call-to-action: Các nhà nghiên cứu và doanh nghiệp trong lĩnh vực viễn thông được khuyến khích áp dụng và phát triển các giải pháp dựa trên mô hình Tensor và IRS để thúc đẩy công nghệ mạng không dây thế hệ mới.

Trích đoạn nội dung tài liệu

phần mở đầu, bề mặt phản xạ thông minh IRS là một giải pháp tiềm năng để đạt đƣợc môi trƣờng truyền sóng không dây thông minh và có thể cấu hình lại cho các hệ thống truyền thông không dây B5G/6G,7-9 nhƣ thể hiện trên Hình 1. IRS là một bề mặt phẳng bao gồm một số lƣợng lớn các phần tử phản xạ thụ động, mỗi phần tử có khả năng tạo ra sự biến đổi biên độ (hoặc pha) và điều khiển độc lập với tín hiệu đến. Bằng cách phân bố IRS với mật độ cao và điều khiển tín hiệu phản xạ hợp lý, mạng không dây có thể thiết lập lại cấu hình để truyền tín hiệu trên kênh không dây 7 một cách linh hoạt để đạt đƣợc các kết quả mong muốn. Đây là giải pháp mới để giải quyết vấn đề suy hao trên kênh và khống chế nhiễu, cải thiện đột phá về dung lƣợng và độ tin cậy trong hệ thống băng rộng.1 Các chức năng cấu hình lại kênh không dây với sự trợ giúp của IRS,9 Nhƣ biểu diễn trong Hình 1.1, IRS có thể thực hiện một số chức năng hấp dẫn trong việc thiết lập lại cấu hình trên kênh không dây, bao gồm: i, Thiết lập đƣờng truyền dẫn LOS (Line-Of-Sight) ảo vƣợt qua các chƣớng ngại vật giữa các bộ phát và bộ thu thông qua phản xạ thông minh nhằm cải thiện vùng phủ sóng (Hình 1.1a), ii, Thiết lập các đƣờng truyền tín hiệu phụ nhằm tăng hạng ma trận điều kiện của kênh (Hình 1.1b), iii, Thiết lập chức năng hiệu chỉnh thống kê hoặc phân phối kênh nhằm chuyển kênh fading nhanh (hay kênh Rayleigh) thành kênh fading chậm (hay 8 kênh Rice) để đạt đƣợc độ tin cậy siêu cao (Hình 1.1c), iv, Thiết lập chức năng khống chế nhiễu hoặc triệt nhiễu đồng kênh CCI (Co-Channel Interference) và nhiễu liên tế bào ICI (Inter-Cell Interference) (Hình 1.

Không chỉ hấp dẫn về mặt lý thuyết, IRS còn có nhiều lợi ích thực tế cho việc thực hiện triển khai, có thể nêu ra nhƣ sau: i, Đầu tiên, các phần tử phản xạ thụ động của IRS chỉ phản xạ tín hiệu đến mà không cần bất kỳ nguồn tín hiệu cung cấp nào, do đó có thể thực hiện triển khai hoạt động với chi phí phần cứng và năng lƣợng thấp hơn đáng kể so với sử dụng mảng anten truyền thống hoặc các bề mặt phản xạ chủ động.8 ii, Thứ hai, IRS hoạt động ở chế độ song công FD (Full-Duplex) và không khuếch đại nhiễu anten mà còn có khả năng tự khử nhiễu, đây là ƣu điểm nổi bật so với các mô hình chuyển tiếp tích cực (active relay) truyền thống, chẳng hạn nhƣ đối với bộ khuếch đại tín hiệu chuyển tiếp song công FD, muốn đạt đƣợc hiệu quả tự khử nhiễu cần kỹ thuật hết sức phức tạp. iii, Thứ ba, vì IRS thƣờng có cấu trúc nhỏ gọn, nhẹ và hợp lý, nên có thể dễ dàng tháo/ lắp trong quá trình triển khai hệ thống. iv, Cuối cùng, IRS hoạt động nhƣ một thiết bị phụ trợ trong mạng không dây và có thể tích hợp dễ dàng, do đó dễ dàng tƣơng thích với các hệ thống không dây hiện có (ví dụ: di động hoặc WiFi). Nhờ vào những lợi ích hứa hẹn ở trên, IRS phù hợp để triển khai hàng loạt trong các mạng không dây để cải thiện đáng kể hiệu suất phổ và hiệu suất năng lƣợng để tiết kiệm chi phí.

Do đó, các nhà nghiên cứu tự tin dự đoán rằng, IRS sẽ thay đổi cơ bản trong thiết kế hệ thống mạng thông tin không dây, cụ thể là từ hệ thống massive-MIMO đến mạng mô hình nhỏ và trung bình, cho đến mạng không dây heterogenous có hỗ trợ bởi IRS nhƣ đƣợc thể 9 hiện trong Hình 1.2 Các hệ thống thông tin không dây tiềm năng với IRS,9 Ngoài ra, bằng cách khai thác góc mở của IRS lớn nhất, các phần tử phản xạ thụ động thông minh tạo chùm tia phản xạ cho hệ thống MIMO tại trạm gốc BS đƣợc trang bị ít anten hơn mà vẫn có thể đạt đƣợc chất lƣợng dịch vụ QoS (Quality-of-Service) của ngƣời dùng tốt hơn so với hệ thống massive-MIMO sử dụng hàng chục hoặc thậm chí hàng trăm anten.7 Lợi thế rất lớn của hệ thống thông tin đƣợc hỗ trợ IRS là chi phí phần cứng hệ thống và mức tiêu thụ năng lƣợng có thể giảm đáng kể, đặc biệt đối với các hệ thống thông tin không dây hoạt động dải sóng milimet (mmWave). Các hệ thống bề mặt phản xạ thông minh IRS khi thực hiện triển khai trong mạng không dây, không gây nhiễu giữa các IRS nhờ vào khả năng phản xạ thụ động và có chi phí thấp đáng kể.3, minh họa mạng thông tin không dây trong tƣơng lai đƣợc hỗ trợ bởi các IRS với nhiều ứng dụng hứa hẹn. Ví dụ, IRS rất hữu ích 10 cho việc mở rộng phạm vi phủ sóng trong các hệ thống thông tin mmWave và THz vốn dĩ rất dễ bị tắc nghẽn. Ngoài ra, triển khai IRS tại biên của cell không chỉ giúp cải thiện công suất tín hiệu mong muốn cho ngƣời dùng ở biên cell mà còn hỗ trợ kiểm soát nhiễu đồng kênh CCI (Co-Channel Interference) từ các cell lân cận.3 Minh họa các ứng dụng IRS trong mạng thông tin không dây,2 Ngoài ra, với sự hỗ trợ IRS còn có thể cải thiện đồng thời hiệu suất cho truyền tải năng lƣợng điện và thông tin không dây SWIPT (Simultaneous Wireless Information and Power Transfer) từ các điểm truy cập AP đến các thiết bị không dây trong văn phòng thông minh hoặc trong nhà thông minh.

Để bù suy hao công suất theo khoảng cách lan truyền, có thể tăng khẩu độ của IRS để hình thành tia phản xạ đến các thiết bị gần kề của nó.10 Trong môi trƣờng trong nhà, IRS cũng có thể đƣợc gắn vào trần nhà, tƣờng, nội thất và thậm chí phía sau tranh trang trí, để tăng cƣờng phạm vi phủ sóng và khả năng truy cập cao, đặc biệt hấp dẫn cho các ứng dụng eMBB và mMTC trong các nhà máy thông minh, sân vận động, trung tâm mua sắm và sân bay, v. Đặc biệt, trong các kịch bản mMTC (massive Machine-Type Communication) thƣờng chỉ có một phần nhỏ các phần tử tích cực để truyền thông tại mỗi thời điểm nhất định, IRS có thể sử dụng để cải thiện đáng kể độ chính xác và hiệu quả của bộ giải điều chế bằng cách tận dụng các đƣờng 11 truyền dẫn có thể điều khiển bổ sung trong các điều kiện lan truyền khác nhau.10 Trong môi trƣờng ngoài trời, IRS có thể đƣợc phủ sóng trên tòa nhà, cột đèn, bảng quảng cáo và thậm chí bề mặt của các phƣơng tiện xe cộ di chuyển nhanh. Để hỗ trợ các ứng dụng khác nhau, ví dụ nhƣ truyền thông tin siêu tin cậy với độ trễ cực thấp URLLC (Ultra-Reliable and Low-Latency Communications) để điều khiển từ xa, hoặc giao thông thông minh, bằng cách bù hiệu quả hiệu ứng Doppler và trải trễ.11 Ví dụ, độ tin cậy trong truyền thông tin có thể đƣợc cải thiện đáng kể bằng cách sử dụng IRS để hỗ trợ, biến các kênh không dây ngẫu nhiên thành các kênh xác định, giúp giảm số lần truyền lại các gói tin và giảm thiểu độ trễ, điều này rất quan trọng đối với các ứng dụng URLLC (là một trong ba kịch bản ứng dụng trong hệ thống 5G). Vì vậy, IRS là một công nghệ đột phá giúp biến môi trƣờng truyền dẫn thụ động thành môi trƣờng truyền dẫn thông minh, có khả năng hỗ trợ nhiều ngành công nghiệp truyền thông 5G/6G trong các ứng dụng giao thông, ứng dụng truyền thông trong các khu chế xuất, hoặc thành phố thông minh, v.

Từ những ứng dụng tiềm năng trên, IRS đã đƣợc công nhận là một công nghệ triển vọng cho hệ sinh thái 6G trong tƣơng lai. Ngoài ra, với sự quan tâm phát triển các ngành công nghiệp và thƣơng mại hóa các công nghệ tƣơng tự nhƣ IRS để tạo ra chuỗi giá trị mới, và đồng thời, một số dự án thử nghiệm đã đƣợc triển khai để đẩy mạnh nghiên cứu trong lĩnh vực mới này. Những thách thức ứng dụng IRS trong hệ thống thông tin không dây Hệ thống thông tin không dây có sự hỗ trợ IRS mang đến nhiều lợi ích nhƣ đã đề cập ở trên. Tuy nhiên, các hệ thống mạng không dây đƣợc hỗ trợ bởi IRS cũng đặt ra những thách thức không nhỏ nhƣ đƣợc trình bày dƣới đây.

i, Trƣớc hết, những tín hiệu phản xạ thụ động của các phần tử phản xạ tại 12 mỗi IRS cần đƣợc thiết kế đúng cách để tập trung kết hợp tín hiệu và loại bỏ nhiễu trong vùng gần của nó. Đồng thời, để phục vụ cho tất cả các ngƣời dùng trong mạng có hỗ trợ IRS, các phản xạ thụ động của IRS cũng cần đƣợc thiết kế chung với đƣờng truyền của các trạm gốc BS để tối ƣu hiệu suất truyền dẫn. ii, Thứ hai, vì IRS nói chung không có các thành phần tần số cao RF (Radio Frequency), nên để thu thập thông tin trạng thái kênh CSI (Channel State Information) giữa IRS và các trạm gốc BS hoặc ngƣời dùng dịch vụ cần phải tối ƣu các phản xạ của IRS, đây là nhiệm vụ thực tế khó khăn, đặc biệt trong hệ thống có số lƣợng lớn các phần tử phản xạ và do đó các hệ số kênh kết hợp cần đƣợc ƣớc lƣợng. iii, Thứ ba, chiến lƣợc triển khai tối ƣu của IRS trong mạng không dây nhằm tối đa hóa dung lƣợng mạng sẽ khác đáng kể so với chiến lƣợc triển khai đối với các mạng không dây thông thƣờng.

Các trạm gốc BS hoặc các điểm truy cập AP hoặc mô hình chuyển tiếp có cấu trúc mảng (thụ động và tích cực) và cơ chế hoạt động (phản xạ giữa các bộ phận thu, phát) khác nhau, do đó cần phải đƣợc nghiên cứu kỹ lƣỡng. Tóm lại, việc tích hợp hiệu quả IRS vào mạng không dây mang lại cả những cơ hội cũng nhƣ thách thức mới nhƣ đã mô tả ở trên. Các đặc điểm cơ bản của IRS trong ứng dụng truyền dẫn thông tin 1. Mô hình tín hiệu và mô hình kênh của IRS Xét hệ thống thông tin điểm - điểm, trong đó IRS bao gồm N phần tử phản xạ thụ động.

Trƣớc tiên để đơn giản, chúng ta xét hệ thống chỉ có một anten đơn tại cả phía phát và phía thu, hệ thống có băng thông B rất hẹp so với tần số mang  B f c . Mô hình kênh của IRS trong hợp đang xét đƣợc minh họa trên Hình 1.4 Mô hình kênh truyền của kênh phản xạ từ IRS,2 (a) Mô hình suy hao tích khoảng cách, (b) Mô hình suy hao tổng khoảng cách Gọi x(t) là tín hiệu phát tƣơng đƣơng thông thấp phức.