Công nghệ MIMO ra đời như giải pháp cốt lõi giúp mạng 5G và 6G đạt tốc độ truyền dữ liệu cao gấp nhiều lần thế hệ trước. MIMO sử dụng hàng chục, thậm chí hàng trăm anten phát và thu tín hiệu đồng thời. Mỗi anten kết nối với một chuỗi tần số vô tuyến độc lập, tạo nên băng thông vượt trội. Nghiên cứu được công bố mới nhất trên Tạp chí Nature.
 |
| Mô hình hệ thống Lựa chọn ăng-ten phát tiết kiệm năng lượng với Fast-ABC-Boost. Nguồn: Nature |
Tuy nhiên, mỗi chuỗi tần số vô tuyến tiêu tốn điện năng lớn và chi phí lắp đặt cao. Các nhà điều hành mạng phải đối mặt với hóa đơn tiền điện tăng vọt khi triển khai hàng trăm anten cùng lúc. Tình trạng này thúc đẩy nhu cầu tìm kiếm phương pháp lựa chọn anten thông minh, hệ thống chỉ kích hoạt đủ số anten cần thiết thay vì bật toàn bộ.
Trước đây, kỹ sư viễn thông giải bài toán lựa chọn anten bằng các thuật toán tối ưu hóa phức tạp. Phương pháp kiểm tra toàn bộ mang lại kết quả tốt nhất nhưng máy tính phải chạy hàng giờ liền. Với hệ thống 128 anten chọn ra 8 anten hoạt động, máy tính phải kiểm tra hơn 1,6 tỷ tổ hợp khả thi.
Thuật toán tối ưu hóa truyền thống (CBPSO - the conventional optimization driven Cyclic Binary Particle Swarm Optimization) xuất hiện như giải pháp thay thế, bắt chước hành vi tìm kiếm thức ăn của đàn côn trùng. CBPSO giảm được thời gian xử lý xuống còn vài phút so với hàng giờ của phương pháp kiểm tra toàn bộ, song lại thường cho ra kết quả chưa thực sự tối ưu vì mắc kẹt ở các giá trị cục bộ thay vì tìm được đáp án tốt nhất toàn cục. Tốc độ hội tụ chậm trở thành điểm yếu chí mạng của thuật toán này, vì khi điều kiện sóng vô tuyến thay đổi liên tục theo từng giây từng phút do người dùng di chuyển hoặc thời tiết biến đổi, hệ thống không kịp tính toán lại để đưa ra quyết định mới phù hợp với môi trường truyền sóng đang thay đổi.
Học sâu tăng cường (DRL - Deep Reinforcement Learning) mang đến hướng tiếp cận mới với khả năng học từ dữ liệu. DRL đòi hỏi hàng nghìn mẫu dữ liệu huấn luyện mới có thể hoạt động tốt, đồng thời dễ tạo ra mô hình không ổn định do cơ chế học thử và sai. Quá trình huấn luyện kéo dài hàng trăm vòng lặp làm giảm khả năng ứng dụng của phương pháp này trong các hệ thống viễn thông thực tế cần phản hồi nhanh.
Nhóm nghiên cứu tại Trường Vật lý và Kỹ thuật Viễn thông, Đại học Sư phạm Ngọc Lâm, Quảng Tây, Trung Quốc công bố phương pháp Fast-ABC-Boost trên tạp chí Nature. Fast-ABC-Boost xử lý bài toán lựa chọn anten như một nhiệm vụ phân loại đa lớp, tương tự như cách hệ thống nhận dạng khuôn mặt phân loại người trong ảnh hoặc phần mềm lọc thư rác phân loại email theo từng nhóm khác nhau. Hệ thống phân tích các đặc trưng của kênh truyền vô tuyến đầu vào, sau đó chọn ra tổ hợp anten tối ưu nhất từ hàng triệu khả năng có thể xảy ra trong thực tế.
Điểm đặc biệt của Fast-ABC-Boost (Fast-Adaptive Base Class-Boost) nằm ở việc kết hợp sức mạnh của nhiều bộ não nhỏ thay vì chỉ dựa vào một bộ não lớn duy nhất. Fast-ABC-Boost ghép nối hàng chục bộ phân loại đơn giản, mỗi bộ chỉ giải quyết tốt một phần nhỏ của bài toán nhưng khi làm việc cùng nhau lại tạo ra một hệ thống có độ chính xác vượt trội. Mỗi bộ phân loại hoạt động như một chuyên gia tư vấn độc lập, phân tích dữ liệu theo cách riêng và đưa ra ý kiến của mình về tổ hợp anten nào nên chọn. Sau đó, Fast-ABC-Boost áp dụng phương thức biểu quyết có trọng số để tổng hợp ý kiến từ tất cả các chuyên gia, trong đó những chuyên gia có thành tích tốt hơn sẽ được tính điểm cao hơn, quyết định cuối cùng do đó chính xác hơn nhiều so với việc chỉ nghe theo một chuyên gia duy nhất.
Fast-ABC-Boost áp dụng ba chiến lược thông minh để giảm thời gian tính toán xuống còn một phần nhỏ so với phương pháp gốc ABC-Boost. Chiến lược đầu tiên mang tên "lớp tệ nhất" hoạt động như một người quản lý chỉ tập trung vào hai nhân viên có hiệu suất kém nhất thay vì phải giám sát toàn bộ đội ngũ, từ đó tiết kiệm thời gian đáng kể khi ABC-Boost gốc phải kiểm tra tất cả các lớp phân loại trong mỗi vòng lặp. Chiến lược thứ hai gọi là "khoảng cách" cho phép hệ thống chỉ cập nhật lớp cơ sở sau mỗi 10 vòng lặp thay vì cập nhật liên tục, giống như việc bạn chỉ kiểm tra email mỗi giờ một lần thay vì cứ vài phút lại xem, điều này giảm được 90% công việc không cần thiết. Chiến lược thứ ba có tên "khởi động nóng" bỏ qua 10 vòng lặp đầu tiên vì giai đoạn này mô hình còn đang học hỏi sơ khai và chưa đủ thông tin để đưa ra quyết định tốt, việc bỏ qua giúp hệ thống không lãng phí thời gian tính toán cho những quyết định chưa chín chắn và tập trung vào những vòng lặp sau khi đã tích lũy đủ kinh nghiệm.
Nhóm nghiên cứu tiến hành thử nghiệm mô phỏng trên nền tảng PyTorch với các thông số thực tế. Hệ thống gồm 128 anten phát tại trạm gốc phục vụ 8 người dùng, mỗi người có 4 anten thu. Công suất phát dao động từ 24 đến 40 dBm, đây là mức công suất tiêu chuẩn trong mạng di động thực tế.
Kết quả cho thấy Fast-ABC-Boost đạt hiệu suất năng lượng 2,8 bit mỗi joule khi công suất phát 32 dBm. Con số này cao hơn 18% so với DRL và vượt CBPSO 23%. Khi lựa chọn 6 anten từ 128 anten khả dụng, hệ thống đạt hiệu suất năng lượng tối đa 3,1 bit mỗi joule - cao hơn 35% so với sử dụng toàn bộ anten.
Độ phức tạp tính toán của Fast-ABC-Boost đạt O(LNJK) với L là số vòng lặp, N là số mẫu huấn luyện, J là số nút đầu cuối và K là số lớp. Con số này tương đương với DRL nhưng thấp hơn nhiều so với CBPSO. Thời gian huấn luyện mô hình Fast-ABC-Boost chỉ cần 20 vòng lặp so với 400 bước của DRL, giảm 95% thời gian chuẩn bị hệ thống.
Fast-ABC-Boost cho phép các nhà điều hành mạng triển khai hệ thống anten thông minh mà không cần đầu tư hàng tỷ đồng cho phần cứng xử lý phức tạp. Hệ thống lựa chọn anten hoạt động trong từng phần giây dựa trên tình trạng sóng vô tuyến thay đổi. Số lượng anten được tự động tăng giảm theo lưu lượng truy cập - bật nhiều anten vào giờ cao điểm tối, tắt bớt vào đêm khuya - để đạt điểm cân bằng giữa tốc độ cao và tiêu thụ điện thấp.
Nhóm nghiên cứu đang phát triển phiên bản nâng cao cho kịch bản nhiều trạm gốc phát sóng đồng thời. Fast-ABC-Boost có tiềm năng trở thành giải pháp thiết yếu cho mạng 6G vì thế hệ này phải vận hành số lượng anten khổng lồ gấp nhiều lần 5G hiện tại. Việc các nhà khoa học tích hợp học máy vào lựa chọn anten cho thấy ngành viễn thông đang chuyển sang thiết kế mạng dựa trên trí tuệ nhân tạo thay vì các công thức toán học cứng nhắc.
 Bước đột phá của Keysight trong điều khiển và hiệu chuẩn ăng-ten mảng pha Theo đó, Keysight vừa giới thiệu giải pháp Phased Array Antenna Control (điều khiển ăng ten mảng pha) mới, một giải pháp hiệu chuẩn qua ... |
 Hai chuyên gia hàng đầu thế giới về 6G và AI chia sẻ tại hội nghị ATC 2025 Hội nghị quốc tế ATC 2025 diễn ra ngày 16/10 tại Hà Nội chào đón hai diễn giả quốc tế đầu ngành về công nghệ ... |
 So sánh phương pháp ước lượng kênh thưa mmWave MIMO cho công nghệ 5G Nhóm nghiên cứu từ Trường Đại học Công nghệ (ĐHQGHN) đề xuất phân tích so sánh hiệu năng các phương pháp ước lượng kênh thưa ... |
