Tóm tắt Đề án Thạc sĩ: Ứng dụng AI trong ước lượng và tối ưu hệ thống STAR-RIS

Sự phát triển nhanh chóng của công nghệ truyền thông không dây đòi hỏi các giải pháp tiên tiến để vượt qua những hạn chế của mạng 5G, đặc biệt trong việc đáp ứng yêu cầu ngày càng cao về tốc độ, vùng phủ sóng, độ tin cậy và độ trễ thấp. Bề mặt phản xạ thông minh (RIS) đã nổi lên như một kỹ thuật đầy hứa hẹn để tối ưu hóa hiệu năng hệ thống truyền thông. Tuy nhiên, RIS thông thường chỉ hoạt động ở chế độ phản xạ, làm giảm tính linh hoạt. Để khắc phục điều này, STAR-RIS (Simultaneously Transmitting And Reflecting RIS) đã được phát triển, cho phép truyền và phản xạ tín hiệu đồng thời. Nghiên cứu này tập trung vào việc ứng dụng Trí tuệ nhân tạo (AI) để ước lượng kênh và tối ưu hóa hiệu năng của hệ thống STAR-RIS, nhằm nâng cao hiệu suất và độ tin cậy trong các mạng không dây thế hệ tiếp theo.

Nghiên cứu sinh, sinh viên sau đại học, kỹ sư và nhà khoa học trong lĩnh vực kỹ thuật viễn thông, mạng không dây thế hệ mới (5G, sau 5G) và ứng dụng trí tuệ nhân tạo trong truyền thông.

Đề án tốt nghiệp này trình bày một nghiên cứu chuyên sâu về "Ứng dụng AI trong ước lượng và tối ưu hiệu năng hệ thống STAR-RIS", một công nghệ then chốt cho các hệ thống truyền thông không dây tiên tiến. Luận văn bắt đầu bằng việc cung cấp tổng quan toàn diện về cấu trúc và nguyên lý hoạt động của RIS và STAR-RIS, làm rõ sự khác biệt cốt lõi và khả năng độc đáo của STAR-RIS trong việc đồng thời truyền và phản xạ tín hiệu qua các phần tử. Sau đó, nghiên cứu đi sâu vào khảo sát và đánh giá hiệu năng của mô hình STAR-RIS thông qua các tham số quan trọng như tỷ lệ tín hiệu trên nhiễu (SNR) và xác suất dừng, cung cấp cái nhìn định lượng về hiệu quả của hệ thống. Điểm nổi bật của đề án là việc đề xuất và triển khai các kỹ thuật Trí tuệ nhân tạo (AI), cụ thể là mạng nơ-ron sâu (DNN), để giải quyết bài toán phức tạp của ước lượng kênh và tối ưu hóa hiệu năng. Cấu trúc mạng DNN được thiết kế để phù hợp với kịch bản mô phỏng, từ đó cải thiện đáng kể khả năng ước lượng chính xác các thông số kênh và tối ưu hóa phân bổ nguồn lực. Giá trị ứng dụng của nghiên cứu này là rất lớn, góp phần nâng cao hiệu suất, độ tin cậy và khả năng mở rộng vùng phủ sóng của các mạng truyền thông không dây trong tương lai, đặc biệt là trong bối cảnh các yêu cầu ngày càng cao của mạng sau 5G. Các kết quả và định hướng phát triển từ đề án này mở ra tiềm năng cho việc triển khai AI trong việc quản lý và tối ưu hóa các hệ thống truyền thông phức tạp.