Định hướng phát triển công nghệ 6G
Mặc dù mạng 5G vẫn chưa trở thành xu hướng phổ biến nhưng nhiều quốc gia, tổ chức, doanh nghiệp đã tính đến việc phát triển công nghệ 6G. Mục tiêu của mạng 6G không phải chỉ ở tốc độ, mà còn nhằm giải quyết các vấn đề còn tồn tại của mạng 5G (như phạm vi phủ sóng, không gian kết nối…) và hướng tới giải quyết các yêu cầu của tương lai [1, 2].
Mạng 6G ngoài việc đảm bảo kết nối với số lượng lớn các thiết bị như máy tính, cảm biến và mọi loại thiết bị vật lý, còn đảm bảo tích hợp 4 thành phần quan trọng là dữ liệu, con người, quy trình và thiết bị vật lý thành một thể thống nhất kết nối mọi thứ, được gọi là IoE (Internet of Everything). IoE sẽ là thành phần quan trọng để xây dựng xã hội thông minh, bao gồm: y tế thông minh, công nghiệp thông minh, giao thông thông minh… Sẽ còn cần thêm nhiều thời gian để hoàn thiện, song các nhà nghiên cứu tin tưởng rằng, cùng với sự phát triển của dữ liệu lớn, công nghệ chuỗi khối, đặc biệt là AI, mạng 6G sẽ sớm hoàn thiện và đạt được kỳ vọng.
Một số ứng dụng của AI trong công nghệ 6G
AI có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. Trong công nghệ 6G, một loạt ứng dụng AI sẽ phát triển thành “trí thông minh được kết nối”, tạo điều kiện thuận lợi cho mọi khía cạnh trong cuộc sống hàng ngày của chúng ta. Học máy được xem là một ứng dụng của AI, là một trong những cách chúng ta mong muốn để đạt được AI. Học máy được cung cấp cho các khả năng tự động học hỏi và cải thiện từ kinh nghiệm mà không cần lập trình rõ ràng. Học máy tập trung vào việc phát triển các chương trình máy tính có thể truy cập dữ liệu và sử dụng nó để tự học. Một số phương pháp học máy quan trọng được sử dụng trong công nghệ 6G gồm: học có giám sát (supervised learning), học không giám sát (unsupervised learning), học sâu (deep learning) và học sâu tăng cường (deep reinforcement learning) [3].
Hình 1. Mối liên hệ giữa AI, học máy và học sâu.
Tầm nhìn của truyền thông không dây 6G trong tương lai và kiến trúc mạng của nó là một hệ sinh thái truyền thông “thông minh” kết hợp một số công nghệ mới nổi để đáp ứng nhu cầu ngày càng tăng về kết nối và tài nguyên dữ liệu. Một trong số đó là công nghệ Open-RAN (Open radio access network).
Công nghệ Open-RAN có những tiềm năng nhất định trong việc triển khai mạng truy cập vô tuyến, nên đã thu hút được nhiều tổ chức, nhà sản xuất tham gia vào nghiên cứu, chế tạo và thử nghiệm. Hiện trên thế giới có một số nhóm nghiên cứu, phát triển Open-RAN như: Hiệp hội O-RAN Alliance, Hiệp hội Chính sách Open-RAN (Open-RAN Policy Coaliation), Dự án hợp tác xây dựng và triển khai cơ sở hạ tầng mạng viễn thông toàn cầu TIP (Telecom Infra Project) thành lập năm 2016…
Khái niệm cốt lõi của Open-RAN là “mở” các giao thức và giao diện giữa nhiều phần tử mạng khác nhau (vô tuyến, phần cứng và phần mềm) trong mạng RAN. Open-RAN giúp năng lực mạng linh hoạt và tiết kiệm chi phí hơn, hướng đến mục tiêu tạo ra mạng truy cập vô tuyến RAN theo hướng mở, ảo hóa và thông minh hóa. Trong đó, chức năng thông minh hóa cho phép mạng RAN tự điều khiển, phân bổ tài nguyên vô tuyến động, tối ưu mạng được thực hiện trên cơ sở ứng dụng các công nghệ AI, giúp đơn giản hóa, giảm chi phí điều hành, tối đa hóa hiệu quả định tuyến lưu lượng và đáp ứng các yêu cầu của người dùng trong tương lai.
Trong công nghệ 6G, các kỹ thuật AI được áp dụng cho cả lớp vật lý và lớp mạng theo mô hình truyền thông tham chiếu 7 lớp OSI. Trong lớp vật lý, trí tuệ nhân tạo AI tham gia vào việc thiết kế và tối ưu kênh truyền. Đối với lớp mạng, AI có thể giải quyết các vấn đề như phân bổ tài nguyên, dự đoán lỗi. Ngoài ra các ứng dụng AI có thể được sử dụng để nâng cao hiệu suất định tuyến, điều khiển lưu lượng, phát hiện bất thường và bảo mật trong mạng [4].
Trong tương lai, khi 6G hướng tới kiến trúc phân tán, yếu tố về dữ liệu và bảo mật càng đặc biệt quan trọng. Mô hình học máy đào tạo liên kết FL (federated learning) được nghiên cứu và ứng dụng để giải quyết bài toán này đối với 6G (hình 2). Mô hình FL được huấn luyện với dữ liệu đào tạo vẫn được lưu trữ tại các máy người dùng, để tăng tính bảo mật của dữ liệu. Thiết bị của người dùng cuối đào tạo các mô hình FL cục bộ và sau đó gửi các mô hình cục bộ đã được đào tạo đến trạm gốc để tổng hợp. Vì dữ liệu của người dùng vẫn được duy trì trong thiết bị, nên tính riêng tư của dữ liệu có thể được bảo đảm. Mô hình đào tạo liên kết FL có thể góp phần cho phép chuyển đổi các ứng dụng AI trên 6G từ mô hình dựa trên đám mây tập trung sang mô hình dựa trên các thiết bị phân tán. Do đó, mô hình FL là một trong những phương pháp học máy quan trọng cho phép triển khai các mô hình tổng quát hóa chính xác trên nhiều thiết bị trong 6G [5].
Hình 2. Mô hình học máy đào tạo liên kết FL ứng dụng trong 6G.
Kết luận
Ứng dụng trí tuệ nhân tạo (AI) vào hệ thống mạng 6G sẽ thúc đẩy chuyển đổi số cũng như nền công nghiệp 4.0. Khi đó, tất cả các thành phần mạng như các thiết bị vật lý, xử lý tín hiệu, quản lý tài nguyên, dịch vụ kết nối sẽ được hợp nhất và quản lý sử dụng AI, một số ứng dụng đầy tiềm năng trong phát triển thực tại ảo mở rộng XR (Extended reality) trên cơ sở mô phỏng 3D và điều khiển AI. Khi đó, trải nghiệm người dùng sẽ được hỗ trợ bởi cả 5 giác quan thính giác, thị giác, khứu giác, vị giác, xúc giác thông qua các cảm biến sensor. Với băng thông tốc độ và ổn định cao, độ trễ thấp, mạng 6G sẽ đảm bảo chất lượng truyền tải cũng như yêu cầu của người dùng.
Đối với Việt Nam, mặc dù còn nhiều hạn chế về các dự án vệ tinh, dự án sản xuất chip cho các thiết bị truyền thông THz, tuy nhiên chúng ta có khá nhiều thế mạnh trong nghiên cứu sản xuất các thiết bị đầu cuối 6G, nghiên cứu công nghệ AI cho các hệ thống quản trị, xử lý dữ liệu trong hệ thống mạng. Việt Nam cũng sẽ khởi động nghiên cứu 6G từ năm 2022 và định hướng tới năm 2028, tần số 6G có thể được cấp phép, sau đó sẽ được thương mại hóa [6].
TÀI LIỆU THAM KHẢO
[1] M.Z. Chowdhury, M. Shahjalal, S. Ahmed, and Y.M. Jang (2020), “6G wireless communication systems: Applications, requirements, technologies, challenges, and research directions”, IEEE Open Journal of the Communications Society, 1, pp.957-975.
[2 ]R. Shafin, L. Liu, V. Chandrasekhar, H. Chen, J. Reed, J.C. Zhang (2020), “Artificial intelligence-enabled cellular networks: A critical path to beyond-5G and 6G”, IEEE Wireless Communications, 27(2), pp.212-217.
[3] M.J. Piran, D.Y. Suh (2019), “Learning-Driven wireless communications, towards 6G”, International Conference on Computing, Electronics and Communications Engineering, pp.219-224.
[4] H. Huang, W. Xia, J. Xiong, J. Yang, G. Zheng, X. Zhu (2018), “Unsupervised learning-based fast beamforming design for downlink MIMO”, IEEE Access, 7, pp.7599-7605.
[5] Z. Zhao, C. Feng, H.H. Yang, X. Luo (2020), “Federated-learning- enabled intelligent fog radio access networks: Fundamental theory, key techniques, and future trends”, IEEE Wireless Communications, 27(2), pp.22-28.
[6] http://baochinhphu.vn/Khoa-hoc-Cong-nghe/Mang-6G-Xu-the-cua-tuong-lai/415395.vgp.