Macro Micro News Global Pulse. Local Truth.

Bagaimana RIS Berbasis AI di Platform Ketinggian Tinggi Meningkatkan Efisiensi Energi untuk IoT

06 October 2026 · 1 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Bernd 📷 Dittrich
Image by Bernd 📷 Dittrich

Di daerah pedesaan terpencil dan wilayah bencana, perangkat Internet of Things sering menghadapi kenyataan yang menyebalkan. Sinyal ke stasiun base darat biasanya lemah atau terblokir. Kesenjangan konektivitas ini menjadi hambatan besar bagi aplikasi kritis seperti pemantauan lingkungan dan koordinasi respons darurat. Para peneliti kini memperkenalkan arsitektur baru. Solusi ini memanfaatkan Stasiun Platform Ketinggian Tinggi yang dilengkapi Permukaan Intelligen Reconfigurable Pasif. Inovasi ini menciptakan tautan Line-of-Sight virtual antara perangkat IoT di darat dan stasiun base yang letaknya jauh. Hasilnya, keandalan komunikasi meningkat di wilayah yang sebelumnya kurang terjangkau.

Tantangan utamanya terletak pada optimalisasi efisiensi energi. Metode tradisional untuk mengatur pergeseran fase RIS membutuhkan komputasi yang mahal dan bersifat kombinatorial. Hal ini menyulitkan adaptasi secara real-time terhadap saluran nirkabel yang dinamis. Solusi yang diusulkan mengubah pemilihan pergeseran fase RIS menjadi proses keputusan Markov satu langkah. Masalah ini dimodelkan khusus sebagai masalah bandit kontekstual. Dengan menggunakan estimator nilai aksi bergaya Deep Q-Network, sistem dapat langsung memprediksi kode pergeseran fase yang hampir optimal dari pengamatan keadaan saluran. Pendekatan ini menghilangkan kebutuhan akan pencarian online yang menyeluruh. Keputusan dapat dibuat dengan cepat tanpa menambah beban komputasi.

Hasil simulasi menunjukkan efektivitas pendekatan berbasis AI ini. Model DQN konvergen dalam beberapa ribu episode pelatihan. Tingkat efisiensi energinya hanya tertinggal 10 persen dari solusi pencarian menyeluruh yang optimal. Yang lebih penting lagi, metode ini meningkatkan efisiensi energi lebih dari 150 persen dibandingkan baseline RIS dengan fase tetap. Berbeda dengan metode tradisional yang memerlukan biaya pencarian tergantung ukuran codebook, inferensi jaringan saraf memberikan kinerja yang konsisten terlepas dari kompleksitasnya. Terobosan ini tidak hanya memperpanjang masa pakai baterai perangkat IoT. Teknologi ini juga memastikan konektivitas yang kuat di wilayah yang sebelumnya dianggap kurang terlayani oleh infrastruktur telekomunikasi standar. Seiring upaya global untuk menjembatani kesenjangan digital, teknologi seperti RIS yang dibantu HAPS menawarkan jalur skalabel dan efisien energi menuju cakupan IoT universal.