Da die Welt zunehmend vernetzt wird, beschleunigt sich die Nachfrage nach schnellerer, zuverlässigerer und hocheffizienter drahtloser Kommunikation weiter. Die bevorstehende Ankunft von drahtlosen Systemen der sechsten Generation (6G) verspricht, die Konnektivität durch den Betrieb mit höheren Frequenzen - einschließlich Terahertzbändern - neu zu gestalten und Datenraten im Bereich von Terabit pro Sekunde zu liefern. Um diese ehrgeizigen Ziele zu erreichen, sind jedoch grundlegend neue Ansätze für die Kanalcodierung erforderlich. Codierungstechniken der nächsten Generation sind das Rückgrat von 6G, was eine robuste Fehlerkorrektur, eine extrem niedrige Latenz und Energieeffizienz in massiven Gerätenetzwerken ermöglicht. Dieser erweiterte Artikel untersucht die neuesten Entwicklungen bei der Codierung von 6G, einschließlich Polarcodes, LDPC-Codes (Low Density Parity-Check), Rateless Codes und Machine Learning-gesteuerte adaptive Schemata.

6G Wireless Systems verstehen

6G soll bis 2030 den Erfolg von 5G haben und transformative Anwendungsfälle wie holographische Kommunikation, digitale Zwillinge, autonome Systeme und pervasive künstliche Intelligenz unterstützen. Mit dem Betrieb im Sub-Terahertz-Band (100 GHz bis 300 GHz) und Terahertz-Band (300 GHz bis 3 THz) wird 6G beispiellose Datenraten erreichen - potenziell über 1 Tbps - und gleichzeitig die End-to-End-Latenz auf Sub-Millisekunden-Niveaus reduzieren. Dieser Paradigmenwechsel stellt strenge Anforderungen an die physikalische Schicht-Codierung:

  • Extreme Durchsatz: Codes müssen sehr hohe Datenraten mit minimalem Rechenaufwand unterstützen.
  • Ultrazuverlässige Kommunikation mit niedriger Latenz (URLLC): Anwendungen wie Fernchirurgie und autonomes Fahren erfordern eine nahezu sofortige Dekodierung.
  • Massive Konnektivität: 6G kann Millionen von Geräten pro Quadratkilometer mit jeweils begrenzten Strombudgets verbinden.
  • Effizienz in verschiedenen Umgebungen: Terahertz-Kanäle sind sehr anfällig für Absorption und Blockade, was Codes erfordert, die sich an schnell wechselnde Bedingungen anpassen können.

Um diesen Herausforderungen zu begegnen, müssen wir über die von 5G geerbten Kodierungsschemata (vor allem LDPC für Daten und Polarcodes für die Steuerung) hinausgehen und neue Codefamilien entwickeln, die auf die 6G-Luftschnittstelle zugeschnitten werden können.

Evolution von 5G Coding zu 6G Anforderungen

5G NR (New Radio) führte zwei Säulen der Kanalcodierung ein: LDPC-Codes für den Datenkanal und Polarcodes für den Steuerkanal. Während diese Entscheidungen erhebliche Vorteile gegenüber den Turbocodes von 4G boten, erfordert 6G noch mehr Flexibilität. Zum Beispiel sind die LDPC-Codes von 5G für Coderaten von 1/3 bis 8/9 und Blocklängen von bis zu 8448 Bit optimiert, aber 6G-Anwendungsfälle können extrem kurze oder sehr lange Blöcke umfassen. Ebenso beruhen polare Codes in 5G auf einer Dekodierung der sukzessiven Stornierungsliste (SCL), die eine hervorragende Leistung bei mäßiger Komplexität bietet, aber nicht gut auf Terahertz-Bandbreiten skaliert werden. Daher erforscht die 6G-Community aktiv Kodierungsschemata, die sich anmutig an eine Vielzahl von Blocklängen, Coderaten und Latenzgrenzen anpassen können, während niedrige Fehlerpegel beibehalten werden.

Wichtige Coding-Herausforderungen in 6G

Die Entwicklung von Codierungstechniken der nächsten Generation für 6G beinhaltet die Überwindung mehrerer miteinander verbundener Hürden:

  • Ultra-hohe Datenraten mit perfekter Zuverlässigkeit: Bei Geschwindigkeiten über 100 Gbit/s werden selbst kleinere Dekodierungsineffizienzen kostspielig. Codes müssen mit hardwarefreundlichen Parallelarchitekturen eine nahezu limitierte Leistung bieten.
  • Latenz auf Mikrosekundenebene: Echtzeit-Regelkreise erfordern Codes, die in wenigen Mikrosekunden decodiert werden können. Dies motiviert Decoder mit niedriger Komplexität und iterative vorzeitige Beendigung.
  • Energieeffizienz für massives IoT: Milliarden von Geräten mit geringer Leistung werden auf einfache Encoder und Decoder angewiesen sein. Codes müssen die aktive Schaltung minimieren und den betriebsmäßigen Betrieb unterstützen.
  • Multi-Service-Multiplexing: 6G wird gleichzeitig eMBB (enhanced mobile broadband), URLLC und mMTC (massive machine-type communications) mit heterogenen Quality-of-Service (QoS) Anforderungen bedienen.
  • Channelvariabilität: Terahertz-Signale werden durch atmosphärische Absorption, Regen, Laub und sogar Blockade von Handgesten beeinflusst. Kanalzustandsinformationen müssen durch adaptive Codierung erfasst und genutzt werden.

Diese Herausforderungen treiben die Erforschung neuartiger Kodierungsparadigmen voran, von denen viele im Folgenden beschrieben werden.

Codierungstechniken der nächsten Generation

Forscher weltweit untersuchen eine Vielzahl von fortschrittlichen Kodierungsstrategien, die auf 6G zugeschnitten sind. In den folgenden Abschnitten werden die vielversprechendsten Ansätze beschrieben, die sich auf aktuelle Veröffentlichungen und laufende Standardisierungsdiskussionen stützen.

Polar Codes: Jenseits der 5G Baseline

Polare Codes, die 2008 von Erdal Arıkan erfunden wurden, wurden aufgrund ihrer Kapazitätserreichungseigenschaften und geringen Kodierungskomplexität für 5G-Steuerkanäle übernommen.

  • Hochrate-Polarcodes: Neue Konstruktionsalgorithmen (z. B. konvolutionale Polarcodes, polarisationsadjustierte Faltungscodes, PAC-Codes) verbessern die Leistung bei kurzen Blocklängen, die für URLLC von entscheidender Bedeutung sind.
  • Listendecodierung mit vorzeitiger Beendigung: Fortgeschrittene SCL-Decoder können die durchschnittliche Latenz reduzieren, indem sie anhalten, sobald korrekte Frames erkannt werden, und die Fristen von unter 100 Mikrosekunden einhalten.
  • Rate-kompatible Polarcodes: Design-Methoden, die Punktierung und Verkürzung ermöglichen, ermöglichen eine nahtlose Unterstützung für mehrere Coderaten, ohne die Encoderstruktur zu ändern – wesentlich für adaptive Modulation und Codierung (AMC).
  • Belief Propagation (BP) Decoder: Parallele BP Decoder können in Hardware implementiert werden, um einen hohen Durchsatz zu erreichen, jedoch mit einer Leistungslücke zu SCL. Hybrid BP / SCL Decoder Balance Durchsatz und Fehlerkorrektur.

Ein wesentlicher Vorteil von Polarcodes ist ihre deterministische Struktur, die eine effiziente Hardwareimplementierung ermöglicht. Ihre Latenz bei sehr langen Blocklängen bleibt jedoch ein Problem, da die sukzessive Stornierungsdecodierung von Natur aus serieller Natur ist. Aufkommende Designs, wie verbesserte BP-Zeitplanung und listenbasierte BP, zielen darauf ab, diese Einschränkung zu überwinden. Wie von Forschern von IEEE diskutiert, haben PAC-Codes signifikante Leistungssteigerungen gegenüber herkömmlichen Polarcodes im Short-Block-Regime gezeigt, was sie zu einem starken Kandidaten für 6G-Steuerung und Short-Paket-Anwendungen macht.

LDPC Codes: Evolution für Massive MIMO und Terahertz

LDPC-Codes (Low Density Parity Check), die bereits das Arbeitspferd von 5G-Datenkanälen sind, werden für 6G verfeinert. Ihre quasizyklische (QC) Struktur ermöglicht Hochgeschwindigkeits-Decoder mit iterativer Nachrichtenübertragung und unterstützt Durchsätze von 100 Gbps und darüber hinaus.

  • Optimierte Gradverteilungen für Terahertz-Kanäle: LDPC-Ensembles können so gestaltet werden, dass sie den schwankenden Signal-Rausch-Verhältnissen (SNRs) entsprechen, die für Breitband-Terahertz-Verbindungen typisch sind, wodurch Fehlerböden minimiert werden.
  • Protograph-basierte Codes: Protograph LDPC-Codes bieten eine kompakte Darstellung und können für sehr hohe Coderaten (z. B. R > 0.9) mit minimalem Leistungsverlust skaliert werden, was für High-SNR-Verbindungen nützlich ist.
  • Räumlich gekoppelte (SC) LDPC-Codes: Diese Codes nähern sich der Shannon-Kapazität und weisen hervorragende Schwellenwerte auf, was sie für Anwendungen mit niedriger Latenz attraktiv macht, wenn sie mit Fensterdecodierung kombiniert werden.
  • Hardware-bewusste Designs: Um den Stromverbrauch in massiven MIMO-Basisstationen zu reduzieren, werden LDPC-Decoder mit der Empfängerkette gemeinsam entwickelt, um Pipelining- und Speicherressourcen zu teilen.

Eine Herausforderung für LDPC in 6G ist die Notwendigkeit flexibler Raten und Blocklängen. Während 5G LDPC eine große Anzahl von Basisgraphen unterstützt, kann 6G eine noch feinere Granularität erfordern. Techniken wie Heben und Erweiterung von Basisgraphen können Ratenkompatibilität ohne übermäßige Komplexität bieten. Jüngste Arbeiten von Qualcomm heben hervor, wie LDPC-Codes erweitert werden können, um eine Latenz von unter 100 μs zu unterstützen, während strenge BLER-Ziele (Blockfehlerrate) beibehalten werden.

Ratenlose Codes: Brunnen- und Raptorcodes für dynamische Kanäle

Ratenlose Codes – auch bekannt als Springbrunnencodes – sind ideal für Szenarien, in denen die Kanalbedingungen unvorhersehbar sind oder in denen ein einzelner Sender mehrere Empfänger mit unterschiedlichen SNRs bedienen muss. Im Gegensatz zu festverzinslichen Codes erzeugen Ratenlose Codes einen potenziell unendlichen Strom von codierten Symbolen; ein Empfänger kann dekodieren, sobald er genügend Symbole gesammelt hat, unabhängig davon, welche verloren gegangen sind. Für 6G bietet diese Eigenschaft mehrere Vorteile:

  • Adaptive Raten ohne Feedback: In Szenarien mit hoher Mobilität (z. B. Fahrzeug-zu-alles) können Feedbackschleifen zu langsam sein. Ratenlose Codes passen sich automatisch an die momentane Kapazität an.
  • Effiziente Broadcast/Multicast: Ein einzelner codierter Stream kann Benutzern mit unterschiedlichen Kanalqualitäten dienen, da jeder Empfänger aufhört, wenn er genügend Symbole hat - ideal für die Inhaltsverteilung über 6G Multicast.
  • Kombiniert mit HARQ: Hybride automatische Wiederholungsanforderung (HARQ) Schemata, die ratenlose Codes verwenden, können den Wiederübertragungsaufwand reduzieren, indem sie inkrementelle Redundanz bis zur erfolgreichen Decodierung übertragen.

Luby-Transformationscodes (LT) und Raptor-Codes sind die häufigsten Ratenlosen-Familien. Für 6G konzentriert sich die Forschung auf die Reduzierung ihrer Dekodierungskomplexität - derzeit O (K log K) für RaptorQ -, um die Terahertz-Geschwindigkeiten zu erfüllen. Darüber hinaus wird die Integration mit Polar- und LDPC-Codes als äußere Codes untersucht, um hybride Ratenlose / Festpreis-Schemata zu erstellen. Eine umfassende Umfrage von ACM untersucht, wie Springbrunnencodes in Netzwerken jenseits von 5G eingesetzt werden können, wobei ihr Potenzial für massiven IoT und sporadischen Verkehr festgestellt wird.

Machine Learning-basierte Codes: Adaptiv und gelernt

Der Aufstieg des Deep Learning hat die Tür für die Kodierung und Dekodierung neuronaler Netzwerke geöffnet, bei der die traditionelle Codestruktur durch erlernte Komponenten ersetzt oder erweitert wird. Machine Learning (ML)-Codes für 6G sind besonders vielversprechend, da sie sich an Kanalstatistiken anpassen können, die analytisch schwer zu modellieren sind.

  • End-to-End-Lerncodierung: Autoencoder-Architekturen behandeln die gesamte Kommunikationskette als gelernte Zuordnung, die gemeinsam den Encoder, Kanal und Decoder optimiert.
  • Neuronale Decoder für bestehende Codes: Statt neue Codes zu entwerfen, kann ML die Decodierung von Polar- und LDPC-Codes verbessern. z.B. können konvolutionale neuronale Netze (CNNs) die iterative Nachrichtenübergabe ersetzen, was eine schnellere Konvergenz zu Kosten des Trainings-Overheads bietet.
  • Meta-Learning für die Ratenanpassung: Ein leichtes Modell kann das beste Codierungsschema (Codetyp, Rate und Modulation) basierend auf Echtzeit-Kanalmessungen vorhersagen und ermöglicht so ein dynamisches Codewechseln ohne explizite Rückmeldung.
  • Aufmerksamkeitsbasierte Sequenzmodelle: Transformer und Vision-Transformatoren wurden angepasst, um kurze Blöcke in der Nähe des optimalen Maximums a posteriori (MAP) zu dekodieren, eine Leistung, die traditionelle suboptimale Decoder nicht erreichen können.

Die Bereitstellung von ML-Codes in der Praxis bringt jedoch Herausforderungen mit sich: a die Notwendigkeit großer Mengen an Trainingsdaten und Umschulungen bei sich ändernden Kanalbedingungen, b hohe Rechenkosten während der Inferenz (insbesondere für Transformatoren) und c mangelnde Erklärbarkeit und garantierte Leistungsgrenzen. Trotz dieser Hindernisse weist der 3GPP Technical Report TR 38.843 zu 6G-Studien darauf hin, dass AI / ML-basierte physikalische Schichtkomponenten als Schlüsselfaktor betrachtet werden. Eine eingehende Überprüfung von IEEE Communications Magazine diskutiert die Kompromisse zwischen gelernten Codes und traditionellen, wobei betont wird, dass hybride Ansätze - bei denen klassische Codestrukturen mit gelernten Empfängern kombiniert werden - frühe 6G-Bereitstellungen dominieren können.

Emerging Coding Paradigmen für 6G

Neben den vier oben beschriebenen Hauptfamilien gewinnen mehrere andere Kodierungskonzepte in der 6G-Forschungsgemeinschaft an Zugkraft.

Nicht-orthogonale Multiple Access (NOMA) Codierung

NOMA ermöglicht mehreren Benutzern, die gleichen Zeit-Frequenz-Ressourcen zu teilen, indem sie ihre Signale im Power-Bereich überlagern. Dies erfordert eine gemeinsame Codierung und Dekodierung, die die Benutzer anhand ihrer Codebücher trennt. Sparse Code Multiple Access (SCMA) und Low-Density Spreading (LDS) sind zwei bekannte NOMA-Codierungstechniken. Für 6G müssen NOMA-Codes auf Hunderte von gleichzeitigen Benutzern skalierbar sein, während die Empfängerkomplexität überschaubar bleibt. Maschinelles Lernen wird wieder angewendet, um optimale Codebücher für die Erkennung von Mehrbenutzern zu lernen.

Intelligente reflektierende Oberfläche (IRS)-unterstützte Codierung

IRS-Panels können die Ausbreitungsumgebung programmatisch steuern, aber sie führen auch Phasenrauschen und Symbolverzerrungen ein. Neue Arbeiten behandeln das IRS als Teil des Encoders, wobei Raum-Zeit-Codierung über die reflektierenden Elemente hinweg verwendet wird. Dies führt zu einem gekoppelten Codierungs- und Strahlformungsproblem. Jüngste Ergebnisse zeigen, dass die Nutzung der zusätzlichen Freiheitsgrade des IRS die Vielfalt und den Codierungsgewinn verbessern kann, insbesondere für nicht-Sichtlinien-Terahertz-Verbindungen.

Die entscheidende Rolle des maschinellen Lernens im Code Design

Der Einfluss von ML auf die 6G-Codierung geht über die gelernten Codes hinaus. Es erleichtert auch die Echtzeitoptimierung von Codierungsparametern wie Rate, Blocklänge und Modulationsreihenfolge auf der Grundlage von Umweltsensoren. Zum Beispiel kann ein verstärkender Lernagent die Codierungsrate so abstimmen, dass der Durchsatz unter Einhaltung von Latenzbeschränkungen maximiert wird. Eine andere Anwendung ist die Kanalschätzung: genaue CSI (Kanalzustandsinformationen) ist für eine gute Codierungsleistung erforderlich, und tiefe neuronale Netzwerke können den effektiven Kanal von begrenzten Piloten vorhersagen.

Darüber hinaus wird ML verwendet, um das Design von Protographen-LDPC-Codes oder Polarcode-Konstruktionen für bestimmte Kanäle zu automatisieren. Durch das Training eines generativen Modells auf einem Datensatz guter Codes haben Forscher neue ratenkompatible LDPC-Muster entdeckt, die manuell optimierte Designs übertreffen. Solchen Codes fehlt es jedoch oft an theoretischer Optimalität, was ihre Übernahme in Standards zu einem langwierigen Prozess macht. Die Balance zwischen datengesteuerter Flexibilität und nachweisbarer Leistung bleibt eine aktive Debatte.

Zukunftsperspektive und praktische Umsetzung

Da wir uns dem Meilenstein 2030 für die Kommerzialisierung von 6G nähern, müssen die hier beschriebenen Kodierungstechniken von akademischen Arbeiten zu realem Silizium übergehen.

  • Die Standardisierung: 3GPP wird voraussichtlich die 6G-Studienphase um 2025-2026 beginnen, wobei Codierschemata ein zentrales Thema sind. Wahrscheinlich wird ein modulares Framework angenommen, das verschiedene Codes für verschiedene Anwendungsfälle ermöglicht (z. B. polarähnliche Codes für kurze Pakete, LDPC für Streaming, rateless für Broadcast).
  • Prototyping bei Terahertz-Frequenzen: Testbeds, die um 140 GHz arbeiten, werden bereits gebaut. Diese werden den praktischen Durchsatz und die Decoder-Komplexität von Kandidatencodes bewerten. Zum Beispiel wurde ein 100 Gbps LDPC-Decoder in 7 nm CMOS demonstriert, aber die Terahertz-Verarbeitung bringt neue Herausforderungen für die digitale Architektur mit sich.
  • Energiebewusstes Design: 6G-Basisstationen verbrauchen große Mengen an Strom, wenn sie nicht optimiert werden. Codec-Hardware muss energieproportional sein und mit der Verkehrslast verkleinert werden. Ratenlose und adaptive Codes können helfen, redundante Übertragungen zu reduzieren.
  • Integration mit AI-native air interface: Die Luftschnittstelle der nächsten Generation kann eine AI/ML-Schicht enthalten, die mit der Kodierung interagiert, um eine gemeinsame Quellkanalkodierung durchzuführen und die End-to-End-Zuverlässigkeit für Anwendungen wie holographisches Video zu verbessern.

Zusammenfassend ist der Übergang von 5G- zu 6G-Codierung nicht nur eine schrittweise Verbesserung, sondern ein Paradigmenwechsel. Die Codes werden adaptiver, enger in den physischen Kanal integriert und in einigen Fällen aus Daten gelernt. Während Polar- und LDPC-Codes wahrscheinlich Kern bleiben werden, werden geschwindigkeitslose und ML-basierte Codes ihre Rollen erweitern, insbesondere in herausfordernden Mehrpunkt- und dynamischen Umgebungen.

Schlussfolgerung

Der erfolgreiche Einsatz von 6G-Funksystemen hängt von der Entwicklung von Codierungstechniken der nächsten Generation ab, die extreme Datenraten, extrem niedrige Latenz, massive Konnektivität und hochvariable Kanäle bewältigen können. Dieser Artikel hat die Entwicklung von 5G-Codierung zu den vielversprechenden Grenzen von Polarcodes, LDPC-Codes, ratelosen Codes und ML-basierten Codes untersucht. Jede Familie bringt einzigartige Stärken mit sich – Polarcodes für die Kurzblocksteuerung, LDPC für Hochdurchsatzdaten, ratelose Codes für Broadcast- und dynamische Verbindungen und ML-Codes für adaptive Leistung. Im Laufe der Forschung werden hybride Ansätze, die diese Techniken in einem flexiblen Rahmen kombinieren, wahrscheinlich den 6G-Standard definieren. Der Weg nach vorne erfordert kontinuierliche Innovationen im Algorithmus-Design, Hardware-Implementierung und Systemintegration, aber die Belohnungen – eine wirklich vernetzte Welt mit nahtloser, sofortiger Kommunikation – sind die Mühe wert.