Introducción a los códigos de la CPDC y la importancia de las distribuciones de grados

Los códigos de paridad de baja densidad (LDPC) son una piedra angular de la corrección de errores moderna, permitiendo una transmisión de datos fiable sobre canales ruidosos. Primero descubierto por Robert Gallager en su tesis doctoral de 1960, los códigos LDPC fueron ampliamente pasados por alto durante décadas debido a la complejidad computacional de sus algoritmos decodificación.

El rendimiento de un código LDPC está intrínsecamente ligado a su distribución de grados, que define cuántas conexiones (edges) cada nodo variable (representando bits) y cada nodo de verificación (representando limitaciones de paridad) posee en el código de unión#8217;s Gráfico Tanner. Optimizar estas distribuciones de grados no es meramente un ejercicio teórico; determina directamente el umbral error clave, optimización de la estructuración del suelo

Comprender los códigos y las distribuciones de grado de la LDPC

La estructura del gráfico Tanner

Un código de propagación de LDPC se define por una matriz de verificación de paridad escasa H, que puede ser representado como un gráfico bipartito conocido como un gráfico Tanner. El gráfico consiste en dos conjuntos de nodos descomunales: nodos variables (uno para cada bit de codeword) y nodos de verificación (uno para cada ecuación de compás)

El grado de nodo es el número de bordes que le suceden. La distribución de los grados para los nodos variables, denotada por ] п#955;(x), y para los nodos de verificación, denotada por ]]].

  • ] implica#955;(x) = ∑]i λi xi-1 ] ], donde >
  • ];(x) = >8721;j] ρj] xj-1 ] [FLT: [L] [L] [FLT] [L] [L] [L] [FLT]]] [L]] [FV]]]] [F[I]]]] [FV]

Estos polinomios cumplen > 955; 1) = > 1 y se definen sobre la perspectiva del borde en lugar de la perspectiva del nodo, que simplifica el análisis de la evolución de la densidad. La tasa de diseño del código puede ser calculada como R] = 1 > (#8721; > [LT]j [FLT]

Distribución regular vs. de título irregular

Los códigos de la LDPC iniciales eran regulares: cada nodo variable tenía el mismo grado (por ejemplo, 3) y cada nodo de verificación tenía el mismo grado (por ejemplo, 6). Los códigos regulares son simples de construir pero a menudo presentan umbrales suboptimales. Los códigos de la LDPC irregulares, introducidos por Luby, Mitzenmacher, Shokrollahi y Spielman a finales de los años 90, permiten un ejemplo variable

Función de la optimización de la distribución de grados

El objetivo principal de la optimización de la distribución de grados es maximizar el umbral de decodificación, definido como el parámetro de canal más alto (por ejemplo, variación de ruido > 963;2] para canales AWGN, o p de probabilidad cruzada para canales simétricos binarios) en los que el decodificador iterativo puede todavía alcanzar umbral de error extremadamente bajo como la longitud de la fracción de bloque

Más allá de los umbrales, la distribución de títulos también influye en otras métricas de rendimiento:

  • Planta de emergencia: La región en altas proporciones de señal a ruido donde la probabilidad de error disminuye lentamente debido a pequeños conjuntos de captura o conjuntos de absorción. El diseño de distribución de grado adecuado puede elevar el piso de error o eliminarlo por completo.
  • Velocidad de convergencia: El número de iteraciones de decodificación necesarias para alcanzar una palabra clave correcta. Las distribuciones que proporcionan mensajes más fiables en el principio pueden reducir la latencia.
  • Distancia mínima: El peso más pequeño de Hamming de una palabra clave no cero. Mientras que los códigos LDPC suelen tener distancias mínimas relativamente pequeñas, la distribución de grados afecta la tasa de crecimiento de la distancia mínima con la longitud de bloque.
  • Complexidad: Los nodos de mayor grado requieren más computaciones por iteración; la optimización debe equilibrar el rendimiento y el consumo energético.

Técnicas de optimización clave

Densidad Evolución

La evolución de la densidad, pionera por Richardson y Urbanke, es la herramienta analítica más potente para predecir el rendimiento de los conjuntos de códigos LDPC bajo la decodificación de la propagación de creencias. Rastrea la función de densidad de probabilidad (PDF) de los mensajes de relación de probabilidad de registro (LLR) intercambiados entre los nodos de variable y control a medida que avanzan las iteraciones.

Análisis de gráficos EXIT

Los gráficos de transferencia de información extrínseca (EXIT), introducidos por diez Brink, proporcionan un método gráfico para visualizar el intercambio de información mutua entre decodificadores de nodos variables (VND) y decodificadores de nodos (CND). Al trazar las características de transferencia de información mutua de ambos decodificadores, se puede determinar si la decodificación iterativa convergerá a un umbral de baja probabilidad de errores.

Algoritmos genéticos y búsqueda evolutiva

Debido a que el espacio de las distribuciones de grado posibles es de alto tamaño y no-convexo, los métodos de optimización heurística como algoritmos genéticos (GA) a menudo se emplean. Una población de distribuciones de grado candidato se desarrolla a través de la selección, crossover y mutation, con aptitud evaluada mediante la evolución de densidad o el análisis de gráficos EXIT. Las GAs pueden descubrir distribuciones casi óptimas para los modelos de canales complejos (por ejemplo, canales de de derivación analítica, etc.

Métodos de programación lineal

Bajo la hipótesis de una aproximación gaisiana para la evolución de la densidad, el problema de optimización puede transformarse en un programa lineal. Este enfoque explota la convexidad de ciertas limitaciones (por ejemplo, la condición de estabilidad) para encontrar la distribución que maximiza el umbral para un determinado tipo. La programación lineal es eficiente y garantiza la optimización global dentro de la aproximación, pero su precisión depende de la validez de la hipótesis gausiana, que los canales degrada.

Optimización alternativa y reglas heurísticas

Algunas obras han propuesto alternar entre optimizar las distribuciones de nodos variables y comprobar mientras sostienen el otro fijo. Reglas heurísticas simples, tales como concentrar los grados de nodo de verificación a un solo valor o utilizar un >8220;check-regular#8221; diseño, a menudo producen buenos resultados. La combinación de limitaciones analíticas (por ejemplo, condición de estabilidad, limitación de tasa) con búsqueda numérica sigue siendo un enfoque práctico común.

Impacto en los puntos de vista y rendimiento

Aproximando el límite de Shannon

Uno de los logros más llamativos de la optimización de la distribución de grados es la capacidad de Shannon arbitrariamente cercana. Por ejemplo, se ha demostrado que los códigos LDPC irregulares con distribuciones optimizadas funcionan dentro de 0.0045 dB del límite de capacidad para el canal de borrado binario (BEC). Para el canal AWGN, los umbrales dentro de 0.1 dB de capacidad son normalmente reportados para longitudes de bloque moderadas.

Saturación de la Umbral con códigos de LDPC de pareja espacial

Un desarrollo reciente fascinante es el fenómeno de saturación de la tensión] en códigos LDPC de pareja espacial. Al acoplar una cadena de conjuntos LDPC, el umbral BP del código SC puede mostrarse para acercarse al límite máximo a posteriori (MAP) del código de terminación subyacente, que es a menudo mucho más alto.

Reducción del nivel de error

Aunque los umbrales altos son esenciales para el funcionamiento en la región de cascada (SNR moderado), muchas aplicaciones (por ejemplo, almacenamiento óptico, comunicaciones en el espacio profundo) también requieren niveles de error extremadamente bajos, a menudo por debajo de 10-15] velocidad de error de bits. Optimización de distribución de grado puede ayudar a mitigar los niveles evitando pequeños conjuntos de tracción.

Velocidad de Convergencia y Latency

En aplicaciones sensibles a las demoras como sistemas de transmisión o control de vídeo en tiempo real, el número de iteraciones de decodificación es crítico. Las distribuciones optimizadas de grado que producen una convergencia más rápida pueden reducir la latencia promedio de decodificación. Por ejemplo, las distribuciones con una fracción más alta de ganglios variables de alto grado tienden a converger más rápido porque reciben información extrínseca más diversa a la edad.

Aplicaciones Prácticas y futuras direcciones

5G NR y Beyond

El estándar 5G New Radio utiliza dos códigos base de grafos LDPC con distribuciones de grado predeterminados ajustados a diferentes regímenes de longitud de bloques y de tasa de código. Los gráficos base fueron seleccionados después de una amplia optimización para equilibrar umbral, piso de error y complejidad de implementación. Se espera que los futuros sistemas 6G utilicen códigos LDPC con distribuciones de grado aún más flexibles, potencialmente adaptables a las condiciones de canal mediante punción y ampliación.

Comunicaciones por satélite y por programas profundos

En los enlaces por satélite donde la relación señal-noise es a menudo muy baja, se utilizan códigos optimizados de CPML con distribuciones de grado bajo (por ejemplo, 1/3 o 1/4) y CCSDS (Comité Consultivo de Sistemas de Datos Espaciales) ha estandarizado códigos de CPD de capacidad cercana para telemetría y telecompañía.

Sistemas de comunicación óptica

Los enlaces de fibra óptica de larga distancia dependen cada vez más de códigos LDPC para combatir el ruido de amplificadores y no linearidades. Sin embargo, los canales ópticos suelen tener restricciones de cuantificación de baja decisión y distribuciones de ruido asimétricas. Optimizar las distribuciones de grado para tales canales requiere modificar el contexto de evolución de densidad (por ejemplo, usando distribuciones discretas o modelos de mezcla Gaussian).

Almacenamiento de datos y memoria flash NAND

La memoria flash NAND sufre errores debido a programas / borrados de ciclismo, retención y lee perturba. Los códigos LDPC con distribuciones de grado optimizados son ahora estándar en SSD de alta gama (Solid-State Drives). El canal es altamente asimétrico con un cuantizador de rendimiento suave; optimización de la distribución de grado debe tener en cuenta la variabilidad de ruido no uniforme en los niveles de memoria.

Códigos de la LDPC cuántica

Una frontera emocionante es la aplicación de códigos LDPC para corregir errores cuánticos. Los códigos Quantum LDPC (QLDPC) usan generadores de estabilizadores escasos y requieren distribuciones de grado que satisfagan las relaciones de conmutación de los operadores Pauli. Optimización de distribuciones de grado para los códigos QLDPC está en su infancia, pero los resultados tempranos muestran que las buenas distribuciones clásicas LDPC pueden adaptarse a la configuración de falla de canalización potencialmente ajustada,

Optimización adaptada y adaptada para el aprendizaje automático

La optimización de la distribución de grados tradicionales depende de modelos analíticos y de búsqueda exhaustiva. Sin embargo, con el aumento del aprendizaje profundo, los investigadores han comenzado a utilizar redes neuronales para aprender distribuciones de grado que maximicen la rentabilidad o minimicen la latencia en condiciones prácticas de decodificación (por ejemplo, aritméticas de puntos fijos, iteraciones limitadas).

Conclusión

La optimización de la distribución de grados no es simplemente un ejercicio académico; es la clave para desbloquear todo el potencial de los códigos de LDPC en un amplio espectro de tecnologías de comunicación y almacenamiento. Al seleccionar cuidadosamente las conexiones de borde entre los nodos de variable y de comprobación, los ingenieros pueden presionar umbrales de código arbitrariamente cerca del límite de Shannon, reducir los niveles de error a niveles insignificantes, y el comportamiento de convergencia de aplicaciones.

Más lectura