Introduction aux codes du CLD et à leur rendement

Les codes LDPC sont définis par une matrice de vérification de parité qui correspond à un graphique Tanner bipartite avec des nœuds variables (représentant des bits de code) et des nœuds de vérification (représentant des équations de parité). L'algorithme de décodage itératif, typiquement la propagation de croyance (BP) ou une variante de somme min, passe des messages le long des bords de ce graphique.

La performance d'un code LDPC est souvent caractérisée par son seuil – le niveau sonore maximal du canal (ou SNR minimum) à lequel la probabilité d'erreur de décodage peut être conduite arbitrairement près de zéro, car la longueur du code tend à l'infini. L'approche de la limite de Shannon nécessite une conception minutieuse de la structure du code. Parmi les paramètres de conception les plus influents, on retrouve les distributions de degrés de nœuds variables et de contrôle, qui décrivent le nombre de bords que possède chaque type de noeud.

Cet article propose une exploration approfondie de l'optimisation de la distribution des degrés pour les codes LDPC. Nous examinons d'abord les fondamentaux du décodage et des seuils LDPC. Ensuite, nous dissèques le rôle des distributions des degrés et examinons les techniques d'optimisation classiques telles que l'évolution de la densité et les cartes EXIT. Nous adaptons ensuite la discussion aux modèles de canaux spécifiques – canal symétrique binaire (BSC), canal Gaussien (AWGN) additif blanc, canal binaire d'effacement (BEC) et canaux de défaveur Rayleigh – montrant comment les distributions doivent être adaptées.

Comprendre les codes et les seuils du CLD

k[ est défini par un m × n matrice de vérification de parité H[mmn]m]]][FLT:]m[[FLT:]][[FLT:]][FLT:][FLT:][F:[FLT:][F][F:[FLT:][F][FLT:[FLT:][F][FLT:][FLT:][FLT:][FLT:][FLT:[FLT:][F][FLT:[FLT:][F][F][F][F][F][

Pour les canaux symétriques comme BSC et AWGN, les messages sont des rapports de log-fraishood (LLR). L'algorithme converge lorsque toutes les vérifications de parité sont satisfaites ou après un nombre maximal d'itérations. Le shold est défini par évolution de densité : pour un ensemble de codes donné (défini par distribution de degrés), on peut calculer le paramètre de canal maximal (p. ex., probabilité de croisement p pour BSC, variance de bruit φ2 pour AWGN, probabilité d'effacement ε pour BEC) de telle sorte que la probabilité d'erreur de décodage tend à zéro comme n → ►. Les seuils sont une mesure fondamentale de la performance asymptotique d'un ensemble et servent de guide pour la conception pratique du code.

Rôle des distributions de diplômes

[[[]][[[[[[[[FLT:]][[[[]][[[FLT:]][[[[FLT:]]][[[FLT:]][[[FLT:]][[FLT:][[FLT:][[[FLT:]][[FLT:][[[FLT:][[[FLT:]][[FLT:][[FLT:][[FLT:][[FLT:][[FLT:][FLT:][[FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][[FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][FLT:][[FLT:]

Le choix des distributions affecte de façon critique le flux d'informations extrinsèques pendant le décodage. Un nœud variable de degré dv collecte des informations de dv des nœuds de contrôle incident et de l'observation du canal; il envoie ensuite des messages mis à jour. Les nœuds variables de haut degré reçoivent des messages de contrôle plus diversifiés, qui peuvent accélérer la convergence, mais ils propagent aussi plus d'erreurs si les messages de contrôle ne sont pas fiables.

Répartition des degrés de fréquence variable

Dans le travail séminal de Luby, Mitzenmacher, Shokrollahi et Spielman (1998) sur les codes LDPC irréguliers, il a été montré que les nœuds variables avec un mélange de degrés – quelque peu élevé, quelques faibles – peuvent atteindre des seuils très proches de la limite Shannon pour la CCE. L'intuition est que les nœuds à haut degré, qui reçoivent de nombreux messages, apprennent rapidement leur valeur correcte et aident ensuite les nœuds à plus bas degré par des nœuds de vérification. Pour le canal AWGN, les distributions irrégulières avec optimisation minutieuse ont atteint des seuils dans les limites de 0,0045 dB de capacité. Les modèles courants comprennent quelques nœuds variables à haut degré (p. ex. degré 20, 30) et de nombreux noeuds à faible degré (p. ex. degré 2, 3). Cependant, la présence de nœuds variables de degré 2 peut créer un plancher d'erreur en raison de petits cycles; les noeuds à degré 2 sont souvent évités ou limités.

Vérifier la distribution des degrés de nœud

Pour la BEC, la répartition optimale des nœuds de contrôle est concentrée autour d'un seul degré (souvent 4-10) pour maximiser le seuil, comme le montre Shokrollahi (2002). Pour les canaux AWGN, les degrés de contrôle varient généralement de 3 à 10; les degrés supérieurs augmentent la complexité des nœuds de contrôle, mais peuvent améliorer le seuil. Un choix commun est une distribution de degré concentré, p. ex., ρ][x[][ρ3 x2 + ρ]4 ]]x]3 + ρ]]2 + ][FLT:][F=F=F=F=F=

Méthodes d'optimisation des distributions de degrés

La recherche de distributions optimales de degrés est un problème d'optimisation non convexe qui a été abordé à l'aide de plusieurs techniques analytiques et numériques. Les trois méthodes les plus courantes sont l'évolution de la densité (DE), les diagrammes de transfert d'information extrinsèque (EXIT) et les approximations de programmation linéaire (LP).

Évolution de la densité

L'évolution de la densité, introduite par Richardson et Urbanke (2001), suit la fonction de densité de probabilité (pdf) des messages échangés lors du décodage itératif, en supposant un graphique sans cycle (comme un arbre). Pour la BEC, les messages sont binaires (effacer ou connus), de sorte que DE se réduit à suivre la probabilité d'effacement à travers le graphique. Pour les canaux AWGN, DE suit le pdf des LLR, qui, sous l'approximation gaussienne symétrique, se réduit à suivre la moyenne m du Gaussian. Le seuil est trouvé en augmentant le bruit du canal jusqu'à ce que la récursion DE ne converge pas à zéro erreur. Le processus d'optimisation consiste à rechercher l'espace de λ[x) et ρ[][[[F

Graphiques d'EXIT

Les cartes EXIT, développées par dix Brink (2001), fournissent un outil graphique pour analyser le comportement de convergence des décodeurs itératifs. Elles tracent les informations mutuelles (MI) transférées des nœuds variables pour vérifier les nœuds par rapport aux MI transférés des nœuds de contrôle aux nœuds variables. Les courbes résultantes, appelées courbes caractéristiques, ne doivent pas se croiser pour que le décodage réussisse. L'optimisation des distributions de degrés à l'aide des cartes EXIT implique de faire correspondre la zone sous la courbe variable des nœuds à la zone sous la courbe des nœuds de contrôle, avec la différence de zone liée à l'écart de capacité.

Programmation linéaire et autres approches

Pour la BEC, le problème d'optimisation peut être lancé comme un programme linéaire parce que la condition DE réduit à une inégalité linéaire sur les coefficients de λ et ρ. La programmation linéaire donne des distributions globalement optimales (sur un ensemble de degrés donné) efficacement. Pour les canaux généraux, les contraintes sont non linéaires, de sorte que des heuristiques telles que le recuit simulé, des algorithmes génétiques ou des méthodes basées sur le gradient sont utilisés. Les progrès récents utilisent l'apprentissage automatique (p. ex., l'apprentissage de renforcement) pour rechercher l'espace de distribution des degrés. Une autre approche consiste à utiliser des diagrammes de transfert d'informations extrinsèques (EXIT) adaptés à une fonction de coût basée sur la propriété de la zone.

Optimisation pour différents modèles de canaux

Différents canaux ont des propriétés statistiques différentes, qui affectent la nature des messages échangés et donc les distributions de degré optimales. Ci-dessous, nous discutons de quatre modèles de canaux principaux : BEC, BSC, AWGN et Rayleigh.

Chaîne d'effacement binaire (BEC)

La BEC est le canal non trivial le plus simple : avec probabilité ε un bit est effacé (inconnu), et autrement reçu correctement. Le seuil est le maximum ε qui réussit. Pour la BEC, les distributions optimales de degrés sont connues analytiquement par programmation linéaire. En 2001, Luby et al. ont montré que les codes LDPC irréguliers peuvent atteindre la capacité (ε = 1 − R[) asymptotiquement. La distribution optimale de nœuds variables comprend des nœuds à haut degré (p. ex., degré jusqu'à 50 ou 100) et une grande fraction de nœuds de degré-2. Cependant, les nœuds de degré-2 créent une vulnérabilité «régime d'arrêt» à longueurs finies, ce qui entraîne souvent une erreur de plancher.

Chaîne symétrique binaire (BSC)

Les distributions optimales de degrés pour BSC sont plus complexes parce que les messages sont binaires (décisions difficiles) dans un décodeur de décision dure (par exemple, l'algorithme A/B de Gallager) ou des valeurs douces si on utilise BP avec des LLR. Pour le décodage de décision dure, les distributions de degrés sont souvent régulières (tous les nœuds variables sont de même degré, tous les nœuds de contrôle sont de même degré) parce que l'irrégularité fournit peu de gain. L'algorithme normal optimal de LDPC pour BSC sous Gallager a un degré variable 3 et le degré 6 de contrôle pour la vitesse 1/2, atteignant un seuil proche p] ↓ 0.02. Pour la décision douce de BP sur BSC (en utilisant des LLR convertis à partir de bits durs), les distributions irrégulières peuvent améliorer le seuil, mais le gain est modeste par rapport à AWGN. La recherche par Chung, Forney, et al. (2001) donne des distributions optimisées pour BSC qui atteignent des seuils proches de la capacité de canal (qui est souvent conçu pour le seuil BHT

Chaîne de bruit de Gaussian blanc additif (AWGN)

Le canal AWGN est le modèle le plus étudié. L'objectif est de maximiser le seuil SNR (souvent exprimé sous Eb[/N0) pour un taux de code donné. En utilisant l'évolution de la densité sous l'approximation gaussienne, Richardson et Urbanke (2001) ont obtenu des distributions de degrés optimisées pour divers taux. Par exemple, un code LDPC irrégulier de vitesse-1/2 peut avoir des degrés variables de 2, 3, 6 et 10 en fractions spécifiques, et vérifier les degrés de nœuds 4, 5 et 6. Le seuil peut être aussi bas que 0,19 dB à l'écart de la limite Shannon (qui, au taux 1/2 est 0 dB pour la modulation binaire).

Chaîne de fading Rayleigh (avec ou sans CSI)

Dans un canal de décoloration de Rayleigh, l'amplitude du signal reçu varie en raison de la décoloration. Avec l'information parfaite sur l'état du canal (CSI) au récepteur, le canal efficace est un ensemble de sous-canaux gaussiens avec différents gains. La distribution optimale des degrés doit s'adapter aux statistiques de décoloration. Comme l'ont montré Hou, Siegel et Milstein (2003), les codes LDPC irréguliers avec distributions optimisées des degrés peuvent atteindre des seuils qui s'approchent de l'information mutuelle moyenne du canal de décoloration. La principale idée est que les noeuds variables qui connaissent des décolorations profondes ont besoin d'une protection plus grande contre les nœuds de contrôle connectés, ce qui implique la nécessité de disposer de nœuds variables à haut degré pour obtenir des informations de bassin.

Sujets avancés en optimisation de la distribution des degrés

Effets de longueur finale et plancher d'erreur

Les seuils asymptotiques guident la conception, mais les codes pratiques ont une longueur finie n (p. ex., 648 à 1944 bits en 5G). À longueurs finies, le plancher d'erreur – une région à très faible probabilité d'erreur qui ne diminue pas rapidement avec SNR – devient critique. Le plancher d'erreur des codes LDPC est principalement causé par de petits ensembles d'arrêt (pour BEC) ou des ensembles de piégeage (pour AWGN). Les distributions de degrés avec de nombreux nœuds variables de faible degré (surtout le degré 2) sont sujettes à de telles structures. Pour atténuer le plancher d'erreur, l'optimisation doit inclure des contraintes sur le cercle du graphique (longueur minimale du cycle) et les propriétés spectrales du code. Certaines approches adoptent une optimisation multi-objectifs : maximiser le seuil tout en minimisant le nombre de petits ensembles de piégeage.

Considérations relatives à la mise en œuvre

Pour chaque itération, le nombre d'opérations par bord est proportionnel au degré. Un nœud variable de degré 30 nécessite 30 ajouts (pour les mises à jour LLR) par itération, comparativement à 3 pour un noeud de degré 3. Dans le matériel, les contraintes de mémoire et de bande passante limitent souvent le degré maximum à environ 10-20. De même, les degrés de contrôle élevés augmentent le nombre d'opérations de somme ou de somme de produit. De nombreux encodeurs pratiques (par exemple, pour Wi-Fi) utilisent un ensemble restreint de degrés : degrés variables seulement 2, 3, 4, 6 et 10; degrés de contrôle seulement 4-8. L'optimisation sous de telles contraintes est une zone active.

Exemples de conception de code

Pour illustrer, il faut considérer un code de débit 1/2 LDPC pour le canal AWGN. En utilisant une programmation linéaire avec évolution de densité, la distribution suivante (de Richardson & Urbanke, 2001) est souvent citée :

Variable degreeFraction of edges
20.289
30.171
60.486
100.055

Et vérifiez la distribution des nœuds : ρ(x) = 0,497 x3 + 0,503 x4 (c.-à-d. fractions de lisages incidentes au degré 4 et 5 noeuds de contrôle). Cet ensemble a un seuil de Eb/N0 = 0,19 dB. En revanche, un code régulier (3,6) a un seuil d'environ 0,7 dB. La conception irrégulière gagne environ 0,5 dB. Pour la BEC, une distribution de vitesse optimale-1/2 (Shokrollahi, 2002) est :

Variable degreeFraction of edges
20.420
30.020
100.010
1000.550

La distribution des nœuds de contrôle est concentrée sur le degré 4 (100%). Le seuil est ε = 0,499, très proche de la capacité de 0,5. Cependant, le nœud de degré élevé-100 rend le code peu pratique pour les décodeurs à faible complexité.

Conclusion

Pour les canaux d'effacement, la programmation linéaire produit des distributions quasi-optimales à des degrés variables à queue lourde. Pour les canaux AWGN et les canaux de fading, l'évolution de la densité et les cartes EXIT guident la conception, ce qui entraîne souvent des profils irréguliers à quelques nœuds à haut degré. Des contraintes pratiques telles que la longueur finie, le plancher d'erreur et la complexité du décodage imposent des limites sur lesquelles les distributions sont viables, ce qui fait de l'optimisation un compromis entre la performance asymptotique et la mise en œuvre.

Les normes de communication évoluent vers une plus grande productivité et une plus faible latence, la demande de codes LDPC optimisés se poursuit. Des recherches récentes explorent l'optimisation basée sur l'apprentissage automatique, les modifications de protographe et l'optimisation combinée du degré et de la circonférence. La compréhension des fondamentaux de l'optimisation de la distribution des degrés permet aux ingénieurs de concevoir de meilleurs codes pour les systèmes sans fil, satellites et de stockage de la prochaine génération. Pour plus de détails, voir le manuel classique "Modern Coding Theory" de Richardson et Urbanke, le document séminal "Design of Capacity-Approaching Irrégulier Low-Density Codes-Check Codes" de Chung et al. (2001), et l'enquête approfondie "A Decade of LDPC Codes" de Johnson and Weller. Pour des détails pratiques sur la mise en oeuvre, les spécifications standard 5G sont disponibles à partir de [[FLT: