תיקון נוף: Machine Learning for LDPC Code Design and Decoding

במערכות תקשורת דיגיטליות מודרניות, מקישורים לווייניים לרשתות 5G סלולריות, היכולת להעביר נתונים באופן אמין על פני ערוצים רועשים היא דבר חשוב. קודים של נאמנות נמוכה-Density Parity-Check (LDPC) הופיעו כאבן הפינה של תיקון שגיאות קדימה, המציעים אתגרים קרובים-Shannon-limit-limit-limit, עם זאת, כמו שנתוני טיפוס וסביבות ערוץ גדלים יותר בלתי צפויים, שיטות מסורתיות לעיצוב קודים ואלגוריתמים של ביצועים מתקדמים, אך ורקמותרפיים, אך לא יכולים כעת, אך ורק לאלגוריתמים של ביצועים גמישים, אך אינם מסוגלים לפתח אלגוריתמים של ביצועים גמישים, אך ורק לאחר שמשתנים, אך ורקמותיים, אך ורק לאחר שמשתנים, אך אינם מסוגלים לשפר את האופן שבו הם יכולים לשפר את האלגוריתמים של ביצועים גמישים של ביצועים גמישים, אך ורקמותניים, אך ורקמותניים, אך ורקמותרפיים של טכנולוגיות למידה, אך אינם יכולים לשפר את האופן שבו שיטות למידה, אך ורקורד-קוד פתוח, אך ורקורדים, אך ורקמותרפיים, אך אינם מסוגלים לשפר את האופן שבו שיטות למידה, אך ורקמותרפיים, אך ורקורד-קוד פתוח, אך ורקורד-קוד פתוח, אך לא

ראשי התיבות של LDPC: A briefמרעננים

קודים נמוכים-רגישות של Parity-Check, שהוצגו על ידי רוברט גלגר ב-1963 עבודת הדוקטורט שלו, הם קודים חסימת ליניארית המוגדרים על ידי מטריקס ספארי-בדיקה:0HoriFLT:1 . "Low-density" פירושו כי המטריקס מכיל בעיקר אפסים, עם רק מספר קטן של שורות לשורה ולעמודה.

קודים LDPC הם כעת בכל מקום.הם משמשים בתקשורת עמוקה בחלל (תקני CCSDS), שידור וידאו דיגיטלי (DVB-S2 ו- DVB-T2), רשתות אזור אלחוטיות (IEEE 802.11n/ac/ax), והם קוד הערוץ העיקרי עבור ערוץ 5G New Radio (NR) של ביצועים טובים של LDPC כולל את ההסתברות של 4, במיוחד, כלומר, כלומר, שיטות הפעלה של מחזורי מהירות הפעלה יעילה של ערוץ של ערוץ נתונים של ערוץ 5G-מחדש (R) של ביצועים מתקדמים.

קודים LDPC: האתגר של התעמולה

האלגוריתם הסטנדרטי של קודים LDPC הוא אמונה propagation, אשר מעביר באופן יצירתי הודעות לאורך גרף ננר (ייצוג גרפיט דו-פרטט של מאטריקס (הקיצור של מטריקס) כל אחד מעדכונים ההנעה כי קצת נתון הוא 0 או 1. האלגוריתם הוא פשוט עקרוני אבל אינטנסיבי חישובי, במיוחד עבור קודים ארוכים.

זה בדיוק המקום שבו למידת מכונה הופכת אטרקטיבית.מודלים של ML יכולים ללמוד לתקן את האפליקציות, לייעל את לוח הזמנים של הצפה, או אפילו להחליף את התהליך הרציונאלי כולו עם רשת עצבית שמשנהתת את האות המתקבל במעבר יחיד.

Machine Learning for LDPC Code Construction

עיצוב LDPC parity-check matrix היא בעיה אופטימיזציה משולבת עם מרחב חיפוש עצום. ML טכניקות, במיוחד חיזוק למידה מודלים ניווניים, מציעים דרכים חדשות לנווט את החלל הזה ביעילות.

Neural Network-Guided Matrix Generation

גישה אחת משתמשת ברשתות generative adversarial (גנים) או autoencoders וריאציות (VAEs) כדי לייצר מיקסים של ®reity-check עם תכונות הרצויות.רשת הגנרטור לומדת את ההפצה של "טוב" ממערך אימונים של קודים ידועים VADIVE CER (ADD) שופטים של DIS) אם ממטריקס הוא יעיל לאורך זמן, הגנרטור מייצר כי הם לא רק ספקטרום של ספיריטמין (Gatexi) אלא גם כן, אלא גם כן, לדוגמה, לדוגמה, לדוגמה, 000) של ספירת DVDVDVDVDVDV) עבור ספירלה (GMAFDV) גבוה (GMAF).

Reinforcement Learning for Edge

[המחקר] Reinforcement Learning (RL) הוחל על האלגוריתם של ה-PEG (PEG) של אלגוריתם המתקדמים (PEG) שיטה חמדנית קלאסית לבניית LDPC MAtrices.In the RL, הסוכן מחליט איזה צומת משתנה להתחבר ל- Check node בכל שלב.הפרס מבוסס על ביצועי השגיאה של הקוד הסופי או על תכונות הגרף שלו (למשל, girth) על ידי ניתוח מהיר של ערוץ 5GFIE עשוי להיות בעל ביצועים קצרים, כולל שימושיים של קודים (DFware) אשר עשוי להיות בעל ביצועים קצרים, במיוחד עבור EEFEEFED) אשר עשוי להיות בעל ביצועים קצרים, כולל: ALT (DFIE).

עיצוב קוד הסתגלות

מטא-לימוד, או למידה ללמוד, מאפשר מודל להסתגל במהירות לסביבה חדשה ערוץ לאחר שראה רק כמה דוגמאות. עבור עיצוב LDPC, מטבול-לומד יכול להיות מאומן על משפחה של מודלים ערוצים (למשל, AWGN, Rayleighing, מסטיקה, שגיאות פרץ) ולאחר מכן די דק-לקטן aventune-check matrix עבור ערוץ ידוע מסוים לאחר שלב ניסיוני של 20 גרם, במיוחד להורדת תוצאות הפעלה של נייר זה, בעודודות, במיוחד עבור שינוי של 20 שניות).

למידה של LDPC Decoding אסטרטגיות

ירידה היא המקום שבו ML ראה את ההשפעה הדרמטית ביותר.התמכת האמונה המסורתית יכולה להיות מואצת, נעשית מדויקת יותר, או הוחלפה לחלוטין באמצעות רשתות עצביות.

נטיות אמונות לוגיות (NBP)

רעיון פשוט הוא לפסול את ההמרות של האמונה propagation לתוך רשת עצבית להאכיל קדימה.כל אחד מההתריעה הופך לשכבה, ואת הפעולות שחתמת הודעות להעביר את המסר מוחלשות על ידי משקולות נלמדות או רשתות עצביות קטנות.זה ידוע בשם Neural Faith Propagation (NBP) או התגלות עמוקה.המשקל יכול להיות מאומנים באמצעות ירידה ⁇ כדי למזער את ה- Bler או Bler כי הרשת היא "אפקטים" מסגרת אלגוריתם" קצר, אבל הוא יכול להיות מפצה, אבל הוא יכול להיות מפצה, אבל אלגוריתם, אבל זה יכול להיות מפצה, אבל אלגוריתם, אבל אלגוריתם קצר, אבל אלגוריתם, אבל הוא יכול להיות מפצה, אבל אלגוריתם, אבל הוא יכול להיות מפצה, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם, אבל אלגוריתם קצר, אבל אלגוריתם, אבל אלגוריתם, אבל הוא יכול להיות מנקה, אבל אלגוריתם, אבל אלגוריתם, אבל הוא יכול להיות מנקה, אבל הוא יכול להיות מנקה, אבל אלגוריתם, אבל אלגוריתם, אבל הוא יכול להיות מנקה, אבל אלגוריתם, אבל אלגוריתם,

[ה]הראה ל[דרוש מקור] ל[[9 ביולי]] [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]], [[1924]], [[1924]]]]]], [[1924]]]]]]]], [[1924]], [[1924]], [[1924]]]]]]]], [[1924]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]] [[[[1924]]]]]]

Neural Network Decoders for Short Block codes

עבור קודים LDPC קצרים (למשל, חסימת אורך (FLT:0)PMLRIRULLT:1).

Reinforcement Learning for Decoder Scheduling

ביצועי הקידום תלויים בתוקף בסדר שבו הודעות מעודכנים (התוכנית הריצוף) גישות סטנדרטיות להשתמש בלוח זמנים מקביל, אבל לוחות זמנים סידוריים יכולים לתכנס מהר יותר. RL יכול ללמוד לוח זמנים אופטימלי עבור קוד מסוים ומצב ערוץ 3.הסוכן צופה באמונות השוניות הנוכחיות ולהחליט איזה שינוי לא לעדכן לאחר מכן, התגמול הוא שילוב של מהירות התכנסות ושגיאה סופית של נייר ALT2, לעומת ממוצע של LTFEEFEER).

עיצוב קודר עבור Specific Hardware Constraints

למידת מכונה יכולה גם לייעל את הפעוטים ליישום חומרה.עבור מערך השער הניתן להשגה (FPGA) או עיצובים משולבים ספציפיים של יישומים (ASIC), את ה-F-off בין bit-width, קוונטיזציה, ושיעור השגיאה הוא קריטי.מודלים של ML יכולים ללמוד כדי לדחוס את הודעות קודקוד (למשל, להשתמש ב- 4bit קבוע במקום 8 סיביות) בעוד שמודלים של יכולת לנטרל את הפחתת יעילות זו (04) באמצעות ירידה של צריכת חשמל.

אתגרים ב- Machine Learning-Driven LDPC Optimization

למרות ההבטחה, יש מכשולים משמעותיים לפרוס פתרונות LDPC מבוססי ML במערכות בעולם האמיתי.

דור תחילת ומורכבות אימון

אימון רשת עצבית לתכנון קוד LDPC או קידוד דורש כמויות עצומות של נתונים מתוייגים.עבור קידוד, כל דוגמא לאימון מורכבת מקוד נקי, וקטור רעש, והאות המתקבל המתקבל המתקבל כתוצאה מכך, יצירת מיליוני דוגמאות כאלה עבור קודים ארוכים (למשל, 10,000 סיביות ארוכות) הוא יקר חישובי משקל, תהליך האימונים עצמו עשוי לדרוש מאות שעות GPU עבור קוד, אפילו הערכה איטית יותר של שיטות הפעלה.

כלליזציה ורובוסטנס

מודל ML שהוכשר על ערוצי AWGN עשוי להיכשל באופן קטסטרופלי על ערוץ מתפתל או בנוכחות רעש אימפולסיבי.הבטח כי קודים למדים מתכללים במודלים שונים של ערוצים הוא בעיה פתוחה.טכניקות כמו אקראיות דומיין (אימון על מגוון רחב של SNRs והפצת רעש) יכול לעזור, אבל המודלים המתקבלים עשויים להפוך שמרניים.

עצלות ודרך לוח

בעוד שקודמי רשת עצביים יכולים להפחית את מספר ההסרות, זמן ההיקף של רשת עמוקה (במיוחד טרנספר) עשוי להיות גבוה יותר מאשר קודקוד של מינוס קטין פועל על חומרה ייעודית.עבור יישומים בעלי ביצועים גבוהים כמו רשתות תחבורה אופטיות (100 Gbps ומעבר), אפילו מיקרו-שניות חומר מתמקד בעיצוב ארכיטקטורות קלות שניתן להחדיר או למקביל ביעילות.

חוסר יכולת ואימות

תעשיית התקשורת היא שמרנית: מהנדסי מערכת צריכים להבין מדוע קודר מקבל החלטה מסוימת, או מדוע קוד מבצע היטב, לפני אישור השימוש במערכות קריטיות בטיחותיות.רשתות נילאל הן לעתים קרובות "קופסאות שחורות" לעבוד על AI עבור תקשורת הוא עדיין בחיתוליו, אבל שיטות כמו הדמיה תשומת לב עבור שינוי קודקוד או מפות סלפי עבור NBP מתחילים לספק מקבילה, עם גישה משולבת יותר.

כיוונים עתידיים: לאן זה הולך?

קודים של למידת מכונות ו-LDPC מתפתחים יחד, וכמה מגמות מרגשות נמצאים באופק.

קוד משותף ו-Decoder Co-Design

במקום לנסח את הקוד ואת הקוד בנפרד, מערכות עתידיות יאמן אותם במשותף.אדריכלות של הדלקוד יכולה להשפיע על עיצוב הקוד האופטימלי ולהיפך.על ידי טיפול במערכת התקשורת כולה (מתנור, ערוץ, קודר, קודקוד) כרשת עצבית מקצה לקצה (FDanceer) כבר מ-57 ל-end, החוקרים יכולים ללמוד "קוד מותאם במיוחד לקוד עצבי"גישה עצבית.

למד את קריטריה מוקדמת

בקידוד רציונטיבי, מסגרות רבות דורשות רק כמה סטיות, בעוד כמה צורך רבים. A למד מוקדם סיום (LET) רשת יכול להחליט מתי להפסיק את זה על ידי בחינת המצב הנוכחי של הדלפק. זה יכול לחסוך אנרגיה ולהפחית את הכדאיות הממוצעת. RL הוא התאמה טבעית לבעיה זו, שכן הסוכן לומד מדיניות שמאזנת את הסיכון של כישלונות נמוכות יותר של 30 מעלות צלזיוס.

למידה על-ידי תקשורת הסתגלות

המטרה הסופית היא להפוך את מכשירי התקשורת שיכולים להתאים לסביבה שלהם בזמן אמת. An IoT חיישן node עשוי ללמוד להתאים את קוד ה-LDPC שלה ואת האסטרטגיה הניתוק המבוססת על רמת הסוללה הנוכחית, איכות ערוצים, דרישות עצלות.זה ידרוש מודלים אולטרה-אורקל משקל ML שניתן לאמן על המיקרובקר, אולי באמצעות פיזור ידע ממודל מחקר גדול יותר לא מקוון.

אינטגרציה עם Beyond-5G ו- 6G Standards

גופי סטנדרטיזציה כמו 3GPP כבר לחקור את השימוש של למידת מכונה בהליכים שכבתיים פיזיים.עבור 6G, הצפוי סביב 2030, תמיכה Native עבור קודים תיקון שגיאות מבוסס AI וקודמים הוא כנראה.חזון אחד הוא כי תחנת הבסיס וציוד המשתמש לנהל משא ומתן על מבנה קוד באמצעות ייצוג עצבי למד, אשר ניתן להתאים עבור שירותים שונים - מתקשורת דלת-ל-ל-הפחתת נמוכה (LLC) כדי להיות משופר עם קודים (DLCD) עם קודים רחב יותר מאשר .

מסקנה

קודים נמוכים-רגישות של פאריטי-צ'ק אינם יוצאים משם.הבסיס התיאורטי הבלתי-מיושב שלהם ואימוץ תעשייתי נרחב הופכים אותם למתקן קבוע בתקשורת דיגיטלית.עם זאת, לפילוסופיה העיצובית הסטטית, בגודל אחד, שמשרתת את השדה במשך עשרות שנים, היא בצורת מחדש על ידי למידת מכונה.מייצרת מאפים המותאמים לתנאי ערוץ ספציפיים, לקוד עצביים שעשרות שנים של דחיסות, הוא רק דחיסות, והופכת לכדי דחיסות אנרגיה מוחשית, היא רק לכדי דחיסה, והופכת לכדי דחיסה, והופכת לדרגה של דחיסה, היא רק לכדי דחיסה, והופכת לדרגה של דחיסה, היא רק לדרגה של דחיסה, והופכת לדרגה של דחיסה, והופכת לדרגה של דחיסות, והופכת לכדי דחיסה, כלומר, והופכת לכדי יעילות מוחשית, והופכת לדרגה של דחיסה, כלומר, לכדי יעילות של חומרתית, היא רק במעטה, מיצירתית, מיצירתית, מיצירתית, מיצירתיתית, מיצירת יעילות של יעילות של חומרת, מיצירתית, מיצירתיתית, מיצירתית, מייצור

הדרך לאינטגרציה מלאה אינה ללא תקלות: הצורך במאגרי מידע גדולים, עלויות חישוביות, חששות חזקים, והביקוש של התעשייה לפירוש כל האתגרים האמיתיים הקיימים כיום.אבל המסלול ברור.כפי שמצמצמציינים חומרה הופכים להיות יותר מסוגלים ואלגוריתמים אלגנטיים יותר, הקו בין עיצוב קוד ולמידה יטשטש.