Inleiding tot LDPC-codes en hun prestaties

De Low-Density Parity-Check (LDPC) codes, eerst ontdekt door Robert Gallager in zijn 1960 PhD proefschrift en later herontdekt in de jaren negentig, zijn een hoeksteen geworden van moderne digitale communicatie. Ze worden gebruikt in normen zoals DVB-S2, Wi-Fi (IEEE 802.11n/ac/ax), 5G NR, en satellietcommunicatie. LDPC codes worden gedefinieerd door een schaarse pariteit-check matrix die overeenkomt met een bipartiete Tanner grafiek met variabele knooppunten (representeren code bits) en controleknooppunten (representeren pariteit vergelijkingen). De iteratieve decodering algoritme, meestal geloofsvermeerdering (BP) of een min-som variant, geeft berichten langs de randen van deze grafiek.

De prestaties van een LDPC-code worden vaak gekenmerkt door de drempel]het maximum kanaalgeluidsniveau (of minimale SNR) waarbij de kans op decoderingsfout willekeurig tot nul kan worden gedreven, aangezien de codelengte neigt tot oneindigheid. Het benaderen van de Shannonlimiet vereist een zorgvuldige vormgeving van de structuur van de code. Onder de meest invloedrijke ontwerpparameters zijn de -gradenverdelingen van variabele en controleknooppunten, die beschrijven hoeveel randen elk type node bezit. Het optimaliseren van deze verdelingen kan de drempel dichter bij kanaalcapaciteit duwen voor een bepaald kanaalmodel.

Dit artikel biedt een diepgaande verkenning van de graadverdeling optimalisatie voor LDPC codes. We eerst de fundamentelen van LDPC decoderen en drempels te bekijken. Vervolgens ontleden we de rol van de graad verdelingen en onderzoeken klassieke optimalisatie technieken zoals dichtheid evolutie en EXIT grafieken. Vervolgens passen we de discussie aan op specifieke kanaal modellen .binaire symmetrische kanaal (BSC), additieve witte Gaussian noise (AWGN) kanaal, binaire wisser kanaal (BEC), en Rayleigh vervagen kanalen . Laat zien hoe distributies moeten worden aangepast. Tenslotte, we raken op eindige-lengte overwegingen en praktische code ontwerp, ondersteund door externe referenties voor verdere lezing.

Inzicht in LDPC-codes en -drempels

Een LDPC-code van lengte n en dimensie k wordt gedefinieerd door een m × n[ pariteitscontrolematrix H met m] = n[]] [k[ (uitgaande op volledige rij). De matrix is schaars: het aantal van 1's is lineair in n], typisch O(n). In de tanner-grafiek komen variabele knooppunten overeen met kolommen van [[ en checknners met rijen]]].

Het decoderen algoritme werkt door iteratief berichten uit te wisselen langs deze randen. Voor de BEC zijn berichten wissen, bits of onbekende symbolen. Voor symmetrische kanalen zoals BSC en AWGN zijn berichten log-likelihood ratio's (LLR's). Het algoritme convergeert wanneer alle pariteitscontroles zijn voldaan of na een maximum aantal iteraties. De threshold[ wordt gedefinieerd via dichtheidsevolutie: voor een gegeven code ensemble (gedefinieerd door de mateverdelingen), kan men de maximum kanaal parameter (bijv., crossover waarschijnlijkheid p[]] voor BSC, ruisvariatie σ2 voor AWGN, wissing waarschijnlijkheid ε voor BEC) zodanig berekenen dat de de decodering fout waarschijnlijkheid nul is als ]n[] → . De drempels zijn een fundamentele maatstaf voor de asyptotische prestaties van een ensemble en dienen als een leidraad voor praktische codeontwerp.

Rol van de gradenverdelingen

Voor variabele knooppunten is de verdeling typisch door polynomen vertegenwoordigd. Voor variabele knooppunten, laat λ-]] = -[[[[FLT:]]][[FLT:]][[FLT:]][[FLT:]]][[[FLT:]]][[FLT:]]][[[FLT:]]][[FLT:]][FLT:]][FLT:]λ[FLT:]λ[FLTLT:]λ[FLTLT:]]λ[FLT:][FLT:]][FLT:]][FLT:]][FLT:]]][FLT:]][FLT:]]][FLT:]]][FLT:]]]]]i[[FLT:]]]i[[FLT:]]]]]i[[[FLT:]

De keuze van de distributies beïnvloedt de stroom van extrinsieke informatie tijdens het decoderen. Een variabele knoop van graad dv verzamelt informatie van d[[]v incidentcheck nodes en de kanaalwaarneming; het stuurt dan bijgewerkte berichten terug. Hoge graden variabele nodes ontvangen meer diverse controle berichten, die de convergentie kunnen versnellen, maar ze verspreiden ook meer fouten als de controleberichten onbetrouwbaar zijn. Lage graden nodes zijn robuuster aan geluid maar komen langzaam samen. Ook controleren nodes van graad d]c]; hogere graad controle nodes kunnen meer beperkingen hanteren maar kunnen ook langere cycli in de grafiek creëren, mogelijk verneerende decodering.

Verdeling van variabele knooppuntgraden

De variabele knooppuntenverdeling heeft een sterke invloed op de codedrempel decodering . In het seminale werk van Luby, Mitzenmacher, Shokrollahi en Spielman (1998) op onregelmatige LDPC-codes, werd aangetoond dat variabele knooppunten met een mengsel van graden een bepaalde hoge, sommige lage .low ..kan bereiken drempels extreem dicht bij de Shannon-limiet voor de BEC. De intuïtie is dat hoge graden knooppunten, die ontvangen veel berichten, snel hun juiste waarde leren en vervolgens helpen lagere graden knooppunten door controle knooppunten. Voor de AWGN kanaal, onregelmatige distributies met zorgvuldige optimalisatie hebben bereikt drempels binnen 0,0045 dB capaciteit. Gemeenschappelijke patronen omvatten een paar hoge graden variabele knooppunten (bijv., graad 20, 30) en vele lage graden knooppunten (bijv., graad 2, 3).

Knopgraadverdeling controleren

Controlen node graden ook belangrijk, hoewel hun impact is vaak secundair in vergelijking met variabele knooppunten. Voor de BEC, de optimale controle node verdeling is geconcentreerd rond een enkele graad (vaak 4

Optimalisatiemethoden voor degradatieverdelingen

Het vinden van optimale graadverdelingen is een niet-convex optimalisatieprobleem dat is aangepakt met behulp van verschillende analytische en numerieke technieken. De drie meest voorkomende methoden zijn dichtheidsevolutie (DE), extrinsieke informatieoverdracht (EXIT) grafieken en lineaire programmering (LP) benaderingen.

Dichtheidsontwikkeling

De dichtheidsevolutie, geïntroduceerd door Richardson en Urbanke (2001), volgt de waarschijnlijkheidsdichtheidsfunctie (pdf) van berichten die tijdens iteratieve decodering worden uitgewisseld, uitgaande van een cyclusvrije (boomachtige) grafiek. Voor de BEC zijn de berichten binair (uiterst of bekend), dus DE vermindert tot het volgen van de kans op wissen door middel van de grafiek. Voor AWGN kanalen volgt DE de pdf van LLR's, die onder de symmetrische Gaussiaanse benadering vermindert tot het volgen van het gemiddelde m] van de Gaussian. De drempel wordt gevonden door het verhogen van het kanaalgeluid totdat de DE recursie niet converteert naar nulfout. Het optimalisatieproces houdt in dat de ruimte van λ]x] en ρxxx

Uitgangsgrafieken

EXIT-diagrammen, ontwikkeld door tien Brink (2001), bieden een grafische tool voor het analyseren van het convergentiegedrag van iteratieve decoders. Ze plotten de wederzijdse informatie (MI) die wordt overgedragen van variabele knooppunten om nodes te controleren versus MI overgedragen van controleknooppunten naar variabele knooppunten. De resulterende curves, genoemd karakteristieke curven, mogen niet intersecteren voor het decoderen om te slagen. Optimalisatie van de graadverdelingen met behulp van EXIT-grafieken impliceert het gebied onder de variabele knooppuntcurve aan het gebied onder de controleknooppuntcurve, met het gebiedsverschil gerelateerd aan de kloof naar capaciteit. EXIT-diagrammen zijn vooral populair voor AWGN-kanalen omdat ze computervereenvoudigd eenvoudiger zijn dan volledig DE en geven intuïtief inzicht. Echter, ze vertrouwen op de Gaussiaanse benadering van LLR-distributies, die minder accuraat worden voor ernstige ruis of onregelmatige distributies.

Lineaire programmering en andere benaderingen

Voor de BEC kan het optimalisatieprobleem worden gegoten als een lineair programma omdat de DE-conditie zich reduceert tot een lineaire ongelijkheid op de coëfficiënten van λ en ρ[]. Lineaire programmering levert wereldwijd optimale distributies (over een bepaalde graadset) efficiënt op. Voor algemene kanalen zijn de beperkingen niet-lineair, dus heuristiek zoals gesimuleerde gloeien, genetische algoritmen of gradiënt gebaseerde methoden worden gebruikt. Recente vooruitgang maakt gebruik van machine learning (bijvoorbeeld versterking leren) om de ruimte van de gradenverdelingen te doorzoeken. Een andere aanpak is het gebruik van extrinsische informatieoverdracht (EXIT) grafiek die past op een kostenfunctie gebaseerd op de gebiedseigenschap. Ongeacht de methode, is het resultaat een set van graadparen (d], v[, d[c[[[)]] en fracties die de drempel voor een vast tarief en een specifiek kanaalmodel maximaliseren.

Optimaliseren voor verschillende kanaalmodellen

Verschillende kanalen hebben verschillende statistische eigenschappen, die de aard van de uitgewisselde berichten beïnvloeden en dus de optimale verdeling van de graden. Hieronder bespreken we vier belangrijke kanaalmodellen: BEC, BSC, AWGN en Rayleigh-vervagen.

Binaire erosiekanaal (BEC)

De BEC is de eenvoudigste niet-triviale kanaal: met waarschijnlijkheid ε een beetje wordt gewist (onbekend), en anders correct ontvangen. De drempel is de maximale ε zodanig dat decodering slaagt. Voor de BEC, de optimale graad verdelingen zijn analytisch bekend via lineaire programmering. In 2001, Lubie et al. toonde aan dat onregelmatige LDPC codes kunnen bereiken capaciteit (ε = 1 − R[) asymptotisch. De optimale variabele knooppuntverdeling omvat hoge graden knooppunten (bijv. graad tot 50 of 100) en een grote fractie van graad-2 knooppunten. Echter, graad-2 knooppunten maken een "stopping set" kwetsbaarheid op eindige lengtes, wat leidt tot een foutvloer. Praktische ontwerpen voor BEC (bijv., raptor codes) gebruik graadverdelingen met slechts een paar graad-2 knooppunten en een zware staart. Controle node verdeling is meestal geconcentreerd op een enkele graad, vaak ]]d]][FLT: 4]] = 4] voor een dergelijke limiet

Binair Symmetrisch Kanaal (BSC)

De BSC flips bits onafhankelijk van elkaar met waarschijnlijkheid p. Optimale graad verdelingen voor BSC zijn complexer omdat berichten binair zijn (harde beslissingen) in een harddecision decoder (bv. Gallager's algoritme A/B) of zachte waarden als BP met LLR's wordt gebruikt. Voor harde beslissingsdecodering zijn de verdelingen vaak regelmatig (alle variabele knooppunten dezelfde graad, alle controleknooppunten dezelfde graad) omdat onregelmatigheden weinig winst opleveren. De optimale reguliere LDPC code voor BSC onder Gallager's algoritme heeft variabele graad 3 en controlegraad 6 voor tarief 1/2, waarbij een drempel wordt bereikt in de buurt van meteen. Voor softdecision BPp op BSC (met behulp van LLR's omgezet uit harde bits), kunnen onregelmatige verdelingen de drempel verbeteren, maar de winst is bescheiden vergeleken met AWGN. Onderzoek door Chung, Forney, et al. (2001) geeft geoptimaliseerde verdelingen voor BSC die de niveaus bereiken voor de capaciteit van het kanaal (die dichte 1/2

Additief Wit Gaussiaanse Lawaai (AWGN) Kanaal

Het AWGN kanaal is het meest bestudeerde model. Het doel is om de SNR drempel te maximaliseren (vaak uitgedrukt als Eb/N0[[]) voor een bepaald codetarief. Met behulp van dichtheidsevolutie onder de Gaussiaanse benadering, Richardson en Urbanke (2001) afgeleid geoptimaliseerde graadverdelingen voor verschillende tarieven. Bijvoorbeeld, een tarief-1/2 onregelmatige LDPC code kan variabele node graden 2, 3, 6 en 10 in specifieke fracties hebben, en controle node graden 4, 5 en 6. De drempel kan zo laag zijn als 0,19 dB afstand van de Shannon limiet (met een snelheid van 1/2 is 0 dB voor binaire modulatie). Meer agressieve verdelingen met zeer hoge graad variabele knooppunten (tot 50) kunnen de kloof verminderen tot 0,0045 dB, maar tegen de kosten van verhoogde decodingscomplexiteit en geheugen. Moderne NR gebruik quasi-cyclische LDPC codes met op basis van protografie gebaseerde protografie die zijn gebaseerd op basis van de gemiddelde verdeling

Rayleigh Fading Channel (met of zonder CSI)

In een Rayleigh-vervagend kanaal, de ontvangen signaalamplitude varieert als gevolg van vervagen. Met perfecte kanaalstatus informatie (CSI) op de ontvanger, het effectieve kanaal is een set van Gaussiaanse subkanalen met verschillende winsten. De optimale graadverdeling moet zich aanpassen aan de vervagen statistieken. Zoals getoond door Hou, Siegel, en Milstein (2003), onregelmatige LDPC codes met geoptimaliseerde graad verdelingen kunnen drempels bereiken die de gemiddelde wederzijdse informatie van het vervagen kanaal benaderen. Het belangrijkste inzicht is dat variabele knooppunten ervaren diepe vervagen meer bescherming nodig hebben tegen aangesloten controleknooppunten, wat een behoefte aan hoge graad variabele nodes tot poolinformatie impliceert. De optimale verdeling is zwaarder getailleerd dan voor AWGN; hoge graad knooppunten (bijv., 20.230) verschijnen vaker. Controle node graden zijn meestal geconcentreerd rond 4

Geavanceerde onderwerpen in Degree Distribution Optimalisatie

Eindige-lengte effecten en fout-vloer

Asymptotische drempels leiden tot ontwerp, maar praktische codes hebben eindige lengte n (bijv., 648 tot 1944 bits in 5G). Bij eindige lengtes, de foutvloer een gebied met zeer lage fout waarschijnlijkheid dat niet snel afneemt met SNR wordt kritiek. De foutvloer van LDPC codes wordt voornamelijk veroorzaakt door kleine stopsets (voor BEC) of opstapsets (voor AWGN). Degrade verdelingen met veel lage graden variabele nodes (vooral graad 2) zijn gevoelig voor dergelijke structuren. Om de foutvloer te beperken, moet de optimalisatie beperkingen omvatten op de omtrek van de grafiek (minimum cycluslengte) en de spectrale eigenschappen van de code. Sommige benaderingen van een multi-objectieve optimalisatie: maximalisering, terwijl het aantal kleine instapsets wordt uitgesloten. Dit leidt vaak tot verdelingen met minder graad-2 nodes en een meer geconcentreerde variabele nodegrade.

Uitvoeringsoverwegingen

Terwijl hoge graden knooppunten verbeteren drempels, ze verhogen decodering complexiteit. Voor elke iteratie, het aantal bewerkingen per rand is evenredig met de graad. Een variabele knooppunt van graad 30 vereist 30 toevoegingen (voor LLR updates) per iteratie, in vergelijking met 3 voor een graad-3 knooppunt. In hardware, geheugen en bandbreedte beperkingen beperken vaak de maximale graad tot ongeveer 10

Voorbeelden van codeontwerp

Om te illustreren, overwegen een tarief-1/2 LDPC code voor het AWGN kanaal. Met behulp van lineaire programmering met dichtheidsevolutie, wordt de volgende verdeling (van Richardson & Urbanke, 2001) vaak genoemd:

Variable degreeFraction of edges
20.289
30.171
60.486
100.055

En controleer de verdeling van de node: ρ(x) = 0,497 x3 + 0,503 x4 (d.w.z. fracties van randen incident in graad 4 en 5 controleknooppunten).Dit ensemble heeft een drempel van Eb/N0[ = 0,19 dB. In tegenstelling tot een reguliere (3,6) code heeft een drempel van ongeveer 0,7 dB. De onregelmatige ontwerpwinst van ongeveer 0,5 dB. Voor de BEC is een optimale tarief-1/2 verdeling (Shokrollahi, 2002):

Variable degreeFraction of edges
20.420
30.020
100.010
1000.550

De check node verdeling is geconcentreerd op graad 4 (100%). De drempel is ε = 0,499, zeer dicht bij de capaciteit van 0,5. Echter, de hoge graad-100 knooppunt maakt de code onpraktisch voor lage complexiteit decoders.

Conclusie

Optimaliseren van de mate van verdeling is een krachtige manier om de drempel van LDPC codes te maximaliseren, waardoor ze dicht bij de Shannon limiet voor verschillende kanaalmodellen. De keuze van variabele en controleer nodegraad profielen bepaalt de stroom van informatie tijdens iteratieve decodering en moet worden afgestemd op de geluidseigenschappen van het kanaal. Voor het wissen kanalen, lineaire programmering levert bijna optimale distributies met zware staart variabele graden. Voor AWGN en vervagen kanalen, dichtheid evolutie en EXIT grafieken begeleiden het ontwerp, vaak resulterend in onregelmatige profielen met een paar hoge graden knooppunten. Praktische beperkingen zoals eindige lengte, fout vloer, en decodering complexiteit leggen grenzen op waarop distributies levensvatbaar zijn, waardoor de optimalisatie een trade-off tussen asymmetrische prestaties en implementeerbaarheid.

Naarmate communicatiestandaarden evolueren naar hogere doorvoer en lagere latentie, blijft de vraag naar geoptimaliseerde LDPC codes. Recent onderzoek onderzoekt machine learning-based optimalisatie, proteograph modificaties, en gecombineerde graad en omtrek optimalisatie. Inzicht in de fundamentele eigenschappen van de graad distributie optimalisatie biedt ingenieurs de mogelijkheid om betere codes voor de volgende generatie draadloze, satelliet en opslagsystemen te ontwerpen. Zie voor verdere lezing het klassieke leerboek "Moderne Coding Theory" door Richardson en Urbanke], het seminal paper ]"Design of Capacity-Approaching Irregularly Low-Density Parity-Check Codes" door Chung et al.[ (2001), en de uitgebreide enquête ]"A Decade of LDPC Codes" door Johnson en Weller]. Voor praktische implementatiedetails zijn de 5G standaardspecificaties beschikbaar van ]3GPP:38.[F