Инновации в алгоритмах расшифровки мягких решений Ldpc для улучшения исправления ошибок

Понимание LDPC-декодирования мягких решений

Коды с низкой плотностью, первоначально введенные Робертом Галлагером в 1960-х годах, стали краеугольным камнем современной коррекции ошибок. Их почти ограниченная производительность и эффективное декодирование делают их незаменимыми в таких стандартах, как 5G New Radio, DVB-S2X, Wi-Fi 6 (802.11ax) и спутниковая связь. Ключ к достижению этой производительности лежит в алгоритме декодирования, в частности, использует ли он жесткую или мягкую информацию из канала.

В расшифровке мягких решений используются многобитные точные оценки каждого принятого символа, как правило, в виде коэффициентов логарифмической вероятности (LLR). LLR представляет логарифм отношения вероятности того, что бит равен 0, к вероятности того, что он равен 1, учитывая принятый сигнал. Сохраняя эту вероятностную неопределенность, декодеры мягкого решения могут делать итеративные, основанные на вере коррекции, которые намного более точны, чем аналоги жесткого решения. Канонический алгоритм мягкого решения для кодов LDPC является алгоритмом сум-продукта (SPA), который передает сообщения по краям графа Tanner кода. Однако SPA включает в себя вычислительно интенсивные гиперболические тангенсные функции, что побуждает к разработке упрощенных вариантов, которые торгуют минимальной потерей точности для значительного снижения сложности.

Поскольку коды LDPC определяются скудными матрицами проверки четности, граф декодирования имеет много коротких циклов и низких степеней узлов. Алгоритмы мягкого решения используют эту структуру для итеративного распространения информации о надежности, быстро сходящихся к окончательному решению. Разница между производительностью жесткого и мягкого решения может быть драматичной при низких соотношениях сигнал-шум (SNR), где декодеры с переключением битов жесткого решения часто полностью выходят из строя, в то время как декодеры мягкого решения продолжают работать близко к теоретическому пределу.

Последние инновации в алгоритмах декодирования

За последнее десятилетие были отмечены существенные инновации в декодировании LDPC с мягкими решениями. Исследователи сосредоточились на снижении вычислительной сложности без ущерба для производительности, корректирующей ошибки, адаптации алгоритмов к различным условиям канала и использовании машинного обучения для оптимизации на основе данных. В следующих разделах описаны самые эффективные последние разработки.

Нормализованный алгоритм Мин-сумма

Алгоритм min-sum (MSA) аппроксимирует обновление суммарного продукта, заменяя полное вычисление веры минимумом входящих величин LLR. В то время как это приближение значительно снижает сложность, оно последовательно переоценивает величину выходного сообщения, что приводит к ухудшению производительности. Нормализованный алгоритм Min-sum решает эту проблему путем умножения всех выходных сообщений контрольного узла на фиксированный коэффициент нормализации (обычно между 0,6 и 0,9). Это простое масштабирование компенсирует переоценку и приближает производительность декодирования к полной SPA. Современные реализации часто используют адаптивный коэффициент нормализации, который регулируется на основе числа итерации или надежности сообщения, что еще больше улучшает конвергенцию и поведение на уровне ошибок.

Алгоритм Offset Min-Sum

Аналогичный по духу нормализованному MSA, алгоритм смещения мин-суммы вычитает постоянное смещение из величины каждого сообщения вывода чек-узла. Вместо масштабирования этот метод сдвигает веру в сторону от ненадежной области. Параметр смещения выбран для минимизации среднеквадратной ошибки между приблизительными и истинными обновлениями чек-узла. Offset MSA особенно эффективен, когда статистика шума канала хорошо характеризуется, поскольку обеспечивает почти оптимальный компромисс между сложностью и производительностью. Он широко используется в коммерческих декодерных чипах LDPC для приложений, начиная от твердотельных накопителей до спутниковых транспондеров.

Слоеное декодирование

Слоеное декодирование, также известное как перетасовка или последовательное планирование, изменяет порядок обновлений переменных узлов в каждой итерации. В стандартном графике затопления все переменные узлы обновляются одновременно с использованием сообщений из предыдущей итерации. Слое декодирование обрабатывает один ряд (или слой) матрицы проверки четности за раз, сразу используя обновленные сообщения для последующих слоев. Этот подход может удвоить скорость конвергенции, требуя половины итераций для достижения той же скорости ошибок. В сочетании с алгоритмами мягкого решения, такими как офсетная мини-сумма, многоуровневое декодирование стало фактической архитектурой для высокопроизводительных декодеров LDPC в аппаратном обеспечении. Многие современные реализации используют частично параллельную архитектуру, где несколько слоев обрабатываются одновременно для балансировки пропускной способности и площади.

Адаптивные методы декодирования

Реальные каналы связи не являются стационарными; характеристики шума изменяются из-за затухания, помех или вариаций мощности. Адаптивные методы декодирования корректируют параметры декодирования — такие как коэффициент нормализации, значение смещения или даже максимальное количество итераций — в режиме реального времени на основе показателей качества канала. Например, в базовой станции 5G декодер может переключаться между высокопроизводительным режимом высокой сложности для регионов с низким энергопотреблением и режимом с низким энергопотреблением для регионов с высоким SNR. Некоторые схемы используют критерии раннего прекращения, которые контролируют вес синдрома и прекращают декодирование, как только найдено действительное кодовое слово, экономя энергию, не влияя на скорость бит-ошибки. Другие адаптивные методы включают боковую информацию от оценки канала или пилотных символов для уточнения входов LLR перед декодированием.

Нейронные сетевые декодеры

Машинное обучение, особенно глубокое обучение, открыло новый рубеж для декодирования LDPC. Нейронные сетевые декодеры заменяют или дополняют традиционные операции передачи сообщений с изученными преобразованиями. Одним из популярных подходов является «глубокое развертывание» алгоритма распространения убеждений, где каждая итерация представлена как слой нейронной сети с поддающимися обучению весами. Эти весовые параметры могут быть оптимизированы с помощью градиентного спуска на наборе данных шумных кодовых слов, эффективно изучая оптимальное масштабирование сообщений для каждого края в графе Таннера. Полученный в результате декодер нейронной сети может превзойти стандартный нормализованный алгоритм мин-суммы на несколько десятых децибела, особенно для коротких и умеренных длин кода. Более радикальные архитектуры, такие как декодеры на основе трансформаторов или нейронные сети графа, также были изучены для декодирования LDPC, хотя их вычислительная стоимость в настоящее время ограничивает практическое развертывание. По мере того, как аппаратные ускорители для нейронных сетей становятся все более распространенными, эти подходы могут вскоре быть внедрены в системы связи в реальном

Стохастическое декодирование

Стохастическое декодирование — это уточнение LDPC-декодирования мягкого решения, которое представляет вероятности в виде потоков случайных битов. Каждое сообщение заменяется последовательностью Бернулли, плотность которой равна желаемой вероятности. Операции чек-узла и переменного узла сводятся к простым логическим вентиляторам (например, XOR для контрольных узлов), резко упрощающим аппаратную реализацию. Современные стохастические декодеры включают стратегии демультиплексирования и отслеживания для преодоления высокой задержки, присущей ранним стохастическим конструкциям. Последние инновации используют счетчики вверх/вниз и краевые воспоминания для поддержания состояния между стохастическими последовательностями, достижения производительности коррекции ошибок в пределах 0,1 дБ алгоритма с плавающей точкой. Стохастические декодеры особенно привлекательны для приложений с ультранизкой мощностью, таких как имплантируемые медицинские устройства и датчики Интернета вещей.

Ультра-разрозненные коды и совместное декодирование

Параллельно с алгоритмом инноваций, дизайн кода эволюционировал, чтобы лучше соответствовать декодерам мягкого решения. Спациально связанные коды LDPC (SC-LDPC) строятся путем объединения нескольких копий базового кода LDPC со структурированным шаблоном связи. При декодировании с помощью декодера скольжения окон мягкого решения коды SC-LDPC достигают почти оптимальных порогов с гораздо более низкими уровнями ошибок, чем их блочные аналоги. Алгоритм декодирования может быть реализован в конвейере, непрерывно обрабатывая окно, в то время как приходят новые выходы канала, что позволяет высокую пропускную способность с ограниченной памятью. Эта парадигма исследуется для терабит-в секунду оптических систем связи.

Влияние на коммуникационные системы

Совокупный эффект этих инноваций был глубоким, преобразовывая как теоретические возможности, так и практическое развертывание систем цифровой связи.

5G NR и другие

Стандарт 5G New Radio принял коды LDPC для канала данных, используя конструкцию базового графа, которая поддерживает две скорости кода. Декодер мягкого решения внутри процессора базовой полосы 5G должен обрабатывать длины кода от 256 до 26 144 бит с очень низкой задержкой (порядка 100 микросекунд). Это стало возможным благодаря инновациям, таким как многоуровневая офсетная мини-сумма и адаптивное раннее прекращение. Результатом является пропускная способность пользовательского плана, превышающая 10 Гбит/с, со скоростью блок-ошибки ниже 10-5, даже в сложных городских условиях. Будущие системы 6G, как ожидается, потребуют еще более высоких скоростей и более низкой задержки, что приведет к дальнейшей эволюции алгоритмов декодирования.

Спутниковые и дальнекосмические связи

Спутниковая связь работает при жестких ограничениях мощности и задержки. Стандарт DVB-S2X использует коды LDPC в сочетании с декодированием LDPC для достижения спектральной эффективности, близкой к пределу Шеннона. Такие инновации, как нормированная мини-сумма с адаптивным масштабированием, сыграли важную роль в поддержании закрытия связи во время выцветания дождя или смещения антенн. Глубоководные миссии, такие как миссии с использованием кодов LDPC Консультативного комитета по космическим системам данных (CCSDS), полагаются на декодеры мягкого решения, которые могут работать при очень низких SNR (часто ниже 0 дБ). Декодеры на основе нейронной сети активно изучаются для этих миссий, потому что они могут научиться смягчать последствия очень длительных задержек распространения и очень негауссовского шума.

Хранение данных и память

Твердотельные накопители (SSD) и флэш-памяти NAND страдают от шума, вызванного интерференцией ячейки к ячейке, циклами программы/эразы и потерей удержания. Коды LDPC с декодированием мягкого решения стали стандартным механизмом коррекции ошибок, часто сочетающимся с методами считывания-ретриции, которые извлекают мягкую информацию, считывая одну и ту же ячейку при нескольких порогах напряжения. Использование смещенной мин-суммы и многоуровневого декодирования в контроллерах SSD увеличило выносливость флэш-устройств на несколько порядков, что позволило экономично использовать методы декодирования высокой плотности. Адаптивные методы декодирования динамически регулируют количество смещения и итерации на основе наблюдаемой скорости ошибки бита, минимизируя задержку во время нормальной работы, обеспечивая сильную коррекцию во время маргинальных считываний.

Оптические транспортные сети

Когерентные оптические системы связи, работающие на частоте 400 Гбит/с и 800 Гбит/с на длину волны, полагаются на декодеры LDPC мягкого решения для компенсации линейных и нелинейных нарушений. Для следующего поколения оптического транспорта рассматриваются ультра-разреженные коды SC-LDPC с декодированием скольжения окон, обещая сократить разрыв до предела Шеннона до менее чем 0,5 дБ. Параллельный характер алгоритма скольжения окон естественным образом отображается на систолических массивах, используемых в цифровых ASIC-системах обработки сигналов, что позволяет декодировать скорость линии с управляемым потреблением энергии.

Будущие направления

Исследования в области декодирования LDPC с мягкими решениями продолжают расширять границы. Несколько новых направлений обещают дальнейшее улучшение производительности, эффективности и адаптивности.

Интеграция глубокого обучения в декодеры в реальном времени

Хотя декодеры на основе нейронных сетей в настоящее время требуют больших вычислений с плавающей запятой, быстрая эволюция ускорителей ИИ и специализированных цифровых сигнальных процессоров делает вывод в реальном времени осуществимым. Будущие системы могут сочетать обычный декодер мягкого решения с легкой нейронной сетью, которая предсказывает оптимальные параметры (фактор нормализации, смещение, максимальные итерации) на основе информации о состоянии канала. Сквозное обучение, где кодирование и декодирование совместно оптимизируются с помощью глубокого обучения, может дать совершенно новые коды, адаптированные к конкретным моделям каналов.

Квантовый и постквантовый LDPC

Для квантовой связи коды LDPC используются в дистилляции запутанности и коррекции квантовых ошибок. Декодирование квантовых кодов LDPC по определению является сложной задачей, поскольку квантовые измерения разрушительны и не могут быть повторены. Недавние инновации в распространении убеждений для квантовых кодов включают формализм стабилизатора и тщательную обработку вырождения. Разработка эффективных декодеров мягкого решения для квантовых кодов LDPC является ключевым фактором для отказоустойчивых квантовых вычислений.

Hardware-Aware Algorithm Co-Design (альгоритм)

Будущие декодеры LDPC будут с самого начала проектироваться с помощью узкой петли обратной связи между алгоритмом и реализацией. Алгоритмические инновации, такие как стохастическое декодирование и многоуровневое планирование, уже сформированы аппаратными ограничениями. Тенденция к чрезвычайно низковольтной работе в продвинутых узлах CMOS требует декодеров, которые могут переносить изменчивость времени и подавать шум. Разрабатываются новые алгоритмы, которые работают с сообщениями двоичного уровня в траектории данных, сохраняя качество мягкого решения за счет статистического накопления, что позволяет использовать декодеры сверхнизкой мощности для периферийных устройств.

Код- и алгоритм-разнообразие для динамических сред

Будущие системы связи столкнутся с резко меняющимися условиями — от глубокого замирания в помещении до высокоскоростной мобильности. Вместо одного фиксированного кода и декодера адаптивные системы будут динамически выбирать из библиотеки кодовых конструкций и алгоритмов декодирования. Декодеры мягкого решения с реконфигурируемыми LLR-представлениями и ограничениями переменной итерации будут плавно переключаться между высокопроизводительными и маломощными режимами. Решения машинного обучения будут организовывать эти переходы, обучаясь от исторических данных канала до предварительного размещения конфигурации декодера.

Путь от оригинальных идей Галлагера к современным декодерам с расширенными нейронными сетями мягкого решения иллюстрирует силу постоянных инноваций. С каждым алгоритмическим прогрессом - нормализованным минимальным количеством, многоуровневым планированием, адаптивными методами и нейронным декодированием - разрыв между теоретической емкостью и практической производительностью сокращается. По мере того, как спрос на надежную высокоскоростную связь продолжает расти, декодирование LDPC с мягким решением останется на переднем крае, развиваясь для решения проблем сетей следующего поколения, хранения и квантовых систем.