May, 2024

增强型神经解码器：实现 6G 网络中 LDPC 码的极高可靠性

PDF
TL;DR在 6G 网络中，确保极高的可靠性对于信道编码至关重要。我们提出一种创新的解决方案，即增强型神经最小和（NMS）解码器，通过采用新颖的训练方法，在 5G 低密度奇偶校验（LDPC）码中实现了优越的性能，并满足了 6G 低误码要求，同时具备高度的实际应用性。
6g networksultra-reliable and low-latency communicationslow-density parity-check codesboosted neural min-sum decodererror floor phenomenon
发现论文，激发创造
  • 提升 LDPC 码的学习以改善误差地板性能

    通过训练方法优化神经最小和（NMS）解码器，有效降低 LDPC 码的误差底线现象，并获得最佳的误差底线性能。

    Oct, 2023

  • 基于神经网络的 LDPC 解码器训练配方

    本论文提出了一种新的方法，利用深度学习框架确定传递消息的不同边的可训练参数，重点是减少可训练参数的数量并强调其位置。经过广泛的模拟实验，论文表明这种方法可以提供高质量的训练数据，并展示了训练损失和解码指标之间的强正关系。

    May, 2022

  • 学习线性分组纠错码

    本研究首次提出了一种统一的编码 - 解码训练方法，用于二进制线性分组码，采用了适应性编码设置，支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的 Transformer 模型，其中的自注意力掩码采用可微分的方式进行，以实现对码梯度的有效反向传播。实验结果表明：(i) 所提出的解码器在常规编码上优于现有的神经解码器；(ii) 所提出的框架生成的编码优于相应的常规编码；(iii) 我们开发的编码不仅在我们的解码器上表现出色，而且在传统解码技术上也表现出更好的性能。

    May, 2024

  • 基于深度学习的信道译码

    本文探讨使用深度神经网络进行一次解码的想法，特别是在随机和结构化码，如极化码方面的应用。通过实验我们发现，结构化码比随机码更易于学习，并且神经网络能够推广到它没有见过的结构化码中，这提供了神经网络可以学习解码算法的证据。我们引入了标准化验证误差（Normalized Validation Error，NVE）来进一步研究深度学习解码的潜力和限制。

    Jan, 2017

  • 深度学习下的近似最大似然解码

    提出了一种新型高效的神经解码算法，结合神经置信传播算法和自同构群置换，实现了近乎最大似然性能的高密度奇偶校验码的解码，并显著降低了解码复杂度；此外，通过探究训练过程，加速了学习过程，通过模拟 Hessian 矩阵和条件数进一步说明了加速的原因，同时展示了算法在各种长度为 63 位及以下的线性分组码的解码效果。

    Jan, 2018

  • 深度学习提高线性编码解码的方法

    探讨利用深度学习方法改进信道解码器进行线性码的近似最优的解码，发现可以通过构建循环神经网络的体系结构来实现解码器参数的绑定，以此有效降低参数数量并提升性能。

    Jun, 2017

  • 神经偏移最小化和求和解码

    使用可学习的偏置参数，我们提出一种硬件友好的方法，以取代在 Tanner 图中使用乘法权重的深度学习技术，从而改进纠错解码器的性能，并将其与另一种神经解码算法进行比较，结果在考虑的代码中实现了比传统置信传播高 1dB 的错误纠正性能，并取得比乘法算法少 0.1dB 的性能。

    Jan, 2017

  • 一次性解码：基于深度无监督学习的极化编码器

    本文提出了一种基于自监督学习的无监督深度学习解码方案，其将极化码的发生矩阵作为信息标签，使神经网络充当有界距离解码器，大大提高了通信系统的实际应用性能。经计算机模拟验证，与传统编码方案相比，该方案具有更优异的泛化能力和无限接近最大后验概率解码器的数据错误率和块错误率表现。

    Jul, 2023

  • 一种低温记忆电阻神经解码器用于容错量子错误校正

    基于内存计算的神经解码器推理加速器在量子纠错中的设计和性能分析，以解决解码时间和可扩展性要求，研究了非理想性对解码准确性的影响，为集成的量子纠错提供了可扩展，快速和低功耗的低温内存计算硬件。

    Jul, 2023

  • 基于简化复杂度的循环神经网络极化码译码器及其权重量化机制

    本文提出一种基于代码簿加权量化的低复杂度循环神经网络极化解码器，可以有效减少内存开销，在轻微性能损失的情况下减轻计算复杂度。

    Oct, 2018