[pt] DECODIFICAÇÃO BELIEF PROPAGATION ORIENTADA A Q-LEARNING PARA CÓDIGOS POLARES

[en] Q-LEARNING DRIVEN BP DECODING FOR POLAR CODES

[pt] LUCAS MARQUES DE OLIVEIRA

[pt] DECODIFICADOR BP PARA CODIGOS POLARES

[pt] DECODIFICADOR BP ORIENTADA A Q-LEARNING PARA CODIGOS POLARES

[pt] Q-LEARNING

[en] BP DECODER FOR POLAR CODES

[en] Q-LEARNING DRIVEN BP DECODING FOR POLAR CODES

[en] Q-LEARNING

[pt] O código polar tem se provado como um forte benchmark no que se diz respeito à codificação de canal para próxima geração de comunicação móvel, o 5G. Introduzidos por Arikan [1], os códigos polares são os primeiros tipos de códigos de canal na qual sua capacidade pode ser atingida através de uma prova teórica, sob as condições de comprimento de código infinito e decodificação de cancelamento sucessivo (SC). Entretanto, códigos de comprimento finito apresentam um baixo desempenho em termos de taxa de erro sob o decodificador SC, além de apresentarem uma alta latência devido à natureza sequencial do decodificador, na qual os bits de informação são decodificados serialmente. Como a decodificação SC para comprimentos de códigos finitos é sub-ótima, Tal e Vardy [2] propuseram um decodificador de cancelamento sucessivo em lista (SCL) no qual se aproxima do limite de máxima verossimilhança (ML) para um tamanho de lista suficientemente grande ao custo de uma maior complexidade. Além disso, códigos de verificação de redundância cíclica (CRC) [3] podem ser facilmente introduzidos a fim de aprimorarem o algoritmo SCL por meio do aumento de sua distância mínima. Esta combinação torna os códigos polares um poderoso esquema de codificação, apesar de apresentarem uma alta complexidade de decodificação SCL e uma natureza de decodificação inerentemente serial. Dessa forma, diversas variantes do decodificador foram propostas como forma de reduzir a complexidade computacional [4], [5] e [6]. Como alternativa à natureza serial do decodificador baseado em SC, Arikan propôs um algoritmo de decodificação iterativo com alto potencial de paralelismo baseado na propagação de crenças (BP) [7] sob o diagrama de codificação dos códigos polares. No entanto, apesar do algoritmo superar a decodificação SC, ser um forte candidato em aplicações que demandam uma alta taxa de dados e mais adequado para implementações em hardware, sua performance não é ainda equiparável ao decodificador SCL com CRC. Dessa forma, uma série de esforços têm sido feitos na tentativa de melhorar a performance do decodificador. Em [8] e [9], foi mostrado que os códigos polares de comprimento finito sob decodificação BP podem ser aprimorados quando canais semi polarizados são adicionalmente protegidos pelos nós de verificação ou através de um código polar aumentado [10]. Infelizmente, essas abordagens ainda apresentam uma performance inferior quando comparada à decoficação SCL. Além disso, elas exigem uma estrutura de código ajustada e, portanto, não são compatíveis com o código polar consolidado na literatura. Nosso projeto consiste, portanto, em desenvolver um novo decodificador BP, baseado em Q-Learning, que preserva a estrutura do código polar, e que obtém uma performance consistentemente superior aos decodificadores BP e SC convencionais.

[en] Polar codes have been proved as a strong benchmark when it comes to channel polarization of the next generation of mobile communication, 5G. Introduced by Arikan, polar codes are the first type of channel codes in which their capacity can be achieved by means of theoretical proof, assuming an infinite code length and successive-cancellation decoder (SC). However, finite-length codes have a lower performance in terms of error rate under the SC decoder, in addition to presenting a higher latency due to the sequential nature of the decoder, in which the information bits are decoded serially. Considering that the SC decoder for finite length codes is sub-optimal, Tal and Vardy proposed a listbased Successive Cancellation Decoder (SCL) in which it approaches the maximum likelihood (ML) performance for a list size large enough at the cost of greater complexity. Furthermore, Cyclic Redundancy Check Codes (CRC) can be effortlessly implemented in order to improve the SCL algorithm by increasing its minimum distance. This combination makes polar codes a powerful decoding scheme, despite their high complexity and a serial inherent nature. Therefore, several variants of the decoder have been proposed in order to reduce the computational complexity. As an alternative to the serial nature of the SC decoder, Arikan proposed an iterative decoder algorithm with great potential for parallelism based on Belief Propagation (BP) under the codification diagram of the polar codes. Nevertheless, despite the algorithm outperforming the SC decoder, being a strong candidate in applications which demand a high data rate and more suitable to hardware implementations, your performance is not comparable to the CRC-aided SCL decoder. Therefore, several efforts have been made to enhance the decoder performance. It has been shown that finite-length polar codes under BP decoding can be improved when semi-polarized channels are additionally protected by check nodes, or with an augmented polar code. Unfortunately, these approaches have inferior performance when compared to SCL decoding. Besides, they require an adjusted code structure and are thus not compatible with the standardized polar code in the literature. Therefore, our project consists of developing a new BP decoder, based on Q-Learning, which maintains the polar code structure, and obtains a performance consistently superior to the standard BP and SC decoders.

RODRIGO CAIADO DE LAMARE

ROBERT MOTA OLIVEIRA

2021-07-27

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53926@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53926@2

https://doi.org/10.17771/PUCRio.acad.53926