Single-Min LDPC Offset Optimization Methods

Notre monde est de plus en plus dépendant des technologies à faible consommation d'énergie. Les téléphones mobiles et les ordinateurs portables ont une empreinte énergétique croissante, ce qui nécessite une amélioration constante des technologies employées dans les réseaux de communications. En plus d'augmenter le débit de transmission, les futurs réseaux de communication ont des contraintes en latence, en fiabilité et en consommation énergétique de plus en plus fortes. Bien que ces réseaux évoluent rapidement, les techniques sous-jacentes utilisées pour coder les messages sont restées les mêmes. Si les techniques de codage de canaux ont connu des avancées majeures au cours des 30 dernières années, les changements monumentaux que nous constatons dans la pratique sont le résultat d'innombrables heures d'optimisation et d'adaptation de ces techniques à des technologies comme Ethernet, WiFi et 5GNR. Les codes low-density parity-check (LDPC) sont largement utilisés dans les systèmes de communication. Nous proposons des méthodes pour améliorer davantage l'efficacité énergétique des décodeurs LDPC, en utilisant des décodeurs single-minimum (SM). Contrairement aux décodeurs Min-Sum (MS), ces décodeurs ne calculent qu'un seul minimum pendant l'opération de mise à jour des messages, et appliquent un facteur de correction pour estimer le second. Bien que ces décodeurs soient beaucoup plus efficaces sur le plan énergétique que les décodeurs utilisés en pratique aujourd'hui, leur taux d'erreur binaire est dégradé en raison de la perte inhérente d'informations générée par l'émulation du second minimum. Les méthodes que nous proposons servent à optimiser les facteurs de correction utilisés dans l'émulation du second-min de manière à atténuer cette dégradation. Dans ce mémoire, nous présentons une formulation générale du problème d'optimisation des facteurs de correcteur SM. Nous présentons ensuite des approches basées sur les simulations Monte Carlo (MC) pour résoudre ce problème, y compris des solutions obtenues avec une nouvelle méthode heuristique, appelée window search algorithm (WSA). Nous explorons également des solveurs basés sur des fonctions objectives à contraintes relaxées qui optimisent des facteurs de correction non-quantifié (valeur réelle). Ces facteurs sont ensuite quantifiés pour étudier l'effet du nombre de bits de quantifications sur les performances en taux d'erreur binaire. De plus, nous avons adapté l'analyse density evolution (DE) aux deux premières itérations du décodage SM, et nous avons proposé une méthode basée sur cette méthode de DE pour optimiser les facteurs de correction émulant le second-min.