[論文レビュー] GRAND for Gaussian Intersymbol Interference Channels

Zhuang Li, Wenyi Zhang|arXiv (Cornell University)|Mar 9, 2026

Error Correcting Code Techniques被引用数 0

ひとこと要約

この論文は GRAND を Gaussian ISI チャネルへ拡張し、SGRAND-ISI、ORBGRAND-ISI、CDF-ORBGRAND-ISI を導入して、メモリを考慮したほぼ ML 性能を実現するとともに計算量を削減。チャネルのメモリを活用。

ABSTRACT

Channel decoding is a challenging task in communication channels exhibiting memory effects. In this work, we apply the recently proposed decoding paradigm of guessing random additive noise decoding (GRAND) to channels with memory, focusing on linear Gaussian intersymbol interference (ISI) channels. For describing error patterns (EPs), we introduce the concept of error burst to account for the memory effect, and define sequence reliability to characterize the likelihood of EP. Based on sequence reliability, we obtain the optimal GRAND algorithm as a generalization of soft GRAND (SGRAND) for linear Gaussian ISI channels, termed SGRAND-ISI, which is equivalent to the maximum-likelihood (ML) decoding algorithm. We then develop order-reliability-bit (ORB) GRAND algorithms based on SGRAND-ISI, to facilitate implementation. In numerical experiments, our proposed algorithms achieve multiple-dB improvements compared to GRAND algorithms which ignore channel memory, and can often attain performance within 0.1--0.2dB of the ML lower bound. We also compare our proposed algorithms with the recently proposed ORBGRAND-Approximate Independence algorithm for handling channel memory, and observe a performance gain of at least 0.5dB at block error rate of $10^{-3}$, meanwhile incurring a substantially lower computational complexity.

研究の動機と目的

• メモリを持つチャネル、特に Gaussian ISI チャネルに対する GRAND フレームワーク内のデコードを動機づける。
• ISI チャネルにおけるエラーバーストとシーケンス信頼性を定義して、エラーパターンを特徴づける。
• チャネルメモリを最適に活用するソフト／ハードウェアに優しい GRAND 系列を開発する。
• 提案する GRAND-ISI 系の性能と計算量の改善を、メモリレス GRAND および ORBGRAND-AI と比較して定量化する。
• 提案手法が一次および高次の ISI チャネルにおいて ML デコーディングに近づくことを示す。

提案手法

• 既知のインパルス応答とガウシアン雑音を用いて ISI チャネルをモデリング。
• 誤りバーストとシーケンス信頼性を定義して ISI チャネルへ GRAND を拡張。
• ML デコーディングを達成するために厳密なシーケンス信頼性を用いる SGRAND-ISI を開発。
• ハードウェアの複雑さを低減しつつ信頼性順序付けを維持するために、ORBGRAND-ISI および CDF-ORBGRAND-ISI を導入。
• 分解可能性と部分分解可能なバースト解析を用いて高次 ISI チャネルへ一般化。
• GRAND-ISI およびその派生のアルゴリズム（Algorithm 1、Algorithm 2）と、複雑度制御（Q、Q1）を備えたアルゴリズムを提供。

実験結果

リサーチクエスチョン

• RQ1 GRAND を ISI メモリを持つチャネルへ適用して ML デコーディングを達成するにはどうすべきか？
• RQ2 ISI チャネルにおけるエラーパターン（エラーバースト）の特性と、シーケンス信頼性を効率的に計算する方法は？
• RQ3 メモリを考慮した GRAND 系（SGRAND-ISI、ORBGRAND-ISI、CDF-ORBGRAND-ISI）は、ハードウェア計算量を抑えつつ ML 性能に近づけるか？
• RQ4 一次 ISI と高次 ISI の下で、異なるコード（CA- Polar、BCH など）に対する性能と計算量のスケーリングはどうなるか？

主な発見

• SGRAND-ISI は厳密なシーケンス信頼性を用いて誤りパターンを順序付けることで ML デコーディングを実現。
• CDF-ORBGRAND-ISI は ORBGRAND-ISI より顕著な性能向上を、複雑さの増加も控えめで提供し、ML 性能に近づく（ケースによっては 0.1–0.2 dB の範囲）。
• CDF-ORBGRAND-ISI および 2line-ORBGRAND-ISI は、一次 ISI チャネルにおける BLER=1e-3 で ORBGRAND-ISI より約 0.2 dB の利得を提供。
• BCH/Polar コードにおいて、ORBGRAND-AI と比較して、CDF-ORBGRAND-ISI は BLER=1e-3 で少なくとも 0.5 dB、BLER=0.1 で 2 dB の改善をもたらしつつ、計算コストは低め。
• SGRAND-ISI は ML 下限をほぼ追従するが、多くの領域で僅かな逸脱。メモリが大きい場合やSNR が低い場合にクエリ制限（Q、Q1）によりギャップが生じる。
• 高次 ISI への拡張も顕著な利得を保持。第二次 ISI シナリオでは ORBGRAND-ISI および CDF-ORBGRAND-ISI がメモリレス ORBGRAND を大きく上回る。