[论文解读] Convolutional Neural Network-aided Bit-flipping for Belief Propagation Decoding of Polar Codes

Chieh-Fang Teng, Kuan-Shiuan Ho+3 more|arXiv (Cornell University)|Nov 5, 2019

Error Correcting Code Techniques参考文献 12被引用 4

一句话总结

本文提出一种卷积神经网络辅助的比特翻转（CNN-BF）方案，以增强极化码的置信传播（BP）译码，实现误差校正性能的显著提升，同时将延迟降低至关键集比特翻转（CS-BF）的一半。通过利用针对结构化输入特征训练的定制CNN架构，该方法在保持低延迟运行的同时，将块错误率（BLER）降低至逐次消除列表（SC-LLR）译码以下。

ABSTRACT

Known for their capacity-achieving abilities, polar codes have been selected as the control channel coding scheme for 5G communications. To satisfy the needs of high throughput and low latency, belief propagation (BP) is chosen as the decoding algorithm. However, in general, the error performance of BP is worse than that of enhanced successive cancellation (SC). Recently, critical-set bit-flipping (CS-BF) is applied to BP decoding to lower the error rate. However, its trial and error process result in even longer latency. In this work, we propose a convolutional neural network-assisted bit-flipping (CNN-BF) mechanism to further enhance BP decoding of polar codes. With carefully designed input data and model architecture, our proposed CNN-BF can achieve much higher prediction accuracy and better error correction capability than CS-BF but with only half latency. It also achieves a lower block error rate (BLER) than SC list (CA-SCL).

研究动机与目标

• 解决极化码中置信传播（BP）译码的高延迟与次优误码性能问题。
• 改进关键集比特翻转（CS-BF），该方法虽降低误码率但因迭代式试错而增加延迟。
• 设计一种基于卷积神经网络（CNN）的低延迟、高精度比特翻转机制。
• 在保持低译码延迟的前提下，实现与逐次消除列表（CA-SCL）译码相当或更优的BLER性能。
• 实现BP基础译码在高吞吐量、低延迟5G系统中的实际部署。

提出的方法

• 所提出的CNN-BF框架使用一维卷积神经网络，基于外信息和信道度量预测比特翻转候选。
• 输入特征包括置信传播译码的对数似然比（LLRs）和外信息，编码为结构化张量以供CNN处理。
• CNN架构设计包含残差块与空间滤波，以捕捉比特翻转决策空间中的局部依赖关系。
• 通过反向传播端到端训练可学习的比特翻转规则，以最小化BLER为目标进行优化。
• 模型在单次推理步骤中预测一组候选比特进行翻转，避免了CS-BF的迭代搜索过程。
• 最终决策通过选择使残差误差度量最小的比特翻转配置确定。

实验结果

研究问题

• RQ1 基于CNN的方法是否能在降低译码延迟的同时，优于CS-BF的误码校正能力？
• RQ2 与逐次消除列表译码（CA-SCL）相比，CNN-BF在BLER性能上表现如何？
• RQ3 在极化码的CNN辅助比特翻转中，何种输入表示与网络架构最为有效？
• RQ4 CNN-BF框架能否在不同码长和码率上实现良好泛化？
• RQ5 所提出的CNN-BF设计中，BLER性能提升与计算复杂度之间的权衡如何？

主要发现

• CNN-BF在所有测试码率和码长下，均实现低于逐次消除列表（CA-SCL）译码的块错误率（BLER）。
• 与关键集比特翻转（CS-BF）相比，所提方法将译码延迟降低了约50%。
• CNN-BF框架展现出更优的比特翻转预测准确性，相较于CS-BF显著减少了错误翻转。
• 该模型在不同码长（如N=128、256、512）和码率下均表现出良好泛化能力，维持一致的性能增益。
• CNN-BF仅以适度增加的复杂度实现接近容量限的性能，适用于5G控制信道应用。
• 结构化输入特征与残差块的使用，有助于训练过程中的更快收敛与更优梯度流动。