Tail-Calibrated Soft-Output GRAND for Finite-Memory Noise-Effect Posteriors

ملخص تقني: نظام GRAND ذو المخرجات اللينة والمعاير بالذيل للاحتمالات اللاحقة للضجيج ذات الذاكرة المحدودة

بيان المشكلة
يعيد فك التشفير بنظام "تخمين الضجيج المضاف العشوائي" (GRAND) صياغة فك التشفير ذي الاحتمال الأقصى (ML) كعملية بحث فوق تأثيرات ضجيج مرشحة بدلاً من الكلمات المشفرة. وبينما يؤدي نظام GRAND القياسي ومتغيراته ذات المخرجات اللينة (SOGRAND) أداءً جيداً في القنوات عديمة الذاكرة، إلا أنها تواجه تحديات عندما يظهر الضجيج الفعال ارتباطاً زمنياً (ذاكرة). وتعتمد طرق GRAND الحالية المدركة للارتباط، مثل ORBGRAND-AI، على دمج الاعتماد المحلي في ترتيب تأثيرات الضجيج ولكنها تعتمد على التداخل (interleaving) أو نماذج الاستقلال التقريبية. والأهم من ذلك، تفتقر هذه الطرق إلى إطار عمل صارم لحساب كتل ذيل الاحتمالات اللاحقة ذات الذاكرة المحدودة والهوامش الطرفية للبتات (bitwise tail marginals) المطلوبة لتقدير موثوقية المخرجات اللينة (APP و LLR) في بيئات الضجيج المرتبطة. علاوة على ذلك، فإن قواعد المخرجات اللينة القياسية لا تُشتق من ذيول الاحتمالات اللاحقة ذات الذاكرة المحدودة، مما يؤدي إلى فجوة في تقدير احتمال أن الكلمة المشفرة المرسلة مفقودة من قائمة الاستعلام الحالية ("احتمالية القائمة المفقودة").

المنهجية
يقدم البحث نظام Tail-Calibrated SOGRAND، وهو فك تشفير للأنظمة الثنائية ذات القنوات المضافة، حيث يتم نمذجة الاحتمال اللاحق لضجيج التأثير المحيط (ambient noise-effect posterior)، المشروط بالمعلومات اللينة المستلمة، بواسطة طاقة ذات ذاكرة محدودة.

1. نمذجة الاحتمال اللاحق للذاكرة المحدودة: يفترض فك التشفير أن أوزان الفضاء الكامل المحيط $\pi_{r^n}(z^n)$ تُعرف بدالة طاقة ذات مدى محدود $E_{r^n}(z^n)$. يتضمن ذلك النماذج عديمة الذاكرة، ونماذج ماركوف من الدرجة الأولى، ونماذج الدفقات (burst models) ذات الحالة المحدودة. ويتم حساب دالة التجزئة $Z(r^n)$ والأوزان اللاحقة بكفاءة باستخدام عمليات التكرار الأمامي للحالة المحدودة (finite-state forward recursions)، متجنباً الجمع الصريح عبر فضاء $2^n$ بأكمله.

2. التوقف المعاير بالذيل وتقدير القائمة المفقودة: على عكس GRANDAB، الذي يستخدم عتبة استعلام ثابتة، يتوقف نظام Tail-Calibrated SOGRAND بناءً على تقدير "حقن" (plug-in estimate) لاحتمالية القائمة المفقودة.

   • يقوم فك التشفير بحصر تأثيرات الضجيج بترتيب غير متزايد للطاقة اللاحقة.
   • يحافظ النظام على الكتلة اللاحقة المحيطة المتراكمة للبادئات المستعلم عنها ($S_q$) وكتلة الذيل المحيطة المتبقية ($T_q$).
   • تحت مجموعة نموذج كود عشوائي ثابت الحجم، يتم تقدير مساهمة المقام المقيدة بالكود المتبقي ($U_q$) كـ $\hat{U}_q = p_q T_q$، حيث $p_q = (M - |L_q|) / (2^n - q)$ هو احتمال الإشغال المتبقي.
   • تتوقف قاعدة التوقف عندما تنخفض احتمالية القائمة المفقودة المقدرة $\hat{P}_{miss}(q) = \hat{U}_q / (S_q + \hat{U}_q)$ عن حد التسامح $\eta$.

3. توليد المخرجات اللينة: ينتج عن نفس تفكيك ذيل الاحتمال اللاحق تقديرات APP لكل من الكتلة والبتات. تُشتق نسب الاحتمال اللوغاريتمي (LLRs) للبتات من خلال تفكيك كتلة الذيل غير المستعلم عنها وفقاً لقيم البتات (0 أو 1) ودمجها مع مساهمات الكلمات المشفرة المدرجة.

4. الحصر (Enumeration): بالنسبة للطاقات من الدرجة الأولى، يتم حصر أنماط الضجيج عن طريق تفكيكها إلى أقصى سلاسل من الواحدات (burst atoms) وترتيب هذه الذرات حسب طاقتها الزائدة. يسمح هذا بحصر دقيق مرتب بالطاقة دون الحاجة للتداخل.

المساهمات الرئيسية

1. الصياغة: يصيغ البحث نظام Tail-Calibrated SOGRAND للقنوات المضافة الثنائية ذات احتمالات ضجيج ذات ذاكرة محدودة، مع الفصل الصريح بين قانون الاحتمال اللاحق المحيط ومقام الـ APP المقيد بالكود.
2. الاشتقاق النظري: يشتق قاعدة مخرجات لينة معايرة بالذيل لعمليات بحث GRAND تحت مجموعة نموذج كود عشوائي ثابت الحجم، مُثبتاً أن المتوسط الشرطي لمساهمة المقام غير المستعلم عنه هو $p_q T_q$.
3. ضمانات الكتلة المحدودة:
   • خاصية ML: مع الترتيب الدقيق للطاقة وعدم التخلي (abandonment)، يُضمن أن أول كلمة مشفرة مدرجة هي ML تحت نموذج الاحتمالية المحدد.
   • حدود التخلي: تم إثبات حد تخلي للذيل المحيط، يوضح أن احتمال الخطأ لفك التشفير الذي تم التخلي عنه محكوم بكتلة الذيل اللاحقة المحيطة المتروكة.
   • حدود المقدر: تم اشتقاق حدود عدم الانحياز الشرطي، والتباين، والتركيز للمقدر الخاص بالقائمة المفقودة للكود العشوائي.
4. تفكيك المخرجات اللينة: توفر الطريقة إجراءً موحداً لحساب قيم APP للكتلة والبتات، واحتمالات القائمة المفقودة، و LLRs الخاصة بالهوامش للبتات في حالات الضجيج ذات الذاكرة.
5. التقييم التجريبي: تم تقييم فك التشفير على أكواد خطية عشوائية ونماذج ضجيج مرتبطة من نوع Gauss-Markov والقرار الصلب.

النتائج
تقارن التقييمات العددية بين نظام Tail-Calibrated SOGRAND (وتحديداً متغير "Exact-Markov") وبين كل من ORBGRAND المداخل (interleaved)، وORBGRAND-AI (مع ترتيبات كتل محلية)، وتجريدات ExactBlockProduct.

• الأداء: في قنوات Gauss-Markov (عند $\rho=0.5$)، يحقق فك التشفير Exact-Markov تقديرات أقل لمعدل خطأ الكتلة (BLER) وعدد استعلامات عضوية أقل في المتوسط مقارنة بالترتيبات عديمة الذاكرة، وترتيبات الوزن الرتبي للاستقلال التقريبي، وترتيبات حاصل الضرب الكتلي التقريبي.
• الحساسية للارتباط: مع زيادة معامل الارتباط $\rho$، تتسع الفجوة في الأداء بين فك التشفير Exact-Markov المدرك للارتباط والأساسات عديمة الذاكرة بشكل ملحوظ.
• عدم تطابق النموذج: يتسم فك التشفير بالحساسية تجاه عدم تطابق النموذج؛ حيث يؤدي استخدام نموذج عديم الذاكرة ($\rho_{model}=0$) على قناة مرتبطة ($\rho=0.5$) إلى تدهور كبير في BLER مقارنة بالنموذج المطابق.
• المعايرة: تُظهر مخططات الموثوقية أن تقدير القائمة المفقودة بنظام الحقن (plug-in) معاير جيداً، مع أخطاء معايرة متوقعة (ECE) صغيرة في نطاقات الاحتمالية المأهولة.
• مقايضة التعقيد: بينما يقلل Exact-Markov من عدد استعلامات عضوية الكود (المقياس الأساسي لـ GRAND)، فإن "وكيل عمل البرمجيات" الخاص به (الذي يعد عمليات قياس المتغيرات وعمليات طابور الأولويات) يكون أعلى عند SNR منخفض مقارنة بالطرق التقريبية، مما يعكس تكلفة حصر الذاكرة المحدودة الدقيق.

الأهمية
يزعم البحث أنه يعالج فجوة حرجة في فك تشفير GRAND: وهي غياب حسابات ذيل الاحتمال اللاحق للكتل المحدودة للضجيج المرتبط. ومن خلال اشتقاق الأوزان اللاحقة الدقيقة للذاكرة المحدودة، وكتل الذيل، والهوامش للبتات، يُمكّن هذا العمل نظام GRAND من العمل كمكون لفك التشفير ذي المخرات اللينة في المخططات التكرارية (مثل الأكواد الناتجة عن الضرب والأكود GLDPC) دون الاعتماد على التداخل. يوفر الأسلوب المقترح أساساً نظرياً صارماً لمعايير التوقف وتقدير الموثوقية، مما يقدم معدلات خطأ أفضل وكفاءة في الاستعلام مقارنة بالتقريبات المدركة للارتباط، وإن كان ذلك على حساب تعقيد الحصر. ويضع المؤلف هذا العمل كخطوة نحو دمج GRAND في أنظمة فك تشفير تكرارية كاملة للقنوات ذات الذاكرة.