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

Resumen Técnico: SOGRAND de Salida Suave Calibrado por Cola para Posteriores de Ruido de Memoria Finita

Planteamiento del Problema
La decodificación de Adivinación de Efectos de Ruido Aditivo Aleatorio (GRAND, por sus siglas en inglés) reformula la decodificación de máxima verosimilitud (ML) como una búsqueda sobre efectos de ruido candidatos en lugar de palabras de código. Mientras que el estándar GRAND y sus variantes de salida suave (SOGRAND) funcionan bien en canales sin memoria, enfrentan desafíos cuando el ruido efectivo exhibe correlación temporal (memoria). Los métodos GRAND conscientes de la correlación existentes, como ORBGRAND-AI, incorporan la dependencia local en el ordenamiento de los efectos de ruido, pero dependen de la intercalación (interleaving) o de modelos de independencia aproximada. Crucialmente, estos métodos carecen de un marco riguroso para computar las masas de cola de los posteriores de memoria finita y los marginales de cola bit a bit requeridos para una estimación precisa de la fiabilidad de la salida suave (APP y LLRs) en entornos de ruido correlacionado. Además, las reglas de salida suave estándar no se derivan de las colas de los posteriores de memoria finita, lo que genera una brecha en la estimación de la probabilidad de que la palabra de código transmitida falte en la lista de consulta actual (la probabilidad de la "lista faltante").

Metodología
El artículo introduce SOGRAND Calibrado por Cola, un decodificador diseñado para canales aditivos binarios donde la posterior de la energía del efecto de ruido de decisión dura ambiente, condicionada a la información suave recibida, se modela mediante una energía de memoria finita.

1. Modelado de la Posterior de Memoria Finita:
   El decodificador asume que los pesos de la posterior de todo el espacio ambiente $\pi_{r^n}(z^n)$ están definidos por una función de energía de rango finito $E_{r^n}(z^n)$. Esto incluye modelos sin memoria, modelos de Markov de primer orden y modelos de ráfagas de estado finito. La función de partición $Z(r^n)$ y los pesos de la posterior se computan eficientemente utilizando recursiones hacia adelante de estado finito, evitando la sumatoria explícita sobre todo el espacio $2^n$.

2. Parada Calibrada por Cola y Estimación de la Lista Faltante:
   A diferencia de GRANDAB, que utiliza un umbral de consulta fijo, el SOGRAND Calibrado por Cola se detiene basándose en una estimación plug-in de la probabilidad de la lista faltante.

   • El decodificador enumera los efectos de ruido en orden no decreciente de energía posterior.
   • Mantiene la masa posterior ambiente acumulada de los prefijos consultados ($S_q$) y la masa de cola ambiente restante ($T_q$).
   • Bajo un ensamble de código aleatorio de tamaño fijo, la contribución del denominador restringido al código de palabra de código no consultada ($U_q$) se estima como $\hat{U}_q = p_q T_q$, donde $p_q = (M - |L_q|) / (2^n - q)$ es la probabilidad de ocupación restante.
   • La regla de parada detiene el proceso cuando la probabilidad estimada de la lista faltante $\hat{P}_{miss}(q) = \hat{U}_q / (S_q + \hat{U}_q)$ cae por debajo de una tolerancia $\eta$.

3. Generación de Salida Suave:
   La misma descomposición de la cola de la posterior produce estimaciones de APP de bloque y de bit. Los cocientes de verosimilitud (LLRs) de APP bit a bit se derivan descomponiendo la masa de la cola no consultada según los valores de los bits y combinándolos con las contribuciones de las palabras de código listadas.

4. Enumeración:
   Para energías de primer orden, los patrones de ruido se enumeran descomponiéndolos en corridas máximas de unos (átomos de ráfaga) y ordenando estos átomos por su exceso de energía. Esto permite una enumeración exacta ordenada por energía sin necesidad de intercalación.

Contribuciones Clave

1. Formulación: El artículo formula el SOGRAND Calibrado por Cola para canales aditivos binarios con posteriores de efectos de ruido de memoria finita, separando explícitamente la ley posterior ambiente de la contribución del denominador restringido al código de palabra de código.
2. Derivación Teórica: Deriva una regla de salida suave calibrada por cola para búsquedas GRAND bajo un ensamble de código aleatorio de tamaño fijo, demostrando que la media condicional de la contribución del denominador no consultado es $p_q T_q$.
3. Garantías de Bloque Finito:
   • Propiedad ML: Con un ordenamiento de energía exacto y sin abandono, la primera palabra de código listada está garantizada como ML bajo el modelo de verosimilitud definido.
   • Límites de Abandono: Se demuestra un límite de abandono de la cola ambiente, mostrando que la probabilidad de error de un decodificador abandonado está acotada por la masa de la cola posterior ambiente abandonada.
   • Límites del Estimador: Se derivan límites de imparcialidad condicional, varianza y concentración para el estimador de la lista faltante de código aleatorio.
4. Descomposición de Salida Suave: El método proporciona un procedimiento unificado para computar APPs de bloque, probabilidades de lista faltante y LLRs de APP bit a bit para posteriores de efectos de ruido correlacionados.
5. Evaluación Empírica: El decodificador se evalúa en códigos lineales aleatorios sobre modelos de ruido de Gauss-Markov y de ruido correlacionado de decisión dura.

Result la de la Evaluación
Las evaluaciones numéricas comparan el SOGRAND Calibrado por Cola (específicamente la variante "Exact-Markov") contra ORBGRAND con intercalación aleatoria, ORBGRAND-AI (con ordenamientos de bloques locales) y ablaciones de producto de bloques exactos (ExactBlockProduct).

• Desempeño: En canales Gauss-Markov ($\rho=0.5$), el decodificador Exact-Markov logra estimaciones de tasa de error de bloque (BLER) más bajas y recuentos de consultas de membresía promedio menores en comparación con los ordenamientos de memoria sin memoria, de independencia aproximada con ponderación de rango y de producto de bloques aproximados.
• Sensibilidad a la Correlación: A medida que aumenta el coeficiente de correlación $\rho$, la brecha de desempeño entre el decodificador Exact-Markov consciente de la correlación y las bases sin memoria se amplía significativamente.
• Desajuste de Modelo: El decodificador es sensible al desajuste de modelo; usar un modelo sin memoria ($\rho_{model}=0$) en un canal correlacionado ($\rho=0.5$) resulta en una degradación significativa de la BLER en comparación con un modelo coincidente.
• Calibración: Los diagramas de fiabilidad demuestran que la estimación plug-in de la lista faltante está bien calibrada, con errores de calibración esperados (ECE) pequeños en los rangos de probabilidad poblados.
• Compromiso de Complejidad: El decodificador Exact-Markov minimiza el número de consultas de membresía de código (la métrica principal de GRAND), pero su "proxy de trabajo de software" (contando evaluaciones de métricas y operaciones de cola de prioridad) es mayor a baja SNR en comparación con los métodos aproximados, lo que refleja el costo de la enumeración exacta de memoria finita.

Significancia
El artículo afirma abordar una brecha crítica en la decodificación basada en GRAND: la falta de computaciones de la cola de los posteriores de bloque finito para ruidos correlacionados. Al derivar pesos de la posterior, masas de cola y marginales de bit exactos para memoria finita, este trabajo permite que GRAND funcione como un decodificador de componente de salida suave (en esquemas iterativos, como códigos de producto y códigos GLDPC) sin depender de la intercalación. El método propuesto proporciona una base teórica rigurosa para los criterios de parada y la estimación de fiabilidad en canales con memoria, ofreciendo tasas de error mejoradas y eficiencia de consulta sobre las aproximaciones conscientes de la correlación existentes, aunque con un compromiso en la complejidad de la enumeración. El autor posiciona esto como un paso hacia la integración de GRAND en sistemas de decodificación iterativa completa para canales con memoria.