🔢 mathematics

Efficient LLR-Domain Decoding of ABS+ Polar Codes

本文提出了一种针对ABS+极化码的优化对数似然比域连续抵消列表解码器，该解码器在降低算术复杂度的同时，在高信噪比区域实现了与经典极化码相同的帧错误率。

原作者： Mikhail Chernikov, Peter Trifonov

发布于 2026-04-28

📖 1 分钟阅读🧠 深度阅读

原作者： Mikhail Chernikov, Peter Trifonov

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《ABS+ 极化码的高效对数似然比域解码》的解释，已转化为通俗易懂的语言并辅以日常类比。

大局观：修复嘈杂的“传话游戏”

想象你在玩“传话”（或“破碎的电话”）游戏，你在一长排人中间低声传递一条消息。当消息传到末尾时，往往因为背景噪音而变得含糊不清。在数字通信的世界里，这就像通过无线信道发送数据。

极化码是一种为了解决这个问题而发明的特殊数学配方。它们将消息重新排列，使得线路中的某些部分超级清晰（就像直通老板的专线），而其他部分则超级嘈杂（就像拥挤的房间）。其中的诀窍是：只通过“超级清晰”的部分发送重要消息，而忽略那些嘈杂的部分。

然而，这里有一个陷阱：

标准配方（Arikan 极化码）： 如果线路无限长，这些码效果极佳。但在现实世界中，我们的消息很短。当线路变短时，“清晰”的部分并没有那么清晰，消息仍然会出错。
新配方（ABS+ 极化码）： 本文作者使用了一种更新、更改进的配方，称为ABS+。你可以将其想象为重新排列队伍中的人，让他们在向下传递消息之前互相交换耳语或添加额外背景。这使得“清晰”的部分变得更快、更清晰。

问题所在：解码器太慢且笨重

为了把消息还原出来，你需要一个解码器。本文专注于一种名为**SCL（串行抵消列表）**的特定解码器。

想象解码器是一位试图解开谜团的侦探。

旧方法（概率域）： 侦探计算每个可能的嫌疑人有罪的精确概率（百分比几率）。“管家作案的几率是 43.2%，园丁作案的几率是 12.5%……"这在数学上非常沉重。它需要复杂的乘法和除法，速度慢，且难以构建到计算机芯片中。
本文的创新（对数似然比域）： 作者意识到侦探并不需要精确的百分比。他们只需要知道：“这个嫌疑人是有罪的可能性大，还是无罪的可能性大？”以及“大多少？”
- 他们不使用百分比，而是使用对数似然比（LLRs）。你可以将其想象为一个简单的记分卡："+10"表示极可能有罪，"-10"表示极可能无罪，"0"表示抛硬币决定。
- 好处： 计算分数（+10, -10）只需要加法和减法。这就像从复杂的计算器切换到简单的算盘。它速度快得多，也更容易在硬件中实现。

秘密武器：剔除浪费

本文不仅切换到了更简单的数学方法，还意识到原始方法做了大量不必要的工作。

冗余厨师的类比：
想象一位正在做三明治的厨师。

原始食谱说：“精确计算面包的味道、奶酪的味道和火腿的味道。然后，计算面包 + 奶酪、面包 + 火腿和奶酪 + 火腿的味道。最后，决定你是否想要这个三明治。”
作者注意到：“等等！你只需要决定是否想要这个三明治。在你已经决定扔掉火腿之后，你不需要再计算火腿的味道。”

原始的 ABS+ 解码器正在计算那些它甚至尚未打算使用的比特的概率。作者创建了一种新算法，完全跳过了这些计算。他们只计算在那一刻绝对需要的数字。

结果：更快、更智能

作者将新的“记分卡解码器”（基于 LLR）与旧的“百分比解码器”（基于概率）以及标准极化码解码器进行了测试对比。

性能更优： 采用新数学方法的新型 ABS+ 解码器比标准极化码解码器犯的错误更少（帧错误率更低），尤其是在信号较强时。
同等速度，更好结果： 如果你给两个解码器相同的“脑力”（算术运算量），新的 ABS+ 解码器胜出。它用同样的努力获得了更清晰的消息。
可忽略的损耗： 唯一的缺点是，新的“记分卡”方法比旧的“百分比”方法精度略低，但这种差异微乎其微（小于 0.05 dB），在实际应用中无关紧要。这就像使用带有毫米刻度的尺子而不是微米刻度的尺子；对于建造房屋来说，毫米尺子完全够用，而且使用起来快得多。

总结

本文提出了一种方法，使用更简单的数学（用加减法代替复杂的乘法）和更少的浪费精力（跳过对尚未需要的比特的计算）来解码一种新型的强大纠错码（ABS+ 极化码）。

核心要点： 他们找到了一种方法，使高性能通信系统在计算机芯片上运行得更快、更高效，而不会牺牲太多精度。这就像升级赛车引擎，使其更省油，同时保持相同的最高速度。

以下是 Mikhail Chernikov 和 Peter Trifonov 所著论文《ABS+ 极化码的高效对数似然比域解码》的详细技术总结。

1. 问题陈述

极化码与有限长度限制：
虽然 Arikan 的极化码在块长 $n \to \infty$ 时，理论上在连续消除（SC）解码下能达到二进制无记忆信道的容量，但其在有限长度体制下的性能较差。为了缓解这一问题，通常采用连续消除列表（SCL）解码器，并常辅以循环冗余校验（CRC）。然而，对于大块长而言，SCL 的复杂度随所需列表大小呈指数级增长。

ABS+ 极化码的挑战：
相邻比特交换（ABS）和 ABS+ 极化码是对经典极化码的推广，旨在在有限长度体制下实现更快的信道极化。这使其相比经典极化码具有显著更优的纠错性能。

瓶颈： 现有的 ABS+ 码解码算法（特别是先前工作 [11] 中描述的 SC 和 SCL 解码器）在概率域运行。这需要复杂的乘法运算并处理转移概率，计算成本高昂且难以在硬件中高效实现。
冗余： 原始的概率域算法同时计算两个相邻比特的转移概率，但每次仅解码一个比特，直到下一阶段才丢弃第二个比特的概率信息。这导致了冗余计算。

目标： 作者旨在为 ABS+ 码开发一种对数似然比（LLR）域的 SCL 解码器版本，在保持近最优性能的同时降低计算复杂度（用加法和比较替代乘法）。

2. 方法论

本文提出了一种新颖的解码框架，将 SCL 算法专门适配于 ABS+ 码独特的编码结构，使其在 LLR 域运行。

A. 虚拟子信道的 LLR 定义

作者为 ABS+ 编码固有的虚拟双比特输入（DBI）子信道定义了近似 LLR。与使用单比特子信道的经典极化码不同，ABS+ 解码依赖于 DBI 信道 $V^{(m)}_i$ 的递归树。
他们为 DBI 信道定义了两个关键 LLR 度量：

$L$ （第一个比特的 LLR）： 第一个比特为 0 或 1 的最大似然比的对数，边缘化第二个比特。
$R$ （第二个比特的 LLR）： 在给定第一个比特的条件下，第二个比特为 0 或 1 的似然比的对数。

B. 递归关系（最小和近似）

方法论的核心是建立递归关系（引理 2），以从解码树中子节点的 LLR 计算这些 LLR（ $L$ 和 $R$ ）。

作者推导了公式 (19a–19h)，将父节点的 LLR 表示为其子节点 LLR 的函数。
这些公式利用标准的最小和运算（ $f_-$ 和 $f_+$ 函数）以及特定函数 $g(a,b,c) = a - \max\{0, b\} + \max\{0, c\}$ 。
这使得解码器可以完全使用加法、减法和比较运行，避免了概率域所需的昂贵乘法运算。

C. 复杂度降低策略

本文引入了两项关键优化以减少算术运算次数：

重用中间值： 作者观察到，一个阶段中 $R$ 值的计算往往会产生下一阶段所需的值。算法不再重新计算，而是存储并重用这些中间 $R$ 值。
省略未使用的计算（右侧分离节点）：
- 在原始算法中，解码器计算所有节点的 $R$ 值。
- 作者指出，对于某些节点（称为“右侧分离”节点），在特定的解码路径中， $R$ 值对于解码当前比特或后续比特并非必需。
- 提出的算法检查节点是否为“右侧分离”。如果是，则完全跳过 $R$ 值的计算，从而显著降低计算负载。

D. 算法结构

提出的DecodeNode算法（算法 2）在解码树上执行深度优先搜索。它管理：

$B$ ： 已解码比特。
$H$ ： 因比特交换变换而后续阶段所需的存储比特。
$L$ 和 $R$ ： 存储计算所得 LLR 的数组。
$M$ ： 用于避免重复计算的中间值。

SCL 扩展为 $L$ 个不同路径维护这些数组，并根据计算出的 LLR 更新路径度量。

3. 主要贡献

首个 ABS+ 的 LLR 域 SCL 解码器： 本文提出了首个在 LLR 域运行的高效 ABS+ 极化码 SCL 解码器，使其适用于高速硬件实现。
优化的递归公式： 推导了特定的递归关系（引理 2），在 log 域中处理 ABS+ 码复杂的相邻比特变换（ $S_n$ 和 $A_n$ ）。
冗余消除： 提出了一种新颖方法，用于识别并跳过不必要的 LLR 计算（“右侧分离”节点）并重用中间值，与朴素的 LLR 实现相比降低了算术复杂度。
理论保证： 证明了所提出的最小和 SCL 解码器在列表大小 $L$ 足够大时（对于 $k$ 维码， $L \ge 2^k$ ）可实现最大似然（ML）解码性能。

4. 结果

作者在 AWGN 信道下使用 BPSK 调制对 (1024, 512) 码进行了仿真验证。

性能与经典极化码对比：
- 提出的 ABS+ SCL 解码器显著优于经典 Arikan 极化码的标准 SCL 解码器。
- 在帧错误率（FER）为 $10^{-4}$ 时，ABS+ 解码器相比经典极化码提供了高达 0.2 dB 的增益。
复杂度与性能对比：
- 在比较具有固定算术运算数量的解码器时，ABS+ 解码器始终比经典 SCL 解码器实现更低的 FER（特别是对于列表大小 $L \ge 12$ ）。
- 要达到相同的 FER，ABS+ 解码器所需的列表大小远小于经典解码器。
LLR 域与概率域对比：
- 所提出的 LLR 域解码器与原始概率域解码器（来自 [11]）相比，性能损失微乎其微，小于 0.05 dB。

5. 意义

硬件可行性： 通过将解码过程转换为 LLR 域（仅使用加法和比较），本文使 ABS+ 极化码适用于实际硬件实现，此前这一直受限于概率域计算的复杂性。
效率： 优化技术（重用值和跳过冗余计算）使解码器比概率算法的直接转换更高效，提供了更优的性能 - 复杂度比。
未来应用： 所提出的最小和近似框架可推广至其他极化码解码方法（例如顺序解码），并可与快速 SC/SCL 技术结合，为使用先进极化码变体的高吞吐量、低延迟通信系统铺平道路。

总之，这项工作弥合了 ABS+ 极化码的理论性能优势与高效硬件解码的实际需求之间的差距，证明了这些先进代码可以以高效率和解码近最优性能进行解码。