Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Повышение производительности декодирования LDPC-кодов для радиорелейной системы связи при реализации на центральном и графическом процессорах

Мирра Владимировна Петрова

Published Sep 8, 2026• 0 citations
Publisher

Abstract

Цель работы – повышение производительности декодирования квазициклических LDPC–кодов для радиорелейной системы связи на основе многослойного планирования на графическом и центральном процессорах. В перечень решаемых задач входит: реализация программной модели TDMP декодеров на базе CPU и GPU на языках программирования C++ и CUDA; внесение методов повышения производительности; анализ помехоустойчивости и производительности реализованных декодеров; сравнение производительности с аналогичными разработками. В результате работы было продемонстрировано увеличение производительности до 42-х раз на CPU и до 3-х раз на GPU, по сравнению с исходными алгоритмами декодирования, используемыми в рассматриваемой радиорелейной системе. Показано, что предлагаемые реализации декодеров для GPU и CPU обеспечивают более высокую производительность, до 8.47 раз на GPU, и до 3.25 раз на CPU, по сравнению с аналогичными работами. Реализованные в работе алгоритмы могут быть использованы как часть приемного тракта сигналов радиорелейной системы связи. Использовались открытые образовательные ресурсы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки MATLAB, Visual Studio. Применены языки программирования MATLAB, C++, CUDA.

DOI
10.18720/spbpu/3/2026/vr/vr26-4759

Related papers

Нейронная сеть для оптимизации адаптивного экспоненциального алгоритма декодирования минимальной суммы

В. Чжан, М. Ибрагим, В.М. Саклаков +1 more

В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из H-матрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода. Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases.

Modelirovanie, optimizaciâ i informacionnye tehnologii.•Jan 14, 2025•1 citation

Программная реализация и сравнительный анализ алгоритмов факторизации чисел

Иванов М. Р., Иванов М. Р., Додонова Н. Л. +1 more

Цель работы – разработать схему для квантового алгоритма Шора и сравнить алгоритм Шора с классическими алгоритмами факторизации. В процессе работы были разработана программная реализация для алгоритма факторизации Ферма, ро-алгоритма Полларда и алгоритма Шора, использующего квантовые вычисления. Разработанные реализации позволяют пользователю разложить число на множители. Алгоритмы реализованы на языке JavaScript с использованием симулятора QCEngine, позволяющим моделировать квантовые вычисления.

•Jan 1, 2021•0 citations

Моделирование линейного отклика квантовой неэкстенсивной системы на динамическое внешнее возмущение

А. В. Колесниченко

В рамках квантовой статистической механики, основанной на параметрической неаддитивной энтропии Тсаллиса, связанной с матрицей плотности, развита динамическая теория линейного отклика неэкстенсивных квазиравновесных систем многих тел на внешнее зависящее от времени возмущение. В работе для неэкстенсивных квантовых систем предложена модификация теории Кубо, разработанная в рамках квантовой механики. Построение теории линейной реакции проведено на основе обобщeнного канонического вида матрицы плотности, полученного при максимизации квантовой энтропии Тсаллиса при осреднении наблюдаемых величин по эскортному распределению. Представлены обобщeнные выражения для адмитанса и функции отклика, описывающие линейную реакцию системы на слабое внешнее механическое воздействие. Обсуждается свойство симметрии для релаксационной функции при обращении времени и соотношения взаимности Онзагера для обобщeнной восприимчивости. Показано, что эти известные в классической квантовой статистике свойства остаются в силе и для аномальных систем.

Matematicheskoe modelirovanie•Jan 1, 2019•0 citations

Влияние импульсного поля на квантовую динамику кубита

Курин П. А., Курин П. А., Семин Виталий Владимирович +1 more

Объектом исследования в данной работе является отдельный кубит, взаимодействующий с импульсным полем. Цель работы - изучение влияния воздействия импульсного поля на квантовую динамику кубита. В результате работы было получено операторное кинетическое уравнение, описывающее релаксацию кубита во внешнем импульсном поле прямоугольной формы. При помощи компьютерного моделирования было изучено влияние параметров модели на популяцию квантовых уровней кубита. На основе результатов, полученных в ходе работы, был сделан вывод об их практическом значении для разработки квантового компьютера и квантовых устройств

•Jan 1, 2018•0 citations

НЕЙРОСЕТЕВОЕ ДЕКОДИРОВАНИЕ LDPC И BCH КОДОВ НА ОСНОВЕ ОБУЧАЕМЫХ ГРАФОВЫХ АРХИТЕКТУР

М.В. Хорошайлова, А. В. Турецкий

представлена полностью дифференцируемая архитектура графовой нейронной сети (GNN), предназначенная для задач декодирования каналов связи. Разработанный подход демонстрирует сопоставимую с традиционными методами эффективность декодирования для различных классов корректирующих кодов, включая коды низкой плотности проверки на четность (LDPC) и коды Боуза-Чоудхури-Хоквингема (BCH), при существенном сокращении требуемого количества итераций. Каждая итерация декодирования представлена как слой графовой нейронной сети. Суть метода заключается в замене детерминированных операций передачи сообщений в классических декодерах на адаптивные нейросетевые блоки, которые в процессе обучения самостоятельно выявляют оптимальные правила обработки данных в структуре кодового графа. В отличие от большинства существующих решений на основе глубокого обучения, предложенная архитектура обладает такими преимуществами, как масштабируемость для кодов произвольной длины и отсутствие ограничений, связанных с проблемами размерности. Экспериментальные результаты показывают значительное превосходство предложенной методики для кода BCH (63,45), достигнуто улучшение с максимальным выигрышем в области высоких SNR (4-5 дБ) по сравнению с взвешенным алгоритмом распространения доверия (BP), а для LDPC(128, 64)-кодов стандарта 5G NR преимущество достигает 36-87 %, особенно заметное при SNR > 2 дБ this paper presents a fully differentiable graph neural network (GNN) architecture designed for decoding communication channels. The developed approach demonstrates decoding efficiency comparable to traditional methods for various classes of correction codes, including low-density parity-check code (LDPC) and Bose-Chowdhury-Hockingham (BCH) codes, while significantly reducing the required numberof iterations. Each decoding iteration is represented asa layer of a graph neural network. The essence of the method is to replace deterministic message transmission operations in classical decoders with adaptive neuralnetwork blocks that independently identify optimal data processing rules inthe code graph structureduring the learning process. Unlike most existing deep learning-based solutions,the proposed architecture has advantages such as scalability for arbitrary-length codes and the absence of limitations related to dimension issues. Experimental results showa significant superiority of the proposed methodology for the BCH (63.45) code, an improvement has been achieved with maximum gain inthe area of high SNRs (4-5 dB) compared with the weighted trust propagation algorithm (BP), and for LDPC(128, 64) codesof the 5G NR standard, the advantage reaches 36-87%, especially noticeable with SNR > 2 dB

Вестник Воронежского государственного технического университета•Oct 20, 2025•0 citations

Повышение быстродействия квантового алгоритма Гровера путем применения инверсии вокруг среднего

И. О. Маслов, А. О. Бачило, Л. Вчеркесова

В предлагаемой статье произведена реализация алгоритма Гровера на языке программирования Python, с помощью облачного квантового компьютера сервиса Riggeti Forest. Авторами данной статьи рассмотрены инверсия вокруг среднего, которая позволяет решить задачу поиска за время порядка квадратного корня. В свою очередь, это обеспечивает большой потенциал для практического применения квантового алгоритма Гровера. Полученный модифицированный алгоритм Гровера отличается более высокой производительностью и быстродействием при осуществлении поиска.

Молодой исследователь Дона•Jan 1, 2019•0 citations
Цель работы – повышение производительности декодирования квазициклических LDPC–кодов для радиорелейной системы связи на основе многослойного планирования на графическом и центральном процессорах. В перечень решаемых задач входит: реализация программной модели TDMP декодеров на базе CPU и GPU на языках программирования C++ и CUDA; внесение методов повышения производительности; анализ помехоустойчивости и производительности реализованных декодеров; сравнение производительности с аналогичными разработками. В результате работы было продемонстрировано увеличение производительности до 42-х раз на CPU и до 3-х раз на GPU, по сравнению с исходными алгоритмами декодирования, используемыми в рассматриваемой радиорелейной системе. Показано, что предлагаемые реализации декодеров для GPU и CPU обеспечивают более высокую производительность, до 8.47 раз на GPU, и до 3.25 раз на CPU, по сравнению с аналогичными работами. Реализованные в работе алгоритмы могут быть использованы как часть приемного тракта сигналов радиорелейной системы связи. Использовались открытые образовательные ресурсы поиска и анализа информации. Использовались средства автоматизации (автоматизированной) разработки MATLAB, Visual Studio. Применены языки программирования MATLAB, C++, CUDA.
В настоящее время глубокое обучение как актуальное направление исследований дало плодотворные результаты в области обработки естественного языка, распознавания и генерации графов, например, ChatGPT и Sora. Объединение глубокого обучения с алгоритмами декодирования для канального кодирования также постепенно становится актуальным направлением исследований в области связи. В этой статье мы используем глубокое обучение для улучшения адаптивного алгоритма экспоненциальной минимальной суммы (AEMS) для LDPC-кодов. Во-первых, мы расширяем итеративную процедуру декодирования между контрольными узлами (CNs) и переменными узлами (VNs) в алгоритме декодирования AEMS в сеть распространения с прямой передачей, основанную на графе Таннера, полученном из H-матрицы LDPC-кодов. Во-вторых, для повышения эффективности обучения модели и снижения вычислительной сложности мы присваиваем одинаковый весовой коэффициент всей краевой информации в каждой итерации сети декодирования AEMS, что снижает вычислительную сложность и гарантирует эффективность декодирования, и мы называем ее общей нейронной сетью декодирования AEMS (SNAEMS). Результаты моделирования показывают, что производительность декодирования предложенной сети декодирования SNAEMS превосходит производительность обычного декодера AEMS, а коэффициент усиления кодирования постепенно увеличивается по мере увеличения длины кода. Currently, deep learning, as a hot research direction, has yielded fruitful research results in natural language processing and graph recognition and generation, such as ChatGPT and Sora. Combining deep learning with decoding algorithms for channel coding has also gradually become a research hotspot in the field of communication. In this paper, we use deep learning to improve the adaptive exponential min sum (AEMS) algorithm for LDPC codes. Initially, we extend the iterative decoding procedure between check nodes (CNs) and variable nodes (VNs) in the AEMS decoding algorithm into a feedforward propagation network based on the Tanner graph derived from the H matrix of LDPC codes. Second, in order to improve the model training efficiency and reduce the computational complexity, we assign the same weight factor to all the edge information in each iteration of the AEMS decoding network, which reduces the computational complexity while guaranteeing the decoding performance, and we call it the shared neural AEMS (SNAEMS) decoding network. The simulation results show that the decoding performance of the proposed SNAEMS decoding network outperforms that of the conventional AEMS decoder, and its coding gain is gradually enhanced as the code length increases.
Цель работы – разработать схему для квантового алгоритма Шора и сравнить алгоритм Шора с классическими алгоритмами факторизации. В процессе работы были разработана программная реализация для алгоритма факторизации Ферма, ро-алгоритма Полларда и алгоритма Шора, использующего квантовые вычисления. Разработанные реализации позволяют пользователю разложить число на множители. Алгоритмы реализованы на языке JavaScript с использованием симулятора QCEngine, позволяющим моделировать квантовые вычисления.
В рамках квантовой статистической механики, основанной на параметрической неаддитивной энтропии Тсаллиса, связанной с матрицей плотности, развита динамическая теория линейного отклика неэкстенсивных квазиравновесных систем многих тел на внешнее зависящее от времени возмущение. В работе для неэкстенсивных квантовых систем предложена модификация теории Кубо, разработанная в рамках квантовой механики. Построение теории линейной реакции проведено на основе обобщeнного канонического вида матрицы плотности, полученного при максимизации квантовой энтропии Тсаллиса при осреднении наблюдаемых величин по эскортному распределению. Представлены обобщeнные выражения для адмитанса и функции отклика, описывающие линейную реакцию системы на слабое внешнее механическое воздействие. Обсуждается свойство симметрии для релаксационной функции при обращении времени и соотношения взаимности Онзагера для обобщeнной восприимчивости. Показано, что эти известные в классической квантовой статистике свойства остаются в силе и для аномальных систем.
Объектом исследования в данной работе является отдельный кубит, взаимодействующий с импульсным полем. Цель работы - изучение влияния воздействия импульсного поля на квантовую динамику кубита. В результате работы было получено операторное кинетическое уравнение, описывающее релаксацию кубита во внешнем импульсном поле прямоугольной формы. При помощи компьютерного моделирования было изучено влияние параметров модели на популяцию квантовых уровней кубита. На основе результатов, полученных в ходе работы, был сделан вывод об их практическом значении для разработки квантового компьютера и квантовых устройств
представлена полностью дифференцируемая архитектура графовой нейронной сети (GNN), предназначенная для задач декодирования каналов связи. Разработанный подход демонстрирует сопоставимую с традиционными методами эффективность декодирования для различных классов корректирующих кодов, включая коды низкой плотности проверки на четность (LDPC) и коды Боуза-Чоудхури-Хоквингема (BCH), при существенном сокращении требуемого количества итераций. Каждая итерация декодирования представлена как слой графовой нейронной сети. Суть метода заключается в замене детерминированных операций передачи сообщений в классических декодерах на адаптивные нейросетевые блоки, которые в процессе обучения самостоятельно выявляют оптимальные правила обработки данных в структуре кодового графа. В отличие от большинства существующих решений на основе глубокого обучения, предложенная архитектура обладает такими преимуществами, как масштабируемость для кодов произвольной длины и отсутствие ограничений, связанных с проблемами размерности. Экспериментальные результаты показывают значительное превосходство предложенной методики для кода BCH (63,45), достигнуто улучшение с максимальным выигрышем в области высоких SNR (4-5 дБ) по сравнению с взвешенным алгоритмом распространения доверия (BP), а для LDPC(128, 64)-кодов стандарта 5G NR преимущество достигает 36-87 %, особенно заметное при SNR > 2 дБ this paper presents a fully differentiable graph neural network (GNN) architecture designed for decoding communication channels. The developed approach demonstrates decoding efficiency comparable to traditional methods for various classes of correction codes, including low-density parity-check code (LDPC) and Bose-Chowdhury-Hockingham (BCH) codes, while significantly reducing the required numberof iterations. Each decoding iteration is represented asa layer of a graph neural network. The essence of the method is to replace deterministic message transmission operations in classical decoders with adaptive neuralnetwork blocks that independently identify optimal data processing rules inthe code graph structureduring the learning process. Unlike most existing deep learning-based solutions,the proposed architecture has advantages such as scalability for arbitrary-length codes and the absence of limitations related to dimension issues. Experimental results showa significant superiority of the proposed methodology for the BCH (63.45) code, an improvement has been achieved with maximum gain inthe area of high SNRs (4-5 dB) compared with the weighted trust propagation algorithm (BP), and for LDPC(128, 64) codesof the 5G NR standard, the advantage reaches 36-87%, especially noticeable with SNR > 2 dB
В предлагаемой статье произведена реализация алгоритма Гровера на языке программирования Python, с помощью облачного квантового компьютера сервиса Riggeti Forest. Авторами данной статьи рассмотрены инверсия вокруг среднего, которая позволяет решить задачу поиска за время порядка квадратного корня. В свою очередь, это обеспечивает большой потенциал для практического применения квантового алгоритма Гровера. Полученный модифицированный алгоритм Гровера отличается более высокой производительностью и быстродействием при осуществлении поиска.