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.
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.
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 работе исследуется метод повышения скорости сходимости глубоких классических нейронных сетей посредством интеграции гибридных квантовых слоев на базе параметризованных квантовых схем (PQC). Рассматривается математический аппарат нелинейного отображения признаков в высокоразмерное гильбертово пространство, позволяющий существенно сократить количество эпох оптимизации, необходимых для достижения целевой точности. Продемонстрирована эффективность предложенного подхода на примере задачи распознавания типов модуляции сигналов в условиях низкого отношения сигнал/шум. Результаты моделирования показывают ускорение сходимости в 3.6 раза по сравнению со стандартными полносвязными архитектурами при эквивалентном количестве параметров.
АКТУАЛЬНОСТЬ ТЕМЫ. Построение квантового компьютера в виде реального физического прибора является фундаментальной задачей физики XXI века. Квантовый компьютер использует для вычисления не обычные (классические) алгоритмы, а квантовомеханические эффекты, такие как квантовая перепутанность. Поэтому в настоящее время особое внимание в квантовой оптике уделяется изучению перепутанных состояний. Они являются фундаментом квантовой информатики. ЦЕЛЬ РАБОТЫ. Исследование динамики перепутывания двух идентичных двухуровневых атомов, взаимодействующих с модой теплового поля идеального резонатора при наличии расстройки частот атомов и поля и диполь-дипольного взаимодействия. В качестве физической реализации данной модели можно рассматривать сверхпроводящие кубиты или примесные спины, в частности для сверхпроводящих кубитов, параметры диполь-дипольного взаимодействия могут на порядки отличаться от константы кубит-полевого взаимодействия. НАУЧНАЯ НОВИЗНА. В квалификационной работе получены и выносятся на защиту следующие р
Одним из наиболее актуальных и востребованных вопросов сегодня в условиях повсеместной трансформации и цифровизации сфер человеческой деятельности является информационная безопасность и обеспечение целостности данных. Основные исследования и разработки в области информационной безопасности направлены на повышение эффективности и рационализацию. Одним из основных средств передачи данных и эксплуатации информационных комплексов являются волоконно-оптические системы. На сегодняшний день имели место случаи незаконного проникновения и кражи информации, проходящей через данный вид связи. Таким образом, на сегодняшний день существует проблема, связанная с недостаточной защитой информации в волоконно-оптических системах передачи данных. Одним из наиболее эффективных инструментов противодействия актам незаконного вмешательства в системы являются искусственный интеллект и криптографические алгоритмы защиты информации. Именно симбиоз этих двух инструментов позволяет качественно повысить уровень защиты информации в волоконно-оптических системах передачи данных. Таким образом, авторы данной статьи преследуют цель, связанную с описанием инновационной системы защиты информации от нарушений в волоконно-оптических системах передачи данных, основанной на интеграции интеллектуальных криптографических алгоритмов.