On Error-Correction Performance and Implementation of Polar Code List\n Decoders for 5G
Notice bibliographique
Résumé
Polar codes are a class of capacity achieving error correcting codes that has\nbeen recently selected for the next generation of wireless communication\nstandards (5G). Polar code decoding algorithms have evolved in various\ndirections, striking different balances between error-correction performance,\nspeed and complexity. Successive-cancellation list (SCL) and its incarnations\nconstitute a powerful, well-studied set of algorithms, in constant improvement.\nAt the same time, different implementation approaches provide a wide range of\narea occupations and latency results. 5G puts a focus on improved\nerror-correction performance, high throughput and low power consumption: a\ncomprehensive study considering all these metrics is currently lacking in\nliterature. In this work, we evaluate SCL-based decoding algorithms in terms of\nerror-correction performance and compare them to low-density parity-check\n(LDPC) codes. Moreover, we consider various decoder implementations, for both\npolar and LDPC codes, and compare their area occupation and power and energy\nconsumption when targeting short code lengths and rates. Our work shows that\namong SCL-based decoders, the partitioned SCL (PSCL) provides the lowest area\noccupation and power consumption, whereas fast simplified SCL (Fast-SSCL)\nyields the lowest energy consumption. Compared to LDPC decoder architectures,\ndifferent SCL implementations occupy up to 17.1x less area, dissipate up to\n7.35x less power, and up to 26x less energy.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».