Guessing Random Additive Noise Decoding: A Hardware Perspective
Ez a könyv részletes áttekintést ad egy univerzális Maximum Likelihood (ML) dekódolási technikáról, a Guessing Random Additive Noise Decoding (GRAND) néven ismert, rövid hosszúságú és nagy sebességű lineáris blokkkódokra bevezetett dekódolási technikáról. A rövid csatornás kódok és a megfelelő ML dekódoló algoritmusok iránti érdeklődés az utóbbi időben mind az iparban, mind a tudományos életben újra fellángolt a szigorú megbízhatósági és ultraalacsony késleltetési követelményeket támasztó alkalmazások megjelenése miatt. Néhány ilyen alkalmazás közé tartozik a gépek közötti kommunikáció (M2M), a kiterjesztett és virtuális valóság, az intelligens közlekedési rendszerek (ITS), a tárgyak internete (IoT) és az ultra-megbízható és alacsony késleltetésű kommunikáció (URLLC), amely az 5G-NR szabvány fontos felhasználási területe.
A GRAND puha bemenetű és kemény bemenetű változatokkal is rendelkezik. Ezenkívül vannak hagyományos GRAND-változatok, amelyek bármilyen kommunikációs csatornával használhatók, valamint speciális GRAND-változatok, amelyeket egy adott kommunikációs csatornára fejlesztettek ki. Ez a könyv részletes áttekintést nyújt ezekről a GRAND-változatokról és hardverarchitektúráikról.
A könyv négy részből áll. Az 1. rész bemutatja a lineáris blokkkódokat és a GRAND algoritmust. A 2. rész a hagyományos GRAND-változatok hardverarchitektúráját tárgyalja, amely bármely mögöttes kommunikációs csatornára alkalmazható. A 3. rész az egyes kommunikációs csatornákhoz kifejlesztett speciális GRAND-változatok hardverarchitektúráját ismerteti. Végül a 4. rész áttekintést nyújt a közelmúltban javasolt GRAND-változatokról és egyedi alkalmazásaikról.
Ez a könyv ideális a kutatók vagy mérnökök számára, akik nagy átviteli teljesítményű és energiatakarékos hardvert szeretnének megvalósítani a GRAND-hoz, valamint a VLSI hardverarchitektúrák témája iránt érdeklődő tapasztalt egyetemi oktatók és végzős hallgatók számára. Emellett olvasmányként szolgálhat a modern hibajavító kódokat és a rövid kódok Maximum Likelihood dekódolását tárgyaló graduális kurzusokon.