Молодые ученые кафедры ТКС завершают работу над оптимизированным алгоритмом декодирования LDPC-кодов

Девять проектов молодых ученых МИЭТ получили поддержку вуза по результатам конкурса «Молодой исследователь» — проекты будут реализованы на гранты университета в размере 400 тысяч рублей. Конкурс проводился в рамках реализации Программы стратегического академического лидерства «Приоритет-2030» и был направлен на мотивацию молодых ученых к активному участию в фундаментальных научных исследованиях на базе университета.

Одни из победителей конкурса в 2025 году — молодежная научная группа кафедры телекоммуникационных систем (ТКС). Над проектом «Исследование процедур декодирования LDPC-кодов на основе нейросетевых решений для сетей мобильной связи следующего поколения» работают магистранты 2 года обучения Михаил Звягин и Виктория Шаповалова, а также студент 4 курса Иван Захаров. Научным консультантом выступает доцент кафедры ТКС Алексей Волков.

О сути проекта, его актуальности и прикладном значении рассказал Михаил Звягин:

«Мы создадим алгоритм декодирования LDPC-кодов, который сочетает в себе два ключевых преимущества: достоверность декодирования, близкую к оптимальным алгоритмам, при сохранении вычислительной сложности упрощенных алгоритмов. Наш гибридный подход, объединяющий нейросетевые методы с модифицированным Min-Sum алгоритмом, на предварительных тестах уже демонстрирует снижение вероятности битовых ошибок по сравнению с традиционными методами при сопоставимой вычислительной сложности. Это особенно важно для практического применения в системах связи нового поколения, где критически важны как пропускная способность, так и надежность передачи данных. Полученное решение в перспективе может быть использовано в стандарте связи 5G NR и адаптировано для различных сценариев использования — от маломощных IoT-устройств до базовых станций с высокой нагрузкой.

Актуальность работы

На сегодняшний день исследования процедур декодирования LDPC с применением нейросетевых решений соответствуют глобальным трендам развития телекоммуникационных технологий. Как отмечается в современных научных публикациях, интерес к этой теме особенно возрос в последние 3-5 лет, что связано с ужесточением требований к пропускной способности 5G/6G сетей, необходимостью снижения энергопотребления оборудования и минимизации задержек передачи данных. Китайские исследовательские центры являются одними из лидеров в этом направлении. В их работах, опубликованных в авторитетных журналах, демонстрируются впечатляющие результаты применения глубокого обучения для оптимизации итеративных алгоритмов декодирования. Воспользовавшись их опытом, мы смогли разработать собственное решение применения нейросетевых методов с учетом специфики наших задач и доступных вычислительных ресурсов.

Технологическая база и этапы работы

Исследование проходит в молодежной студенческой лаборатории «Мобильные системы связи» на базе кафедры телекоммуникационных систем, открытой в рамках программы «Приоритет 2030». Лаборатория оснащена современным оборудованием и программным обеспечением, что позволяет нашей команде полностью сосредоточиться на исследовании, не отвлекаясь на решение организационных вопросов. Научный руководитель Алексей Волков и преподаватели кафедры ТКС в любое время консультируют нас в решении исследовательских задач.

Задачи в рамках исследования были условно разделены на 2 этапа.

Первый этап работ сосредоточен на исследовании и базовой реализации алгоритмов декодирования LDPC-кодов и классических методов и подходов машинного обучения. В рамках этого этапа разрабатывается математическая модель кодера и декодера и проводится оценка ее эффективности через моделирование в канале с шумом. Параллельно с этим создается нейросетевое решение для оптимизации декодера, собираются данные для обучения, а затем обученная модель интегрируется в систему.

Второй этап направлен на тестирование и совершенствование гибридного алгоритма. Проводится моделирование модифицированного декодера в тех же условиях, что и для традиционных методов, с последующим сравнением графиков BER для разных параметров кода. Завершается этап анализом результатов, выявлением преимуществ гибридного подхода и финальной доработкой алгоритма для повышения его эффективности.

На текущем этапе исследование проводится силами сложившегося молодого научного коллектива без привлечения внешних коммерческих партнёров. Однако мы всегда открыты к сотрудничеству с компаниями, особенно в части проверки работоспособности наших алгоритмов в реальных телекоммуникационных системах.

Сроки реализации

Согласно условиям гранта, полученного по итогам конкурса «Молодой исследователь», изначальный срок реализации проекта составлял 9 месяцев. Однако благодаря имеющейся материально-технической базе лаборатории и серьезному научному заделу кафедры, нам удалось значительно ускорить процесс выполнения работы. В настоящее время проект находится в завершающей стадии — мы проводим финальные сравнительные тесты усовершенствованного нейросетевого декодера с традиционными алгоритмами, что позволяет нам завершить все основные этапы работы уже через 6 месяцев после старта. Такой темп стал возможен благодаря тщательной подготовке и оптимизации всех исследовательских процессов, при этом мы полностью сохраняем научную строгость и достоверность получаемых результатов. Оставшееся время планируем посвятить углубленному анализу полученных данных и подготовке публикаций, что является важной частью научной деятельности».