To cite this paper use one of the standards below:
A contínua evolução das redes de comunicação móvel em direção ao 5G-Advanced impõe requisitos rigorosos de confiabilidade e de baixa latência. Para atender a essas demandas, os códigos polares foram adotados como a principal estratégia de codificação para os canais de controle. No entanto, algoritmos tradicionais de decisão suave com alto potencial de paralelização, como o Belief Propagation (BP), enfrentam desafios em códigos polares devido a ciclos em seu grafo de fator, o que prejudica a convergência. Para mitigar a complexidade e melhorar o desempenho, este trabalho propõe a otimização do decodificador BP utilizando técnicas de Deep Learning. A metodologia baseia-se no desdobramento (unrolling) da estrutura iterativa do algoritmo BP em uma arquitetura de Rede Neural Recorrente (RNN). Nessa formulação, as iterações de troca de mensagens são mapeadas como etapas temporais da rede, forçando o compartilhamento dos mesmos pesos multiplicativos para evitar a alta sobrecarga de memória típica de redes profundas. Adicionalmente, o projeto investiga a aplicação de um mecanismo de quantização dupla de pesos à RNN treinada. A estratégia converte os parâmetros de ponto flutuante para ponto fixo e constrói um dicionário (codebook) selecionando os valores mais frequentes. Esse mapeamento permite substituir operações complexas de multiplicação por adições simples, viabilizando a implementação eficiente em hardware para dispositivos com recursos limitados. As simulações em Python sob canal AWGN visam avaliar a redução da complexidade computacional e da sobrecarga de memória, validando o impacto nas métricas de Taxa de Erro de Bit (BER) frente aos métodos tradicionais.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
Views per month
Galoá count, excluding known robots. Updated on 30/09/2026.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper