Contributions au décodage neuronal des codes en blocs linéaires

Cette thèse aborde le défi posé par le décodage à décision souple pour les codes à blocs courts par le biais de l'intégration de l'apprentissage automatique dans le décodage, soit par l’augmentation d’algorithmes existants, soit par approche sans modèle. Pour les approches sans modèle, nous utilisons le décodage neuronal basé sur le syndrome pour estimer le motif d'erreur le plus vraisemblable et approcher ainsi le décodage optimal. Nous montrons que l’utilisation de jeux d’entraînement bien construits par échantillonnage optimisé des exemples, combinée à de l'augmentation de données basée sur les automorphismes du code améliore considérablement la capacité de généralisation du modèle et l’efficacité de l’entraînement. Cette approche peut être complétée par des post-traitements à l’inférencepour se rapprocher encore davantage de la performance cible du décodeur optimal. Pour les approches basées sur des modèles, nous considérons un décodage par propagation de croyance (BP) augmenté, et assisté par un réseau de neurones. En tirant profit des représentations d'entrée et architectures récurrentes développées pour le décodage neuronal par syndrome, nous montrons que les nœuds variables problématiques à l'origine des échecs du décodage BP peuvent être identifiés avec plus de précision, ce qui réduit le nombre de tentatives de décodage et surpasse les règles expertes classiques. Ces résultats mettent en évidence l’intérêt d’une synergie entre connaissance structurelle des codes et apprentissage basé sur les données, dessinant ainsi une voie prometteuse pour le décodage quasi optimal des codes courts.