📘《AI 時代系列（6）：進階通訊工程——邁向 2035 年太空星鏈網路時代》
29／100 單元：AI-based Channel Coding 🤖
從 Starlink / OneWeb 看 AI 如何重新發明編碼**
________________________________________
🌟 一、單元導讀｜為什麼 AI 洗牌通道編碼？
過去 50 年的 FEC 編碼都是人類設計的：
✔ Convolutional Code
✔ Turbo Codes
✔ LDPC
✔ Polar Codes
✔ Reed–Solomon / BCH
但進入 6G / NTN / LEO / 超高頻 THz 時代後，
許多通道都變得：
❗ 沒封閉解
❗ 分布不固定（雨衰、雲層、地面反射）
❗ Dynamics 超大（beam hopping、衛星切換）
❗ Doppler 多普勒大到壓力山大
❗ 非線性強（功放、相位噪聲）
也就是說：
📌 傳統碼已經不再是最佳選擇。
📌 AI 可以幫忙重新設計整個調變＋編碼架構（End-to-end）。
Starlink、OneWeb、衛星 LEO、NTN 全都在往這方向走。
________________________________________
🧠 二、AI-based Channel Coding 是什麼？
它不是“直接把 LDPC 用 NN 解碼”，那太小兒科。
真正的 AI 通道編碼包含三件事：
________________________________________
① AI 設計新通道碼（自動產生 parity structure）
例如：
• 用 RL 搜尋 parity-check matrix
• 用 NN 直接產生 codebook
• 用 evolution algorithm 找最佳 generator matrix
• 用 NN 找出比 QAM 更優的 constellation + code mapping
________________________________________
② AI 直接做 Joint Source–Channel Coding (JSCC)
也就是：
📌 影像 / 聲音 → 直接壓進無線通道
📌 不再有分開的「壓縮 → 編碼 → 調變」
像這樣：
image → Neural Encoder → wireless channel → Neural Decoder → reconstructed image
Starlink 已經在測試低解析 XR、視訊壓縮的 JSCC。
________________________________________
③ AI-based 解碼器 → 超越 LDPC/BP、Turbo、Polar
像 DeepTurbo、Neural LDPC、Neural BP：
在同碼長下，AI 解碼性能優於人類設計的標準 BP 超過 0.5～1 dB。
這對 LEO 特別重要。
________________________________________
🛰️ 三、Starlink / OneWeb 的現實案例
________________________________________
⭐（1）Starlink：Neural Decoder for LEO Dynamic Channels
Starlink 的通道極度複雜：
• 大 Doppler
• 每 6～10 秒切換衛星
• 雨衰超不規則
• 大量多路徑來自海面、湖面
• 天線為相控陣 → 非線性 phase noise
• 地面閘道負載隨時變動
傳統 LDPC + BP → 性能下降。
SpaceX 使用 Neural-BP（混合神經網路）：
📌 保留 LDPC 的稀疏架構
📌 但讓 check-node update 用 CNN/RNN
結果：
✔ BER 改善 0.7–1.2 dB
✔ 在 mmWave 低 SNR 下能力大幅增加
✔ 複雜度接近 BP
✔ 可在 FPGA/ASIC 中實作
這是 AI-based 通道編碼最成功的工業案例。
________________________________________
⭐（2）OneWeb：AI constellation + AI hybrid-FEC
OneWeb 的衛星通道有：
• 雲層吸收
• Ka-band 雨衰
• 地面小型天線（天線增益差）
• 高變動 beamforming gains
OneWeb 研究以下兩件事：
________________________________________
⭐ AI constellation
神經網路找出非方形、非 QAM、非 APSK 的 constellation：
📌 比 QAM 更抗雨衰
📌 比 APSK 更抗非線性
📌 比 64QAM 省 1 dB
📌 適用 LEO / MEO 高動態
________________________________________
⭐ AI hybrid-FEC（LDPC + NN 參數化）
不是換掉 LDPC，而是：
• 讓 check-node update 引入 NN
• 讓 parity bit mapping 由 AI 生成
• 讓碼長可自適應調整
從而：
✔ 在惡劣天氣下維持 >99.9% availability
✔ 比純 LDPC 少 10–20% 失敗封包
✔ 適合大規模用戶（如航空/海運）
________________________________________
📡 四、AI-based Coding 的三大技術路線
________________________________________
① Neural BP（強化版 LDPC decoder）
使用 NN 改寫 BP 更新規則：
m_v→c = NN(LLR_v, messages from other check nodes)
m_c→v = function(messages) + NN(...)
✔ LEO / NTN 首選
✔ 已可商用
✔ 與 LDPC 完全相容
________________________________________
② AutoEncoder-based JSCC（完全新架構）
source → Encoder NN → Channel → Decoder NN → output
✔ 不需要調變
✔ 不需要 FEC
✔ 一次性完成壓縮＋編碼＋偵測
✔ Starlink 影像壓縮測試中
________________________________________
③ RL/Genetic Search 找新碼
用 AI 產生新碼：
• 找 G、H 的最佳 sparsity
• 找最佳 frozen bits（Polar）
• 找最佳 interleaver（Turbo）
結果：
✔ 在短碼長 outperform Polar
✔ 在長碼長 outperform LDPC
✔ 6G 可能標準化
________________________________________
🔍 五、ASCII：AI-based 通道編碼架構
source bits
│
▼
Neural Encoder ───▶ wireless channel ───▶ Neural Decoder
▲ │
└───────────── training ─────────────┘
模型從 sample 學通道，
不用知道 channel model p(y|x)。
________________________________________
📝 六、小測驗（電信實務 × 6G 前瞻）
（1）AI-based Coding 最常用在哪種通道？
➡ LEO／NTN 等高多普勒、快速時變且通道模型不穩定的動態通道。
說明：
AI-based Coding 特別適合用於傳統通道模型（如 AWGN、block fading）難以精確描述的環境，例如低軌衛星（LEO）與非地面網路（NTN）。此類通道具有高速移動造成的高 Doppler 頻移、快速時間變化與 CSI 不完備等特性，AI 能有效補足模型失配所帶來的效能損失。
________________________________________
（2）Starlink 使用哪種 AI 編碼技術？
➡ 以 LDPC 為核心，結合 Neural-enhanced Belief Propagation（Neural-BP）解碼。
說明：
Starlink 並未採用完全端到端的神經網路編碼，而是在既有 LDPC 架構下，引入神經網路輔助 BP 解碼流程，例如學習訊息權重、更新順序與阻尼參數。此作法可在不破壞標準相容性的前提下，提升在非理想衛星通道中的解碼穩定度與效能。
________________________________________
（3）AI constellation 的主要優點？
➡ 相較傳統 QAM，更能適應非線性硬體效應與雨衰等實際通道限制。
說明：
AI constellation 透過資料驅動方式設計星座點分佈，可針對功率放大器非線性、相位雜訊與高頻段雨衰等現象進行最佳化。其目標並非在理想 AWGN 通道下達到理論最優，而是在真實衛星與高頻無線系統中提升整體可靠度。
________________________________________
（4）AutoEncoder-based JSCC 最大特色？
➡ 將資料壓縮、通道編碼與調變整合為端到端的聯合最佳化架構。
說明：
AutoEncoder-based JSCC 不再將 Source Coding 與 Channel Coding 分離設計，而是以任務導向的方式進行整體訓練，直接最小化端到端失真。此特性特別適合低延遲與影像／影音傳輸情境，例如 NTN 即時影像回傳。
________________________________________
（5）AI-based Coding 是否能突破香農極限？
➡ 不能；僅能在有限碼長與非理想條件下更接近香農極限。
說明：
香農極限是在理想假設下所推導的理論上限，AI-based Coding 無法違反此基本定律。然而，AI 可在有限碼長、通道模型不完整與硬體非理想等實務條件下，縮小理論與實際效能之間的落差，使系統更有效率地逼近香農極限。
________________________________________
🌟 七、小結：AI 正在重新發明 Channel Coding
AI 做到人類做不到的：
✔ 直接從 channel sample 學習最優碼
✔ 找出新 constellation
✔ 找出最佳 parity structure
✔ 在 LEO 這種“惡夢級通道”超越 LDPC
✔ 在短碼長 outperform Polar
未來 6G/NTN 的 FEC 可能是：
“LDPC + AI” 或 “Polar + AI”，甚至完全由 AI 設計的全新碼。
一句話總結：
AI-based Channel Coding 不是補強，而是下一代 FEC 設計方法的大革命。
