Un nuovo lavoro che sfrutta l'apprendimento automatico potrebbe aumentare l'efficienza delle reti di telecomunicazioni ottiche. Man mano che il nostro mondo diventa sempre più interconnesso, i cavi in ​​fibra ottica offrono la possibilità di trasmettere più dati su distanze maggiori rispetto ai tradizionali cavi in ​​rame. Le reti di trasporto ottico (OTN) sono emerse come soluzione per il confezionamento di dati in cavi in ​​fibra ottica, e i miglioramenti li renderanno più convenienti.

Un gruppo di ricercatori dell'Universitat Politècnica de Catalunya di Barcellona e la società di telecomunicazioni Huawei hanno riorganizzato una tecnica di intelligenza artificiale utilizzata per gli scacchi e le auto a guida autonoma per far funzionare gli OTN in modo più efficiente. Presenteranno la loro ricerca alla prossima conferenza ed esposizione sulla fibra ottica, che si terrà dal 3 al 7 marzo a San Diego, California, STATI UNITI D'AMERICA.

Gli OTN richiedono regole su come suddividere le elevate quantità di traffico che gestiscono e scrivere le regole per prendere quelle decisioni in frazioni di secondo diventa molto complesso. Se la rete offre più spazio del necessario per una chiamata vocale, Per esempio, lo spazio inutilizzato potrebbe essere stato utilizzato meglio per garantire che un utente finale che esegue lo streaming di un video non riceva messaggi "ancora in fase di buffering".

Ciò di cui hanno bisogno gli OTN è una migliore guardia del traffico.

Il nuovo approccio dei ricercatori a questo problema combina due tecniche di apprendimento automatico:la prima, chiamato apprendimento per rinforzo, crea un "agente" virtuale che apprende per tentativi ed errori i particolari di un sistema per ottimizzare la gestione delle risorse. Il secondo, chiamato apprendimento profondo, aggiunge un ulteriore livello di sofisticatezza all'approccio basato sul rinforzo utilizzando le cosiddette reti neurali, che sono sistemi di apprendimento informatico ispirati al cervello umano, trarre conclusioni più astratte da ogni ciclo di tentativi ed errori.

"L'apprendimento per rinforzo profondo è stato applicato con successo a molti campi, " ha detto uno dei ricercatori, Albert Cabellos-Aparicio. "Però, la sua applicazione alle reti di computer è molto recente. Speriamo che il nostro documento aiuti a dare il via all'apprendimento di rinforzo profondo nel networking e che altri ricercatori propongano approcci diversi e persino migliori".

Finora, i più avanzati algoritmi di apprendimento per rinforzo profondo sono stati in grado di ottimizzare alcune allocazioni di risorse negli OTN, ma si bloccano quando si imbattono in nuovi scenari. I ricercatori hanno lavorato per superare questo problema variando il modo in cui i dati vengono presentati all'agente.

Dopo aver passato gli OTN a 5, 000 cicli di simulazioni, l'agente di apprendimento per rinforzo profondo ha diretto il traffico con un'efficienza del 30% superiore rispetto all'attuale algoritmo all'avanguardia.

Una cosa che ha sorpreso Cabellos-Aparicio e la sua squadra è stata la facilità con cui il nuovo approccio è stato in grado di conoscere le reti dopo aver iniziato con una tabula rasa.

"Ciò significa che senza previa conoscenza, un agente di apprendimento per rinforzo profondo può imparare a ottimizzare una rete in modo autonomo, " Cabellos-Aparicio ha detto. "Ciò si traduce in strategie di ottimizzazione che superano gli algoritmi esperti".

Con l'enorme scala che hanno già alcune reti di trasporto ottico, Cabellos-Aparicio ha detto, anche piccoli progressi in termini di efficienza possono generare grandi ritorni in termini di latenza e costi operativi ridotti.

Prossimo, il gruppo prevede di applicare le proprie strategie di rinforzo profondo in combinazione con reti di grafi, un campo emergente all'interno dell'intelligenza artificiale con il potenziale per trasformare i campi scientifici e industriali, come reti di computer, chimica e logistica.