Ny maskinlæringstilgang kan give et stort løft til effektiviteten af ​​optiske netværk

Nyt arbejde, der udnytter maskinlæring, kan øge effektiviteten af ​​optiske telekommunikationsnetværk. Efterhånden som vores verden bliver mere og mere forbundet, fiberoptiske kabler giver mulighed for at transmittere flere data over længere afstande sammenlignet med traditionelle kobberledninger. Optiske transportnetværk (OTN'er) er opstået som en løsning til emballering af data i fiberoptiske kabler, og forbedringer kan gøre dem mere omkostningseffektive.

En gruppe forskere fra Universitat Politècnica de Catalunya i Barcelona og teleselskabet Huawei har ombygget en kunstig intelligens-teknik, der bruges til skak og selvkørende biler, for at få OTN'er til at køre mere effektivt. De vil præsentere deres forskning på den kommende optiske fiberkonference og udstilling, afholdes 3-7 marts i San Diego, Californien, USA.

OTN'er kræver regler for, hvordan man opdeler de store mængder trafik, de administrerer, og det bliver meget komplekst at skrive reglerne for at træffe disse beslutninger på et splitsekund. Hvis netværket giver mere plads end nødvendigt til et taleopkald, for eksempel, den ubrugte plads kunne have været bedre brugt for at sikre, at en slutbruger, der streamer en video, ikke får "stadig buffering"-meddelelser.

Hvad OTN'er har brug for er en bedre trafikvagt.

Forskernes nye tilgang til dette problem kombinerer to maskinlæringsteknikker:Den første, kaldet forstærkende læring, skaber en virtuel "agent", der gennem trial and error lærer detaljerne i et system for at optimere, hvordan ressourcer administreres. Sekundet, kaldet dyb læring, tilføjer et ekstra lag af sofistikering til den forstærkningsbaserede tilgang ved at bruge såkaldte neurale netværk, som er computerlæringssystemer inspireret af den menneskelige hjerne, at drage mere abstrakte konklusioner fra hver runde af trial and error.

"Dyb forstærkende læring er blevet anvendt med succes på mange områder, sagde en af ​​forskerne, Albert Cabellos-Aparicio. "Imidlertid, dens anvendelse på computernetværk er meget ny. Vi håber, at vores papir hjælper med at kickstarte dyb-forstærkende læring i netværk, og at andre forskere foreslår anderledes og endnu bedre tilgange."

Indtil nu, de mest avancerede deep reinforcement learning-algoritmer har været i stand til at optimere en vis ressourceallokering i OTN'er, men de bliver hængende, når de løber ind i nye scenarier. Forskerne arbejdede på at overvinde dette ved at variere den måde, hvorpå data præsenteres for agenten.

Efter at have sat OTN'erne gennem 5, 000 runder af simuleringer, den dybe forstærkende læringsagent dirigerede trafik med 30 procent større effektivitet end den nuværende state-of-the-art algoritme.

En ting, der overraskede Cabellos-Aparicio og hans team, var, hvor let den nye tilgang var i stand til at lære om netværkene efter at have startet med en blank tavle.

"Det betyder, at uden forudgående viden, en dyb forstærkende læringsagent kan lære at optimere et netværk selvstændigt, " sagde Cabellos-Aparicio. "Dette resulterer i optimeringsstrategier, der overgår ekspertalgoritmer."

Med den enorme skala nogle optiske transportnetværk allerede har, Cabellos-Aparicio sagde, selv små fremskridt i effektivitet kan høste store afkast i reduceret ventetid og driftsomkostninger.

Næste, gruppen planlægger at anvende deres dybe forstærkningsstrategier i kombination med grafnetværk, et spirende felt inden for kunstig intelligens med potentiale til at transformere videnskabelige og industrielle områder, såsom computernetværk, kemi og logistik.