El nuevo trabajo que aprovecha el aprendizaje automático podría aumentar la eficiencia de las redes ópticas de telecomunicaciones. A medida que nuestro mundo se interconecta cada vez más, los cables de fibra óptica ofrecen la capacidad de transmitir más datos a distancias más largas en comparación con los cables de cobre tradicionales. Han surgido redes de transporte óptico OTNcomo una solución para empaquetar datos en cables de fibra óptica, y las mejoras buscan hacerlos más rentables.
Un grupo de investigadores de la Universitat Politècnica de Catalunya en Barcelona y la compañía de telecomunicaciones Huawei han reestructurado una técnica de inteligencia artificial utilizada para el ajedrez y los autos sin conductor para que los OTN funcionen de manera más eficiente. Presentarán su investigación en la próxima Conferencia de Fibra Ópticay Exposition, que se realizará del 3 al 7 de marzo en San Diego, California, EE. UU.
Las OTN requieren reglas sobre cómo dividir la gran cantidad de tráfico que administran y escribir las reglas para tomar esas decisiones en una fracción de segundo se vuelve muy complejo. Si la red da más espacio del necesario para una llamada de voz, por ejemplo, el no utilizadoEs posible que se haya aprovechado mejor el espacio para garantizar que un usuario final que transmite un video no reciba mensajes de "almacenamiento en búfer".
Lo que los OTN necesitan es una mejor protección de tráfico.
El nuevo enfoque de los investigadores para este problema combina dos técnicas de aprendizaje automático: la primera, llamada aprendizaje de refuerzo, crea un "agente" virtual que aprende a través de prueba y error los detalles de un sistema para optimizar cómo se gestionan los recursos. La segunda,llamado aprendizaje profundo, agrega una capa adicional de sofisticación al enfoque basado en el refuerzo mediante el uso de las llamadas redes neuronales, que son sistemas de aprendizaje por computadora inspirados en el cerebro humano, para sacar conclusiones más abstractas de cada ronda de prueba y error.
"El aprendizaje de refuerzo profundo se ha aplicado con éxito en muchos campos", dijo uno de los investigadores, Albert Cabellos-Aparicio. "Sin embargo, su aplicación a las redes de computadoras es muy reciente. Esperamos que nuestro artículo ayude a impulsar el aprendizaje de refuerzo profundo enredes y que otros investigadores propongan enfoques diferentes e incluso mejores "
Hasta ahora, los algoritmos de aprendizaje de refuerzo profundo más avanzados han podido optimizar la asignación de algunos recursos en OTN, pero se atascan cuando se encuentran con escenarios novedosos. Los investigadores trabajaron para superar esto variando la forma en que se presentan los datos ael agente.
Después de aprender los OTN a través de 5.000 rondas de simulaciones, el agente de aprendizaje de refuerzo profundo dirigió el tráfico con un 30 por ciento más de eficiencia que el algoritmo de vanguardia actual.
Una cosa que sorprendió a Cabellos-Aparicio y su equipo fue la facilidad con que el nuevo enfoque pudo aprender sobre las redes después de comenzar con una pizarra en blanco.
"Esto significa que sin conocimiento previo, un agente de aprendizaje de refuerzo profundo puede aprender cómo optimizar una red de manera autónoma", dijo Cabellos-Aparicio. "Esto da como resultado estrategias de optimización que superan a los algoritmos expertos".
Con la enorme escala que algunas redes de transporte óptico ya tienen, dijo Cabellos-Aparicio, incluso los pequeños avances en eficiencia pueden cosechar grandes ganancias en latencia reducida y costos operativos.
A continuación, el grupo planea aplicar sus estrategias de refuerzo profundo en combinación con redes de gráficos, un campo emergente dentro de la inteligencia artificial con el potencial de transformar campos científicos e industriales, como redes informáticas, química y logística.
Fuente de la historia :
Materiales proporcionados por La sociedad óptica . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :