Nieuw werk dat gebruik maakt van machine learning zou de efficiëntie van optische telecommunicatienetwerken kunnen verhogen. Naarmate onze wereld steeds meer met elkaar verweven raakt, glasvezelkabels bieden de mogelijkheid om meer gegevens over langere afstanden te verzenden in vergelijking met traditionele koperdraden. Optical Transport Networks (OTN's) zijn ontstaan ​​als oplossing voor het verpakken van data in glasvezelkabels, en verbeteringen zullen ze kosteneffectiever maken.

Een groep onderzoekers van de Universitat Politècnica de Catalunya in Barcelona en het telecombedrijf Huawei hebben een kunstmatige-intelligentietechniek die wordt gebruikt voor schaken en zelfrijdende auto's opnieuw ontworpen om OTN's efficiënter te laten werken. Zij zullen hun onderzoek presenteren op de komende Optical Fiber Conference and Exposition, zal worden gehouden van 3-7 maart in San Diego, Californië, VS.

OTN's vereisen regels voor het verdelen van de grote hoeveelheden verkeer die ze beheren en het schrijven van de regels voor het nemen van die beslissingen in een fractie van een seconde wordt erg complex. Als het netwerk meer ruimte biedt dan nodig is voor een spraakoproep, bijvoorbeeld, de ongebruikte ruimte had misschien beter gebruikt kunnen worden om ervoor te zorgen dat een eindgebruiker die een video streamt geen "nog steeds bufferende" berichten krijgt.

Wat OTN's nodig hebben, is een betere verkeerswacht.

De nieuwe benadering van dit probleem door de onderzoekers combineert twee machine learning-technieken:de eerste, versterkend leren genoemd, creëert een virtuele "agent" die door vallen en opstaan ​​de bijzonderheden van een systeem leert om de manier waarop resources worden beheerd te optimaliseren. De seconde, diep leren genoemd, voegt een extra laag verfijning toe aan de op versterking gebaseerde benadering door gebruik te maken van zogenaamde neurale netwerken, dat zijn computerleersystemen die zijn geïnspireerd op het menselijk brein, om meer abstracte conclusies te trekken uit elke ronde van vallen en opstaan.

"Diep versterkend leren is met succes toegepast op veel gebieden, " zei een van de onderzoekers, Albert Cabellos-Aparicio. "Echter, de toepassing ervan op computernetwerken is zeer recent. We hopen dat onze paper helpt om diepgaand leren in netwerken op gang te brengen en dat andere onderzoekers andere en zelfs betere benaderingen voorstellen."

Tot dusver, de meest geavanceerde leeralgoritmen voor diepe versterking hebben een deel van de toewijzing van middelen in OTN's kunnen optimaliseren, maar ze komen vast te zitten wanneer ze nieuwe scenario's tegenkomen. De onderzoekers probeerden dit te ondervangen door de manier waarop gegevens aan de agent worden gepresenteerd te variëren.

Nadat je de OTN's door 5 hebt gehaald, 000 rondes van simulaties, de leeragent voor diepe versterking leidde het verkeer met 30 procent meer efficiëntie dan het huidige ultramoderne algoritme.

Een ding dat Cabellos-Aparicio en zijn team verraste, was hoe gemakkelijk de nieuwe aanpak in staat was om de netwerken te leren kennen nadat ze met een schone lei waren begonnen.

"Dit betekent dat zonder voorkennis, een lerende agent voor diepgaande versterking kan leren hoe hij autonoom een ​​netwerk kan optimaliseren, " zei Cabellos-Aparicio. "Dit resulteert in optimalisatiestrategieën die beter presteren dan algoritmen van experts."

Met de enorme schaal die sommige optische transportnetwerken al hebben, Cabellos-Aparicio zei:zelfs kleine verbeteringen in efficiëntie kunnen een groot rendement opleveren in verminderde latentie en operationele kosten.

Volgende, de groep is van plan om hun diepe versterkingsstrategieën toe te passen in combinatie met grafieknetwerken, een opkomend veld binnen kunstmatige intelligentie met het potentieel om wetenschappelijke en industriële gebieden te transformeren, zoals computernetwerken, chemie en logistiek.