Nytt arbete som utnyttjar maskininlärning kan öka effektiviteten hos optiska telekommunikationsnätverk. När vår värld blir allt mer sammankopplad, fiberoptiska kablar erbjuder möjligheten att överföra mer data över längre avstånd jämfört med traditionella koppartrådar. Optiska transportnät (OTN) har dykt upp som en lösning för att paketera data i fiberoptiska kablar, och förbättringar kommer att göra dem mer kostnadseffektiva.

En grupp forskare från Universitat Politècnica de Catalunya i Barcelona och telekomföretaget Huawei har omarbetat en artificiell intelligensteknik som används för schack och självkörande bilar för att få OTN:er att fungera mer effektivt. De kommer att presentera sin forskning vid den kommande optiska fiberkonferensen och utställningen, kommer att hållas 3-7 mars i San Diego, Kalifornien, USA.

OTN:er kräver regler för hur man delar upp de stora mängder trafik som de hanterar och att skriva reglerna för att fatta besluten på en del av en sekund blir mycket komplicerat. Om nätverket ger mer utrymme än vad som behövs för ett röstsamtal, till exempel, det oanvända utrymmet kan ha använts bättre för att säkerställa att en slutanvändare som streamar en video inte får "fortfarande buffrande" meddelanden.

Vad OTNs behöver är en bättre trafikvakt.

Forskarnas nya inställning till detta problem kombinerar två maskininlärningstekniker:Den första, kallas förstärkningsinlärning, skapar en virtuell "agent" som genom trial and error lär sig detaljerna i ett system för att optimera hur resurser hanteras. Den andra, kallas djupinlärning, lägger till ett extra lager av sofistikering till det förstärkningsbaserade tillvägagångssättet genom att använda så kallade neurala nätverk, som är datorinlärningssystem inspirerade av den mänskliga hjärnan, att dra mer abstrakta slutsatser från varje omgång av trial and error.

"Djup förstärkningsinlärning har framgångsrikt tillämpats på många områden, sa en av forskarna, Albert Cabellos-Aparicio. "Dock, dess tillämpning på datornätverk är mycket ny. Vi hoppas att vår uppsats hjälper till att kickstarta djupförstärkande lärande i nätverk och att andra forskare föreslår andra och ännu bättre tillvägagångssätt."

Än så länge, de mest avancerade algoritmerna för inlärning av djup förstärkning har kunnat optimera viss resursallokering i OTN:er, men de fastnar när de stöter på nya scenarier. Forskarna arbetade för att övervinna detta genom att variera sättet på vilket data presenteras för agenten.

Efter att ha satt OTN genom 5, 000 omgångar av simuleringar, den djupförstärkande inlärningsagenten styrde trafik med 30 procent högre effektivitet än den nuvarande toppmoderna algoritmen.

En sak som förvånade Cabellos-Aparicio och hans team var hur lätt det nya tillvägagångssättet kunde lära sig om nätverken efter att ha börjat med ett blankt blad.

"Detta betyder att utan förkunskaper, en agent för djupförstärkning kan lära sig hur man optimerar ett nätverk självständigt, ", sa Cabellos-Aparicio. "Detta resulterar i optimeringsstrategier som överträffar expertalgoritmer."

Med den enorma skala som vissa optiska transportnät redan har, Cabellos-Aparicio sa, även små framsteg i effektivitet kan skörda stor avkastning i minskad latens och driftskostnader.

Nästa, gruppen planerar att tillämpa sina djupa förstärkningsstrategier i kombination med grafnätverk, ett framväxande fält inom artificiell intelligens med potential att förändra vetenskapliga och industriella områden, såsom datornätverk, kemi och logistik.