Un nuevo trabajo que aproveche el aprendizaje automático podría aumentar la eficiencia de las redes de telecomunicaciones ópticas. A medida que nuestro mundo se vuelve cada vez más interconectado, Los cables de fibra óptica ofrecen la capacidad de transmitir más datos a distancias más largas en comparación con los cables de cobre tradicionales. Las redes de transporte óptico (OTN) han surgido como una solución para empaquetar datos en cables de fibra óptica, y las mejoras pueden hacerlas más rentables.

Un grupo de investigadores de la Universitat Politècnica de Catalunya en Barcelona y la empresa de telecomunicaciones Huawei han rediseñado una técnica de inteligencia artificial utilizada para ajedrez y coches autónomos para que las OTN funcionen de forma más eficiente. Presentarán su investigación en la próxima Conferencia y Exposición de Fibra Óptica, que se celebrará del 3 al 7 de marzo en San Diego, California, ESTADOS UNIDOS.

Las OTN requieren reglas sobre cómo dividir las grandes cantidades de tráfico que administran y escribir las reglas para tomar esas decisiones en una fracción de segundo se vuelve muy complejo. Si la red ofrece más espacio del necesario para una llamada de voz, por ejemplo, el espacio no utilizado podría haberse aprovechado mejor para garantizar que un usuario final que transmite un video no reciba mensajes "todavía almacenados en búfer".

Lo que necesitan las OTN es una mejor protección contra el tráfico.

El nuevo enfoque de los investigadores a este problema combina dos técnicas de aprendizaje automático:la primera, llamado aprendizaje por refuerzo, crea un "agente" virtual que aprende a través de prueba y error los detalles de un sistema para optimizar cómo se administran los recursos. El segundo, 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 por refuerzo profundo se ha aplicado con éxito a muchos campos, "dijo uno de los investigadores, Albert Cabellos-Aparicio. "Sin embargo, su aplicación a las redes informáticas es muy reciente. Esperamos que nuestro artículo ayude a impulsar el aprendizaje de refuerzo profundo en las redes y que otros investigadores propongan enfoques diferentes e incluso mejores ".

Hasta aquí, Los algoritmos de aprendizaje por refuerzo profundo más avanzados han podido optimizar la asignación de 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 al agente.

Después de pasar las OTN por 5, 000 rondas de simulaciones, el agente de aprendizaje por refuerzo profundo dirigió el tráfico con un 30 por ciento más de eficiencia que el algoritmo actual de última generación.

Una cosa que sorprendió a Cabellos-Aparicio y su equipo fue la facilidad con la 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 por refuerzo profundo puede aprender a optimizar una red de forma autónoma, "Esto se traduce en estrategias de optimización que superan a los algoritmos expertos", dijo Cabellos-Aparicio.

Con la enorme escala que ya tienen algunas redes ópticas de transporte, Cabellos-Aparicio dijo, Incluso los pequeños avances en la eficiencia pueden generar grandes beneficios en la reducción de la latencia y los costos operativos.

Próximo, 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 los campos científico e industrial, como redes informáticas, química y logística.