Um novo trabalho que aproveita o aprendizado de máquina pode aumentar a eficiência das redes de telecomunicações ópticas. À medida que nosso mundo se torna cada vez mais interconectado, os cabos de fibra óptica oferecem a capacidade de transmitir mais dados em distâncias mais longas em comparação com os fios de cobre tradicionais. Redes de transporte óptico (OTNs) surgiram como uma solução para empacotar dados em cabos de fibra óptica, e as melhorias significam torná-los mais econômicos.

Um grupo de pesquisadores da Universitat Politècnica de Catalunya em Barcelona e a empresa de telecomunicações Huawei reformularam uma técnica de inteligência artificial usada para xadrez e carros autônomos para fazer OTNs rodar com mais eficiência. Eles apresentarão suas pesquisas na próxima Conferência e Exposição de Fibra Ótica, a ser realizada de 3 a 7 de março em San Diego, Califórnia, EUA.

OTNs exigem regras sobre como dividir as grandes quantidades de tráfego que gerenciam e escrever as regras para tomar essas decisões em frações de segundo torna-se muito complexo. Se a rede fornecer mais espaço do que o necessário para uma chamada de voz, por exemplo, o espaço não utilizado poderia ter sido melhor aproveitado, garantindo que um usuário final transmitindo um vídeo não receba mensagens de "armazenamento contínuo".

O que os OTNs precisam é de um melhor guarda de tráfego.

A nova abordagem dos pesquisadores para este problema combina duas técnicas de aprendizado de máquina:a primeira, chamado aprendizado por reforço, cria um "agente" virtual que aprende por tentativa e erro as particularidades de um sistema para otimizar como os recursos são gerenciados. O segundo, chamado aprendizado profundo, adiciona uma camada extra de sofisticação à abordagem baseada em reforço usando as chamadas redes neurais, que são sistemas de aprendizagem por computador inspirados no cérebro humano, para tirar conclusões mais abstratas de cada rodada de tentativa e erro.

"A aprendizagem por reforço profundo foi aplicada com sucesso a muitos campos, "disse um dos pesquisadores, Albert Cabellos-Aparicio. "Contudo, sua aplicação em redes de computadores é muito recente. Esperamos que nosso artigo ajude a iniciar o aprendizado de reforço profundo em redes e que outros pesquisadores proponham abordagens diferentes e ainda melhores. "

Até aqui, os algoritmos de aprendizagem de reforço profundo mais avançados têm sido capazes de otimizar alguma alocação de recursos em OTNs, mas eles ficam presos quando se deparam com novos cenários. Os pesquisadores trabalharam para superar isso variando a maneira como os dados são apresentados ao agente.

Depois de colocar os OTNs em 5, 000 rodadas de simulações, o agente de aprendizagem de reforço profundo direcionou o tráfego com 30 por cento mais eficiência do que o algoritmo atual de última geração.

Uma coisa que surpreendeu Cabellos-Aparicio e sua equipe foi a facilidade com que a nova abordagem foi capaz de aprender sobre as redes depois de começar do zero.

"Isso significa que sem conhecimento prévio, um agente de aprendizagem por reforço profundo pode aprender como otimizar uma rede de forma autônoma, "Cabellos-Aparicio disse." Isso resulta em estratégias de otimização que superam os algoritmos especializados. "

Com a enorme escala que algumas redes de transporte óptico já possuem, Cabellos-Aparicio disse, mesmo pequenos avanços em eficiência podem colher grandes retornos em latência e custos operacionais reduzidos.

Próximo, o grupo planeja aplicar suas estratégias de reforço profundo em combinação com redes de grafos, um campo emergente dentro da inteligência artificial com potencial para transformar campos científicos e industriais, como redes de computadores, química e logística.