De nouveaux travaux tirant parti de l'apprentissage automatique pourraient augmenter l'efficacité des réseaux de télécommunications optiques. Alors que notre monde devient de plus en plus interconnecté, les câbles à fibres optiques offrent la possibilité de transmettre plus de données sur de plus longues distances par rapport aux fils de cuivre traditionnels. Les réseaux de transport optique (OTN) sont apparus comme une solution pour le conditionnement de données dans des câbles à fibres optiques, et les améliorations devraient les rendre plus rentables.

Un groupe de chercheurs de l'Universitat Politècnica de Catalunya à Barcelone et de la société de télécommunications Huawei ont réorganisé une technique d'intelligence artificielle utilisée pour les échecs et les voitures autonomes afin de rendre les OTN plus efficaces. Ils présenteront leurs recherches à la prochaine conférence et exposition sur la fibre optique, qui se tiendra du 3 au 7 mars à San Diego, Californie, ETATS-UNIS.

Les OTN ont besoin de règles sur la façon de répartir les grandes quantités de trafic qu'ils gèrent et l'écriture des règles pour prendre ces décisions en une fraction de seconde devient très complexe. Si le réseau donne plus d'espace que nécessaire pour un appel vocal, par exemple, l'espace inutilisé aurait peut-être été mieux utilisé en veillant à ce qu'un utilisateur final diffusant une vidéo ne reçoive pas de messages « encore en mémoire tampon ».

Ce dont les OTN ont besoin, c'est d'une meilleure surveillance de la circulation.

La nouvelle approche des chercheurs à ce problème combine deux techniques d'apprentissage automatique :la première, appelé apprentissage par renforcement, crée un "agent" virtuel qui apprend par essais et erreurs les particularités d'un système afin d'optimiser la gestion des ressources. La deuxième, appelé apprentissage en profondeur, ajoute une couche supplémentaire de sophistication à l'approche basée sur le renforcement en utilisant des réseaux de neurones, qui sont des systèmes d'apprentissage informatique inspirés du cerveau humain, tirer des conclusions plus abstraites de chaque série d'essais et d'erreurs.

« L'apprentissage par renforcement profond a été appliqué avec succès dans de nombreux domaines, " a déclaré l'un des chercheurs, Albert Cabellos Aparicio. "Toutefois, son application aux réseaux informatiques est très récente. Nous espérons que notre article aidera à lancer l'apprentissage par renforcement en profondeur dans les réseaux et que d'autres chercheurs proposeront des approches différentes et encore meilleures."

Jusque là, les algorithmes d'apprentissage par renforcement profond les plus avancés ont pu optimiser certaines allocations de ressources dans les OTN, mais ils restent bloqués lorsqu'ils se heurtent à de nouveaux scénarios. Les chercheurs ont travaillé pour surmonter ce problème en variant la manière dont les données sont présentées à l'agent.

Après avoir passé les OTN à 5, 000 tours de simulations, l'agent d'apprentissage par renforcement en profondeur a dirigé le trafic avec une efficacité 30 % supérieure à celle de l'algorithme de pointe actuel.

Une chose qui a surpris Cabellos-Aparicio et son équipe est la facilité avec laquelle la nouvelle approche a pu se renseigner sur les réseaux après avoir commencé avec une ardoise vierge.

"Cela signifie que sans connaissance préalable, un agent d'apprentissage par renforcement profond peut apprendre à optimiser un réseau de manière autonome, " a déclaré Cabellos-Aparicio. " Cela se traduit par des stratégies d'optimisation qui surpassent les algorithmes d'experts. "

Avec l'énorme échelle que certains réseaux de transport optique ont déjà, Cabellos-Aparicio a dit, même de petites avancées en termes d'efficacité peuvent générer des bénéfices importants en termes de latence et de coûts d'exploitation réduits.

Prochain, le groupe prévoit d'appliquer leurs stratégies de renforcement profond en combinaison avec des réseaux de graphes, un domaine émergent au sein de l'intelligence artificielle avec le potentiel de transformer les domaines scientifiques et industriels, tels que les réseaux informatiques, chimie et logistique.