Nokia Bell Labs: Lernzyklus soll Einführung autonomer optischer Netze beschleunigen
Nokia Oyj hat eine Forschungsarbeit von Nokia Bell Labs veröffentlicht, die einen lernenden Lebenszyklus für die schnellere Einführung autonomer optischer Übertragungs- und Netzwerktechnologien vorschlägt. Das Modell adressiert die Datenanforderungen und Genauigkeitsprobleme des maschinellen Lernens in realen Netzwerken.
Espoo, Finnland – Die Forschungsabteilung von Nokia Oyj, Nokia Bell Labs, hat eine neue Publikation vorgestellt, die auf die Verbesserung der Implementierung autonomer optischer Netze abzielt. Die Veröffentlichung präsentiert einen lernenden Lebenszyklus-Ansatz, der die Einführung autonomer Technologien für optische Übertragung und Vernetzung beschleunigen soll.
Die Arbeit beleuchtet eine zentrale Herausforderung: Modelle des maschinellen Lernens (ML) benötigen umfangreiche Datensätze für eine präzise Schulung. Die kontinuierliche Einführung neuer optischer Geräte und Techniken in aktiven Netzen begrenzt jedoch oft die Verfügbarkeit ausreichender Echtzeitdaten. Daten aus Simulationen und Laborexperimenten erfassen möglicherweise nicht die volle Komplexität und Vielfalt der Betriebsumgebungen, was zu Ungenauigkeiten in den ML-Modellen führen kann.
Nokia Bell Labs schlägt einen auf ML basierenden Algorithmen-Lebenszyklus vor, um die Implementierung und laufende Optimierung dieser Modelle in realen Netzwerken zu erleichtern. Der Ansatz sieht ein initiales Training der Modelle mit Daten aus Simulationen und Laborexperimenten vor. Nach der Inbetriebnahme können die Modelle anhand erkannter Ungenauigkeiten neu trainiert und angepasst werden, wodurch ihre Präzision im Laufe der Zeit verbessert wird. Die Forschung illustriert die Vorteile dieses Lernzyklus anhand numerischer Ergebnisse und stellt zwei spezifische Anwendungsfälle vor.
Ein demonstrierter Anwendungsfall beinhaltet eine Zwei-Phasen-Strategie: initiales Training außerhalb des Feldes mit generischen Daten, gefolgt von einer Anpassung im Feld zur Unterstützung unterschiedlicher Ausrüstungen. Diese Methode erwies sich als effektiv bei der Fehlererkennung und -identifizierung. Ein weiterer Anwendungsfall konzentriert sich auf das Neutraining im Feld, bei dem ML-Modelle dynamisch aktualisiert werden, nachdem eine Leistungsverschlechterung festgestellt wurde, und zeigt erhebliche Vorteile durch kollektives Lernen für die autonome Übertragung.