永恒以来汤芳艳图，机器学习被以为是一项有出息的技巧，将篡改现存的落后光集结，鼓动其向下一代智能和自主实体迈进。在往日几年中，工业界和学术界王人见证了机器学习在光纤通讯不同方面的应用，应用机器学习的筹划显耀加多。筹划者们在多个领域张开了积极探索，从集结组件的联想到弱点传输损害的抵偿，再到集结数据流量花式的预计。然而，尽管往日十年该领域的筹划酷好空前热潮，开拓的机器学习顺次在实践寰球光纤采集聚的骨子部署、声誉和影响仍未达到预期。
近日，清华大学深圳海外筹划生院副扶植费萨尔·纳迪姆·汗（Faisal Nadeem KHAN）在筹划中指出，在贸易光纤采集聚平庸部署基于机器学习处治有筹算的主要贫瘠在于一些尚未处治的非技巧扫尾成分，这些成分对骨子集结来说至关要紧，但在很猛进程上被相关利益相关者忽略。为此，团队系统地细目了七个主要的非技巧贫瘠（图1），包括留传系统和经由的多数存在、资本扫尾、人人劳能源的扫尾、数据可探望性和秘籍保护问题、机器学习模子的可解释性以及透明性和问责性问题、穷乏机器学习辅助顺次的圭臬和监管策略、东谈主为成分和融会偏见。
图1. 机器学习辅助顺次在骨子光纤采集聚面对的七个弱点非技巧挑战
为了解说此不雅点，筹划东谈主员以光采集聚的集结故障管制、端到端（E2E）通讯系统优化、光路传输质料（QoT）预计、光性能监测（OPM）和集结安全管制五个主要机器学习应用领域为例，凝视分析了面对的非技巧贫瘠，并考虑了上述贫瘠若何显耀松开了机器学习辅助顺次在骨子光纤采集聚的部署出息。
筹划还字据处治这些问题所面对的难度对非技巧挑战进行了排行（图2）。筹划东谈主员以为领先要克服的两大挑战是留传问题和资本扫尾，因为矫正现存光纤集结基础顺次所需的财务影响至关要紧。接下来，罢了圭臬化和监管框架是开拓可在光采集聚多数操作的机器学习辅助顺次的弱点问题，因为这需要工业界、圭臬化组织和监管机构的共同艰巨，而这方面的艰巨现在仍然不及。第四个弱点挑战是提供群众探望相关数据源的道路，同期保护数据秘籍和匿名性。然而，建造这么的数据分享机制并为非凡集结数据界证明确的数据使用要求仍在进行中。接下来的两个问题递次是机器学习模子的可解释性/问责性问题和存在的荒谬/不测偏见问题，固然这些问题不会从根底上贫瘠机器学习辅助器用的实行，但处治这些问题关于在光采集聚罢了真确的决策过程至关要紧。临了，人人劳能源的扫尾主要在短期内是一个垂危问题，因为寰球各地的工业界、学术界和政府最近对培养基本的机器学习学问和妙技透表现了酷好，这可能会在异日支吾可用劳能源短缺问题时有所改善。
汤芳艳图
图2 贫瘠在光纤采集聚大范围部署机器学习处治有筹算的七个弱点非技巧贫瘠的难度级别
更深档次地，团队提供了一套平庸的新颖处治有筹算，不错在处治现存的各个非技巧挑战中阐发要紧作用，从而为异日光纤通讯采集聚机器学习驱动的智能操作和决策的平庸应用铺平谈路。
相关筹划恶果以“非技巧性贫瘠：通往AI驱动智能光集结的临了一关”（Non-technological barriers: the last frontier towards AI-powered intelligent optical networks）为题发表在《当然•通讯》（Nature Communications）上。费萨尔·纳迪姆·汗（Faisal Nadeem KHAN）为论文作家。该筹划取得了清华大学深圳海外筹划生院科研动手基金的援手。
原文集聚：https://www.nature.com/articles/s41467-024-50307-y
（本文字据英文原稿翻译）
文：费萨尔·纳迪姆·汗
译：吴宏程、胡琦
剪辑：叶念念佳
男性同交审核：陈轶群