Transceptor óptico auto-evolutivo habilitado por gemelos digitales mediante aprendizaje por refuerzo profundo

Debido a su alta flexibilidad, los transceptores ópticos programables (POT) son considerados uno de los componentes ópticos clave en las comunicaciones por fibra óptica, donde diversos grados de libertad del transceptor pueden ser controlados de acuerdo con los estados de red en tiempo real. Sin embargo, la adaptabilidad del modelado y control clásico de POT está limitada a la calidad dependiente del conocimiento previo del modelo de estimación de transmisión o un conjunto de datos de entrenamiento no comprensivo, lo que presenta grandes dificultades para permitir que el modelado y control adaptativos de POT evolucionen con los estados de red variables en el tiempo. Aquí, se propone por primera vez una poderosa técnica de modelado dinámico llamada gemelo digital (DT), habilitada por el aprendizaje por refuerzo profundo (DRL), para el modelado y control adaptativo de POT, según nuestro conocimiento. Los resultados experimentales y de simulación muestran que el consumo espectral más bajo y la latencia mínima están disponibles en el POT propuesto, en comparación con los POT clásicos basados en redes neuronales y provisión de capacidad máxima. Creemos que el DT propuesto abrirá una nueva avenida para el modelado y control de componentes ópticos adaptativos para redes ópticas dinámicas.