Aplicações de machine learning para redes ópticas avançadas

• Processo: 22/07488-8
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de novembro de 2022
• Data de Término da vigência: 31 de outubro de 2024
• Área do conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Acordo de Cooperação: CONFAP - Conselho Nacional das Fundações Estaduais de Amparo à Pesquisa
• Pesquisador responsável: Darli Augusto de Arruda Mello
• Beneficiário: Darli Augusto de Arruda Mello
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Município da Instituição Sede: Campinas
• Pesquisadores associados: Daniel Augusto Ribeiro Chaves ; Gustavo Sousa Pavani ; Helder May Nunes da Silva Oliveira ; Helio Waldman ; Joaquim Ferreira Martins Filho ; Leonardo Didier Coelho ; Nelson Luis Saldanha da Fonseca ; Raul Camelo de Andrade Almeida Júnior
• Assunto(s): Comunicação óptica Sistemas ópticos Redes ópticas Inteligência artificial Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Comunicações Ópticas | Inteligência Artificial | machine learning | Multiplexação por divisão espacial | Sistemas Ópticos Multibanda | Comunicações Ópticas

Resumo

Os novos serviços digitais que foram popularizados nos últimos anos, como streaming de vídeo, computação em nuvem, e videochamadas em grupo, geraram um aumento expressivo na demanda de transmissão de dados. As redes de transporte, que canalizam fluxos em altas taxas de transmissão entre regiões diferentes de uma cidade ou entre cidades, são especialmente impactadas. Para suprir essa demanda são necessários a ampliação da infraestrutura baseada em fibras ópticas, única tecnologia capaz de atender taxas de transmissão acima de 1Tbps em longas distâncias, bem como o melhor aproveitamento das infraestruturas existentes. São grandes os desafios relacionados à complexidade de problemas envolvendo as diversas estratégias e tecnologias para atingir estas elevadas taxas de transmissão. Consideram-se utilizar outras bandas de transmissão no domínio óptico, evitando o desperdício de banda nos sistemas implantados, e a implantação de multiplexação espacial (Space Division Multiplexing - SDM). Existem diversas possibilidades de ampliação de capacidade das redes respeitando o nível de resiliência requerido e a qualidade de transmissão para assegurar altas taxas, seja utilizando bandas de transmissão alternativas, seja pela implantação de fibras ópticas avançadas com canais espaciais paralelos. Neste cenário, os modelos de aprendizado de máquina despontam alternativa viável para lidar com a crescente complexidade das redes e sistemas de comunicação óptica. De fato, eles aparecem como ferramentas importantes para as mais diversas tarefas, como modelamento de dispositivos, estimação de parâmetros, alocação de recursos e mitigação de degradações. Este projeto tem como propósito reunir pesquisadores de São Paulo e Pernambuco, que já atuam independentemente na área, em um ambiente sinérgico de colaboração. Espera-se, assim, incorporar novas técnicas de aprendizado de máquina às redes ópticas de comunicação, com atenção especial às redes elásticas SDM e multibanda, resultando em sistemas mais eficientes, sustentáveis e com maior capacidade de transmissão. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE LIMA, LEANDRO ALVAREZ; PAVANI, GUSTAVO SOUSA; MORAES, IM; CAMPISTA, MEM; GHAMRI-DOUDANE, Y; COSTA, LHMK; RUBINSTEIN, MG. Fragmentation-aware Routing, Space, and Spectrum Assignment using Ant Colony Optimization. 2022 IEEE LATIN-AMERICAN CONFERENCE ON COMMUNICATIONS (LATINCOM), v. N/A, p. 6-pg., 2022-01-01. (22/07488-8, 15/24341-7)

LOPES, RAFAEL S.; CERQUEIRA, EDUARDO; ROSARIO, DENIS; VENANCIO NETO, AUGUSTO; OLIVEIRA, HELDER M. N. DA S.; HORNER, L; TUTSCHKU, K; CANO, CJB; BASSOLI, R; ESPOSITO, F; et al. Resilient Routing for SDM-EON as a Crucial Enabler for the 5G Access Networks. 2022 IEEE CONFERENCE ON NETWORK FUNCTION VIRTUALIZATION AND SOFTWARE DEFINED NETWORKS (IEEE NFV-SDN), v. N/A, p. 6-pg., 2022-01-01. (22/07488-8, 20/05054-5)

MELLO, DARLI A. A.; OSPINA, RUBY S. B.; SRINIVAS, HRISHIKESH; CHOUTAGUNTA, KARTHIK; CHOU, ELAINE; KAHN, JOSEPH M.; IEEE. Impact and Mitigation of Mode-Dependent Gain in Ultra-Long-Haul SDM Systems. 2023 OPTICAL FIBER COMMUNICATIONS CONFERENCE AND EXHIBITION, OFC, v. N/A, p. 3-pg., 2023-01-01. (15/24341-7, 17/25537-8, 22/07488-8)

OSPINA, RUBY S. B.; RADEMACHER, GEORG; IS, RUBEN S. LU PRIME; PUTTNAM, BENJAMIN J.; FONTAINE, NICOLAS K.; MAZUR, MIKAEL; CHEN, HAOSHUO; RYF, ROLAND; NEILSON, DAVID T.; DAHL, DANIEL; et al. Experimental Investigation of Reduced Complexity MIMO Equalization in a 55-Mode Fiber SDM Transmission System. 2023 OPTICAL FIBER COMMUNICATIONS CONFERENCE AND EXHIBITION, OFC, v. N/A, p. 3-pg., 2023-01-01. (15/24341-7, 17/25537-8, 22/07488-8)