Modelagem de redes ópticas com compensações de perdas e dispersão utilizando aprendizado de máquina

Abstract

O contínuo crescimento das redes de comunicações ópticas é impulsionado pelo avanço dos serviços de internet e pelo aumento substancial na geração de dados. Diante desse cenário, é fundamental que essas redes tenham a capacidade de gerenciar eficazmente os dados, a fim de otimizar seu desempenho e evitar a aplicação de margens excessivas que frequentemente levam à subutilização dos recursos da rede. Nesse contexto, a aplicação de algoritmos de aprendizado de máquina emerge como uma abordagem promissora, pois tem o potencial de compreender o comportamento do sistema e melhorar significativamente seu desempenho. Neste trabalho, uma simulação utilizando o software OptiSystem foi realizada para investigar uma rede óptica ponto a ponto. Durante essa simulação, foram testados diversos parâmetros de entrada a fim de analisar como estes afetam os parâmetros de saída e a qualidade global do sistema. Os parâmetros de entrada submetidos a variações incluíram a potência do sistema WDM (Wavelength Division Multiplexing), a potência de bombeamento do amplificador de fibra dopada com érbio (EDFA) e o comprimento da fibra compensadora de dispersão (DCF). As métricas de saída consideradas foram a potência total, o ganho total, o máximo Fator Q e o mínimo BER (Bit Error Rate). Após a coleta dos dados provenientes dessas simulações, algoritmos de aprendizado de máquina foram empregados para avaliar qual deles produziu o melhor desempenho na análise dos resultados. A avaliação da eficácia dos modelos de aprendizado de máquina treinados baseou-se no coeficiente de determinação (R2) e nas métricas de erro MAE (Mean Absolute Error) e MSE (Mean Squared Error). Os resultados mostram que, dentre os modelos analisados, o Histogram Gradient Boosting Regression (HGBR) obteve a melhor estimativa para a maioria das saídas avaliadas. No entanto, é importante destacar que apenas o modelo Gradient Boosting Regression (GBR) demonstrou uma estimativa mais precisa para o mínimo BER, um indicador crucial de qualidade em sistemas de comunicação óptica. Esses resultados destacam como o uso de algoritmos de aprendizado desempenha um papel crucial na análise de redes ópticas, permitindo uma gestão mais eficiente, otimizando o desempenho e fornecendo previsões precisas para a melhora da capacidade de tomada de decisões além de uma abordagem proativa para a manutenção e otimização das redes ópticas complexas