Darko Zibar, newly appointed Professor at DTU Fotonik. Photo: Jesper Scheel

Maskinlæring skal sætte fart på udvikling af grønt internet

Wednesday 10 Feb 21

Contact

Darko Zibar
Professor, Group Leader
DTU Fotonik
+45 45 25 38 40

DTU blandt de første

Siden 2019 har Darko Zibar stået i spidsen for gruppen ”Machine learning in Photonics Systems” på DTU Fotonik. Gruppen er blandt de førende inden for området og var også blandt de første, som begyndte at anvende maskinlæring og kunstig intelligens inden for optisk kommunikationsteknologi.

I dag har flere forskergrupper over hele verden fået øjnene op for metoderne og bruger dem til at forske og udvikle nye typer af f.eks. frekvenskamme, lasere, netværk, målesystemer.

Læs mere om Darkos Zibar og hans gruppes forskning i artiklen ”Towards Intelligence in Photonic systems”.

Maskinlæring og kunstig intelligens

Maskinlæring er et område inden for kunstig intelligens, hvor man bruger matematiske datamodeller til at hjælpe en computer med på basis af en stor mængde eksempler at finde sammenhænge og udarbejde forudsigelser uden at give den en konkret instruktion.

Computerprogrammet fortsætter indlæringen og forbedrer sig selv ud fra sine erfaringer.

Læs mere om, hvad kunstig intelligens er

Maskinlæring og kunstig intelligens bliver stadig vigtigere værktøjer i udviklingen af fremtidens energieffektive internet og datatransmission. DTU styrker området med udnævnelsen af gruppeleder ved DTU Fotonik Darko Zibar til professor.

Det er efterhånden kendt, at man ved hjælp af maskinlæring og kunstig intelligens kan finde sammenhænge i store datasæt, f.eks. inden for sundhedssektoren, men det er relativt nyt, at forskerne er begyndt at få øjnene op for, hvad metoderne kan bruges til i udviklingen af strømbesparende løsninger inden for optisk kommunikation og intelligente optiske systemer, der er grundlæggende teknologier bag internettet.

""Næste generationer af optiske kommunikationssystemer bliver så komplekse, at maskinlæring vil være en relativt hurtig måde at finde frem til løsninger, hvor vi kan transportere enorme mængder data på den mest energieffektive måde""
Professor Darko Zibar, DTU Fotonik

I dag sluger internettet cirka ni procent af verdens samlede elforbrug, og det står for omtrent to procent af det menneskeskabte CO2-udslip. Allerede inden for de næste ti år vil behovet for datakapacitet og båndbredde stige voldsomt som følge af alle de ting i vores samfund, der hele tiden bliver koblet til internettet. Der er derfor brug for at finde metoder til at sætte fart på udviklingen af energieffektiv teknologi, som kan sikre os et grønt internet i fremtiden, og Darko Zibar, som er nyudnævnt professor, er ikke i tvivl om, hvad der kan drive udviklingen fremad.

”Maskinlæring og andre intelligente systemer kan spille en nøglerolle, og det er derfor nødvendigt, at vi forsker i det felt, hvis vi skal nå FN’s Verdensmål om bæredygtig udvikling og nedbringe verdens CO2-udslip. De næste generationer af optiske kommunikationssystemer bliver så komplekse, at maskinlæring vil være en relativt hurtig måde at finde frem til løsninger, hvor vi kan transportere enorme mængder data på den mest energieffektive måde,” lyder det fra Darko Zibar.

Intelligente systemer er afgørende for udvikling
Fordelen ved maskinlæring er, at computeren er i stand til at analysere enorme mængder data og selv finde frem til algoritmer og sammenhænge uden at være forprogrammeret.

”Vi kan bruge maskinlæring til at finde frem til modeller, der kan beskrive forholdet mellem sender og modtager, når vi udvikler lasere, frekvenskamme, netværk mv., der skal transportere store mængder data. Der er nemlig mange faktorer, der skal tages højde for i de optiske systemer, når vi skal finde den mest energieffektive løsning. Det gælder f.eks. båndbredde, kanaleffekt, frekvensstøj, trafikrute og meget mere,” siger Darko Zibar.

Han forklarer, at det stigende fokus på kvanteteknologi til at forbedre internetsikkerheden gør opgaven med at designe optiske kommunikationsløsninger endnu mere udfordrende, fordi det kræver sameksistens og styring af klassiske kanaler og kvantekanaler i det samme optiske netværk. Det skaber behov for udvikling af intelligente optiske modtagere, der kan skelne mellem klassiske signaler og kvantesignaler, så også her er det nødvendigt at anvende maskinlæring og kunstig intelligens i udviklingen.

”Der vil også være potentiale i at bruge kunstig intelligens i optiske målesystemer. For eksempel kan de nuværende optiske instrumenter, som man bruger til at analysere kvaliteten af signalet med, ikke skelne mellem forskellige forstyrrelser og afgøre, om de stammer fra transmissionskanalen eller selve komponenterne. Hvis signalanalysatorer kan lære at skelne mellem de forskellige forstyrrelser, vil vi kunne designe mere effektive sendere og modtagere ud fra signalbehandlingsalgoritmerne.”

Udvikling af effektive optiske kommunikationssystemer og netværk er krævende, og der er brug for mange indsatser med forskellige vinkler på teknikken, men det haster, og Darko Zibar og hans gruppe er derfor i fuld sving med at forske i områder, hvor de mener, at maskinlæring og kunstig intelligens vil få indflydelse på næste generations optiske kommunikationssystemer.

News and filters

Get updated on news that match your filter.