רשתות תקשורת אופטיות הן עמוד השדרה של העברת נתונים מודרנית, נושאת כרכים גוברים של מידע על פני יבשות ותחת האוקיינוסים.כפי ששיעורי הנתונים מטפסים ומורכבות הרשת גדלה, היכולת של מקלט אופטי לשמור על נאמנות אות גבוהה תחת תנאים דינמיים ולעתים בלתי צפויים הופכת לצווארון ביצועי קריטי (אפקטים מסורתיים של תפקוד) משפרים על אלגוריתמים סטטיים ופרמטרים חומרה קבועים, בעודם חזקים, אינם יכולים להתאים באופן אופטימלי למגוון רחב של ליקויים של ממש כמו פיזור בזמן אמתי ראייה, כגון, כגון פיזור זמן, כגון, מאפקטים אופטיים, שיפור עיצובים, כגון פיזור מדויק של מצבי הצפנה, מאפקטים של חומרת של חומרת של חומרת, כמו ניקוי אופטיים, ואפקטים של חומרת, שיפור מדויק של חומרת, ואפקטים של חומרת, ואפקטים של חומרת, שיפור מדויק של חומרת, כלומר, כדי לשפר את העיצובים של חומרת של חומרת של חומרת של חומרת של חומרת של חומרת של חומרת של חומרת של חומרת, כדי לשפר את העיצובים של חומרת חשיבה אופטיים אופטיים של חומרת, כדי להתאים באופן דרמטי (מקלט אופטיים).

מאמר זה בוחן כיצד טכניקות ML מוחלות על אופטימיזציה אופטית אדפטית אדפטית, המכסה את אלגוריתמי הליבה, את תהליכי יישום, הטבות ואת האתגרים שנותרו.על ידי הרחבת הדיון המקורי באופן שיטתי, אנו חוקרים את העומק הטכני הנדרש עבור פריסה מרצון ייצור.

הבנת הגבולות של מקבלי אישורים

הפונקציה העיקרית של המקלט האופטית היא להמיר אות אופטית מודחת חזרה לתחום החשמלי, ולאחר מכן לשחזר את הנתונים המועברים עם שגיאות מינימליות. מקלטים טיפוסיים כוללים photodetector, transimpedance amplifier, להשיג שלבים, מסננים, ולוח החלטות. ביישום מסורתי, פרמטרים כגון סף ההחלטה, הטבות שוות ערך, ולשלוט אוטומטית (C) מוגדרים במהלך גילוח ראשוני או תגובה איטית.

גישות קבועות או לאט הסתגלות סובלות בתנאים משותפים:

  • (ב) [15] ,0) ,התקרות וריאציות טמפרטורה של ההרחבה: 1 (Falve) אשר מזיזות אורכי גל לייזר ומשנה את התגברות הסיבים.
  • (ב) פיזור דינמי (FLT:0) 1 (Dynamicפיזורפיזור פיזור:103) נגרם על ידי שינויים בסיבים או לחץ סביבתי על כבלים פרוסים.
  • (FLT:0)Time-varying non-Lironity DissveFLT:1) מערוצים סמוכים במגוון רחב של גלי חום צפופים (DWDM) מערכות.
  • (ב) [ה]:0] דפוסי התנועה של ה-FLT:1 שיוצרים שינויים פתאומיים ביחס האות האופטי ל-noise (OSNR).

מקלטים לא יכולים לפצות באופן מלא על הבדלים מהירים או בלתי צפויים אלה ללא התערבות ידנית נרחבת או שולי תפעול שמרניים מדי. Machine Learning מתייחס פער זה על ידי מתן מקלטים כדי ללמוד מיפוי מתכונות האות הנצפה למדיניות בקרה אופטימלית, ביעילות לסגור את הלולאה בין מדידה והסתגלות.

Machine Learning Fundamentals for Optical Systems

למידת מכונה, תת-קבוצה של אינטליגנציה מלאכותית, מאפשרת מערכות לשפר את הביצועים על משימה נתונה באמצעות ניסיון מבלי להיות מתוכנת במפורש לכל תרחיש. בהקשר של אופטימיזציה אופטית של מקלט, מודלים של ML מקיפים נתונים של אותות גבוהים ביותר - כגון דיאגרמות עיניים, תבניות קבוצות, שלוגמות של amplitude, או דגימות זמן-דו-ומתן פקודות שליטה עבור מסננים שווים, מסננים, או גבולות החלטה.

היתרון המרכזי של ML הוא היכולת שלה מודל יחסים מורכבים שאינם לינאריים שקשה ללכוד עם פתרונות אנליטיים סגורים.יכולות אלה בעלות ערך מיוחד בקישורים הסיבים-אופטיים שבו הממשק של פיזור, לא לינאריות, ורעש יוצר עיוותים אותות מורכבים.

שלושה פרדיגמות למידה דומיננטיות משמשות, כל אחד מתאים להיבטים שונים של שליטה במקבל:

למידה על חיזוי Parameter

למידה מבוססת דורש איסוף נתונים מתוייגת שבו תכונות קלט מותאמות עם ערכי פלט אופטימליים ידועים.עבור מקלט אופטי, תוויות ניתן נגזר מטאטאים לא מקוון ממצה או מתנאי ערוצים מדומים.לדוגמה, רשת עצבית ניתן לאמן לחזות את סף ההחלטה האופטימלי ישירות מקטור וקטור של amplitude Histograms.מודל לומד פונקציה ממזער את השגיאה biter (ER) או ממקסימה את השגיאה Qfactor).

אדריכלות מבוקרת משותפת כוללת רשתות עצביות מתקדמות, מכונות וקטורות תמיכה, יערות אקראיים.מודלים אלה יעילים כאשר ליקויי הערוץ הם נתונים מתוחכמים מספיק מתוייגים יכול להיווצר באמצעות סימולציות מערכת או ניסויים מעבדה מבוקרים.עם זאת, איסוף מספיק נתונים מתוייגים עבור פריסת שדה נשאר אתגר מעשי.

למידה בלתי מבוקרת ל- Pattern Discovery

למידה לא מבוססת אינה דורשת פלטות מתוייגות; במקום זאת, היא מוצאת מבנים נסתרים בנתונים שאינם מחוסנים.במקבלים אופטיים, טכניקות כגון אשכולות ואוטומטיים משמשים לזיהוי מצבי אות או לבצע השווה עיוור. לדוגמה, אלגוריתם מקבץ יכול לקבץ דגימות אותות נכנסים לנקודות קבוצתיות המתאימות לנקודות קבוצות שונות, וניתן להתאים את שלב או התאוששות למקסימום את הסגידה.

שימוש חשוב נוסף הוא צמצום ממדיות: autoencoder עמוק יכול לדחוס דגימות זמן ברזולוציה גבוהה לתוך שטח תכונה נמוך ממדים, אשר לאחר מכן להאכיל בקר פשוט יותר.זה מפחית עומס חישובי תוך שמירה על מידע חיוני עבור הסתגלות.

ניהול למידה עבור החלטות הכרחיות

למידה מחדש (RL) מתאימה במיוחד לתרחישים שבהם הפעולה האופטימלית תלויה במצב הנוכחי והמערכת יכולה לחקור פעולות שונות כדי למקסם את הפרס המצטבר.במקבלים אופטיים אדפטיים מתאימים, סוכן RL צופה באיכות האות המיידי (reward), בוחר הגדרות בקרה (פעולה), ולומד מדיניות הממקסימה ביצועים ארוכי טווח.

עמוק Q-networks (DQN) ושיטות מדיניות ⁇ הוכחו עבור שוויון הסתגלות ופיזור פיצוי.האתגר עם RL הוא חוסר יעילות הדגימה: אימון עשוי לדרוש אלפי אינטראקציות רבות, אשר יכול להיות קשה להשיג בזמן אמת מבלי להפריע לתנועה חיה.

צעדים מפורטים ל-ML-Enhanced Getrs

מינוף ML במקלט אופטי כרוך צינור שיטתי המשתרע מרכישה של נתונים ועד אי השוויון בזמן אמת.הצעדים הבאים מכנים מסגרת מעשית:

1. איסוף נתונים ודור

איכות כל מודל ML תלויה במידה רבה על העושר והייצוג של נתוני האימון.

  • (FLT:0) ,Laboratory TestbedsFLT:1hil עם ליקויים שניתן לשלוט (לאי, פיזור, לא ליניאריות) ותוויות , תעמולה מפני תקלות או מנתחי ספקטרום אופטי.
  • (ב) ,0) ,5eld trial RecordingsFLT:1 מקישורים מופרסים, לכידת יכולת חיים אמיתית.
  • (FLT:0) סימולציות נאמנות גבוהה (FLT:1) באמצעות כלים כמו OptiSystem, VPI Photonics, או קוד פתוח מסגרות כדי ליצור מיליוני נקודות מדגם בתנאים מגוונים.

טכניקות לשיפור נתונים – רעש סינתטי, שינוי אות amplitude, או חיקוי סיבובי קוטביזציה - מסייע לשפר את יציבות המודל.

2.הפצה והנדסה

אותות אופטיים של Raw הם גבוה פסוויד (עשרות GHz) ולא ניתן לעבד ישירות על ידי רוב אלגוריתמי ה-ML. תכונה להפחית את המיצוי הממדים תוך שמירה על מידע מפלה.

  • (ב) בפרשת [[המאה ה-20]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]], [[1924]]]]
  • (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ (ב"א) , ⁇ , ⁇ , קאורטוזיס) של קבלת כוח אות.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ידע דומיין חיוני לבחור תכונות המתאמות חזק עם ביצועי המקלט. Redundant או תכונות לא רלוונטיות יכול להפיג דיוק מודל ולהגדיל את הכדאיות.

3.מודל בחירה ואימון

בחירת ארכיטקטורת ML תלויה במשימה הסתגלות, תקציב חישובי, דרישות שקיפות:

  • (FLT:0) רשתות עצביות מחוברות (FCNN) ,IRLT:1) מתאימים למיפוי תכונת-דממה נמוך (למשל, בקרת סף).
  • רשתות עצביות (CNN) ראט" 1 (FLT:0) ,0) , יכולות לנתח דיאגרמות עיניים 2D או תמונות קבוצתיות ישירות, ללכוד תבניות מרחביות.
  • (FLT:0) זיכרון לטווח קצר (LSTM) רשתות קיד:1 יעילות כאשר חומר דינמיות זמניות, כגון מעקב אחר ליקויים משתנים לאט.
  • (FLT:0)Graph neural networks (GNNs)IRLT:1 הוצעו עבור ריבוי ערוצים בתפוצה מרחבית.

אימון כרוך פיצול נתונים לאימון, אימות ובדיקות, באמצעות אלגוריתמים סטנדרטיים אופטימיזציה (למשל, אדם) עם סדירזציה כדי למנוע התאמה. עבור למידה בפיקוח, אובדן פונקציות כמו שגיאה מרובעת עבור תוקפנות או קרוס-טרופיה עבור סיווג הם אופייניים.

4.שילוב ב-Getr Hardware

לאחר אימון, מודל ה-ML חייב להיות פרוס על מעבד האות הדיגיטלי של המקלט (DSP) או מעבד ייעודי.

  • (ב) ,0) דחיסה מנדל 1 (Model דחיסה: באמצעות קוונטיזציה, יזום או דיטציה ידע כדי להתאים בתוך הזיכרון הזמין ואת מחזורי הניתוק.לדוגמה, צמצום משקל מנקודת צף של 32 סיביות עד 8 סיביות פולשים יכול לחתוך את החוזק והכוח.
  • (FLT:0) צנרת ההקצאה 1:1: המודל צריך לרוץ בזמן אמת, בדרך כלל בתוך כמה מיקרו-שניות כדי להתאים את קצב הסמל.
  • (FLT:0) ניהול לולאות FLT:1: המערכת צריכה לבדוק מעת לעת את מדדי הביצועים, ואם ההשפלה מזוהה, להתחיל מחדש קל משקל באמצעות נתונים אחרונים ללא הפרעה של שירות.

בדיקה רציפה ואימות

לאחר שילוב, בדיקות קפדניות מבטיח כי המקלט מונע ML שומר BER מתחת לסף השגיאה קדימה (FEC) תחת כל התנאים הצפויים.

  • בדיקות מתח עם ליקויים משתנים במהירות (למשל, קיטוב מטושטש).
  • ניסיונות יציבות לטווח ארוך לזהות סחף או overfitting.
  • השוואה נגד מקלטי בסיס עם אלגוריתמים מסורתיים.

מדדי ביצועים כגון עונש OSNR, טווח דינמי ומהירות הסתגלות הם במעקב.

יתרונות מרכזיים של אופטימיזציה ML-מבוססים של ML

המעבר מ-Dou-parameter קבוע למקלטים מ-ML-optimized מציע שיפורים משמעותיים:

  • (FLT:0) העלאת שיעורי שגיאה bit Errorcioved:1: מודלים של ML יכולים ללמוד לפצות על עיוותים לא ליניאריים כי שוויוניות ליניארית מסורתית אינה יכולה להתמודד, לעתים קרובות להפחית את ה- BER על ידי סדר גודל או יותר.
  • (FLT:0) מערכת גדולה יותר של ⁇ FLT:1: מקלטים מתאימים יכולים לפעול קרוב יותר לגבולות הפיזיים של הסיבים, המאפשרים שיעורי נתונים גבוהים יותר או יותר להגיע ללא להקריב אמינות.
  • (FLT:0) ,ההתערבות ידנית של ה-FLT:1: כוונון אוטומטי מבטל את הצורך במהנדסי שדה לתקן מקלטים במהלך ההתקנה או תחזוקה, הורדת עלויות התפעוליות.
  • (FLT:0) דרישות עתידיות ל-FLT:1: ככל שפורמטי מודולציה מתפתחים (למשל, מ- QPSK ועד 64-QAM), מודלים של ML יכולים להיות מאומנים עם נתונים חדשים ולא דורשים עיצוב מחדש של חומרה.

אתגרים ואסטרטגיות מייגציה

למרות ההבטחה, יש להתגבר על כמה מכשולים לאימוץ מסחרי נרחב:

מורכבות הדדית ו Latency

קישורים אופטיים מהירים פועלים בשיעורי סמל של עשרות Gbaud, כלומר שכל ML חייב להשלים בתוך תקופת סמל יחיד או מספר קטן של רשתות עצביות עמוק עם מיליוני פרמטרים הם לא מעשי על DSPs מסורתיים. אסטרטגיות מייגציה כוללים באמצעות ארכיטקטורות ספאריות, מאיצים ASIC מותאם אישית, או פיצול בהפרעה לאורך זמן (למשל, באמצעות כמה עדכונים איטיים יותר כי הם להתמודד עם לולאות מהירות).

מחסור בנתונים והתמכרות לזמינות

ברשתות חיות, קבלת נתונים מתוייגים עם אמת קרקעית מושלמת קשה כי סמלים אמיתיים המועברים אינם ידועים על פני תקופות סיבים ארוכות.טכניקות כגון FLT:0semi-supervised LearningFLT:1 (באמצעות קבוצה קטנה וקטנת יותר של דוגמאות לא מופרכות) ו-FLT:2 מבוסס-על-עצמי למידה מלוט 3 (התחילה על נתונים לא-מחדשניים הם סימנים פעילים לאחר מכן).

המונחים: Diverse קישורים

מודל המוכשר על קישור סיבי אחד עשוי להופיע עני על סוג אחר עם סיבים שונים, אורך, או תצורה מגבר.עבר למידה יכול לעזור: מודל בסיס הוא prevented על מגוון רחב של קישורים מדומים, ולאחר מכן כוונו היטב על כמות קטנה של נתונים מקישור היעד.

יציבות ושקיפות

סוכני למידה של חיזוק יכולים להציג התנהגות לא-מיושבת אם הפונקציה הפרסית אינה מעוצבת בקפידה.לדוגמה, סוכן שממקסם באושר את מערכת ההפעלה מיידית עלול לדחוף את המקלט לאזור הפעלה לא יציב.

יישומים אמיתיים ומקריות

כמה קבוצות מחקר ומעבדות בתעשייה הוכיחו מקלטים מ-ML-enhanced בהגדרות מעשיות.לדוגמה, צוות ב-Nokia Bell Labs השתמש ברשת עצבית מהפכתית כדי לעבד דיאגרמות עיניים מ-56-Gbaud PAM-4, השגת שיפור של 2 dB ב- OSNR רגישות על מנת לספק טמפרטורות דומות נוספות, בין היתר, האופטיקה של Google משתמשת ב- 100G כדי להפחית את השינויים ב- 100G.

מעבר לקישורים נקודה לנקודה, מקלטים מונעים על ידי ML נחקרים עבור סיבים רב-coreים ורב-לשוניים מרובים של ריבוי-מרחב, שבו המעבר בין ליבות משתנה עם טוויסט ו bend. An un-supervised autoencoder יכול להפריד את האותות המעורבים, ביעילות ביצוע הפרדה עיוורת ללא שלב אימונים ייעודי.

כיוונים עתידיים ב-ML עבור מקבלי אופטי

התחום מתקדם במהירות, עם כמה מגמות בעיצוב הדור הבא של מקלטים אדפטיים:

מערכות תקשורת סוף-סוף למדו

פרדיגמת מתפתחת מאמנת את כל שרשרת השידור והמקבל במשותף כאוטומט עמוק, ולוכדת את פורמט המודולציה, הקידוד והעיבוד המקלט בשלב אחד.גישה זו יכולה לגלות צורות לא סטנדרטיות שמחלחלות לריבוע המסורתי QAM תחת ליקויים ספציפיים.

למידה מפולגת לפרטיות ו- Scalability

מפעילי רשת אינם מעוניינים לשתף נתונים אופטיים גולמיים בשל חששות קנייניים ומגבלות רגולטוריות. למידה פדרנד מאפשרת לכל מקלט להכשיר מודל מקומי ולשתף רק את עדכוני המודל ( ⁇ s) עם שרת מרכזי, אשר מצטבר אותם ללא גישה לנתונים הגולמיים.זה מאפשר למידה שיתופית על פני צי של מקלטים תוך שמירה על פרטיות.

עיצוב רשת Nural

החוקרים מעצבים מודלים של ML עם מגבלות החומרה הבסיסית.לדוגמה, מחשוב מאגר - סוג של רשת חוזרת עם משקולות אקראיות קבועות ורק שכבת קריאה מאומנת - ניתן ליישם ביעילות באלקטרוניקה אנלוגיה, צריכת מיקרווואט תוך השגת ביצועים השוואתיים תחרותיים ב 25 Gbaud.

אינטגרציה עם אינטליגנציה של Network-Level

מקלטים אדפטיים הם חלק מרשת אופטית מוגדרת תוכנה גדולה יותר.מערכות עתידיות משלבות ML ברמת המקלט עם תזמורתים גבוהים יותר שיכולים לנתב מחדש את התנועה או להתאים את פורמטי המודולציה המבוססים על ליקויים מצופה.אופטימיזציה רב-שכבתית זו מבטיחה לפתוח את מלוא הפוטנציאל של תשתיות אופטיות.

מסקנה

יישום למידת מכונה אופטימיזציה אופטית אדפטית אינה נושא מחקר קידוד; זה הכרחי מעשי כמו רשתות לשאוף יעילות גבוהה יותר בשוליים נמוכים יותר.על ידי מינוף של טכניקות למידה מבוקרות, בלתי מבוקרות, חיזוק, מקלטים יכולים להתאים באופן דינמי לחסרונות מורכבים, זמן-מה, אשר מגבילים עיצובים קונבנציונליים.

בעוד התעשייה נעה לעבר מערכות אורכי גל של 800-Gbps, מקלטים מונעי ML יהפכו יותר ויותר מרכיבים סטנדרטיים הן בטווח הארוך והן במרכז הנתונים. חוקרים ומהנדסים שמשקיעים בהבנת טכניקות אלה יהיו בעלי יכולת טובה לבנות את הרשתות האופטיות האינטליגנטיות של המחר.

לקריאה נוספת, שקול את המשאבים הבאים:

  1. (ב) למידה של מערכות תקשורת אופטיות: הזדמנויות ואתגרים" - דו"חות מדעיים טבע
  2. (FLT:0) למידה עבור מקבל אופטי מתאים במערכות תקשורת אופטית קוהרנטית ( IEEE Journal of Lightwave Technology)
  3. (ב) ,0) "Reinforcement Learning for Optical Communications Systems: A Tutorial" - ArXiv preprintFLT 1
  4. (הופנה מהדף End-to-End Learning for Optical Fiber Communication)