• Das quantenverbesserte System erreichte eine mit den Tiefenlernmodellen von Telstra vergleichbare Genauigkeit, wurde aber in wenigen Tagen statt mehreren Wochen trainiert.
  • Dieser Test deutet auf Kosten-, Energie- und Infrastruktureffizienzgewinne für Netzbetreiber hin, indem die Abhängigkeit von schwerer GPU-Infrastruktur verringert wird.

Was geschah:Telstra schloss eine 12-monatige Zusammenarbeit mit dem Quantenspezialisten SQC ab

Telstrain Australien startete einen einjährigen Versuch mit SQC, um zu untersuchen, wie quantenmaschinelles Lernen zur effizienteren Überwachung und Optimierung der Netzwerkleistung eingesetzt werden könnte. Das Projekt nutzte SQC's Quantenreservoirsystem namens „Watermelon“, das Quantenmerkmale erzeugt, die ein KI-Modell speisen.

Ziel war zweierlei: zu überprüfen, ob diese quantenerzeugten Merkmale wichtige Netzwerkmetriken (wie Latenz oder Bandbreite) vorhersagen konnten, und die Ergebnisse mit einem bestehenden Tiefenlernmodell zu vergleichen.

Laut den Unternehmen erreichte das Quantenmodell die gleiche Vorhersagegenauigkeit wie der Tiefenlernansatz von Telstra, benötigte jedoch deutlich weniger Trainingszeit und Hardwareaufwand. Das Training des Quantenreservoirs dauerte nur wenige Tage, während der Tiefenlernansatz Wochen und schwerere GPU-Hardware erforderte.

Lesen Sie auch:Vodafone und Three überholen ihre Infrastruktur für intelligenteres Wachstum
Lesen Sie auch:Vodafone startet Aktienrückkauf im Wert von 545 Mio. US-Dollar nach Wachstum

Warum das wichtig ist

Für Netzbetreiber ist die prädiktive Analyse eine wesentliche Funktion: In der Lage zu sein, Leistungsprobleme vorherzusagen, Ressourcen dynamisch anzupassen und Auswirkungen auf Kunden zu vermeiden, verschafft einen Wettbewerbsvorteil. Telstra setzt bereits klassische maschinelle Lernsysteme ein, um Netzwerkmetriken wie Latenz und Bandbreite zu überwachen und proaktive Reaktionen auszulösen.

Die Einführung des quantenmaschinellen Lernens in diesen Arbeitsablauf bietet mehrere potenzielle Vorteile. Erstens ermöglicht die verkürzte Trainingszeit (Tage statt Wochen) eine schnellere Iteration und Bereitstellung von Vorhersagemodellen. Zweitens deutet die Tatsache, dass das Quantenreservoir keine schwere GPU-Infrastruktur benötigte, auf niedrigere Betriebskosten, geringeren Energieverbrauch und möglicherweise einen geringeren CO2-Fußabdruck hin.

Aus strategischer Sicht signalisiert dieser Test, dass Quantentechnologien von reinen Laborexperimenten zu realen industriellen Anwendungen übergehen. Im australischen Kontext unterstreicht dies auch, wie lokale Innovation durch die in Silizium hergestellten Quantenchips von SQC mit der Betreiberinfrastruktur zusammenarbeiten kann, um die Entwicklung der digitalen Infrastruktur voranzutreiben.

Zusammenfassend ist diese Zusammenarbeit zwischen Telstra und SQC eine bedeutende Fallstudie zum quantenmaschinellen Lernen im Telekommunikationssektor. Sie eröffnet die Perspektive, dass Netzbetreiber weltweit quantenverbesserte Analysen nutzen können, um intelligentere, schnellere und effizientere Konnektivitätsdienste bereitzustellen und so die Art und Weise zu beeinflussen, wie die digitale Infrastruktur der nächsten Generation aufgebaut und betrieben wird.