Telstra testet quantenmaschinelles Lernen für Netzwerkanalysen

Telstra trials quantum machine learning for network analytics wird von BTW Media profiliert, da veröffentlichte Beweise es mit Internetinfrastruktur, Governance, operationellen Abhängigkeiten oder Marktsichtbarkeit in Verbindung bringen.

• Das quantenverbesserte System erreichte eine Genauigkeit, die mit den Deep-Learning-Modellen von Telstra vergleichbar ist, und wurde dabei in wenigen Tagen statt mehreren Wochen trainiert.
• Dieser Versuch deutet auf potenzielle Kosten-, Energie- und Infrastruktureffizienzgewinne für Netzbetreiber hin, indem die Abhängigkeit von schwerer GPU-Infrastruktur verringert wird.

Was geschah:Telstra hat eine 12-monatige Zusammenarbeit mit dem Quantenspezialisten SQC abgeschlossen

Telstrain Australien hat einen einjährigen Versuch mit SQC gestartet, um zu erkunden, wie quantenmaschinelles Lernen eingesetzt werden könnte, um die Netzwerkleistung effizienter zu überwachen und zu optimieren. Das Projekt nutzte das Quantenreservoir-System von SQC mit dem Namen „Watermelon“, das Quantenmerkmale generiert, die ein KI-Modell speisen.

Das Ziel war zweifach: zu prüfen, ob diese quantengenerierten Merkmale wichtige Netzwerkmetriken (wie Latenz oder Bandbreite) vorhersagen können, und die Ergebnisse mit einem bestehenden Deep-Learning-Modell zu vergleichen.

Den Unternehmen zufolge erreichte das Quantenmodell die gleiche Vorhersagegenauigkeit wie der Deep-Learning-Ansatz von Telstra, benötigte dabei jedoch deutlich weniger Trainingszeit und Hardware-Implementierungsaufwand. Das Training des Quantenreservoirs dauerte nur wenige Tage, während der Deep-Learning-Ansatz Wochen und leistungsstärkere GPU-Hardware erforderte.

Lesen Sie auch:Vodafone und Three überholen ihre Infrastruktur für intelligenteres Wachstum
Lesen Sie auch:Vodafone startet Rückkaufprogramm im Wert von 545 Mio. $ nach Wachstum

Warum das wichtig ist

Für Netzbetreiber ist die prädiktive Analyse eine entscheidende Funktion: Die Fähigkeit, Leistungsprobleme vorherzusehen, Ressourcen dynamisch anzupassen und Auswirkungen auf Kunden zu vermeiden, verschafft einen Wettbewerbsvorteil. Telstra nutzt bereits klassische maschinelle Lernsysteme, um Netzwerkmetriken wie Latenz und Bandbreite zu überwachen und proaktive Reaktionen auszulösen.

Die Einführung von quantenmaschinellem Lernen 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 kleineren CO2-Fußabdruck hin.

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

Zusammenfassend stellt diese Zusammenarbeit zwischen Telstra und SQC eine bedeutende Fallstudie für den Einsatz von quantenmaschinellem Lernen im Telekommunikationssektor dar. Sie eröffnet die Perspektive, dass Netzbetreiber weltweit von quantenverbesserter Analyse profitieren können, um intelligentere, schnellere und effizientere Konnektivitätsdienste bereitzustellen, und beeinflusst damit, wie die digitale Infrastruktur der nächsten Generation aufgebaut und betrieben wird.