• El sistema mejorado con tecnología cuántica ofreció una precisión igual a los modelos de aprendizaje profundo de Telstra, pero se entrenó en días en lugar de semanas.
  • La prueba sugiere eficiencias de costo, energía e infraestructura para los operadores de red al reducir la dependencia de una infraestructura de GPU pesada.

Lo que sucedió:Telstra ha completado una colaboración de 12 meses con el especialista cuántico SQC

Telstraen Australia se embarcó en una prueba de un año con SQC para explorar cómo el aprendizaje automático cuántico podría utilizarse para monitorear y optimizar el rendimiento de la red de manera más eficiente. El proyecto empleó el sistema de reservorio cuántico de SQC, llamado "Watermelon", que genera características cuánticas que alimentan un modelo de IA.

El objetivo era doble: determinar si esas características generadas cuánticamente podrían pronosticar métricas clave de la red (como latencia o ancho de banda) y comparar el resultado con un modelo de aprendizaje profundo existente.

Según las empresas, el modelo cuántico alcanzó la misma precisión de predicción que el enfoque de aprendizaje profundo de Telstra, pero lo logró con un tiempo de entrenamiento y un esfuerzo de hardware significativamente menores. Entrenar el reservorio cuántico tomó solo días, mientras que el enfoque de aprendizaje profundo requirió semanas y hardware GPU más pesado.

Lea también:Vodafone y Three revisarán su infraestructura para un crecimiento más inteligente
Lea también:Vodafone lanza recompra de $545M tras crecimiento

Por qué es importante

Para los operadores de red, el análisis predictivo es una función crítica: poder prever problemas de rendimiento, adaptar recursos dinámicamente y evitar impactos en el cliente brinda una ventaja competitiva. Telstra ya utiliza sistemas de aprendizaje automático clásicos para monitorear métricas de red como latencia y ancho de banda con el fin de activar respuestas proactivas.

Introducir el aprendizaje automático cuántico en ese flujo de trabajo ofrece múltiples ventajas potenciales. En primer lugar, el menor tiempo de entrenamiento (días frente a semanas) significa una iteración y despliegue más rápidos de modelos predictivos. En segundo lugar, el hecho de que el reservorio cuántico no requiriera infraestructura de GPU pesada sugiere costos operativos más bajos, menor consumo de energía y posiblemente una huella de carbono más pequeña.

Desde un punto de vista estratégico, la prueba indica que las tecnologías cuánticas están pasando de experimentos puramente de laboratorio a aplicaciones industriales del mundo real. En el contexto australiano, también subraya cómo la innovación local, a través de los chips cuánticos de SQC construidos en silicio, puede asociarse con la infraestructura de los operadores para impulsar la evolución de la infraestructura digital.

En resumen, esta colaboración entre Telstra y SQC ofrece un estudio de caso significativo del aprendizaje automático cuántico aplicado en el sector de las telecomunicaciones. Plantea la posibilidad de que los operadores de red a nivel mundial puedan aprovechar el análisis mejorado cuánticamente para ofrecer servicios de conectividad más inteligentes, rápidos y eficientes, influyendo así en la forma en que se construye y opera la infraestructura digital de próxima generación.