• Le système à amélioration quantique a atteint une précision comparable aux modèles d'apprentissage profond de Telstra, tout en étant entraîné en quelques jours au lieu de plusieurs semaines.
  • Cet essai laisse entrevoir des gains de coûts, d'énergie et d'efficacité infrastructurelle pour les opérateurs de réseaux en réduisant la dépendance à une infrastructure GPU lourde.

Ce qui s'est passé:Telstra a achevé une collaboration de 12 mois avec le spécialiste quantique SQC

Telstraen Australie s'est lancée dans un essai d'un an avec SQC pour explorer comment l'apprentissage automatique quantique pourrait être utilisé pour surveiller et optimiser plus efficacement les performances du réseau. Le projet a utilisé le système de réservoir quantique de SQC, nommé « Watermelon », qui génère des caractéristiques quantiques alimentant un modèle d'IA.

L'objectif était double: vérifier si ces caractéristiques générées par quantique pouvaient prévoir des métriques réseau clés (telles que la latence ou la bande passante) et comparer les résultats avec un modèle d'apprentissage profond existant.

Selon les entreprises, le modèle quantique a atteint la même précision de prédiction que l'approche d'apprentissage profond de Telstra, tout en y parvenant avec un temps de formation et un effort de mise en œuvre matériels nettement moindres. L'entraînement du réservoir quantique n'a pris que quelques jours, tandis que l'approche d'apprentissage profond nécessitait des semaines et du matériel GPU plus lourd.

À lire également:Vodafone et Three réorganisent leur infrastructure pour une croissance plus intelligente
À lire également:Vodafone lance un rachat de 545 M$ après sa croissance

Pourquoi c'est important

Pour les opérateurs de réseaux, l'analyse prédictive est une fonction essentielle: être capable de prévoir les problèmes de performance, d'adapter dynamiquement les ressources et d'éviter l'impact sur les clients confère un avantage concurrentiel. Telstra utilise déjà des systèmes d'apprentissage automatique classiques pour surveiller les métriques réseau telles que la latence et la bande passante afin de déclencher des réponses proactives.

L'introduction de l'apprentissage automatique quantique dans ce flux de travail offre plusieurs avantages potentiels. Premièrement, le temps de formation réduit (jours contre semaines) permet une itération et un déploiement plus rapides des modèles prédictifs. Deuxièmement, le fait que le réservoir quantique n'ait pas nécessité d'infrastructure GPU lourde suggère des coûts opérationnels inférieurs, une consommation d'énergie moindre et peut-être une empreinte carbone plus faible.

D'un point de vue stratégique, cet essai signale que les technologies quantiques passent des expériences purement en laboratoire à des applications industrielles réelles. Dans le contexte australien, cela souligne également comment l'innovation locale, via les puces quantiques de SQC fabriquées en silicium, peut s'associer à l'infrastructure des opérateurs pour stimuler l'évolution de l'infrastructure numérique.

En résumé, cette collaboration entre Telstra et SQC constitue une étude de cas significative de l'apprentissage automatique quantique appliqué au secteur des télécommunications. Elle ouvre la perspective que les opérateurs de réseaux du monde entier puissent tirer parti de l'analyse améliorée par quantique pour fournir des services de connectivité plus intelligents, plus rapides et plus efficaces, influençant ainsi la manière dont l'infrastructure numérique de nouvelle génération est construite et exploitée.