• 量子強化システムは、Telstra の深層学習モデルに匹敵する精度を達成し、数週間ではなく数日でトレーニングされました。
  • この試験は、高負荷な GPU インフラへの依存を減らすことで、ネットワーク事業者にとって、コスト、エネルギー、インフラ効率の面での利得が期待できることを示唆しています。

何が起こったか：Telstra が量子専門家 SQC と 12 か月の協力を完了

Telstraはオーストラリアで、量子機械学習を利用してネットワークパフォーマンスをより効率的に監視し最適化する方法を探るため、SQC と 1 年間の試験に乗り出しました。このプロジェクトでは、SQC の「Watermelon」と呼ばれる量子リザバーシステムを使用し、AI モデルに供給する量子特徴量を生成しました。

目的は二つありました。これらの量子生成特徴量が主要なネットワーク指標（レイテンシや帯域幅など）を予測できるか検証すること、そして結果を既存の深層学習モデルと比較することでした。

両社によると、量子モデルは Telstra の深層学習アプローチと同等の予測精度を達成し、かつトレーニング時間と実装にかかるハードウェアの労力を大幅に削減できました。量子リザバーのトレーニングはわずか数日で済みましたが、深層学習アプローチでは数週間と、より多くの GPU ハードウェアを必要としました。

こちらもお読みください：Vodafone と Three が、よりスマートな成長に向けたインフラ刷新へ
こちらもお読みください：Vodafone が成長後に 545 百万ドルの自社株買いを開始

なぜ重要か

ネットワーク事業者にとって、予測分析は重要な機能です。パフォーマンスの問題を予測し、リソースを動的に調整し、顧客への影響を回避できることは競争上の優位性をもたらします。Telstra は既に、レイテンシや帯域幅などのネットワーク指標を監視し、プロアクティブな対応を引き起こすために従来の機械学習システムを使用しています。

量子機械学習をこのワークフローに導入することで、いくつかの潜在的な利点が生まれます。第一に、トレーニング時間の短縮（数週間に対して数日）により、予測モデルの反復と展開が迅速化されます。第二に、量子リザバーが高負荷な GPU インフラを必要としなかったことから、運用コストの削減、エネルギー消費量の低減、そしておそらく二酸化炭素排出量の削減が示唆されます。

戦略的な観点では、この試験は量子技術が純粋な研究室実験から実際の産業応用へと移行しつつあることを示しています。オーストラリアの文脈では、これはまた、SQC のシリコン製量子チップを通じた地元のイノベーションが、通信事業者のインフラと連携してデジタルインフラの進化を促進し得ることを強調しています。

要約すると、Telstra と SQC のこの協業は、電気通信セクターに応用された量子機械学習の重要な事例研究です。これは、世界中のネットワーク事業者が量子強化分析を活用して、よりスマートで、より高速で、より効率的な接続サービスを提供し、次世代のデジタルインフラの構築と運用方法に影響を与え得るという展望を開きます。