• O sistema com aprimoramento quântico alcançou precisão comparável aos modelos de aprendizado profundo da Telstra, enquanto foi treinado em dias em vez de semanas.
  • Este ensaio sinaliza ganhos de custo, energia e eficiência de infraestrutura para operadoras de rede, reduzindo a dependência de infraestrutura GPU pesada.

O que aconteceu:Telstra concluiu colaboração de 12 meses com a especialista quântica SQC

Telstrana Austrália iniciou um teste de um ano com a SQC para explorar como o aprendizado de máquina quântico poderia ser usado para monitorar e otimizar o desempenho da rede de forma mais eficiente. O projeto utilizou o sistema de reservatório quântico da SQC, chamado "Watermelon", que gera características quânticas que alimentam um modelo de IA.

O objetivo era duplo: verificar se essas características geradas por quântica poderiam prever métricas-chave de rede (como latência ou largura de banda) e comparar os resultados com um modelo de aprendizado profundo existente.

Segundo as empresas, o modelo quântico alcançou a mesma precisão de previsão que a abordagem de aprendizado profundo da Telstra, com um tempo de treinamento e esforço de implementação de hardware significativamente menores. O treinamento do reservatório quântico levou apenas alguns dias, enquanto a abordagem de aprendizado profundo exigia semanas e hardware GPU mais pesado.

Leia também:Vodafone e Three reformulam infraestrutura para crescimento mais inteligente
Leia também:Vodafone lança recompra de US$ 545 milhões após crescimento

Por que isso é importante

Para operadoras de rede, a análise preditiva é uma função essencial: ser capaz de prever problemas de desempenho, ajustar dinamicamente os recursos e evitar impactos nos clientes confere uma vantagem competitiva. A Telstra já utiliza sistemas de aprendizado de máquina clássicos para monitorar métricas de rede, como latência e largura de banda, para acionar respostas proativas.

A introdução do aprendizado de máquina quântico neste fluxo de trabalho oferece vários benefícios potenciais. Primeiro, o tempo de treinamento reduzido (dias versus semanas) permite iteração e implantação mais rápidas de modelos preditivos. Segundo, o fato de o reservatório quântico não ter exigido infraestrutura GPU pesada sugere custos operacionais mais baixos, menor consumo de energia e, possivelmente, uma pegada de carbono menor.

De uma perspectiva estratégica, este ensaio sinaliza que as tecnologias quânticas estão passando de experimentos puramente de laboratório para aplicações industriais reais. No contexto australiano, isso também destaca como a inovação local, por meio dos chips quânticos de silício da SQC, pode se associar à infraestrutura das operadoras para impulsionar a evolução da infraestrutura digital.

Em resumo, esta colaboração entre Telstra e SQC constitui um estudo de caso significativo de aprendizado de máquina quântico aplicado ao setor de telecomunicações. Ela abre a perspectiva de que operadoras de rede em todo o mundo possam aproveitar a análise aprimorada por quântica para fornecer serviços de conectividade mais inteligentes, rápidos e eficientes, influenciando assim a forma como a infraestrutura digital de próxima geração é construída e operada.