• Система с квантовым улучшением достигла точности, сопоставимой с моделями глубокого обучения Telstra, при этом её обучение заняло несколько дней вместо нескольких недель.
  • Этот эксперимент указывает на потенциальную экономию затрат и энергии, а также на повышение эффективности инфраструктуры для сетевых операторов за счёт снижения зависимости от тяжёлой GPU-инфраструктуры.

Что произошло:Telstra завершила 12-месячное сотрудничество с квантовым специалистом SQC

Telstraв Австралии начала годичный эксперимент с SQC, чтобы выяснить, как квантовое машинное обучение можно использовать для более эффективного мониторинга и оптимизации работы сети. В проекте использовалась квантовая резервуарная система SQC под названием «Watermelon», которая генерирует квантовые признаки, питающие модель ИИ.

Задача была двойной: проверить, могут ли эти квантовые признаки прогнозировать ключевые сетевые метрики (например, задержку или пропускную способность), и сравнить результаты с существующей моделью глубокого обучения.

По заявлениям компаний, квантовая модель достигла той же точности прогнозов, что и подход Telstra на основе глубокого обучения, но при значительно меньшем времени обучения и меньших усилиях по внедрению оборудования. Обучение квантового резервуара заняло всего несколько дней, тогда как подход глубокого обучения требовал недель и более тяжёлого GPU-оборудования.

Читайте также:Vodafone и Three реорганизуют свою инфраструктуру для более умного роста
Читайте также:Vodafone запускает обратный выкуп на 545 млн долларов после роста

Почему это важно

Для сетевых операторов прогнозная аналитика — ключевая функция: умение предвидеть проблемы с производительностью, динамически адаптировать ресурсы и избегать влияния на клиентов даёт конкурентное преимущество. Telstra уже использует классические системы машинного обучения для мониторинга таких сетевых метрик, как задержка и пропускная способность, чтобы запускать упреждающие действия.

Внедрение квантового машинного обучения в этот процесс даёт несколько потенциальных преимуществ. Во-первых, сокращённое время обучения (дни вместо недель) позволяет быстрее итерировать и развёртывать прогнозные модели. Во-вторых, то, что квантовому резервуару не потребовалась тяжёлая GPU-инфраструктура, говорит о более низких операционных затратах, меньшем энергопотреблении и, возможно, меньшем углеродном следе.

Со стратегической точки зрения этот эксперимент показывает, что квантовые технологии переходят от чисто лабораторных опытов к реальным промышленным применениям. В австралийском контексте это также подчёркивает, как локальные инновации — через кремниевые квантовые чипы SQC — могут сочетаться с инфраструктурой операторов для стимулирования развития цифровой инфраструктуры.

Таким образом, сотрудничество Telstra и SQC — значимый пример применения квантового машинного обучения в телекоммуникационной отрасли. Оно открывает перспективу того, что сетевые операторы по всему миру смогут использовать аналитику с квантовым улучшением для предоставления более умных, быстрых и эффективных услуг связи, влияя тем самым на то, как строится и эксплуатируется цифровая инфраструктура нового поколения.