ICTna.ir – شرکت مخابراتی استرالیایی تلسترا (Telstra) از محاسبات کوانتومی برای افزایش کارایی تحلیل‌های پیش‌بینی شبکه استفاده می‌کند. در طول ۱۲ ماه گذشته، این شرکت با شرکت متخصص تراشه‌های کوانتومی Silicon Quantum Computing (SQC) مستقر در سیدنی همکاری داشته و پردازنده یادگیری ماشینی خود – به نام Watermelon – را آزمایش کرده است.

به گزارش گروه اخبار خارجی آژانس خبری فناوری اطلاعات و ارتباطات (ایستنا)، تلسترا در حال حاضر از هوش مصنوعی و یادگیری ماشینی (AI/ML) برای نظارت بر معیارهای مختلف مانند تأخیر و پهنای باند به منظور پیش‌بینی عملکرد و تشخیص تغییرات در الگوهای شبکه استفاده می‌کند. این امر به آن امکان می‌دهد تا منابع را مجدداً پیکربندی کند یا اقدامات متقابلی را برای جلوگیری از تأثیرگذاری هرگونه مشکل بر مشتریان انجام دهد.

Watermelon این موضوع را به سطح دیگری می‌برد و مکانیک کوانتومی را در معماری یادگیری ماشینیِ امتحان‌شده و آزمایش‌شده‌ای که به عنوان محاسبات مخزنی شناخته می‌شود، اعمال می‌کند، جایی که داده‌ها به یک شبکه عصبی وارد می‌شوند و خروجی دوباره به آن بازگردانده می‌شود، که به عنوان یک حافظه عمل می‌کند و در نتیجه قابلیت‌های پیش‌بینی آن را بهبود می‌بخشد.

طبق گفته‌ی تلسترا و SQC، ویژگی‌های پیچیده و غیرخطی سیستم‌های کوانتومی به طور خاص در درک داده‌های پراکنده یا «نویزدار» مهارت دارند، که آنها را برای کاربردهایی مانند پیش‌بینی سری‌های زمانی مناسب می‌کند، که در آن نتایج آینده، مانند عملکرد شبکه، بر اساس رویدادهای قبلی مشاهده شده در یک دوره زمانی پیش‌بینی می‌شوند.

شایلین سهگال، مدیر اجرایی گروه شبکه‌های جهانی و فناوری تلسترا، گفت: «ما دائماً به دنبال فناوری‌هایی هستیم که بتوانند به ما در ایجاد تجربیات اتصال هوشمندانه‌تر برای مشتریانمان کمک کنند – از شخصی‌سازی بیشتر گرفته تا پیشگیری از مشکلات. محاسبات کوانتومی مرز نویدبخشی است که ما در حال بررسی آن هستیم. همکاری با SQC به ما این امکان را می‌دهد که پتانسیل سیستم‌های کوانتومی را در دنیای واقعی در یک زمینه منحصر به فرد استرالیایی بررسی کنیم.»

با استفاده از Watermelon، تلسترا و SQC توانستند یک مخزن کوانتومی را برای پیش‌بینی عملکرد شبکه در عرض چند روز آموزش داده و تنظیم کنند. در مقایسه، دستیابی به همان درجه از دقت با یک مدل یادگیری عمیق مبتنی بر محاسبات کلاسیک هفته‌ها طول کشید.

میشل سیمونز، مدیر اجرایی SQC، گفت: «این یک گام هیجان‌انگیز و مهم در جهت پذیرش تجاری فناوری‌های کوانتومی است. همکاری با تلسترا به ما این امکان را داد که سیستم مخزن کوانتومی خود، واترملون، را در یک زمینه مخابراتی در دنیای واقعی آزمایش کنیم – چیزی که تعداد کمی از شرکت‌های کوانتومی به آن دست یافته‌اند. تولید ویژگی‌های کوانتومی واترملون به آشکارسازی روابط پیچیده در داده‌های کلاسیک کمک می‌کند، در حالی که زمان آموزش را به طرز چشمگیری کاهش می‌دهد.»

شاید با توجه به مسابقه تسلیحاتی هوش مصنوعی جهانی که در جریان است، این نکته که مخزن کوانتومی بدون تحمیل بار سنگین بر پردازنده‌های گرافیکی (GPU) به طور کارآمد عمل می‌کرد، حتی از این هم مهم‌تر باشد.

این تراشه‌ها که توسط شرکت‌هایی مانند انویدیا و AMD و دیگران تولید می‌شوند، در هزاران نمونه برای آموزش مدل‌های زبانی بزرگ (LLM) مانند GPT-5 شرکت OpenAI استفاده می‌شوند.

طبق گزارش MIT Technology Review که به آمار آزمایشگاه ملی لارنس برکلی استناد کرده است، تا سال ۲۰۲۸، هوش مصنوعی سالانه چیزی بین ۱۶۵ تا ۳۲۶ تراوات ساعت برق مصرف خواهد کرد. از نظر انتشار CO2، این مقدار معادل رانندگی ۳۰۰ میلیارد مایل است.

پردازنده‌های کوانتومی هم دقیقاً سازگار با محیط زیست نیستند و انرژی زیادی را برای خنک شدن مصرف می‌کنند. اما اگر بتوانند کاری را که برای یک کامپیوتر کلاسیک هفته‌ها طول می‌کشد، در عرض چند روز انجام دهند، ممکن است تا حدودی بار زیست‌محیطی را کاهش دهند.