NTT DATA, Kipu Quantum y Komatsu anticipan fallas críticas en minería con uso de computación cuántica

• Un piloto de mantenimiento predictivo basado en aprendizaje automático cuántico genera alertas con hasta 7 días de anticipación y puede ayudar a reducir costos hasta en un tercio.

NTT DATA, reconocida como líder mundial en Inteligencia Artificial, negocios digitales y servicios tecnológicos, se unió a Kipu Quantum y Komatsu para desarrollar una prueba de concepto orientada a anticipar fallas críticas en los cables de palas eléctricas utilizadas en operaciones mineras. La iniciativa aplica aprendizaje automático cuántico para generar alertas con hasta siete días de anticipación y demostró el potencial de reducir los costos de mantenimiento hasta en un tercio, al permitir intervenciones preventivas antes de que una falla afecte activos clave de la operación.

La iniciativa responde a uno de los retos más costosos del sector minero. Cuando un cable de pala eléctrica falla sin previo aviso, la operación puede detenerse, elevar los costos de mantenimiento y afectar la continuidad del negocio. En estos entornos, el tiempo de inactividad no planificado puede costar hasta tres veces más que una intervención preventiva.

El proyecto se centró en un problema difícil de resolver con métodos convencionales: detectar señales tempranas de desgaste en datos complejos. Las señales de los sensores eran ruidosas, los eventos de falla poco frecuentes y las condiciones operativas variaban entre equipos. Todo ello limitaba el desempeño de los modelos tradicionales de aprendizaje automático en escenarios productivos.

Para abordar ese reto, las compañías aplicaron un enfoque basado en Digitized Quantum Feature Mapping (DQFM), una técnica que transforma los datos de sensores en nuevas representaciones para identificar patrones de deterioro que los métodos clásicos no detectan con la misma claridad. Los resultados mostraron que una mejor representación de los datos puede mejorar la predicción incluso con modelos más simples, robustos y fáciles de mantener. El trabajo también evidenció una menor correlación entre variables, una señal de mayor estabilidad y consistencia en los resultados.

Además de anticipar fallas, el proyecto incorporó un marco de decisión basado en costos mediante la métrica Expected Maintenance Cost, que conecta las predicciones con decisiones operativas concretas. Así, el piloto ayuda a equilibrar el reemplazo anticipado de componentes con el riesgo de falla y aporta un criterio económico más claro para la toma de decisiones de mantenimiento.

“El aprendizaje automático cuántico nos permite comprender mejor grandes volúmenes de datos, identificar relaciones que antes no eran visibles y transformarlas en decisiones más precisas y confiables para la operación. Este piloto demuestra que la computación cuántica ya puede generar valor en industrias estratégicas como la minería, y que su potencial también puede extenderse a sectores como energía, transporte y manufactura, donde anticipar fallas y optimizar la gestión de activos críticos puede marcar una diferencia significativa en términos de eficiencia y costos», señaló Víctor León Marambio, CTO & Head of Innovation Centers Ibero-America NTT DATA.

Con este piloto, las tres compañías demuestran cómo la computación cuántica ya puede generar valor práctico en entornos industriales complejos. Al combinar conocimiento del sector, analítica avanzada y tecnologías emergentes, el proyecto ayuda a transformar datos complejos en decisiones más oportunas, confiables y escalables para la operación.