Pengantar
Selamat Datang di Garis Terdepan
Sepanjang sejarah, pemahaman ilmiah kita tentang dunia berkembang pesat ketika alat-alat baru tersedia — alat yang memungkinkan kita mengajukan pertanyaan baru, menjalankan eksperimen yang lebih besar, dan menyelidiki bidang penelitian baru. Beberapa alat tersebut meliputi teleskop, mikroskop, dan Large Hadron Collider. Masing-masing memberikan akses ke jenis penemuan ilmiah baru. Pada tahun 1960-an, kita juga menyaksikan perkembangan komputasi berkinerja tinggi (HPC), yang menjadi alat penting untuk menyelesaikan tugas-tugas komputasi yang kompleks, termasuk banyak tantangan ilmiah penting.
Kini kita punya alat penting lain untuk kemajuan ilmiah: komputer kuantum. Meski masih merupakan teknologi yang berkembang, komputer kuantum berpotensi mengubah secara signifikan jenis masalah komputasi yang bisa kita selesaikan secara efisien. Kursus ini membahas bagaimana kedua teknologi ini, saat bekerja sama, dapat memperluas batas-batas apa yang mungkin secara komputasi.
Misi kita jelas namun ambisius: memberikanmu pengetahuan konseptual dan praktis yang diperlukan untuk menggunakan teknologi ini dalam mengatasi beberapa masalah paling sulit di dunia.
Video ini menjelaskan tujuan kursus ini dan motivasi di balik penggabungan HPC dan komputasi kuantum.
HPC
Apa sebenarnya komputasi berkinerja tinggi? Komputasi berkinerja tinggi telah menjadi fondasi untuk menyelesaikan masalah komputasi modern. Kita tidak lagi hidup di era ketika masalah-masalah canggih bisa diselesaikan dengan alat sederhana seperti sempoa atau pena dan kertas; sebaliknya, kita berhadapan dengan pertanyaan dan kumpulan data yang membutuhkan daya komputasi yang sangat besar.
Bidang komputasi berkinerja tinggi dapat ditelusuri akarnya dari perkembangan superkomputer pertama pada tahun 1960-an. Mesin-mesin ini dirancang khusus untuk menyelesaikan masalah ilmiah dan rekayasa skala besar lebih cepat dari komputer konvensional.
Salah satu superkomputer pertama yang terkenal adalah CDC 6600 (1964), dibuat oleh Seymour Cray, yang sering disebut sebagai bapak superkomputing. CDC 6600 adalah komputer tercepat pada zamannya, menggunakan arsitektur inovatif yang mencakup unit fungsional paralel dan pipelining — konsep yang masih digunakan dalam HPC hingga saat ini.
Cray terus memajukan bidang ini dengan Cray-1 (1976), yang memperkenalkan pemrosesan vektor — teknik yang sangat meningkatkan kecepatan operasi pada array data besar, menjadikannya sangat cocok untuk komputasi ilmiah.
Saat kecepatan prosesor tunggal mulai mendatar, HPC berkembang menuju komputasi paralel — menggunakan banyak prosesor yang bekerja bersama pada bagian-bagian berbeda dari suatu masalah. Selama tahun 1980-an dan 1990-an, arsitektur paralel menjadi umum di HPC. Pada awal tahun 2000-an, HPC bergerak menuju kluster perangkat keras komoditas, yaitu server biasa yang terhubung melalui jaringan berkecepatan tinggi. Pergeseran ini membuat superkomputing lebih terjangkau dan memberikan akses yang lebih luas ke HPC.
Sepanjang evolusi ini, IBM® telah berada di garis terdepan penelitian dan implementasi HPC. Terutama, superkomputer IBM Blue Gene adalah salah satu keluarga superkomputer paling berpengaruh pada tahun 2000-an dan awal 2010-an. Ini adalah era pertumbuhan luar biasa dalam tahap sistem masif paralel, di mana Blue Gene/Q merupakan contohnya, dengan satu instance (Sequoia) memiliki 100.000 node. IBM-built Oak Ridge Summit adalah sumber daya HPC pertama yang mencapai ExaOPS (1,88 presisi campuran) pada tahun 2018.
Saat ini, kita berada di era exascale, di mana superkomputer dapat melakukan operasi per detik (exaflops). Superkomputer pertama yang mampu mencapai tonggak ini adalah Frontier, yang berlokasi di Oak Ridge National Laboratory.
Lantas mengapa kita membutuhkan sumber daya komputasi yang begitu kuat? Ada masalah-masalah penting bagi kesejahteraan manusia yang membutuhkan sumber daya ekstrem untuk dimodelkan atau diselesaikan. Contohnya meliputi model iklim, mempelajari struktur dan gerakan mantel bumi, serta simulasi dinamika fluida.
Banyak masalah jenis ini telah ditangani oleh para peneliti IBM dan kolaborator yang bekerja pada sistem IBM. Kepemimpinan yang berkelanjutan ini telah diakui secara luas. Misalnya, peneliti IBM telah memenangkan Gordon Bell Prize enam kali.[1]
HPC adalah domain yang sangat aktif dengan batas-batas yang terus-menerus diterobos. Untuk gambaran kemampuan modern, lihat daftar ini dari 500 superkomputer teratas.
Komputasi kuantum
Komputasi kuantum adalah paradigma komputasi baru yang tidak sekadar mengikuti perkembangan bertahap dari komputer klasik. Ini bertujuan memanfaatkan sifat kuantum superposisi, keterikatan, dan interferensi kuantum untuk menyelesaikan masalah yang tidak dapat ditangani oleh komputer klasik saja. Kita tidak akan menjelajahi detail keunikan komputasi kuantum dalam kursus ini — lihat Fundamentals of quantum information untuk info lebih lanjut tentang ini — melainkan kita akan membahas bagaimana menggabungkan kedua infrastruktur ini dapat menghasilkan terobosan dalam ilmu terapan.
Pendekatan hibrida
Yang paling penting untuk ditekankan adalah bahwa kedua paradigma komputasi ini bukan pesaing. Kita berada di era di mana alur kerja yang dioptimalkan memerlukan kedua paradigma untuk saling melengkapi dan menempatkan tugas di mana ia paling efektif ditangani. Komputer kuantum tidak akan menggantikan sistem klasik; sebaliknya, masa depan ilmu komputasi akan semakin bergantung pada alur kerja hibrida di mana HPC menyediakan pemrosesan klasik berkinerja tinggi, dan komputasi kuantum memberikan kemampuan unik. Sebagai praktisi, peneliti, atau teknolog, memahami cara menggabungkan alat-alat ini akan memposisikanmu sebagai pemimpin di era ilmu pengetahuan dan kemajuan teknologi berikutnya.
Kita akan memeriksa bagaimana komputasi kuantum dan HPC diposisikan untuk memungkinkan terobosan di berbagai industri, termasuk:
-
Kimia: Mempercepat identifikasi obat-obatan dan material baru.
-
Energi: Merancang katalis, baterai, dan solusi energi bersih yang lebih baik.
-
Keuangan: Memodelkan risiko, mengoptimalkan portofolio, dan mengembangkan instrumen keuangan baru.
-
AI & Machine Learning: Meningkatkan pelatihan model, optimasi, dan analisis data.
Mengapa kita perlu melampaui batas klasik
Manusia telah cukup berhasil di bidang-bidang aplikasi di atas menggunakan HPC. Namun, bahkan superkomputer tercepat di dunia pun menghadapi kesulitan ketika masalah yang dihadapi berkembang secara faktorial atau eksponensial seiring ukuran masalah. Misalnya, mendaftarkan setiap kemungkinan susunan 50 partikel di dalam molekul kompleks menghasilkan konfigurasi yang tumbuh paling tidak secara faktorial, membutuhkan memori lebih banyak dari yang bisa disediakan oleh semua pusat data di Bumi digabungkan.
Contoh lain adalah merencanakan rute pengiriman untuk 10.000 kota: jumlah rute yang mungkin menjadi begitu besar sehingga, bahkan jika setiap komputer yang pernah dibuat menguji satu rute per mikrodetik, perhitungan tersebut akan memakan waktu jauh lebih lama dari usia Matahari kita saat ini. Total ini bukan sekadar besar; mereka tumbuh secara eksponensial, artinya setiap partikel atau kota tambahan melipatgandakan beban komputasi jauh melampaui skala sederhana.
Kita bisa terus menambahkan GPU, tetapi memanipulasi data dalam jumlah yang sangat besar sudah mengonsumsi megawatt daya dan membutuhkan fasilitas seukuran gudang. Pada titik tertentu, perangkat keras klasik tidak dapat diskalakan lebih lanjut secara praktis atau terjangkau. Inilah mengapa para peneliti beralih ke prosesor kuantum, yang menyimpan informasi dalam superposisi dan terkadang dapat langsung mengatasi masalah pertumbuhan eksponensial ini, menyelesaikan kasus-kasus tertentu yang tidak dapat diselesaikan mesin klasik dalam waktu yang wajar.
HPC pada akhirnya mencapai batas mendasar yang ditentukan oleh kombinatorik dan termodinamika. Komputasi kuantum tidak menghilangkan batas-batas tersebut, tetapi terkadang dapat melewatinya dalam skenario yang sangat spesifik.
Mengapa tidak kuantum saja?
Jika komputasi kuantum dapat melewati keterbatasan tertentu dari komputasi klasik, mengapa kita tidak mengandalkan komputer kuantum sepenuhnya? Alasan pertama dan paling jelas adalah bahwa komputer kuantum masih memerlukan mesin klasik untuk berfungsi. Tugas-tugas seperti mengkompilasi dan memasukkan Circuit ke prosesor kuantum, menyimpan hasil pengukuran, dan melakukan pasca-pemrosesan dasar semuanya dilakukan oleh sistem komputasi klasik.
Lantas mengapa kita juga membutuhkan komputasi berkinerja tinggi? Ada beberapa alasan. Banyak aplikasi komputasi kuantum saat ini dan yang diantisipasi menangani masalah dengan ruang pencarian yang sangat besar. Algoritma kuantum sering kali dapat mengurangi ukuran ruang ini secara signifikan, tetapi dalam praktiknya masalah yang tersisa mungkin masih cukup besar untuk mendapat manfaat dari sumber daya HPC. Selain itu, ada algoritma yang menyeimbangkan kekuatan HPC dan komputasi kuantum, mendelegasikan cukup pekerjaan ke HPC untuk membuat algoritma keseluruhan lebih tahan terhadap efek noise kuantum.
Contoh konkretnya adalah algoritma sample-based quantum diagonalization (SQD). Algoritma ini, yang akan dijelajahi di Pelajaran 4, menunjukkan bagaimana HPC dan komputasi kuantum dapat saling melengkapi dalam praktik. Untuk latar belakang tambahan, lihat kursus Quantum Diagonalization Algorithms di IBM Quantum Learning.
Persiapan yang direkomendasikan
Kursus ini dirancang untuk para profesional dan mahasiswa yang bekerja — atau berencana bekerja — erat dengan infrastruktur komputasi berkinerja tinggi (HPC) dan/atau komputasi kuantum. Dengan kemajuan pesat dalam teknologi kuantum, kita mengantisipasi masa depan dekat di mana prosesor kuantum terintegrasi bersama sumber daya HPC tradisional untuk mencapai hasil yang lebih akurat dan memungkinkan pendekatan baru dalam pemecahan masalah. Kursus ini ditujukan untuk peserta yang ingin memahami cara membangun dan menjalankan alur kerja hibrida semacam itu.
Karena peserta mungkin berasal dari latar belakang yang berbeda, kita mengharapkan dua jenis utama peserta: mereka yang sudah berpengalaman dalam HPC tetapi baru mengenal komputasi kuantum, dan mereka yang sudah menguasai komputasi kuantum tetapi baru mengenal HPC. Untuk membantu semua orang mendapatkan manfaat maksimal dari kursus ini, kita memberikan rekomendasi persiapan untuk kedua kelompok di bawah ini.
Bagi yang baru mengenal HPC
Kursus ini mengasumsikan keakraban dengan konsep-konsep HPC inti seperti pemrograman memori terdistribusi, pengiriman pesan, model pemrograman paralel, dan manajemen sumber daya. Kita juga akan menggunakan alat seperti pengelola beban kerja Slurm. Meski banyak konsep ini akan diperkenalkan secara singkat sesuai kebutuhan, memiliki pengetahuan awal akan membuat materi lebih mudah diakses. Sumber daya yang berguna meliputi:
- HPC Wiki: Halaman dengan definisi dan pendekatan dalam komputasi berkinerja tinggi.
- Halaman Wikipedia Slurm: Memberikan latar belakang singkat dan catatan tentang adopsi yang luas.
- Halaman quick start Slurm: Beberapa latar belakang, catatan tentang memulai, dan daftar perintah Slurm dasar.
- Tutorial MPI: Hello World dasar menggunakan MPI.
Sumber daya tambahan juga tersedia di repo GitHub ini.
Bagi yang baru mengenal kuantum
Kursus ini akan memanfaatkan alat dan konsep mendasar dari komputasi kuantum dengan ulasan pengantar yang minimal. Kita menyarankan agar peserta memiliki setidaknya pengetahuan dasar tentang Qiskit, keakraban dengan Gate dan Circuit kuantum, serta beberapa eksposur terhadap algoritma berbasis sampling. Sumber daya yang tercantum di bawah ini seharusnya memberikan persiapan yang berguna.
- Panduan IBM Quantum® Composer: Panduan tentang Composer, alat pemrograman kuantum grafis yang memungkinkan kamu drag and drop operasi untuk membangun Circuit kuantum dan menjalankannya pada perangkat keras kuantum.
- Pengantar Qiskit: Serangkaian panduan untuk membantu kamu menginstal dan mengkonfigurasi Qiskit.
- Hello world: Tutorial singkat tentang Qiskit di mana kamu menyiapkan dan menjalankan program kuantum pertamamu.
- Quantum diagonalization algorithms: Kursus yang mencakup beberapa jenis algoritma kuantum, termasuk SQD yang akan digunakan dalam kursus ini.
Sumber daya tambahan juga tersedia di repo GitHub ini.
Peserta dari semua latar belakang mungkin menemukan panduan ini berguna; panduan ini mencakup plugin SPANK untuk manajemen sumber daya kuantum dan beberapa kata tentang Slurm.
Ada beberapa cara di mana keunikan komputasi kuantum membuatnya berbeda secara prosedural dari sumber daya komputasi klasik dengan cara-cara yang penting bagi kursus ini. Misalnya, tidak ada analog kuantum yang baik untuk RAM. Informasi disimpan dan diproses dalam keadaan qubit itu sendiri. Meskipun pengukuran dapat memungkinkan beberapa fitur qubit dicatat secara klasik, pengukuran tersebut menghancurkan banyak kekayaan keadaan kuantum, termasuk superposisi dan keterikatan. Selain itu, sumber daya komputasi kuantum saat ini tidak ditempatkan pada node yang sama dengan sumber daya HPC lainnya, dan pengguna sumber daya kuantum sering kali tidak memiliki tingkat kontrol penjadwalan yang sama seperti yang mungkin mereka miliki atas sumber daya HPC klasik. Kenyataan-kenyataan ini akan diulangi dalam pelajaran yang sesuai. Namun intinya di sini adalah bahwa komputer kuantum akan mengubah dunia dan harus diintegrasikan dengan HPC, tetapi mereka bukan "sekadar lagi" sumber daya HPC yang dapat dikontrol dan digunakan dengan cara yang sama seperti CPU, GPU, dan sebagainya. Komputer kuantum mengubah cara kita dapat mendekati banyak masalah komputasi.
Tentang kursus ini
Pada akhir kursus ini, kamu akan mampu melakukan lebih dari sekadar mengulang istilah-istilah teknis — kamu akan memahami cara mengelola alur kerja hibrida modern yang menugaskan sub-tugas spesifik ke prosesor kuantum sementara CPU dan GPU menangani pekerjaan yang tersisa. Kamu akan belajar cara menulis skrip untuk pekerjaan yang beralih mulus antara node klasik dan QPU, menafsirkan hasil dengan akurasi, dan mengenali di mana akselerasi kuantum benar-benar dapat meningkatkan perhitungan (dan di mana tidak). Sama pentingnya, kamu akan berlatih mempertahankan pola pikir berkembang: dalam bidang baru yang berkembang pesat, tidak ada yang langsung mempelajari segalanya sekaligus, dan kemajuan nyata datang dari iterasi, eksperimen, dan mengajukan pertanyaan. Kursus ini dibagi menjadi 5 bab, yang mencakup topik-topik berikut:
Garis besar kursus
- Pelajaran 1 - Pelajaran ini mencakup latar belakang dan motivasi
- Pelajaran 2 - Sumber daya komputasi dan manajemennya
- Pelajaran 3 - Model pemrograman yang mencakup lingkungan komputasi heterogen
- Pelajaran 4 - Algoritma kuantum untuk alur kerja hibrida, khususnya SQD
- Pelajaran 5 - Prospek dan arah masa depan
Anggap kursus ini sebagai landasanmu — tempat kamu membangun perangkat mental dan kepercayaan diri untuk mengeksplorasi batas kuantum-klasik jauh setelah kamu menyelesaikan pelajaran terakhir.