Konteks komputasi kuantum

Dalam video berikut, Olivia Lanes akan memandu kamu melalui materi di pelajaran ini. Atau, kamu bisa membuka video YouTube untuk pelajaran ini di jendela terpisah.

Kamu memulai kursus ini dengan langsung menjalankan Circuit kuantum pertamamu, dan mempelajari bagaimana hukum mekanika kuantum digunakan untuk menciptakan keadaan, Gate, dan Circuit kuantum. Sekarang, mari kita perluas pandangan. Dalam bagian ini, kita akan menjelajahi komputasi kuantum melalui berbagai kerangka yang akan membantu kamu menavigasi percakapan, berita, dan artikel tentang komputasi kuantum dengan pandangan yang lebih kritis.

Tidak diragukan lagi bahwa ada banyak kegembiraan seputar komputasi kuantum, dan kemungkinan yang bisa ditawarkan teknologi ini. Bahkan bisa dikatakan sebagai "hype." Seperti biasanya ketika ada hype seputar penemuan baru, sulit untuk membedakan fakta dari fiksi. Dengan itu dalam pikiran, sebaiknya kita mulai dengan apa yang bukan merupakan komputasi kuantum:

• Komputasi kuantum tidak akan menggantikan komputer tradisional dan klasik — juga tidak akan berakhir dalam "ponsel kuantum"
• Ini bukan cara untuk "secara bersamaan memeriksa semua kemungkinan jawaban sekaligus"
• Ini tidak secara universal lebih baik dari komputer klasik untuk semua tugas
• Ini tidak sedang berperang dengan AI
• Ini tidak berguna sampai kita mencapai toleransi kesalahan atau koreksi error
• Ini bukan sihir

Semoga itu tidak membuatmu menjauhi kursus ini atau berpikir bahwa sebenarnya tidak ada nilai di sini. Justru sebaliknya! Komputasi kuantum memiliki potensi untuk sangat kuat — tetapi hanya untuk aplikasi tertentu. Untungnya, aplikasi tersebut mencakup area penelitian aktif yang berpotensi mengubah cara kita mendekati masalah penting secara fundamental, seperti simulasi kimia, eksplorasi material, dan analisis kumpulan data yang besar. Sebelum kita menjelajahi area aplikasi ini, mari kita gali beberapa kesalahpahaman ini lebih detail.

Penskalaan

Kesalahpahaman umum lainnya tentang komputer kuantum adalah bahwa semakin banyak qubit yang dimilikinya, semakin kuat komputer tersebut. Meskipun ini tidak sepenuhnya salah, itu tidak memberikan gambaran lengkap. Sementara penskalaan dalam jumlah tentu merupakan elemen penting, itu tidak lebih penting dari kualitas qubit itu sendiri. Kualitas diukur dalam beberapa cara, salah satu yang paling penting adalah waktu koherensi dan dephasing, atau masing-masing $T_1$ dan $T_2$. Ini adalah pengukuran seberapa lama informasi kuantum dalam qubit bisa tetap stabil. Ketika qubit superkonduktor pertama didemonstrasikan, angka ini berada dalam urutan nanodetik (Nakamura et al., 1999); sekarang, kita secara rutin menghasilkan qubit yang memiliki waktu koherensi stabil ratusan mikrodetik.

Komponen penting lainnya yang kita perhatikan ketika melihat bagaimana komputer kuantum berkembang adalah kecepatan. Untuk mengukur kecepatan, kita menggunakan sesuatu yang disebut Circuit Layer Operations per Second (CLOPS). CLOPS menggabungkan waktu untuk menjalankan Circuit serta komputasi klasik real-time dan near-time, memungkinkannya berfungsi sebagai ukuran kecepatan tunggal yang holistik.

Ketiga elemen ini bersama-sama diperlukan untuk terus membangun jalur menuju komputer kuantum universal yang toleran terhadap kesalahan. Itulah mengapa, ketika melihat peta jalan IBM Quantum®, kamu akan melihat bahwa beberapa lompatan antara prosesor tidak memiliki peningkatan jumlah qubit yang besar. Misalnya, perhatikan peningkatan qubit yang sederhana antara Heron dan Nighthawk, karena itu bukan fokus utama dari peningkatan tersebut. Sebaliknya, Nighthawk menerapkan topologi konektivitas baru yang akan memungkinkan kode koreksi error yang berbeda.

Koreksi error versus mitigasi error

Koreksi error tetap menjadi salah satu tujuan jangka panjang terbesar bagi peneliti dalam komputasi kuantum. Ini didasarkan pada premis bahwa qubit akan selalu tetap agak berisik dan rentan terhadap error, dan jika kita ingin menjalankan algoritma berskala besar, seperti Shor misalnya, kita akan membutuhkan kemampuan untuk mendeteksi dan mengoreksi error tersebut secara real time. Ada banyak jenis kode koreksi error, dan kita merujuk kamu ke kursus lain (seperti kursus Foundations of quantum error correction) jika kamu ingin mempelajarinya lebih dalam.

Mitigasi error, di sisi lain, sudah digunakan secara rutin untuk meningkatkan hasil komputasi kuantum. Ide di balik mitigasi error adalah bahwa kita menerima bahwa error akan terjadi, dan mencoba memprediksi perilakunya untuk mengurangi efek error tersebut. Ada banyak teknik mitigasi error; banyak yang memerlukan beberapa kali menjalankan komputer kuantum ditambah beberapa pasca-pemrosesan klasik. Tidak mungkin koreksi error akan sepenuhnya menggantikan mitigasi error. Sebaliknya, kita memprediksi keduanya akan digunakan bersama untuk mengembalikan hasil terbaik yang mungkin dari komputer kuantum.

Komponen komputasi kuantum

Sebelumnya, kita menyebut bahwa adalah kesalahpahaman umum bahwa komputer kuantum suatu hari akan menggantikan komputer klasik. Ini jelas bukan kasusnya; komputer kuantum dan komputer klasik sebenarnya tidak sedang berperang untuk saling menggantikan. Faktanya, seperti yang disebutkan di bagian sebelumnya, komputer kuantum memerlukan komputer klasik untuk berfungsi, karena berbagai alasan. Ketika kita berbicara tentang "komputer" secara luas, kita biasanya mengasumsikan bahwa mereka mencakup semua komponen seperti CPU, RAM, memori, dan sebagainya. Sebaliknya, komputer kuantum tidak memiliki semua komponen ini. Sering kali ketika orang berbicara tentang komputer kuantum, mereka sebenarnya merujuk pada QPU, atau Quantum Processing Unit, yang mengambil alih peran pemrosesan dari CPU. QPU itu sendiri bukan komputer tujuan umum. Ia tidak menjalankan sistem operasi, mengelola memori, atau menangani antarmuka pengguna. Satu-satunya perannya adalah memanipulasi qubit sesuai operasi kuantum yang dikontrol dengan cermat sebelum mengembalikan hasil pengukuran ke sistem klasik.

Dalam praktiknya, komputer kuantum saat ini paling baik dipahami sebagai sistem hibrida. Komputer klasik mengatur alur kerja — menyiapkan input, mengompilasi Circuit kuantum, menjadwalkan pekerjaan, dan memproses hasil pasca — sementara QPU hanya mengeksekusi bagian kuantum dari perhitungan. Bahkan ketika hardware kuantum berkembang, pembagian kerja ini diperkirakan akan bertahan, dengan kemajuan berfokus pada integrasi yang lebih ketat dan komunikasi yang lebih cepat antara sistem klasik dan QPU daripada menghilangkan komponen klasik sepenuhnya.

Area aplikasi yang mungkin untuk komputasi kuantum

Kita secara garis besar mengategorikan area-area yang menurut kami akan paling berdampak pada komputasi kuantum menjadi empat kategori: optimasi, simulasi Hamiltonian, Persamaan Diferensial Parsial (PDP), dan pembelajaran mesin.

Simulasi Hamiltonian

Topik ini adalah tentang menyimulasikan proses mekanika kuantum yang ditemukan di alam. Pada intinya, ini melibatkan dua tugas luas: menemukan energi keadaan dasar sistem yang dijelaskan oleh Hamiltoniannya, yang mengkodekan total energi dan interaksi dalam sistem, dan menyimulasikan bagaimana sistem tersebut berevolusi dari waktu ke waktu (dinamika kuantum).

Ini adalah salah satu area aplikasi yang paling alami untuk komputer kuantum: sistem kuantum sangat sulit untuk disimulasikan di komputer klasik, karena ukuran ruang keadaan kuantum tumbuh secara eksponensial seiring dengan jumlah partikel. Komputer kuantum, sebaliknya, merepresentasikan keadaan kuantum secara langsung, membuat mereka cocok — setidaknya secara prinsip — untuk jenis masalah ini.

Area aplikasi utama meliputi:

• Kimia dan ilmu material: memprediksi struktur molekul, jalur reaksi, energi ikatan, dan sifat material
• Fisika materi terkondensasi: mempelajari sistem yang sangat berkorelasi, transisi fase, dan keadaan kuantum eksotis
• Fisika energi tinggi dan nuklir: memodelkan interaksi partikel

Dalam jangka panjang, kemajuan dalam simulasi Hamiltonian bisa memungkinkan:

• Penemuan obat yang lebih akurat dan desain katalis
• Penemuan material baru untuk baterai
• Pemahaman lebih dalam tentang fenomena fisik fundamental

Banyak algoritma kuantum yang paling banyak dipelajari, seperti SQD, dikembangkan khusus dengan mempertimbangkan simulasi Hamiltonian. Sebagai hasilnya, kategori ini sering dilihat sebagai salah satu kasus penggunaan yang paling menarik secara ilmiah dan paling berdasar secara teoritis untuk komputasi kuantum.

Optimasi

Masalah optimasi melibatkan menemukan solusi terbaik dari sekumpulan besar kemungkinan solusi, dengan memperhatikan batasan. Masalah-masalah ini muncul di berbagai bidang sains, teknik, dan industri, dan sering menjadi sulit secara komputasi seiring bertambahnya ukuran masalah.

Contoh termasuk:

• Penjadwalan dan perutean (misalnya, rantai pasokan, aliran lalu lintas, penjadwalan maskapai)
• Optimasi portofolio dan manajemen risiko (keuangan)
• Alokasi sumber daya dan logistik
• Masalah kombinatorial seperti partisi graf dan max-cut

Banyak masalah optimasi dikategorikan sebagai NP-hard dalam teori kompleksitas, artinya algoritma klasik biasanya mengandalkan heuristik atau pendekatan untuk instansi yang besar. Karena qubit berperilaku berbeda dari bit klasik, kita bisa memodelkan solusi secara berbeda. Ini mungkin memungkinkan kita menjelajahi ruang solusi lebih cepat atau lebih lengkap daripada algoritma klasik.

Pendekatan kuantum yang umum meliputi:

• Algoritma variatif, seperti Quantum Approximate Optimization Algorithm (QAOA)
• Alur kerja klasik-kuantum hibrida, di mana solver klasik memandu dan menyempurnakan subrutin kuantum

Sementara masih menjadi pertanyaan terbuka kapan — atau untuk masalah mana — optimasi kuantum akan memberikan keunggulan yang jelas dibanding metode klasik terkini, optimasi tetap menjadi area minat utama karena keberadaannya yang luas dan pemetaan alami antara tujuan optimasi dan Hamiltonian kuantum.

Persamaan Diferensial Parsial (PDP)

Persamaan diferensial parsial mendeskripsikan bagaimana besaran fisik berubah melintasi ruang dan waktu. Mereka mendasari banyak model paling penting dalam sains dan teknik, termasuk dinamika fluida, elektromagnetisme, perpindahan panas, dan pemodelan keuangan.

Contoh termasuk:

• Persamaan Navier-Stokes untuk aliran fluida
• Persamaan Schrödinger dan gelombang
• Persamaan Maxwell
• Black-Scholes dan PDP keuangan terkait

Menyelesaikan PDP secara numerik di komputer klasik sering memerlukan kisi spasial yang halus dan evolusi waktu yang panjang, menimbulkan biaya komputasi dan penggunaan memori yang tinggi.

Algoritma kuantum untuk PDP biasanya mengandalkan hal-hal berikut:

• Memetakan PDP ke sistem persamaan linear yang besar
• Subrutin aljabar linear kuantum, seperti algoritma HHL dan variannya
• Alur kerja hibrida di mana prapemrosesan dan pasca-pemrosesan klasik mengelilingi inti kuantum

Secara teori, pendekatan kuantum tertentu dapat menawarkan percepatan eksponensial atau polinomial di bawah asumsi tertentu (seperti persiapan keadaan dan pembacaan yang efisien). Dalam praktiknya, pemecahan PDP diperkirakan menjadi aplikasi jangka panjang, terkait erat dengan kemajuan dalam komputasi kuantum toleran kesalahan dan integrasi kuantum-klasik dengan sistem komputasi kinerja tinggi (HPC).

Pembelajaran mesin

Pembelajaran mesin kuantum (QML) mengeksplorasi bagaimana komputer kuantum mungkin meningkatkan atau mempercepat aspek pembelajaran mesin dan analisis data. Ini mencakup keduanya:

• Menggunakan komputer kuantum untuk menjelajahi masalah klasifikasi dengan perilaku klasifikasi yang berbeda dari algoritma klasik
• Mengembangkan model baru yang secara inheren bersifat kuantum

Aplikasi yang diusulkan meliputi:

• Klasifikasi dan pengelompokan
• Metode kernel dan peta fitur
• Subrutin optimasi dalam loop pelatihan

Banyak algoritma QML memanfaatkan:

• Circuit kuantum yang diparameterisasi sebagai model yang bisa dilatih
• Teknik optimasi variatif
• Kernel kuantum yang secara implisit beroperasi dalam ruang fitur berdimensi tinggi

Namun, pembelajaran mesin adalah area yang sangat menantang untuk keunggulan kuantum. Pembelajaran mesin klasik sangat matang, dan model kuantum harus bersaing dengan masalah seperti pemuatan data, noise, dan penskalaan.

Sebagai hasilnya, penelitian saat ini berfokus pada area-area ini:

• Mengidentifikasi rezim spesifik di mana model kuantum mungkin mengungguli model klasik
• Menjelajahi QML sebagai bagian dari alur kerja hibrida daripada pengganti mandiri
• Memahami ekspresivitas, trainabilitas, dan generalisasi model kuantum

Pembelajaran mesin kuantum tetap menjadi area penelitian aktif, dengan potensi dampak jangka panjang — tetapi juga pertanyaan terbuka yang signifikan tentang kapan dan di mana keunggulan praktis akan muncul.

Kesimpulan

Pelajaran ini telah memperjelas bahwa keunggulan kuantum bukan tentang menggantikan komputer. Ini tentang memperluas apa yang bisa dihitung. Ini adalah salah satu proyek rekayasa paling ambisius yang pernah dicoba manusia. Dan seperti semua proyek ambisius, ini berantakan, lambat, dan cukup menakjubkan.

Jika kamu ingin tindak lanjut tentang bagaimana algoritma ini benar-benar bekerja, pelajaran berikutnya akan menunjukkan ke mana harus pergi dari sini berdasarkan minat dan tujuan kariermu.