Google Kembangkan Komputer Kuantum yang Lebih Otonom

Perkembangan komputasi kuantum kembali memasuki babak baru. Tim peneliti yang dipimpin Google berhasil menunjukkan bahwa komputer kuantum tidak hanya mampu melakukan perhitungan yang sangat kompleks, tetapi juga dapat belajar dari kesalahan yang muncul selama proses komputasi berlangsung. Pencapaian ini menjadi salah satu langkah penting menuju komputer kuantum yang benar-benar stabil dan dapat digunakan untuk menjalankan berbagai aplikasi ilmiah maupun industri dalam jangka waktu yang lama.

Hasil penelitian yang dipublikasikan di jurnal Nature tersebut memperkenalkan pendekatan baru yang menggabungkan quantum error correction dengan kecerdasan buatan berbasis reinforcement learning. Melalui kombinasi keduanya, komputer kuantum tidak lagi bergantung pada proses kalibrasi manual yang harus dilakukan secara berkala. Sebaliknya, sistem mampu menyesuaikan dirinya sendiri secara otomatis sambil terus melakukan komputasi.

Kemampuan tersebut menjawab salah satu tantangan terbesar yang selama ini menghambat perkembangan komputer kuantum, yaitu menjaga kestabilan perangkat keras ketika proses komputasi berlangsung sangat lama.

Tantangan Besar di Balik Komputer Kuantum

Dalam beberapa tahun terakhir, dunia komputasi kuantum lebih banyak menyoroti peningkatan jumlah qubit, penurunan tingkat kesalahan fisik, hingga pencapaian quantum supremacy. Namun, ada tantangan lain yang justru semakin penting ketika komputer kuantum mulai berkembang menuju skala yang lebih besar.

Masalah tersebut adalah kalibrasi.

Berbeda dengan komputer konvensional yang relatif stabil selama digunakan, komputer kuantum bekerja pada kondisi yang sangat sensitif. Setiap qubit harus dikendalikan menggunakan sinyal dengan tingkat presisi yang luar biasa tinggi. Bahkan perubahan yang sangat kecil pada lingkungan operasi dapat mengubah karakteristik perangkat dan meningkatkan tingkat kesalahan komputasi.

Pada komputer kuantum modern, setiap qubit dikendalikan menggunakan pulsa gelombang mikro (microwave pulse), sinyal analog, serta berbagai parameter elektronik yang harus tetap berada dalam kondisi optimal.

Masalahnya, kondisi tersebut tidak pernah benar-benar tetap.

Fluktuasi suhu, perubahan karakteristik material, gangguan elektronik, hingga penurunan kualitas perangkat keras secara alami atau yang dikenal sebagai hardware drift dapat menyebabkan parameter yang sebelumnya optimal menjadi tidak lagi sesuai beberapa jam, beberapa hari, atau bahkan beberapa menit kemudian.

Semakin lama komputer kuantum bekerja, semakin besar kemungkinan parameter tersebut bergeser dari kondisi ideal. Inilah yang selama ini menjadi salah satu hambatan utama dalam membangun komputer kuantum yang benar-benar tahan terhadap kesalahan (fault-tolerant quantum computer).

Mengapa Kalibrasi Sangat Penting?

Kalibrasi pada komputer kuantum dapat diibaratkan seperti menyetem alat musik dengan tingkat ketelitian yang sangat ekstrem. Jika sebuah gitar sedikit saja berubah nadanya, suara yang dihasilkan mulai terdengar sumbang. Pada komputer kuantum, perubahan yang jauh lebih kecil lagi sudah cukup untuk menyebabkan operasi logika kuantum menghasilkan kesalahan.

Karena itu, setiap parameter operasi harus diatur secara presisi. Beberapa parameter yang perlu dikendalikan meliputi:

• Frekuensi pulsa gelombang mikro.
• Amplitudo sinyal.
• Durasi setiap pulsa.
• Kekuatan kopling (coupling strength) antar qubit.
• Sinkronisasi waktu operasi gerbang kuantum (gate timing).
• Berbagai konfigurasi elektronik lainnya.
• Jumlah parameter tersebut tidak sedikit.

Pada prosesor kuantum Willow milik Google yang digunakan dalam penelitian ini saja, terdapat lebih dari 1.000 parameter kendali yang harus terus berada pada kondisi optimal.

Di masa depan, komputer kuantum berskala besar bahkan diperkirakan akan membutuhkan puluhan ribu hingga jutaan parameter yang harus dijaga secara bersamaan. Mengelola semuanya secara manual tentu hampir mustahil.

Cara Konvensional yang Mulai Tidak Efektif

Selama ini, solusi yang digunakan industri cukup sederhana. Ketika performa komputer kuantum mulai menurun akibat perubahan karakteristik perangkat, proses komputasi dihentikan sementara.

Setelah itu, para insinyur melakukan proses kalibrasi ulang menggunakan berbagai eksperimen khusus untuk menemukan kembali pengaturan terbaik. Setelah semua parameter kembali sesuai, komputasi baru dapat dilanjutkan.

Pendekatan ini cukup efektif untuk eksperimen laboratorium yang berlangsung singkat.

Namun, ketika komputer kuantum nantinya digunakan untuk menjalankan simulasi ilmiah selama berminggu-minggu atau bahkan berbulan-bulan, metode tersebut menjadi tidak praktis. Menghentikan proses komputasi hanya untuk melakukan kalibrasi dapat mengganggu seluruh jalannya perhitungan.

Selain itu, proses kalibrasi sendiri memerlukan waktu dan sumber daya yang tidak sedikit. Para peneliti Google menilai bahwa pendekatan lama tidak akan mampu memenuhi kebutuhan komputer kuantum generasi berikutnya.

Pendekatan Baru: Belajar Sambil Bekerja

Di sinilah penelitian terbaru Google menawarkan pendekatan yang berbeda. Alih-alih memisahkan proses komputasi dan kalibrasi, kedua proses tersebut dijalankan secara bersamaan.

Dengan kata lain, komputer kuantum tetap melakukan perhitungan, tetapi pada saat yang sama juga terus memperbaiki pengaturan internalnya. Pendekatan ini dimungkinkan berkat penggunaan reinforcement learning, salah satu cabang kecerdasan buatan yang memungkinkan sistem belajar berdasarkan pengalaman.

Berbeda dengan AI yang belajar menggunakan kumpulan data statis, reinforcement learning bekerja melalui proses mencoba berbagai tindakan, kemudian mengevaluasi hasilnya berdasarkan umpan balik yang diterima.

Jika suatu tindakan menghasilkan hasil yang lebih baik, sistem akan memperkuat keputusan tersebut. Sebaliknya, jika hasilnya buruk, sistem akan mengurangi kemungkinan menggunakan tindakan yang sama di masa berikutnya.

Prinsip ini sangat mirip dengan cara manusia belajar. Seseorang mencoba suatu cara, melihat hasilnya, kemudian memperbaiki pendekatannya sedikit demi sedikit hingga menemukan metode yang paling efektif. Konsep serupa kini diterapkan pada komputer kuantum.

Memanfaatkan Data yang Selama Ini Terabaikan

Hal paling menarik dari penelitian ini adalah sumber data yang digunakan AI untuk belajar. Para peneliti tidak menambahkan sensor baru ataupun eksperimen tambahan. Sebaliknya, mereka memanfaatkan data yang sebenarnya sudah tersedia selama proses koreksi kesalahan kuantum berlangsung.

Dalam komputer kuantum modern, sistem koreksi kesalahan bekerja terus-menerus untuk mendeteksi kemungkinan terjadinya gangguan pada informasi kuantum. Setiap kali sistem mendeteksi adanya indikasi kesalahan, akan dihasilkan sinyal dalam bentuk data biner.

Selama ini, data tersebut hanya digunakan oleh perangkat lunak decoder untuk menentukan lokasi kesalahan sehingga informasi kuantum dapat dipulihkan. Google melihat peluang lain. 

Daripada membiarkan data tersebut hanya digunakan untuk satu tujuan, mengapa tidak menjadikannya juga sebagai sumber pembelajaran bagi AI?

Akhirnya lahirlah konsep baru yang menggabungkan koreksi kesalahan dengan pembelajaran mesin.

AI Belajar dari Setiap Kesalahan

Dalam pendekatan baru tersebut, setiap sinyal kesalahan berubah menjadi umpan balik bagi sistem reinforcement learning. AI tidak hanya mengetahui bahwa sebuah kesalahan telah terjadi. Lebih dari itu, AI juga mempelajari pola kemunculan kesalahan tersebut. Misalnya:

• Apakah kesalahan meningkat ketika frekuensi tertentu digunakan?
• Apakah amplitudo pulsa sedikit terlalu besar?
• Apakah perubahan suhu mulai memengaruhi kestabilan perangkat?
• Apakah kekuatan kopling antar qubit mulai bergeser?

Dengan menganalisis ribuan pola tersebut secara terus-menerus, AI mulai memahami bagaimana kondisi perangkat berubah seiring waktu. Selanjutnya sistem akan melakukan penyesuaian kecil terhadap parameter kendali. Jika perubahan tersebut menghasilkan penurunan tingkat kesalahan, AI akan mempertahankan arah penyesuaian tersebut. 

Sebaliknya, jika performa justru memburuk, sistem akan mencoba pendekatan lain. Seluruh proses berlangsung secara otomatis tanpa memerlukan intervensi manusia.

Lebih dari Sekadar Koreksi Kesalahan

Selama bertahun-tahun, sistem koreksi kesalahan kuantum memiliki satu tujuan utama, yakni melindungi informasi kuantum agar tidak rusak.

Kini, penelitian Google memberikan fungsi tambahan yang jauh lebih menarik. Aliran data kesalahan yang sebelumnya hanya berfungsi sebagai alat diagnosis kini berubah menjadi "guru" bagi sistem AI. Artinya, setiap kesalahan bukan lagi sekadar masalah yang harus diperbaiki. 

Sebaliknya, kesalahan menjadi sumber informasi yang membantu komputer memahami kondisi dirinya sendiri. Pendekatan ini menghadirkan bentuk self-improvement atau peningkatan kemampuan secara mandiri dalam lingkup yang terbatas.

Tentu saja, komputer kuantum tersebut belum mampu menciptakan algoritma baru atau memodifikasi rancangan perangkat kerasnya sendiri.

Namun, sistem kini mampu memperbarui ribuan parameter operasi secara otomatis berdasarkan pengalaman yang diperoleh selama komputasi berlangsung. Kemampuan ini merupakan langkah penting menuju sistem komputasi yang semakin otonom.

Ribuan Parameter Dioptimalkan Secara Bersamaan

Salah satu keunggulan utama metode ini adalah kemampuannya mengoptimalkan banyak parameter sekaligus. Pada metode kalibrasi tradisional, setiap parameter biasanya diuji secara terpisah. Insinyur akan mengubah satu nilai, mengukur hasilnya, kemudian berpindah ke parameter berikutnya. Pendekatan seperti ini cukup efektif ketika jumlah parameter masih terbatas.

Namun, semakin kompleks prosesor kuantum, semakin sulit mengoptimalkan setiap parameter secara individual. Banyak parameter ternyata saling memengaruhi. Perubahan kecil pada satu pengaturan dapat memengaruhi pengaturan lainnya sehingga hubungan antarparameter menjadi sangat kompleks.

Karena itulah reinforcement learning menggunakan pendekatan yang disebut optimasi menyeluruh (holistic optimization). Alih-alih memandang setiap parameter secara terpisah, AI mengevaluasi performa keseluruhan sistem. Kemudian sistem melakukan penyesuaian terhadap ribuan parameter secara bersamaan dengan tujuan utama menurunkan tingkat kesalahan logis komputer kuantum.

Pendekatan ini jauh lebih sesuai untuk komputer kuantum masa depan yang akan memiliki skala jauh lebih besar dibandingkan prosesor generasi saat ini.

Menuju Komputer Kuantum yang Lebih Mandiri

Keberhasilan Google menerapkan reinforcement learning pada prosesor kuantum Willow tidak hanya memberikan peningkatan performa pada perangkat yang ada saat ini. Lebih dari itu, penelitian ini menjadi gambaran mengenai bagaimana komputer kuantum generasi mendatang dapat beroperasi dengan tingkat otonomi yang jauh lebih tinggi.

Saat ini, sebagian besar komputer kuantum masih membutuhkan campur tangan manusia secara intensif. Para insinyur harus terus memantau kondisi perangkat, melakukan pengukuran, menganalisis perubahan karakteristik perangkat keras, hingga menjalankan proses kalibrasi ulang agar tingkat kesalahan tetap rendah.

Pendekatan tersebut masih memungkinkan karena ukuran prosesor kuantum saat ini relatif terbatas. Namun, kondisi tersebut diperkirakan tidak akan bertahan ketika komputer kuantum berkembang menjadi mesin dengan jutaan qubit yang mampu menjalankan komputasi ilmiah maupun industri selama berhari-hari atau bahkan berbulan-bulan tanpa henti.

Dalam skenario tersebut, proses kalibrasi manual akan menjadi pekerjaan yang sangat rumit dan memakan sumber daya besar. Oleh karena itu, para peneliti menilai bahwa kemampuan komputer kuantum untuk mengelola dirinya sendiri merupakan salah satu syarat penting menuju era fault-tolerant quantum computing.

Skalabilitas Menjadi Fokus Penelitian

Meskipun eksperimen utama dilakukan menggunakan prosesor Willow generasi saat ini, tim peneliti juga mengevaluasi apakah pendekatan reinforcement learning masih efektif ketika ukuran komputer kuantum meningkat secara drastis.

Hal ini penting karena jumlah parameter kendali akan bertambah sangat cepat seiring meningkatnya jumlah qubit.

Pada eksperimen menggunakan Willow, sistem AI harus mengelola lebih dari 1.000 parameter kendali secara bersamaan. Jumlah tersebut sudah tergolong sangat besar jika dibandingkan dengan sistem komputasi konvensional.

Namun, komputer kuantum tahan kesalahan di masa depan diperkirakan membutuhkan puluhan ribu hingga jutaan parameter yang semuanya harus tetap berada pada kondisi optimal selama proses komputasi berlangsung.

Untuk menguji tantangan tersebut, para peneliti tidak hanya mengandalkan eksperimen laboratorium, tetapi juga melakukan simulasi numerik menggunakan distance-15 surface code. Model simulasi tersebut melibatkan sekitar 40.000 parameter kendali, jauh lebih besar dibandingkan konfigurasi yang digunakan pada eksperimen nyata.

Hasil simulasi menunjukkan sesuatu yang cukup menjanjikan. Sistem reinforcement learning tetap mampu melakukan optimasi tanpa mengalami penurunan performa yang signifikan meskipun jumlah parameter meningkat berkali-kali lipat.

Mengapa AI Masih Tetap Efisien?

Keberhasilan tersebut tidak terjadi secara kebetulan. Menurut para peneliti, reinforcement learning mampu mempertahankan efisiensinya karena memanfaatkan sifat alami dari sistem koreksi kesalahan kuantum.

Pada komputer kuantum, sebuah parameter perangkat keras umumnya hanya memengaruhi qubit dan sinyal pendeteksi kesalahan di area sekitarnya, bukan keseluruhan prosesor. Artinya, AI tidak perlu menghitung ulang seluruh sistem setiap kali melakukan penyesuaian.

Sebaliknya, sistem cukup mempelajari hubungan lokal antarparameter yang memang saling berkaitan. Pendekatan ini membuat kompleksitas optimasi tidak meningkat secara drastis meskipun ukuran komputer kuantum terus bertambah.

Dengan kata lain, semakin besar prosesor kuantum, AI tetap dapat bekerja secara efisien karena fokus pada area yang benar-benar terdampak oleh perubahan parameter tertentu. Karakteristik inilah yang membuat pendekatan tersebut dinilai memiliki potensi besar untuk diterapkan pada komputer kuantum generasi berikutnya.

Menyeimbangkan Eksplorasi dan Stabilitas

Salah satu tantangan terbesar dalam reinforcement learning adalah bagaimana sistem tetap dapat belajar tanpa mengganggu pekerjaan yang sedang dilakukan. Dalam konteks komputer kuantum, AI harus terus mencoba berbagai konfigurasi baru agar menemukan pengaturan yang lebih baik. Namun, apabila perubahan parameter dilakukan terlalu agresif, justru dapat meningkatkan tingkat kesalahan dan mengganggu jalannya komputasi.

Karena itu, para peneliti juga melakukan simulasi komputasi kuantum yang berjalan secara terus-menerus sambil sistem reinforcement learning tetap aktif melakukan proses pembelajaran. Hasilnya menunjukkan bahwa AI mampu menjaga keseimbangan antara dua tujuan yang tampaknya saling bertentangan.

Di satu sisi, sistem tetap melakukan eksplorasi dengan mencoba perubahan kecil pada parameter untuk mencari konfigurasi yang lebih optimal. Di sisi lain, AI juga memastikan proses komputasi tetap berjalan secara stabil sehingga kualitas perhitungan tidak mengalami penurunan yang berarti.

Pendekatan ini bekerja dengan baik selama perubahan karakteristik perangkat keras atau hardware drift terjadi secara bertahap, bukan secara tiba-tiba.

Mengurangi Beban Para Insinyur

Penelitian ini juga membawa perubahan paradigma mengenai cara komputer kuantum dipelihara. Selama ini, kalibrasi dipandang sebagai proses eksternal yang harus dilakukan oleh para insinyur ketika performa perangkat mulai menurun.

Artinya, manusia menjadi pihak yang bertanggung jawab mengembalikan komputer kuantum ke kondisi optimal. Dengan adanya reinforcement learning, sebagian besar tugas tersebut dapat dialihkan kepada perangkat lunak.

AI akan terus bekerja di belakang layar selama komputer kuantum beroperasi, memantau pola kesalahan, menganalisis perubahan kondisi perangkat, kemudian menyesuaikan parameter kendali secara otomatis. Pendekatan ini membuat kalibrasi tidak lagi menjadi aktivitas yang dilakukan secara terpisah. 

Sebaliknya, kalibrasi berubah menjadi bagian yang menyatu dengan proses komputasi itu sendiri. Semakin lama komputer kuantum bekerja, semakin banyak pula data yang dipelajari sistem untuk mempertahankan performanya.

Bentuk Awal Self-Improving Quantum Computer

Walaupun masih dalam lingkup yang terbatas, penelitian ini menunjukkan konsep menarik mengenai self-improving quantum computer. Komputer kuantum memang belum mampu mengembangkan algoritma baru atau memperbaiki desain perangkat kerasnya sendiri.

Namun, sistem kini mampu memanfaatkan data yang dihasilkannya selama bekerja sebagai bahan pembelajaran untuk meningkatkan kualitas operasinya secara otomatis.

Dengan kata lain, setiap kesalahan yang muncul bukan hanya diperbaiki, tetapi juga dijadikan pengalaman agar kesalahan serupa semakin jarang terjadi di masa berikutnya. Konsep seperti ini telah lama digunakan pada berbagai aplikasi kecerdasan buatan modern, mulai dari kendaraan otonom hingga sistem rekomendasi digital.

Kini, prinsip yang sama mulai diterapkan pada teknologi komputasi kuantum.

Masih Ada Tantangan yang Harus Diselesaikan

Meski hasil penelitian terlihat sangat menjanjikan, para peneliti menegaskan bahwa pencapaian ini bukan berarti seluruh permasalahan komputer kuantum telah berhasil diatasi. Penelitian ini juga belum menunjukkan keberhasilan membangun komputer kuantum yang sepenuhnya tahan terhadap kesalahan dan siap menyelesaikan berbagai persoalan komersial berskala besar.

Fokus utama penelitian ini adalah mengembangkan salah satu teknologi pendukung yang akan menjadi bagian penting dalam ekosistem komputer kuantum masa depan. Masih terdapat sejumlah tantangan yang harus diselesaikan. Salah satunya adalah proses eksplorasi yang dilakukan reinforcement learning. 

Saat ini, AI masih perlu mencoba berbagai konfigurasi parameter untuk mengetahui mana yang memberikan hasil terbaik.

Pada masa mendatang, ketika komputer kuantum menjalankan algoritma kompleks secara terus-menerus dalam satu kali proses (single-shot quantum algorithm), eksplorasi tersebut harus dilakukan dengan sangat hati-hati agar tidak mengganggu jalannya komputasi.

Selain itu, terdapat pula jenis hardware drift yang berlangsung sangat cepat sehingga sistem pembelajaran saat ini belum mampu mengimbanginya secara langsung.

Karena itu, peningkatan kualitas perangkat keras tetap menjadi bagian penting yang tidak dapat digantikan sepenuhnya oleh perangkat lunak berbasis AI.

Berpotensi Digunakan pada Berbagai Teknologi Kuantum

Menariknya, pendekatan yang dikembangkan Google tidak terbatas hanya untuk prosesor superkonduktor Willow. Menurut para peneliti, metode ini pada dasarnya hanya membutuhkan dua komponen utama, yaitu sinyal pendeteksi kesalahan dan parameter kendali yang dapat diubah secara dinamis.

Selama kedua komponen tersebut tersedia, prinsip reinforcement learning yang sama berpotensi diterapkan pada berbagai arsitektur komputer kuantum lainnya. Hal ini membuka peluang agar teknik serupa dapat digunakan pada teknologi qubit yang berbeda, sekaligus mendukung berbagai skema koreksi kesalahan kuantum yang mungkin berkembang di masa depan.

Ke depan, para peneliti juga memperkirakan sistem ini dapat ditingkatkan menggunakan jaringan saraf tiruan (neural network) yang lebih canggih.

Dengan model AI yang memiliki kemampuan belajar lebih tinggi, komputer kuantum diharapkan mampu memahami hubungan yang lebih kompleks dalam data koreksi kesalahan, mengenali pola hardware drift dengan lebih cepat, serta menemukan strategi optimasi yang semakin efektif.

Dalam jangka panjang, reinforcement learning bahkan diproyeksikan dapat mengambil alih sebagian besar proses kalibrasi sejak komputer kuantum pertama kali dioperasikan. Jika target tersebut berhasil dicapai, kebutuhan terhadap penyetelan manual maupun teknik kalibrasi konvensional akan berkurang secara signifikan, sehingga komputer kuantum masa depan dapat bekerja lebih mandiri, lebih stabil, dan semakin siap digunakan untuk menyelesaikan berbagai persoalan ilmiah maupun industri yang sebelumnya sulit ditangani oleh komputer klasik.