Sebuah kemajuan revolusioner dalam komputasi kuantum telah muncul dan berpotensi mempercepat kemampuan serta aplikasi kecerdasan buatan secara dramatis.
Para peneliti di Chalmers University of Technology, Swedia, telah mengembangkan penguat yang sangat efisien dan disebut sebagai "penguat paling sensitif yang dapat dibangun saat ini menggunakan transistor." Tim ini berhasil menurunkan konsumsi dayanya hingga hanya sepersepuluh dari penguat terbaik saat ini tanpa mengurangi performa.
Inovasi ini berasal dari desain cerdas yang hanya aktif saat membaca data dari qubit. Konsumsi daya yang lebih rendah ini membantu meminimalkan gangguan pada qubit dan dapat memungkinkan pembangunan komputer kuantum yang lebih besar dan lebih kuat. Membaca informasi kuantum sangatlah sensitif—bahkan fluktuasi suhu, kebisingan, atau gangguan elektromagnetik sekecil apapun dapat menyebabkan qubit kehilangan keadaan kuantumnya. Karena penguat menghasilkan panas yang menyebabkan dekoherensi, para peneliti terus mencari penguat qubit yang lebih efisien.
Berbeda dengan penguat low-noise lainnya, perangkat baru ini dioperasikan secara pulsa, hanya aktif saat dibutuhkan untuk memperkuat qubit, bukan terus-menerus menyala. Karena informasi kuantum dikirimkan dalam bentuk pulsa, tantangan utamanya adalah memastikan penguat dapat aktif dengan sangat cepat agar dapat mengikuti pembacaan qubit. Tim Chalmers mengatasi hal ini dengan menggunakan pemrograman genetik untuk mengendalikan penguat secara cerdas, sehingga dapat merespons pulsa qubit yang masuk hanya dalam waktu 35 nanodetik.
Kemajuan ini sangat penting untuk meningkatkan skala komputer kuantum agar dapat menampung lebih banyak qubit. Semakin banyak qubit, semakin besar pula daya komputasi dan kapasitas komputer untuk menangani perhitungan yang sangat kompleks. Namun, sistem kuantum yang lebih besar membutuhkan lebih banyak penguat, yang berarti konsumsi daya lebih tinggi dan berpotensi menyebabkan dekoherensi qubit. "Studi ini menawarkan solusi untuk pengembangan komputer kuantum di masa depan, di mana panas yang dihasilkan penguat qubit menjadi faktor pembatas utama," kata Jan Grahn, profesor elektronik gelombang mikro di Chalmers.
Terobosan ini bertepatan dengan riset terbaru yang menunjukkan bahwa bahkan komputer kuantum skala kecil dapat meningkatkan performa machine learning melalui sirkuit kuantum fotonik baru. Temuan ini mengindikasikan bahwa teknologi kuantum saat ini bukan sekadar eksperimen—namun sudah dapat melampaui sistem klasik dalam tugas-tugas tertentu.
Komputer kuantum berpotensi menyelesaikan masalah yang jauh melampaui kemampuan mesin tercanggih saat ini, membuka peluang dalam penemuan obat, keamanan siber, kecerdasan buatan, dan logistik. Penguat ultra-efisien yang dikembangkan di Chalmers hanya aktif saat waktunya membaca data dari qubit. Berkat desain cerdas berbasis pulsa, perangkat ini hanya menggunakan sepersepuluh daya yang dibutuhkan model terbaik saat ini.
Banyak model bahasa besar saat ini membutuhkan lebih dari 1 juta jam GPU untuk pelatihan, sementara jaringan saraf kuantum menjanjikan pemrosesan data kompleks berdimensi tinggi yang lebih efisien dibandingkan jaringan saraf klasik. Selain peningkatan kecepatan, komputasi kuantum dapat merevolusi AI melalui algoritma optimasi yang lebih baik, simulasi model yang lebih canggih, serta konsumsi energi yang jauh lebih rendah untuk pelatihan model AI.
"Kami memperkirakan terobosan signifikan pertama dalam Quantum AI akan muncul di akhir dekade ini hingga awal dekade berikutnya, seiring transisi dari perangkat kuantum bising saat ini menuju komputer kuantum yang telah dikoreksi kesalahannya dengan puluhan hingga ratusan qubit logis," jelas Dr. Ines de Vega, Kepala Inovasi Kuantum di IQM. "Mesin-mesin ini akan memungkinkan kita melampaui algoritma kuantum NISQ yang murni eksperimental, membuka keunggulan praktis dan mungkin tak terduga bagi aplikasi AI. Perpaduan Komputasi Kuantum dan AI berpotensi memberikan dampak besar bagi dunia. Kuantum dan AI bersama-sama dapat menyelesaikan masalah yang tidak dapat dipecahkan komputer klasik, membuat AI lebih efisien, cepat, dan kuat."