Presentasi Webinar tentan quantum computing.pptx

Editor's Notes

• #2: Komputasi kuantum adalah sebuah cabang ilmu komputer yang menggunakan prinsip fisika kuantum untuk memecahkan masalah yang sangat kompleks. Berbeda dengan komputer yang kita gunakan sehari-hari, yang berbasis bit (0 atau 1), komputasi kuantum bekerja dengan qubit yang memiliki kemampuan unik untuk berada dalam banyak keadaan sekaligus. Dengan potensinya yang luar biasa, komputer kuantum diharapkan mampu merevolusi berbagai bidang seperti kriptografi, optimasi, kecerdasan buatan, dan simulasi sistem molekuler yang sangat kompleks Salah satu bidang yang sangat diuntungkan dengan komputasi kuantum adalah pembelajaran mesin atau machine learning, yang merupakan teknologi inti di balik banyak aplikasi pintar saat ini. Dalam presentasi ini, kita akan menggali bagaimana komputasi kuantum bisa mempercepat dan mengoptimalkan proses pembelajaran mesin, dari mempercepat pelatihan model hingga meningkatkan akurasi prediksi. Kita juga akan melihat bagaimana konsep-konsep kuantum seperti superposisi dan entanglement bisa membawa manfaat besar bagi pengembangan kecerdasan buatan yang lebih canggih.
• #3: Qubit adalah unit dasar dari informasi dalam komputasi kuantum, mirip dengan bit pada komputasi klasik. Namun, perbedaan utama adalah bahwa bit klasik hanya bisa berada dalam satu dari dua keadaan: 0 atau 1. Sebaliknya, qubit dapat berada dalam keadaan superposisi, yaitu dalam kombinasi dari dua keadaan sekaligus. Ini memungkinkan komputasi kuantum untuk memproses informasi dengan cara yang jauh lebih efisien dalam banyak situasi. Superposisi adalah salah satu prinsip dasar komputasi kuantum. Konsep ini menjelaskan kemampuan qubit untuk berada dalam lebih dari satu keadaan sekaligus, bukan hanya 0 atau 1. Misalnya, sebuah qubit dapat berada dalam kombinasi dari keadaan 0 dan 1 pada saat yang bersamaan, dengan proporsi tertentu yang disebut sebagai amplitudo kuantum. Hal ini memungkinkan komputasi kuantum untuk melakukan perhitungan dalam banyak jalur secara paralel, yang meningkatkan kecepatan dan efisiensi untuk masalah yang sangat kompleks. Ketika kita mengukur qubit, ia akan "runtuh" menjadi salah satu keadaan 0 atau 1, tetapi sebelum pengukuran, ia dapat berada dalam keduanya. Entanglement adalah fenomena kuantum di mana dua atau lebih qubit menjadi terikat satu sama lain dalam cara yang tidak dapat dijelaskan dengan hukum fisika klasik. Ketika qubit terentang, keadaan satu qubit tergantung langsung pada keadaan qubit lainnya, tidak peduli seberapa jauh jaraknya. Entanglement memungkinkan qubit untuk saling mempengaruhi satu sama lain secara instan. Ini digunakan dalam banyak algoritma kuantum dan sangat penting dalam komputasi kuantum, karena memungkinkan untuk berbagi informasi lebih efisien dan menghasilkan solusi yang lebih cepat untuk masalah optimasi atau simulasi yang kompleks.
• #6: Superposisi Konsep: Sebelum diukur, sebuah qubit bisa “berada” di dua keadaan sekaligus (0 dan 1). Bayangkan kita melempar koin dan biarkan ia berputar di udara. Selagi masih berputar, Anda belum tahu apakah akan jatuh kepala (0) atau angka (1) — ia “sedang” berada di kedua kemungkinan itu. Hanya saat koin tersebut mendarat (diukur), ia baru “memilih” salah satu sisi. Intinya: Superposisi memungkinkan komputer kuantum memproses banyak kemungkinan jawaban sekali jalan, bukan satu per satu seperti komputer biasa
• #7: "Bits Bits" di atas menunjukkan bahwa kita menggunakan dua bit klasik, yang masing-masing hanya bisa bernilai 0 atau 1. Kombinasi dua bit menghasilkan 4 kemungkinan: 00, 01, 10, 11. Di sebelahnya ada angka 1 hingga 4 yang mungkin mewakili urutan atau nilai fungsi yang dipetakan dari kombinasi bit tersebut. Gambar bola seperti bola dunia (disebut Bloch Sphere) menunjukkan dua qubit. Qubit tidak hanya bisa berada di 0 atau 1, tetapi juga dalam superposisi dari keduanya, artinya bisa "berada" di banyak kombinasi sekaligus. Maka, dua qubit dapat merepresentasikan keempat kemungkinan (00, 01, 10, 11) secara bersamaan. Kesimpulannya Dalam komputasi klasik, kita hanya bisa memproses satu kombinasi bit pada satu waktu (misalnya 00 → hasil 1). Dalam komputasi kuantum, dua qubit dapat mewakili dan memproses keempat kombinasi sekaligus melalui superposisi. Hal ini membuat komputer kuantum sangat kuat untuk pemrosesan paralel dan eksplorasi ruang solusi besar.
• #8: Konsep: Dua (atau lebih) qubit dapat “terkoneksi” sedemikian rupa sehingga keadaan satu qubit langsung memengaruhi qubit lainnya, walau berjauhan. Analogi Bayangkan Anda punya dua koin ajaib yang selalu menunjukkan sisi berlawanan: jika koin A mendarat kepala, koin B otomatis mendarat angka, dan sebaliknya. Bahkan jika koin B berada di sisi lain dunia, begitu Anda lihat hasil koin A, Anda langsung tahu hasil koin B—tanpa perlu melihat atau mengirim pesan sama sekali. Intinya: Entanglement menciptakan korelasi “instan” antar qubit—fitur yang tidak mungkin ditiru oleh komputer klasik. Kenapa Ini Penting? Superposisi memberi komputer kuantum “multi-tasking” alami, mengeksplorasi banyak solusi sekaligus. Entanglement memungkinkan qubit berbagi informasi secara efisien, membuka kemungkinan algoritma baru yang jauh lebih cepat daripada cara klasik.
• #11: Grafik ini menggambarkan alur tiga tahap bagaimana sebuah masalah di dunia nyata diolah oleh komputer klasik—dari formulasi matematis hingga dieksekusi di hardware bit-based 1. Translation of problem to (matrix-based) algorithm Apa maksudnya: Setiap permasalahan (misalnya “bagaimana memprediksi penjualan?” atau “bagaimana mengelompokkan pelanggan?”) pertama‐tama diubah menjadi bentuk algoritma matematis. Kenapa “matrix-based”: Banyak algoritma ML dan analisis data dirumuskan menggunakan operasi matriks (misal perkalian matriks). Contoh sederhananya: mengalikan matriks fitur 𝑋 dengan vektor bobot 𝑤 untuk menghasilkan prediksi. 2. Algorithm code compiled to machine code Apa maksudnya: Kode algoritma yang sudah Anda tulis (dalam Python, C++, Java, dsb.) diubah oleh compiler atau interpreter menjadi instruksi prosesor (machine code). Proses: Kode tingkat tinggi → assembly/bytecode → Bytecode → instruksi mesin (misalnya MOV, ADD, JMP), Tercipta file executable siap jalan di CPU. Analogi: Seperti menerjemahkan resep masakan (bahasa manusia) menjadi petunjuk langkah‐langkah kasar (bahasa koki mesin) yang benar‐benar bisa dijalankan di dapur. 3. Compiled code runs on bit-based circuits Apa maksudnya: Instruksi mesin (machine code) dieksekusi oleh rangkaian elektronik yang hanya mengenal dua keadaan—0 dan 1. Hardware: Flip-flop, register, dan gerbang logika (AND, OR, NOT) bekerja sesuai urutan instruksi, memindahkan dan mengolah bit demi bit. Analogi: Layaknya pabrik otomatis: setiap perintah (assembly instruction) memicu satu atau lebih “gerbang” untuk membuka/menutup jalur aliran material (bit), hingga akhirnya produk (output) jadi.
• #12: 1. Mapping (usually via QUBO) Apa itu mapping? Mengubah masalah yang ingin kita selesaikan (misalnya optimasi rute, penjadwalan, atau deteksi anomali) menjadi bentuk matematis yang siap di-“olah” oleh komputer kuantum. QUBO: Singkatan dari Quadratic Unconstrained Binary Optimization. Artinya kita menulis fungsi objektif kita sebagai persamaan kuadrat pada variabel biner (0/1). Analogi: Seperti mentransformasi resep masakan (masalah real-world) menjadi daftar bahan dan langkah (persamaan kuadrat) yang bisa dipahami “juru masak” kuantum. 2. Algorithm Focuses on Physical Operations Apa yang terjadi di sini? Dari bentuk QUBO, kita merancang quantum circuit atau variational quantum algorithm—yaitu urutan quantum gates (gerbang kuantum) dan pengukuran—yang akan mengekspresikan fungsi QUBO tersebut pada qubit. Contoh elemen fisik: Gerbang Hadamard (H): Membuat superposisi qubit. Gerbang CNOT: Membuat entanglement antar qubit. Parameterized gates (Rotasi): Digunakan di Variational Quantum Circuits untuk mengoptimasi solusi. Analogi: Seperti menyiapkan peralatan dan urutan langkah di dapur: “panaskan wajan, masukkan bumbu A, aduk selama 2 menit,” tapi di sini “panaskan” diganti dengan “aplikasikan gerbang H,” “masukkan bumbu” diganti dengan “rotasi qubit.” 3. Hardware Executes Algorithm Eksekusi fisik: Sekarang giliran mesin kuantum nyata (IBM Q, IonQ, D-Wave) menjalankan rangkaian gerbang yang sudah kita desain. Pengukuran (measurement): Setelah rangkaian selesai, qubit “dilihat” (diukur) untuk mendapatkan hasil 0 atau 1. Dari banyak pengulangan pengukuran (shots), kita dapat estimasi solusi terbaik dari fungsi QUBO. Analogi: Layaknya “chef” yang benar-benar menjalankan resep di dapur nyata, lalu mencicipi hasil masakan berulang-ulang untuk menentukan rasa terbaik.
• #13: "Komputasi kuantum mampu melakukan proses pencarian solusi secara paralel dalam jumlah sangat besar, karena setiap qubit dapat berada dalam banyak kemungkinan sekaligus melalui fenomena superposisi.” Masalah kombinatorik adalah jenis masalah yang melibatkan banyak kemungkinan kombinasi — contohnya adalah penjadwalan, pengurutan, atau pencarian jalur terpendek di jaringan (graf). Komputasi kuantum Ada jenis-jenis masalah yang secara teori bisa diselesaikan oleh komputer klasik, tapi akan membutuhkan waktu jutaan atau bahkan miliaran tahun karena jumlah kemungkinannya sangat besar. Komputasi kuantum memiliki potensi untuk menyelesaikan masalah-masalah ini jauh lebih cepat karena bisa memproses banyak kemungkinan secara paralel melalui superposisi.memungkinkan pencarian solusi optimal lebih cepat dibanding pendekatan klasik, terutama saat jumlah kombinasi sangat besar. Efisiensi pelatihan mengacu pada seberapa cepat dan hemat sumber daya (waktu, energi, memori) suatu model dapat dilatih untuk mencapai hasil atau akurasi tertentu. Dalam Quantum Machine Learning, efisiensi model sangat bergantung pada bagaimana kita merancang sirkuit kuantum—yaitu susunan gerbang kuantum dan operator yang digunakan untuk memproses data. Operator dan sirkuit yang tepat akan mempercepat proses pelatihan, meningkatkan akurasi, dan mengurangi noise/error dalam hasil Dengan memanfaatkan qubit dan sirkuit kuantum, performa dan kecepatan algoritma deep learning dapat meningkat, membuka peluang untuk mengatasi tantangan komputasi yang terlalu berat bagi pendekatan klasik.”
• #14: QNN adalah model pembelajaran mesin yang menggabungkan struktur jaringan saraf (neural network) dengan komputasi kuantum. QNN menggunakan qubit dan gerbang kuantum sebagai "neuron" dan "bobot", serta memanfaatkan superposisi dan entanglement untuk menangkap pola data yang kompleks. Bayangkan jaringan saraf biasa seperti sistem syaraf di otak, tapi dijalankan oleh komputer klasik. Nah, Quantum Neural Networks adalah versi ‘super’‑nya, yang berjalan di atas komputer kuantum. Karena komputer kuantum bisa memproses banyak kemungkinan secara bersamaan, QNN berpotensi mengenali pola atau membuat keputusan lebih cepat dan lebih akurat—terutama untuk data yang sangat kompleks’ Quantum annealing adalah metode dalam komputasi kuantum yang digunakan untuk mencari solusi terbaik (optimal) dari masalah yang sangat kompleks, seperti penjadwalan, logistik, atau optimasi desain.Metode ini bekerja dengan mengeksplorasi banyak kemungkinan solusi sekaligus, lalu memilih yang terbaik berdasarkan energi terendah—mirip seperti air yang selalu mengalir ke tempat paling rendah. Bayangkan Anda ingin mencari rute tercepat di kota dengan 1000 jalan. Komputer biasa akan mencoba satu per satu kemungkinan rute. Tapi quantum annealing bisa mencoba semua kemungkinan sekaligus—lalu memilih rute terbaik seolah-olah ‘meluncur’ ke solusi paling optimal Algoritma graf kuantum adalah pendekatan komputasi kuantum untuk menyelesaikan masalah graf seperti menemukan jalur terpendek, mengecek apakah dua titik saling terhubung (connectivity) atau mengelompokkan simpul (clustering). Metode ini memanfaatkan efek kuantum seperti superposisi dan interferensi untuk melakukan perhitungan lebih cepat daripada algoritma klasik. QGA adalah algoritma genetik yang diperkaya dengan prinsip-prinsip komputasi kuantum. Penggabungan ini bertujuan untuk memanfaatkan kekuatan komputasi kuantum untuk meningkatkan kinerja algoritma genetik dalam menemukan solusi terbaik untuk masalah optimasi.
• #15: IBM Qiskit adalah sebuah platform open-source yang dikembangkan oleh IBM untuk membantu para peneliti, pengembang, dan pelajar dalam mempelajari dan membangun aplikasi komputasi kuantum, termasuk di bidang Quantum Machine Learning (QML). Dengan Qiskit, pengguna dapat membuat dan menjalankan sirkuit kuantum, baik melalui simulasi di komputer biasa maupun secara langsung pada komputer kuantum IBM yang tersedia secara online. Platform ini memungkinkan kita mengeksplorasi bagaimana kekuatan komputasi kuantum dapat digunakan untuk memproses data dan menyelesaikan masalah kompleks lebih cepat daripada komputer konvensional.
• #16: Xanadu iniperusahaan teknologi asal Kanada yang berfokus pada pengembangan perangkat lunak dan perangkat keras untuk komputasi kuantum, khususnya dalam pendekatan fotonik (menggunakan cahaya sebagai media komputasi). Salah satu kontribusi besar dari Xanadu untuk dunia komputasi kuantum adalah PennyLane, sebuah platform open-source yang memungkinkan integrasi antara komputasi kuantum dan pembelajaran mesin (machine learning). Dengan PennyLane, para peneliti dan pengembang dapat membangun model hybrid, yaitu menggabungkan algoritma kuantum dan klasik, untuk menyelesaikan berbagai masalah kompleks di bidang kecerdasan buatan, optimasi, dan ilmu data. PennyLane dapat digunakan bersama berbagai backend kuantum seperti IBM Qiskit, Google Cirq, dan simulator lainnya, menjadikannya alat yang fleksibel untuk eksplorasi Quantum Machine Learning (QML).
• #17: Kalau Amazon Braket adalah layanan komputasi kuantum berbasis cloud dari Amazon Web Services (AWS) yang memungkinkan pengguna untuk mempelajari, mengembangkan, dan menjalankan algoritma kuantum. Dengan Braket, pengguna dapat mengakses berbagai jenis komputer kuantum dari vendor terkemuka seperti IonQ, Rigetti, dan D-Wave, tanpa perlu memiliki perangkat keras sendiri. Selain itu, Amazon Braket juga menyediakan simulator kuantum untuk menguji algoritma sebelum dijalankan di perangkat nyata. Layanan ini sangat berguna bagi peneliti, pelajar, dan perusahaan yang ingin mengeksplorasi potensi komputasi kuantum dalam berbagai bidang, termasuk machine learning, optimasi, dan pemodelan ilmiah.
• #18: Komputer kuantum belum digunakan secara luas karena keterbatasan teknis dan infrastruktur. Namun, potensinya sangat besar dan sedang dikembangkan secara aktif untuk masa depan komputasi yang lebih kuat dan efisien. Teknologi Masih Dalam Tahap Awal, Komputer kuantum masih berada pada era NISQ (Noisy Intermediate-Scale Quantum) Qubit masih rentan terhadap gangguan (noise) dan kehilangan informasi (decoherence) Belum cukup stabil untuk menjalankan algoritma kompleks secara konsisten Belum unggul secara umum komputer kuantum tidak lebih cepat dari komputer klasik untuk tugas-tugas umum Hanya unggul pada masalah tertentu seperti simulasi molekul atau optimasi kombinatorial Infrastruktur Kompleks dan Mahal Membutuhkan suhu ekstrem: mendekati nol mutlak (-273°C) Butuh ruang khusus dan teknologi kriogenik 📉 Skala Komputasi Masih Terbatas Komputer kuantum saat ini hanya memiliki puluhan hingga ratusan qubit Dibutuhkan ribuan hingga jutaan qubit untuk menjalankan aplikasi industri nyata Meski masih dalam tahap awal, Quantum Machine Learning telah membuktikan potensinya dalam berbagai aplikasi—dari klasifikasi hingga simulasi ilmiah—dan terus berkembang pesat menuju penggunaan nyata dalam mendukung industri 5.0