Masalah yang disimulasikan berkaitan dengan dinamika sistem magnetik tidak teratur—khususnya model spin glass Ising pada struktur kisi (lattice). Sistem seperti ini sering digunakan dalam fisika material untuk mempelajari interaksi kompleks antar partikel magnetik. D‑Wave dan para kolaboratornya menyatakan bahwa metode klasik yang tersedia saat itu tidak dapat diskalakan secara efektif untuk sistem kuantum sebesar itu, sehingga mereka menyebut hasilnya sebagai contoh komputasi “beyond‑classical”.
Istilah ini berkaitan dengan konsep quantum supremacy atau quantum advantage: titik ketika komputer kuantum mampu melakukan tugas yang secara praktis tidak dapat diselesaikan oleh komputer klasik dalam waktu yang wajar.
Tim Flatiron–Boston University kemudian meninjau kembali persis masalah simulasi yang sama. Alih‑alih mencoba melacak seluruh keadaan kuantum sistem—yang secara matematis tumbuh secara eksponensial seiring bertambahnya jumlah qubit—mereka memanfaatkan struktur matematika dari sistem tersebut.
Pendekatan mereka menggabungkan beberapa teknik utama:
Dengan menyesuaikan struktur tensor network dengan geometri lattice dan menggunakan pembaruan belief propagation selama simulasi, algoritma ini dapat mengikuti dinamika sistem tanpa harus merepresentasikan seluruh fungsi gelombang 5.000 qubit secara eksplisit. Hasilnya, biaya komputasi berkurang drastis sambil tetap mempertahankan akurasi tinggi.
Para peneliti melaporkan bahwa pendekatan tersebut dapat mensimulasikan dinamika quantum annealing yang sama secara akurat dan efisien, meskipun sebelumnya dianggap berada di luar jangkauan komputasi klasik.
Kunci efisiensi metode ini adalah cara tensor network mengompresi keadaan kuantum.
Alih‑alih menyimpan setiap amplitudo dari fungsi gelombang yang sangat besar, pendekatan ini hanya menyimpan korelasi yang benar‑benar muncul di dalam sistem. Untuk banyak sistem fisika dengan struktur interaksi tertentu—misalnya yang tersusun dalam kisi—pertumbuhan entanglement sering masih dapat direpresentasikan secara kompak.
Jika kondisi itu terpenuhi, tensor network dapat melacak dinamika sistem dengan jauh lebih sedikit parameter dibandingkan simulasi brute‑force.
Dalam penelitian Flatiron, kombinasi tensor network dan belief propagation membuat simulasi cukup efisien sehingga sebagian kasus dapat dijalankan pada komputer pribadi biasa, bukan hanya superkomputer besar.
Hasil ini tidak berarti komputer kuantum tidak memiliki keunggulan. Namun, penelitian tersebut menyoroti kenyataan penting dalam bidang ini: standar pembuktiannya terus bergerak.
Klaim quantum advantage biasanya membandingkan perangkat kuantum dengan algoritma klasik terbaik yang diketahui pada saat itu. Masalahnya, metode klasik—termasuk tensor network, Monte Carlo, dan teknik aproksimasi lainnya—terus berkembang dengan cepat.
Akibatnya, tugas yang tampak mustahil bagi komputer klasik hari ini bisa saja menjadi mungkin besok jika ada algoritma baru yang lebih efisien. Studi Flatiron menunjukkan bahwa hambatan sebelumnya bukanlah batas fundamental komputasi, melainkan keterbatasan metode klasik yang digunakan sebagai pembanding.
Karena itu, standar untuk membuktikan quantum advantage kini semakin ketat. Para peneliti semakin mencari masalah yang:
Episode ini mencerminkan pola yang lebih luas dalam ilmu komputasi: kemajuan tidak hanya datang dari perangkat keras baru, tetapi juga dari algoritma yang lebih cerdas.
Komputer kuantum terus berkembang, tetapi algoritma klasik juga bergerak cepat. Untuk saat ini, keduanya masih berada dalam perlombaan yang sama—dan setiap klaim keunggulan kuantum harus siap diuji oleh terobosan algoritma klasik berikutnya.
Comments
0 comments