Google Quantum AI telah mendemonstrasikan solusi perangkat keras untuk salah satu masalah sumber daya komputasi kuantum yang paling sulit diatasi. Dalam sebuah makalah yang diterbitkan pada tanggal 15 Oktober di jurnal Science, tim di balik prosesor Willow Google melaporkan bahwa "pengolahan kondisi ajaib" - sebuah teknik yang pertama kali diusulkan dalam teori dua tahun lalu - berhasil dalam praktiknya, mengurangi kesalahan sekitar 40 kali lipat dibandingkan dengan kondisi yang tidak diolah dan menghasilkan kondisi T dengan rekor fidelitas logis sebesar 99,99%.

Hasilnya, yang diumumkan di blog resmi Google oleh ilmuwan riset Emma Rosenfeld dan insinyur perangkat lunak kuantum Craig Gidney, menandai demonstrasi eksperimental pertama bahwa keadaan ajaib dapat diproduksi secara efisien pada perangkat keras kuantum nyata. Hal ini mengatasi hambatan yang telah diatasi oleh para insinyur sejak para peneliti pertama kali mengidentifikasinya lebih dari dua dekade lalu. Untuk informasi lebih lanjut mengenai terobosan di bidang komputasi, lihat liputan penelitian AI.

Mengapa Keadaan Ajaib Penting

Komputasi kuantum universal – jenis yang dapat menjalankan program yang benar-benar berguna – memerlukan serangkaian operasi kuantum spesifik yang melampaui apa yang dapat dilakukan oleh qubit yang dikoreksi kesalahan. Solusi standarnya adalah menyiapkan status sumber daya khusus, yang dikenal sebagai status ajaib, yang memungkinkan operasi tersebut. Masalahnya adalah biaya: beberapa perkiraan menunjukkan bahwa hingga 95% dari seluruh kapasitas komputer kuantum perlu didedikasikan untuk pembuatannya, sehingga hanya menyisakan sedikit ruang untuk komputasi sebenarnya. Status ajaib juga dapat dikonsumsi — setelah digunakan, status tersebut tidak dapat digunakan kembali — sehingga menjadikannya sebagai input yang langka dan mahal untuk mesin skala besar mana pun.

Pada tahun 2024, peneliti Google Quantum AI Craig Gidney, Noah Shutty, dan Cody Jones mengembangkan pendekatan budidaya dalam makalah teori. Idenya bekerja seperti filter: keadaan bising disuntikkan ke wilayah kecil chip kuantum, kemudian serangkaian pengukuran yang sangat terkoordinasi memeriksa kesalahan dan membuang upaya yang salah. Apa yang bertahan dalam proses ini adalah keadaan kuantum yang sangat murni dan memiliki kesalahan rendah yang secara bersamaan dapat diadaptasi menjadi pengkodean yang lebih besar dan berguna. Jika berhasil pada perangkat keras, maka ukuran komputer kuantum yang diperlukan untuk tugas-tugas praktis akan menyusut secara signifikan.

Dari Teori ke Perangkat Keras

Membuat protokol berfungsi di Willow memerlukan serangkaian inovasi teknik. Satu episode menggambarkan kesulitannya. Ketika ilmuwan riset Emma Rosenfeld pertama kali menguji protokol budidaya, datanya tampaknya bertentangan dengan hukum fisika. Setelah berbulan-bulan melakukan simulasi, diskusi, dan pemeriksaan konsistensi, tim menelusuri anomali tersebut hingga ke asumsi yang salah dalam teknik pengukuran mereka: penyimpangan peralatan listrik dan variasi suhu di laboratorium mengganggu validitas tolok ukur.

Perbaikan tersebut memerlukan perubahan baik dari sisi teoretis maupun teknis. Tim tersebut menambahkan kontrol ekstra pada sistem untuk menekan kebisingan, dan menemukan teknik benchmarking baru yang menggunakan budidaya itu sendiri sebagai alat pengukuran – sebuah solusi yang menurut perusahaan menciptakan sebuah terobosan baru dalam metrologi kuantum. Di Willow, protokol yang disempurnakan mencapai pengurangan kesalahan sekitar 40 kali lipat dibandingkan dengan status yang tidak diolah, dengan status T mencapai fidelitas logis 99,99%.

Kompatibilitas Dengan Peta Jalan Koreksi Kesalahan Google

Tim juga mengambil langkah pertama untuk menunjukkan bahwa teknik ini sesuai dengan arsitektur toleransi kesalahan Google yang lebih luas. Koreksi kesalahan kuantum hadir dalam berbagai bentuk: "kode warna", jenis baru yang ideal untuk budidaya, dan "kode permukaan", metode yang lebih mapan yang mendasari peta jalan jangka panjang Google. Para peneliti mendemonstrasikan protokol pencangkokan – yang awalnya dikembangkan dalam makalah teori tahun 2024 – yang beralih di antara keduanya, mentransfer keadaan yang dimurnikan dari kode warna jarak-3 ke kode permukaan jarak-5. Negara-negara bagian tersebut selamat dari transfer ini, bukti bahwa budidaya dapat hidup berdampingan dengan skema koreksi kesalahan yang direncanakan Google untuk ditingkatkan.

Yang Masih Belum Terpecahkan

Google berhati-hati dengan peringatan ini. Budidaya negara sihir telah dibuktikan dalam skala kecil; menunjukkannya pada skala yang diperlukan untuk komputasi kuantum praktis masih merupakan pekerjaan di masa depan, dan tantangan teknis yang signifikan menghalangi hasil saat ini dan mesin yang berguna secara komersial. Perusahaan membingkai hasilnya sebagai mengubah "ide teoritis utama menjadi kenyataan yang ditunjukkan secara eksperimental" dalam perjalanan menuju tujuan yang dinyatakannya yaitu komputer kuantum yang berguna dan dapat diperbaiki dari kesalahan.

Arti praktisnya adalah mengenai anggaran sumber daya. Jika keadaan ajaib berkualitas tinggi dapat dikembangkan dengan biaya murah dan bukan diproduksi melalui overhead yang dominan, persyaratan perangkat keras untuk menjalankan algoritma seperti rutinitas pemfaktoran Shor atau simulasi kimia kuantum kompleks akan menyusut. Pengurangan kesalahan 40 kali lipat pada tahap keadaan ajaib terjadi di setiap operasi yang dilakukan mesin.

Gambaran Yang Lebih Besar

Hasil ini dicapai di tengah semakin ketatnya persaingan dalam perangkat keras kuantum, dengan IBM, Quantinuum, dan kelompok akademis yang semuanya mengejar mesin yang dapat memperbaiki kesalahan, dan pengembangan AI di industri teknologi yang lebih luas menjadi berita utama dan modal utama. Kemajuan kuantum lebih lambat dan kurang dapat diprediksi, namun pencapaian seperti ini – hambatan teoritis selama dua dekade yang berhasil diselesaikan pada perangkat keras produksi, diterbitkan dengan angka fidelitas yang dapat direproduksi dalam jurnal yang ditinjau oleh rekan sejawat – adalah jenis langkah gabungan yang secara diam-diam mengatur ulang garis waktu.

Bagi para pengamat AI, terdapat juga relevansi tangensial: sebagian besar peralatan algoritmik dan sistem kontrol di laboratorium kuantum modern semakin bergantung pada pembelajaran mesin untuk kalibrasi dan penguraian kesalahan, sebuah contoh kecil namun terus berkembang dari AI yang mempercepat bidang ilmiah yang berdekatan.

---

Tetap Terdepan dalam AI

Dapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.

Baca berita AI selengkapnya →