Peningkatan Performa Kecerdasan Buatan Melalui Algoritma Kuantum

Perkembangan ilmu pengetahuan dan teknologi tidak akan ada habisnya dan akan semakin cepat tumbuh seiring dengan semakin berkembang teknologi pendukungnya. Salah satu dari sekian banyak teknologi yang semakin berkembang tersebut adalah kecerdasan buatan (Artificial Intelligence) atau dapat disingkat menjadi AI saja. Kecerdasan buatan cukup menjadi sorotan utama dalam dunia penelitian tentang bagaimana sebuah program komputer yang mampu belajar dan mengambil keputusan seperti manusia.

Gambar 1. Ilustrasi dari struktur AI yang menyerupai jaringan saraf otak manusia

Pada tulisan kali ini, penulis akan mereview sebuah paper yang membahas tentang bagaimana sebuah algoritma kuantum dapat mempercepat proses kalkulasi pada kecerdasan buatan. Paper tersebut, terbit di Jurnal Physical Review Letters pada 31 Januari 2018, dengan judulQuantum Linear System Algorithm for Dense Matrices” yang ditulis oleh Leonard Wossnig (ETH Zurich, Switzerland dan Universitas Oxford, Inggris), Zhikuan Zhao (Universitas Teknologi dan Desain, Singapura), dan Anupam Prakash (Universitas Teknologi Nasional, Singapura)Dalam paper yang mereka tulis menyatakan bahwa sebuah algoritma sistem linier kuantum (Quantum linear system algorithm) dapat mempercepat proses kalkulasi data pelatihan AI hingga milyaran kali lebih cepat dari pada algoritma klasik[1][2]. 

Dalam kecerdasan buatan ada yang namanya proses pembelajaran atau pelatihan dengan diinputkan sejumlah data yang berupa matriks. Proses belajar tersebut, sama halnya dengan manusia, sebelum manusia mampu mengetahui atau melakukan suatu hal, haruslah melalui tahap belajar terlebih dahulu. Proses belajar ini sangat penting bagi AI, karena sangat menentukan seberapa akurat dalam memprediksi hingga mampu mengambil sebuah keputusan secara akurat dimasa depan. Semakin akurat sebuah AI mampu memprediksi sebuah masalah, semakin besar pula jumlah matriks yang harus diinputkan pada saat pelatihan. Hal ini, sama halnya dengan manusia, apabila ingin menjadi pintar dan berpengetahuan banyak, haruslah banyak belajar terlebih dahulu.

Gambar 2. Processor Kuantum

Seiring dengan semakin besarnya input data pelatihan pada kecerdasan buatan, akan menimbulkan masalah baru yaitu semakin lamanya proses kalkulasi pada algoritma komputer klasik. Kita tahu bahwa semakin banyak AI belajar dengan menganalisis banyak data, semakin cerdas pula dalam mengambil sebuah keputusan. Hanya saja data belajar yang banyak ini harus dikonversikan kedalam sebuah matriks yang besar. Semakin banyak jumlah elemen yang dilimiliki matriks, semakin meningkat pula langkah kalkulasi pada komputer, karena setiap kali penggandaan jumlah elemen matriks dapat memperpanjang proses kalkulasi hingga 8x lipat[4]. Misalnya kita mempunyai data matriks 10.000 x 10.000, jika menggunakan algoritma pada komputer klasik, data ini perlu dikalkulasi sekitar 1 trilyun langkah, sedangkan jika menggunakan algoritma sistem linier kuantum hanya membutuhkan sekitar 100 langkah kalkulasi saja[1][3]

Kecepatan dalam kalkulasi pelatihan data matriks yang besar untuk kecerdasan buatan menjadi sangat penting, mengingat kita membutuhkan waktu yang cepat dan dengan sumber daya yang efisien. Komputer kuantum menjadi solusi terpenting untuk proses ini. Dimana sistem kuantum bekerja dengan mengadopsi bagaimana alam bekerja. Dalam sistem kauntum ini dikenal dengan istilah superposisi atau dualisme, yang mana maksudnya adalah sistem yang dapat bekerja 2 keadaan sekaligus. Misalnya pada komputer klasik bekerja secara biner (keadaan 0 dan 1 saja), sedangkan pada komputer kuantum dapat bekerja pada 3 keadaan (0, 1, dan superposisi)[5][6].

Gambar 3. Sistem bit (0 dan 1) dengan sistem qubit (quantum bit)

Proses pada komputer klasik ini dikenal dengan sistem binari atau dikenal keadaan 0 (OFF) dan keadaan 1 (ON). Pada kondisi ini hanya ada 2 pilihan yaitu hidup atau mati, dan cara kerja seperti ini dapat menggunakan teknologi gerbang-gerbang logika, misalnya transistor. Proses untuk mengaktifkan transistor menjadi 0 dan 1 inilah yang memakan waktu cukup lama pada proses komputer klasik. Walaupun saat ini ukuran transistor pada processor komputer telah mencapai 7 nm (nano meter)[7], tetapi proses pergantian dari 0 ke 1 atau 1 ke 0 masih cukup lama. Berbeda dengan komputer kuantum yang bekerja pada sifat superposisi, dengan sifat superposisi ini tidak perlu harus berubah dari keadaan 0 ke 1 atau sebaliknya. Sifat superposisi pada komputer kuantum inilah yang akan dipakai untuk mempercepat proses kalkulasi pada matriks besar dengan sangat cepat itu[6].

Proses-proses penerapan AI dalam bidang kecerdasan buatan ini nantinya akan diterapkan pada AI berbasis pembelajaran mesin (Machine Learning) yang bertugas untuk menganalisis dan mempelajari sejumlah besar data. Penelitian secara eksperimen untuk penerapan AI berbasis pembelajaran mesin pada komputer kuantum pun sudah dilakukan sebulan lalu. Papernya terbit pada 11 Juni 2018 di jurnal yang sama yaitu di Physical Review Letters, berjudul “Experimental Machine Learning of Quantum States“, yang ditulis oleh sekelompok Ilmuwan dari Cina yaitu Jun Gao et al. Dalam paper tersebut menyatakan bahwa mereka berhasil melakukan eksperimental dalam menerapkan pelatihan AI untuk belajar dan mampu mengklasifikasikan dalam keadaan kuantum secara efisien. Hasil ini akan benar-benar membawa kita semakin dekat pada kenyataan untuk penerapan AI berbasis komputer kuantum[8].

Keakuratan yang dimiliki sebuah AI dalam mengambil sebuah keputusan dimasa depan akan menjadi sangat penting dalam upaya memecahkan permasalahan kompleks yang tidak dapat dipecahkan manusia. Semakin kompleks masalah yang dihadapi oleh menusia harus segera bisa dipecahkan dengan cepat dan akurat. Beberapa masalah penting yang akan dipecahkan oleh AI dimasa depan adalah harga-harga komoditas dipasaran, iklim, kelaparan, jejaring sosial, struktur kimia, dan tentunya obat-obat yang mampu membuat manusia bisa hidup lebih baik lagi[1].

 

Referensi:

  1. Barnett, Taylor Donovan. 2018. “Quantum Algorithm Will Push AI ‘Thinking’ to New Heights“. Interesting Engineering, 6 Februari 2018 (https://interestingengineering.com/quantum-algorithm-will-push-ai-thinking-to-new-heights?utm_medium=ppc&utm_source=onesignal&utm_campaign=onesignalpush) diakses pada tanggal 19 Juli 2018
  2. Wossnig, Leonard. 2018. “Quantum Linear System Algorithm for Dense Matrices“. Physical Review Letters 120, 050502 (2018), 31 Januari 2018, DOI: 10.1103/PhysRevLett.120.050502 (paper)
  3. Zhao, Zhikuan. 2018. “Quantum algorithm could help AI think faster“. EurekAlert!, 2 Februari 2018 (https://www.eurekalert.org/pub_releases/2018-02/cfqt-qac020218.php) diakses pada tanggal 19 Juli 2018
  4. _______________. 2018. “Quantum algorithm could help AI think faster“. Health Medicine Network, 2 Februari 2018 (http://healthmedicinet.com/i2/quantum-algorithm-could-help-ai-think-faster/) diakses pada tanggal 19 Juli 2018
  5. Siddiq, Nur Abdillah. 2017. “Menanti Detik-detik Lahirnya “Komputer Kuantum”“. Warstek, 17 Juli 2017 (https://warstek.com/2017/07/17/komputerkuantum/) diakses pada tanggal 19 Juli 2018
  6. Dadang, Wayan. 2017. “Peluncuran Preview Quantum Development Kit Sebagai Langkah Awal Memasuki Era Komputer Kuantum“. Warstek, 31 Desember 2017 (https://warstek.com/2017/12/31/quantumdevelopmentkit/) diakses pada tanggal 19 Juli 2018
  7. Wikipedia Inggris, “7 nanometer” (https://en.wikipedia.org/wiki/7_nanometer) diakses pada tanggal 19 Juli 2018
  8. Gao, Jun. 2018. “Experimental Machine Learning of Quantum States”. Physical Review Letters 120, 240501 (2018), 11 Juni 2018, DOI: 10.1103/PhysRevLett.120.240501
Artikel Berhubungan:

Sponsor Warstek.com:
Wayan Dadang

Wayan Dadang

Mahasiswa S1 Teknik Elektro Universitas Sriwijaya, menekuni Kecerdasan Buatan, Sistem Kontrol, dan Robotika. Mencintai kegiatan membaca Paper Sains, Belajar, Menulis, dan Riset.

Yuk Ajukan Pertanyaaan atau Komentar