NVIDIA baru-baru ini meluncurkan model sumber terbuka berbasis model Ising klasik untuk mengatasi tantangan koreksi kesalahan kuantum pada sistem kecerdasan buatan.
Berbeda dengan metode konvensional yang mengandalkan kode permukaan atau kode kuantum topologis, model ini memanfaatkan energi dari konfigurasi spin untuk memodelkan dan memperbaiki gangguan (noise) yang muncul selama pelatihan jaringan saraf skala besar.
Menurut sumber resmi, pendekatan ini mampu memangkas biaya komputasi untuk koreksi sebesar 30 hingga 40 persen dibandingkan dengan solusi heuristik sebelumnya.
Secara teknis, model Ising di sini diterapkan sebagai struktur graf, di mana setiap simpul mewakili bit kuantum atau parameter jaringan saraf, sementara interaksi di antaranya dideskripsikan melalui Hamiltonian.
Proses pelatihannya difokuskan pada minimalisasi energi sistem saat terjadi gangguan, yang menyerupai proses annealing. NVIDIA telah menyediakan bobot terbuka dan kode untuk mereplikasi eksperimen pada GPU, meskipun mereka tidak merinci detail pembuatan data noise sintetis yang digunakan untuk validasi.
Metodologi ini memicu sejumlah pertanyaan mengenai portabilitas hasilnya. Pengujian sejauh ini masih didominasi pada simulasi sirkuit kuantum berukuran kecil, bukan pada perangkat keras kuantum yang sebenarnya. Hal ini menyisakan pertanyaan tentang seberapa efektif model tersebut dalam menangani kesalahan terkorelasi yang menjadi ciri khas prosesor kuantum modern.
Dibandingkan dengan penelitian Google Quantum AI tahun 2023 yang menggunakan kode permukaan dengan ambang batas kesalahan sekitar 1 persen, pendekatan NVIDIA bertumpu pada optimasi hibrida klasik-kuantum, yang berpotensi lebih menguntungkan saat diskalakan hingga ribuan qubit.
Dalam lanskap riset, perkembangan ini mendekatkan komunitas komputasi kuantum dengan pembelajaran mesin skala besar. Sebelumnya, ide serupa pernah dikemukakan dalam studi pembelajaran mesin kuantum oleh Xanadu dan Rigetti, namun NVIDIA menjadi yang pertama dalam menyediakan bobot dan alat yang sepenuhnya terbuka untuk integrasi ke dalam kerangka kerja seperti PyTorch.
Langkah ini diprediksi akan mempercepat eksperimen oleh kelompok riset independen dan mengubah prioritas dalam pengembangan algoritma kuantum yang toleran terhadap kesalahan (fault-tolerant) untuk AI.
Bagi industri, ini berarti tugas koreksi kesalahan kini tidak hanya terbatas pada perangkat keras kuantum khusus, tetapi juga dapat diselesaikan pada akselerator klasik menggunakan metode fisika statistik yang telah teruji. Di saat yang sama, masih belum jelas bagaimana performa model ini menghadapi gangguan kuantum nyata tanpa adanya kalibrasi tambahan.
Penelitian selanjutnya kemungkinan besar akan menguji portabilitas pada perangkat kuantum riil dan membandingkan efisiensi energinya dengan dekoder tradisional.
Pada akhirnya, keterbukaan model Ising dari NVIDIA ini menetapkan standar baru untuk reproduktifitas di bidang AI tahan-kuantum dan membuka jalan menuju arsitektur hibrida yang lebih efisien.
