Mengenal VQE, Algoritma Kuantum Andalan Peneliti Dunia

Komputasi kuantum tengah bergerak cepat menuju era baru yang menjanjikan lompatan besar dalam kecepatan dan kemampuan pemrosesan informasi. Walaupun teknologi ini belum mencapai tahap komputer kuantum ideal yang benar‐benar stabil dan bebas kesalahan, riset terus berkembang. Di antara berbagai algoritma yang dirancang untuk perangkat kuantum modern, Variational Quantum Eigensolver (VQE) menjadi salah satu fondasi paling penting. Algoritma ini bukan hanya membantu peneliti memaksimalkan kemampuan komputer kuantum generasi saat ini, tetapi juga membuka jalan bagi terciptanya algoritma kuantum yang lebih canggih di masa depan.

Artikel ini mengulas VQE mulai dari definisi, cara kerja, alasan mengapa algoritma ini begitu penting, hingga keunggulan utamanya dalam dunia komputasi kuantum.

 
Mengenal VQE: Algoritma Hibrida Klasik–Kuantum

Secara sederhana, Variational Quantum Eigensolver (VQE) adalah algoritma hibrida yang memadukan kekuatan komputer klasik dan komputer kuantum. Algoritma ini dirancang khusus untuk digunakan pada perangkat kuantum NISQ (Noisy Intermediate-Scale Quantum), yaitu generasi komputer kuantum saat ini yang masih rentan terhadap gangguan (noise) dan belum mampu bekerja dengan stabil dalam waktu lama.

Tujuan utama VQE adalah mencari nilai minimum dari suatu fungsi atau perhitungan tertentu. Aplikasi terbesarnya saat ini berada di bidang kimia kuantum, terutama dalam menghitung energi keadaan dasar molekul—informasi penting yang sangat sulit dan mahal dihitung menggunakan algoritma klasik. Namun, seiring berkembangnya penelitian, VQE juga mulai diadaptasi untuk menyelesaikan masalah optimasi dan machine learning.

VQE sebagai Permainan Tebak-Tebakan

Salah satu cara paling mudah membayangkan cara kerja VQE adalah dengan membandingkannya dengan permainan menebak angka. Bayangkan seseorang menyimpan sebuah angka rahasia. Kita menebak angka tersebut—awalannya tentu hanya tebakan acak. Jika tebakan kita salah, orang itu akan memberi petunjuk “lebih besar” atau “lebih kecil”. Dengan menyesuaikan tebakan berdasarkan petunjuk yang diberikan, kita semakin dekat dengan angka yang benar.

Rangkaian proses VQE dapat dianalogikan seperti permainan menebak angka, di mana setiap tahap memiliki kesetaraan dalam algoritma:

• Menebak angka: Menentukan parameter awal rangkaian kuantum
  Pada awal permainan, tebakan angka dilakukan tanpa tahu apakah benar atau salah. Dalam VQE, hal ini setara dengan memilih parameter awal secara acak untuk rangkaian kuantum sebagai langkah permulaan.
• Petunjuk “lebih tinggi atau lebih rendah”: Evaluasi hasil perhitungan
  Dalam permainan, kita mendapat petunjuk apakah tebakan perlu dinaikkan atau diturunkan. Demikian pula VQE mengevaluasi hasil perhitungan kuantum untuk mengetahui apakah perubahan parameter menghasilkan hasil yang lebih baik atau lebih buruk.
• Menyesuaikan tebakan: Memperbarui parameter dengan algoritma klasik
  Jika petunjuk menunjukkan tebakan salah arah, pemain menyesuaikan tebakan. Pada VQE, pembaruan parameter dilakukan oleh algoritma pembelajaran mesin klasik untuk menyempurnakan rangkaian kuantum.
• Mencapai angka benar: Mencapai nilai minimum target perhitungan
  Permainan berakhir saat tebakan tepat mengenai angka sebenarnya. Analoginya pada VQE adalah saat algoritma berhasil menemukan nilai minimum dari target perhitungan yang sudah ditentukan.

Dengan setiap iterasi, algoritma pembelajaran mesin klasik memperbaiki parameter pada rangkaian kuantum untuk menghasilkan solusi yang lebih baik. Proses ini terus berulang hingga didapatkan hasil minimum yang paling optimal.

 
Peran Penting Ansatz dalam VQE

Walaupun parameter awal dipilih secara acak, bentuk rangkaian kuantum itu sendiri tidak sembarangan. Rangkaian ini disebut ansatz, yaitu rangkaian kuantum berparameter yang menjadi dasar pencarian solusi.

Terdapat dua kategori utama ansatz:

• Problem-specific ansatz
  Rangkaian kuantum dirancang berdasarkan sifat fisik sistem yang ingin dihitung—misalnya struktur kimia suatu molekul. Pendekatan ini populer di bidang kimia kuantum karena memberikan hasil yang lebih akurat dan terarah.
• Hardware-efficient ansatz
  Dirancang berdasarkan keterbatasan perangkat kuantum NISQ. Fokusnya adalah memastikan rangkaian kuantum dapat dijalankan secara efisien dengan kedalaman sirkuit minimal agar tidak kehilangan koherensi terlalu cepat.

Walaupun pemilihan ansatz sangat penting, penelitian sampai saat ini belum menemukan ansatz terbaik untuk semua jenis masalah. Inilah sebabnya riset di bidang ini terus dilakukan, baik untuk menciptakan ansatz khusus per bidang maupun untuk mencari pola ansatz yang lebih fleksibel dan universal.

 
Mengapa VQE Dianggap Sangat Penting dalam Komputasi Kuantum

Salah satu alasan terbesar mengapa VQE menempati posisi sentral adalah karena algoritma alternatif yang lebih kuat, yaitu Quantum Phase Estimation (QPE), belum dapat digunakan pada perangkat kuantum modern.

QPE menawarkan potensi percepatan komputasi secara eksponensial dibanding algoritma klasik. Namun, QPE membutuhkan:

• komputer kuantum berskala besar,
• qubit yang sangat stabil (logical qubits),
• sistem koreksi kesalahan kuantum (quantum error correction),
• rangkaian kuantum sangat dalam dengan banyak operasi berurutan.

Sayangnya, qubit di perangkat NISQ hanya mampu mempertahankan koherensi dalam waktu sangat singkat, sehingga rangkaian QPE tidak dapat diproses hingga akhir.

Di sinilah VQE mengambil peran vital:

Berkat fleksibilitas dan kompatibilitasnya dengan perangkat kuantum modern, VQE berkembang menjadi keluarga algoritma, bukan sekadar satu algoritma tunggal. salah satu variasi yang populer adalah Accelerated VQE (AVQE), yang menggabungkan pendekatan VQE dan QPE untuk meningkatkan kecepatan konvergensi.

 
Komponen Utama dalam Algoritma VQE

Variational Quantum Eigensolver (VQE) bukan sekadar algoritma kuantum yang menjalankan perhitungan di komputer kuantum. Metode ini merupakan sistem hybrid yang bekerja secara terkoordinasi untuk menemukan nilai energi minimum dari suatu sistem. Secara umum, VQE terdiri dari empat komponen utama yang saling mendukung dan bekerja dalam urutan tertentu.

1. Spesifikasi Masalah
   Tahap pertama adalah memahami dan memformulasikan masalah yang ingin diselesaikan. Permasalahan fisika atau kimia komputasi diterjemahkan ke dalam bentuk representasi matematis bernama Hamiltonian, yaitu operator yang menggambarkan keseluruhan energi sistem. Hamiltonian inilah yang menjadi target perhitungan VQE: mencari nilai energi minimum setepat mungkin.

2.  Ansatz (Rangkaian Kuantum Berparameter)
   Selanjutnya, dibangun ansatz, yaitu rangkaian kuantum yang dilengkapi parameter (variabel) yang dapat disesuaikan. Rangkaian ini berfungsi sebagai model kuantum untuk mempresentasikan keadaan sistem. Nilai parameter dalam ansatz akan dioptimalkan melalui proses iteratif sehingga hasil perhitungan energi semakin mendekati nilai minimal.

3.  Algoritma Pembelajaran Mesin Klasik
   Output dari komputer kuantum berupa estimasi energi sistem kemudian diproses komputer klasik. Di tahap ini, algoritma pembelajaran mesin atau optimisasi klasik digunakan untuk menghitung parameter terbaik yang dapat memperkecil energi hasil ansatz. Parameter tersebut kemudian dikirim kembali ke komputer kuantum untuk evaluasi ulang.

4. Pemrosesan Klasik Pasca Perhitungan
   Setelah proses optimasi mencapai hasil terbaik atau konvergen, nilai akhir yang diperoleh diproses sebagai jawaban dari permasalahan awal. Pada tahap ini dapat dilakukan analisis lanjutan, seperti estimasi sifat fisik atau validasi terhadap data eksperimen.

Yang paling menarik dari algoritma VQE adalah interaksi berulang antara komputer kuantum dan komputer klasik. Komponen ansatz (no. 2) dan algoritma optimasi klasik (no. 3) bekerja dalam siklus iteratif: hasil perhitungan kuantum digunakan untuk memperbarui parameter ansatz, lalu dievaluasi kembali. Siklus ini berulang terus hingga sistem mencapai energi minimum.

Komponen Tambahan (Opsional): Quantum Error Mitigation
Perangkat kuantum saat ini masih tergolong Noisy Intermediate-Scale Quantum (NISQ), artinya rawan kesalahan. Untuk meningkatkan akurasi hasil, VQE dapat dilengkapi fitur opsional berupa Quantum Error Mitigation (EM). Metode ini tidak menghilangkan kesalahan secara penuh, tetapi meminimalkan dampaknya, sehingga hasil perhitungan lebih stabil dan konsisten pada setiap iterasi.

 
Kelebihan Utama VQE dalam Era NISQ

Walaupun VQE bukan algoritma sempurna, keunggulan yang dimilikinya menjadikannya sangat relevan pada fase perkembangan komputasi kuantum saat ini.

Berikut sejumlah alasan mengapa VQE begitu menonjol:

1. Bisa dijalankan pada perangkat NISQ yang tersedia saat ini
   Ini adalah kelebihan paling besar. Algoritma lain seperti QPE memerlukan perangkat kuantum ideal, sementara VQE sudah dapat diuji melalui perangkat kuantum nyata.

2. Struktur rangkaian kuantum dangkal
   Karena kedalaman rangkaian relatif kecil, peluang kehilangan koherensi qubit jauh lebih rendah. Kondisi ini memungkinkan hasil perhitungan lebih akurat.

3. Sangat serbaguna
   Walaupun VQE dikembangkan untuk kimia kuantum, banyak masalah lain dapat diformulasikan sebagai Hamiltonian—termasuk optimasi industri, pemodelan finansial, hingga pembelajaran mesin.

4. Pertumbuhan penelitian sangat pesat
   Jika algoritma FTQC (termasuk QPE) baru berkembang melalui riset teoretis, VQE berkembang melalui riset teoritik dan eksperimental sekaligus. Setiap kemajuan dalam VQE memberikan umpan balik penting bagi pengembangan teknologi kuantum.

 
VQE Bukan Solusi Sempurna—Namun Fondasi yang Tidak Tergantikan

Walaupun memiliki banyak kelebihan, para ilmuwan menyadari bahwa VQE saja tidak cukup untuk mencapai utilitas komputasi kuantum berskala besar. Efektivitasnya sangat bergantung pada desain ansatz dan kemampuan pengoptimalan parameter. Untuk masalah yang sangat kompleks, proses konvergensi dapat menjadi lambat dan terkadang tersendat.

Namun, posisi VQE dalam lanskap komputasi kuantum sangat strategis. Ia berfungsi sebagai jembatan antara teknologi kuantum hari ini dan masa depan, memungkinkan kemajuan tetap bergerak meskipun perangkat keras masih terbatas.

Seiring peningkatan stabilitas qubit dan kemampuan mesin kuantum, algoritma VQE dan turunannya diperkirakan akan memegang peran semakin besar dalam berbagai bidang: mulai dari simulasi molekul, penemuan obat, rekayasa material baru, optimasi industri, hingga penerapan kecerdasan buatan kuantum.