SoftBank dan Quantinuum White Paper Memetakan Jalur Praktis Menuju Komputasi Kuantum Komersial

Sebuah white paper baru dari SoftBank dan Quantinuum, Quantum Computing Frontiers, berusaha menjawab salah satu pertanyaan paling penting dan persisten di industri ini: kapan komputer kuantum akan menjadi berguna untuk pekerjaan yang relevan secara komersial? Daripada menganggap “keunggulan kuantum” sebagai satu momen terobosan, studi 65 halaman ini memetakan beban kerja spesifik melawan generasi suksesi perangkat keras Quantinuum. Analisisnya berfokus pada dua area yang sudah diteliti oleh SoftBank: kimia kuantum untuk aplikasi bahan dan energi, dan analisis data topologi untuk masalah berbasis grafik seperti deteksi penipuan telekomunikasi. Hasilnya adalah kerangka kerja bertahap yang menunjukkan bagaimana beban kerja yang berguna dapat berkembang seiring dengan perbaikan kualitas qubit, koreksi kesalahan, dan skala sistem.

Melampaui Jumlah Qubit

Peta jalan komputasi kuantum biasanya disajikan melalui metrik perangkat keras seperti qubit fisik, keandalan gerbang atau volume kuantum. Indikator ini penting, tetapi tidak selalu memberitahu produsen, perusahaan farmasi, atau operator telekomunikasi apa yang dapat dilakukan mesin tersebut.

SoftBank dan Quantinuum mengambil pendekatan yang lebih berfokus pada aplikasi. Makalah ini dimulai dengan masalah industri yang representatif, memperkirakan qubit logis, jumlah gerbang, kedalaman sirkuit, dan tingkat kesalahan yang diperlukan untuk menanganinya, dan kemudian membandingkan tuntutan tersebut dengan generasi perangkat keras Quantinuum yang direncanakan.

Metodologi ini termasuk konstruksi sirkuit eksplisit dan, jika memungkinkan, eksekusi pada perangkat keras yang ada atau emulator. Ini dimaksudkan untuk mempersempit kesenjangan antara algoritma yang menjanjikan secara teoretis dan program yang dapat diimplementasikan di bawah kendala yang realistis.

Argumen sentral makalah ini adalah bahwa kemampuan kuantum akan berkembang sebagai amplop yang berkembang. Demonstrasi kecil menjadi beban kerja pilot, pilot berkembang menjadi perhitungan yang relevan dengan aplikasi, dan beberapa perhitungan tersebut akhirnya menjadi layanan industri yang terintegrasi. Kegunaan komersial diharapkan tiba pada waktu yang berbeda untuk masalah yang berbeda, bukan muncul di mana-mana setelah ambang qubit tertentu dilintasi.

Kimia Kuantum Tetap Menjadi Target yang Berharga

Kimia kuantum secara luas dianggap sebagai salah satu aplikasi alami untuk komputasi kuantum karena perilaku molekul itu sendiri diperintahkan oleh mekanika kuantum. Ketika sistem molekul menjadi lebih kompleks, memodelkan struktur elektronik mereka dengan akurat dapat menjadi sangat menantang bagi komputer klasik.

Makalah ini berfokus pada keadaan terangsang dan reaksi foto kimia. Fenomena ini mempengaruhi bagaimana molekul menyerap cahaya, mengubah bentuk, mengirim energi, dan memburuk seiring waktu. Kemampuan yang lebih baik untuk memodelkan mereka dapat mendukung desain bahan yang responsif terhadap cahaya, sakelar molekul, teknologi energi, jendela pintar, tampilan realitas tambahan, peralatan jaringan optik, dan produk lainnya.

Peralatan switching optik menyediakan contoh utama makalah ini. Efektivitasnya bergantung pada transisi elektronik yang menentukan apakah energi yang diserap menghasilkan perubahan molekul yang diinginkan atau hilang melalui reaksi yang tidak diinginkan. Metode klasik dapat bergelut ketika beberapa keadaan elektronik berinteraksi erat atau ketika peneliti perlu memodelkan lingkungan kimia yang realistis.

Komputer kuantum akhirnya dapat membantu peneliti mensimulasikan lebih banyak perilaku ini sebelum mensintesis bahan fisik. Sebagai gantinya untuk mengandalkan pekerjaan laboratorium trial-and-error, perusahaan dapat menggunakan simulasi yang lebih berkualitas untuk menyaring kandidat molekul, menolak desain yang lemah lebih awal, dan mengonsentrasikan sumber daya pada bahan yang paling menjanjikan.

Ini adalah tujuan yang secara ekonomi signifikan, tetapi makalah ini tidak menyajikannya sebagai kemampuan produksi jangka pendek. Tahap awal melibatkan bukti konsep molekul kecil, eksperimen sirkuit yang dikoreksi kesalahan, dan simulasi yang terbatas. Pemodelan kimia yang akurat dari sistem besar tetap terikat pada perangkat keras yang jauh lebih maju dan toleran kesalahan.

Koreksi Kesalahan Masih Menjadi Kendala yang Menentukan

Kerja kimia kuantum juga menyediakan pemeriksaan kenyataan yang berguna tentang keadaan teknologi.

Studi ini menggunakan teknik berbasis estimasi fase, termasuk metode untuk mengukur perbedaan antara keadaan energi molekul. Ini mengintegrasikan kode koreksi kesalahan Steane, yang mengkodekan satu qubit logis di seluruh tujuh qubit fisik dan cocok untuk eksperimen toleran kesalahan awal.

Daripada memeriksa apakah koreksi kesalahan memperbaiki satu gerbang atau memperpanjang umur qubit, peneliti mengevaluasi koreksi kesalahan di seluruh sirkuit yang terinspirasi oleh algoritma. Ini adalah tes yang lebih menantang karena kesalahan akumulasi ketika program tumbuh lebih dalam dan memerlukan lebih banyak operasi.

Hasil yang dihasilkan menggunakan lingkungan H2 dan Helios Quantinuum menunjukkan bahwa koreksi kesalahan dapat menjadi bermanfaat pada kedalaman sirkuit yang lebih besar. Namun, implementasi yang dikodekan masih tidak mengungguli sirkuit logis ideal yang tidak dikodekan. Kesalahan memori, waktu idle, overhead pengkodean, dan biaya operasi non-Clifford tetap menjadi hambatan penting.

Perbedaan ini penting. Koreksi kesalahan telah menunjukkan kemajuan pada tingkat komponen, tetapi mengeksekusi algoritma panjang yang relevan dengan aplikasi dengan keunggulan bersih tetap sulit. Studi ini memposisikan eksperimen saat ini sebagai persiapan untuk komputasi toleran kesalahan daripada bukti bahwa kimia kuantum skala besar sudah tiba.

Dari Helios ke Sistem Lumos yang Toleran Kesalahan

Peta jalan ini mengikuti empat generasi perangkat keras Quantinuum: Helios, Sol, Apollo, dan Lumos.

Helios mewakili tahap saat ini. Untuk kimia, makalah ini mengasosiasikannya dengan eksperimen tingkat fisik yang melibatkan sekitar 50 orbital spin, bersama dengan demonstrasi logis yang jauh lebih kecil yang melibatkan sekitar 10 orbital spin. Penggunaan yang diharapkan terutama adalah validasi teknis dan bukti konsep keadaan terangsang molekul kecil.

Sol, yang ditargetkan untuk 2027, disajikan sebagai fase penskalaan awal. Peta jalan ini memperkirakan eksperimen fisik yang lebih besar dan stabilisasi logis awal, tetapi beban kerja kimia logis tetap kecil. Relevansi komersial potensial berpusat pada aplikasi keadaan terangsang yang terbatas dan gain efisiensi penelitian untuk perusahaan farmasi dan bahan.

Apollo, yang ditargetkan untuk 2029, menandai transisi yang lebih signifikan. Di bawah asumsi makalah ini, perhitungan logis bisa berkembang menuju sekitar 100 orbital spin, mendukung pemodelan bahan skala menengah dan perhitungan keadaan terangsang yang lebih bermakna. Ini adalah tahap di mana peta jalan mulai menghubungkan teknologi dengan pengurangan biaya penelitian dan pengembangan yang dapat diukur.

Lumos, yang direncanakan sebagai sistem toleran kesalahan skala besar untuk 2030-an, mewakili tahap yang paling ambisius. Makalah ini mengasosiasikannya dengan lebih dari 100 orbital spin logis, akurasi kimia, dan alur kerja penemuan bahan yang dapat diskalakan.

Tahap-tahap ini bukanlah komitmen bahwa aplikasi tertentu akan tersedia secara komersial pada tanggal-tanggal tersebut. Penulis menjelaskan peta jalan sebagai amplop yang didorong oleh asumsi dan tunduk pada ketidakpastian yang melibatkan laju kesalahan fisik, overhead pengkodean logis, sintesis gerbang, dan kinerja perangkat keras yang diwujudkan.

Deteksi Penipuan Mungkin Menawarkan Jalur Komersial yang Lebih Awal

Domain kedua makalah ini, analisis data topologi, bisa mengikuti jalur yang lebih singkat menuju penggunaan komersial.

Analisis data topologi mempelajari struktur atau “bentuk” dari dataset kompleks. Dalam lingkungan berbasis grafik, dapat mengidentifikasi pola yang melibatkan koneksi, loop, klaster, dan hubungan berdimensi tinggi yang mungkin sulit dideteksi melalui statistik konvensional.

SoftBank dan Quantinuum memeriksa apakah teknik-teknik ini bisa memperbaiki deteksi penipuan telekomunikasi. Panggilan, pesan, hubungan akun, dan transfer keuangan dapat direpresentasikan sebagai jaringan, dengan jaringan saraf grafik digunakan untuk mengidentifikasi node atau aktivitas yang mencurigakan.

Penipu, bagaimanapun, secara sengaja berusaha untuk menyerupai pengguna biasa. Mereka mungkin mendistribusikan aktivitas di seluruh akun, menggunakan jalur transfer tidak langsung, atau membagi fungsi pengumpulan, relai, dan pengambilan uang di antara beberapa peserta. Taktik tersebut dapat menghindari sistem yang berfokus terutama pada indikator lokal seperti jumlah koneksi yang terkait dengan akun.

Peneliti menambahkan fitur yang dikenal sebagai momen Laplace ke jaringan saraf grafik. Fitur-fitur ini dirancang untuk menangkap informasi struktural antara statistik lokal dan pengukuran topologi global. Pada benchmark penipuan telekomunikasi, menambahkan momen Laplace menghasilkan perbaikan yang modest di seluruh pengingatan, skor F1, dan metrik klasifikasi lainnya. Perbaikan pengingatan itu secara statistik bermakna di seluruh jalur uji studi.

Makalah ini menerjemahkan perbaikan itu ke dalam skenario ekonomi ilustratif. Ini mengutip perkiraan kerugian penipuan telekomunikasi global sebesar $38,95 miliar pada 2023 dan mengevaluasi subset kerugian sebesar $10 miliar. Pada presisi tetap 0,9, perbaikan pengingatan yang diukur akan sesuai dengan sekitar $220 juta dalam kerugian tahunan yang berpotensi berkurang.

Angka itu tidak boleh diinterpretasikan sebagai ramalan. Ini mengasumsikan bahwa perbaikan model yang diamati pada dataset benchmark akan diterjemahkan secara proporsional ke dalam kerugian dunia nyata yang dicegah. Penerapan operasional juga akan melibatkan kualitas data, integrasi, positif palsu, taktik penipuan yang berubah, dan proses investigasi manusia.

Lebih penting lagi, eksperimen tersebut tidak mendemonstrasikan keunggulan kuantum. Datasetnya cukup jarang sehingga fitur yang relevan dapat dihitung secara klasik dan mengandung terlalu sedikit struktur tingkat tinggi untuk menguji bentuk yang paling menantang secara komputasi dari teknik tersebut.

Hasilnya tetap relevan karena pendekatan analitis yang sama dapat berguna hari ini menggunakan komputasi kinerja tinggi klasik, sementara memperluas diri ke eksekusi kuantum jika ukuran grafik atau kompleksitas struktural di masa depan melampaui batas klasik.

Peta Jalan untuk Infrastruktur Kuantum dan AI Hibrida

SoftBank dan Quantinuum menempatkan kedua area aplikasi dalam visi yang lebih luas dari “pusat data kuantum AI.” Dalam model ini, unit pemrosesan kuantum tidak akan menggantikan unit pemrosesan grafis, unit pemrosesan sentral, atau superkomputer. Mereka akan beroperasi sebagai akselerator khusus dalam infrastruktur hibrida.

Sistem klasik akan terus menangani persiapan data, pembelajaran mesin, orkestrasi, dan pengolahan pasca. Pengolah kuantum akan ditugaskan untuk bagian-bagian tertentu dari alur kerja di mana algoritma kuantum menyediakan keuntungan komputasi yang bermakna.

Untuk deteksi penipuan, ini bisa melibatkan pengolah kuantum yang menghasilkan fitur struktural yang sulit sebelum fitur-fitur tersebut diteruskan ke jaringan saraf grafik yang berjalan pada infrastruktur AI konvensional. Dalam penelitian bahan, komputer kuantum bisa melakukan perhitungan struktur elektronik yang dipilih sementara sistem komputasi kinerja tinggi klasik mengelola pipa simulasi dan optimasi yang lebih luas.

Arsitektur hibrida ini juga lebih realistis secara komersial daripada mengharapkan perusahaan untuk menggantikan lingkungan komputasi yang mapan. Ini memungkinkan organisasi untuk mengintegrasikan kemampuan kuantum secara bertahap melalui layanan cloud, akselerator pusat data, dan alur kerja aplikasi khusus.

SoftBank dan Quantinuum telah meneliti model bisnis komputasi kuantum potensial sejak mengumumkan kemitraan mereka pada 2025. Makalah ini dimaksudkan untuk meminformasikan pekerjaan itu, termasuk pengembangan infrastruktur dan layanan kuantum-AI di masa depan.

Perusahaan Tidak Perlu Menunggu Lumos

Salah satu kesimpulan makalah ini yang paling praktis adalah bahwa perusahaan tidak perlu menunggu sistem yang sepenuhnya toleran kesalahan sebelum memulai penelitian aplikasi.

Membangun alur kerja kuantum yang berguna secara komersial memerlukan lebih dari sekadar akses ke perangkat keras. Organisasi memerlukan dataset yang sesuai, keahlian domain, masalah benchmark, baseline klasik, algoritma khusus, dan integrasi dengan sistem AI dan komputasi kinerja tinggi yang ada. Mengembangkan kemampuan tersebut dapat memakan waktu beberapa tahun.

Eksperimen jangka pendek dapat menciptakan nilai bahkan ketika perangkat keras kuantum belum mengungguli alternatif klasik. Perusahaan dapat mengidentifikasi masalah internal yang sesuai, menghitung kebutuhan sumber daya, mengembangkan alur kerja hibrida, dan membangun pengukuran yang akhirnya akan menentukan apakah eksekusi kuantum menyediakan keunggulan.

Contoh deteksi penipuan ilustrasi strategi ini dengan baik. SoftBank dapat menjelajahi fitur grafik yang ditingkatkan melalui komputasi klasik hari ini, sementara secara bersamaan mempelajari apakah versi tingkat tinggi dari fitur-fitur tersebut mungkin menjadi kandidat untuk percepatan kuantum di masa depan.

Bagi pemimpin perusahaan, pendekatan ini menggantikan instruksi yang samar untuk “siap kuantum” dengan pertanyaan yang lebih berguna: beban kerja apa yang bisa mendapat manfaat, perangkat keras apa yang akan mereka butuhkan, dan apa persiapan yang bisa dimulai sebelum perangkat keras itu tiba?

Akhirnya, makalah putih SoftBank dan Quantinuum paling berharga bukan karena mengklaim mengetahui tanggal pasti keunggulan kuantum komersial, tetapi karena menolak untuk mengobati keunggulan itu sebagai satu peristiwa. Dengan menghubungkan beban kerja konkrit ke Helios, Sol, Apollo, dan Lumos, makalah putih ini menyajikan adopsi kuantum sebagai proses validasi teknis, pengembangan alur kerja, dan relevansi ekonomi yang berkembang. Garis waktunya tetap tidak pasti, tetapi kerangka kerja aplikasi-pertama menawarkan cara yang lebih kredibel bagi organisasi untuk memutuskan kapan, di mana, dan mengapa komputasi kuantum mungkin menjadi layak digunakan.