Bayangkan melatih jaringan saraf kuantum untuk mengenali angka tulisan tangan. Anda menyetel parameter sirkuit hingga akurasinya stabil. Kemudian Anda menyajikan tugas kedua: mengklasifikasikan gambar pakaian. Model tersebut beradaptasi dengan cepat. Namun, saat Anda mengujinya kembali pada angka, performanya runtuh. Sirkuit tersebut tidak membangun apa yang telah dipelajarinya. Ia justru menggantinya.

Ini adalah catastrophic forgetting, dan ini termasuk salah satu masalah paling sulit dalam pembelajaran mesin. Model klasik terus-menerus bergulat dengan masalah ini. Model kuantum menghadapi versi yang lebih tajam dari dilema yang sama, karena cara kerja internalnya bergantung pada superposisi dan keterikatan (entanglement) yang hancur saat Anda mengamatinya secara langsung. Sebuah pendekatan baru yang menjanjikan yang disebut Quantum Elastic Weight Consolidation, atau QEWC, mengatasi hal ini dengan memperlakukan status kuantum itu sendiri sebagai objek geometris, bukan sekadar sekumpulan hasil pengukuran klasik.

Mengapa Lupa Terjadi Lebih Parah pada Sirkuit Kuantum

Dalam sistem apa pun yang dapat dilatih, pembelajaran terjadi dengan menyesuaikan parameter untuk mengurangi kesalahan. Bahayanya adalah parameter optimal kemarin juga merupakan variabel hari ini. Ketika sebuah model menulis ulang parameter tersebut untuk menyesuaikan dengan tugas baru, ia sering kali menghapus konfigurasi spesifik yang menyandikan pengetahuan sebelumnya. Hasilnya adalah sistem yang tampak belajar secara berkelanjutan, tetapi sebenarnya hanya berputar melalui potongan-potongan kompetensi yang terisolasi.

Pembelajaran mesin kuantum memperparah masalah ini. Pendekatan klasik untuk pelestarian memori biasanya bergantung pada pengamatan terhadap bagaimana model bereaksi terhadap pengukuran. Pada dasarnya, mereka bertanya, "Jika kita menyentuh bagian jaringan ini dan mengamati outputnya, seberapa banyak perubahannya?" Logika tersebut mengasumsikan bahwa Anda dapat mengamati sistem tanpa mengganggunya secara fundamental. Mekanika kuantum tidak memberikan jaminan seperti itu. Pengukuran meruntuhkan superposisi. Tindakan memeriksa parameter mana yang paling penting dapat mengubah status yang justru sedang Anda coba lindungi.

Apa yang Terlewatkan oleh Pembatas Memori Klasik

AI tradisional melindungi data penting dengan menambatkannya pada statistik yang bergantung pada pengukuran. Metode klasik ini melacak kepentingan parameter melalui lensa bagaimana sistem berperilaku di bawah pembacaan (readout) tertentu. Metode ini bekerja cukup baik ketika perangkat keras yang mendasarinya mematuhi aturan klasik. Namun, prosesor kuantum tidak demikian.

Sirkuit kuantum menyandikan informasi dalam vektor status berdimensi tinggi yang geometrinya tersembunyi dari pandangan langsung. Mengandalkan pengukuran proyektif untuk menjaga informasi tersebut ibarat mencoba mempertahankan bentuk gelembung sabun dengan cara menyentuhnya. Anda mendapatkan beberapa data, tetapi gelembung tersebut sudah berubah. Yang dibutuhkan oleh para peneliti adalah cara untuk merasakan kepentingan tanpa harus melihat langsung ke output setiap saat.

Pendekatan Quantum Fisher Information

Di sinilah Quantum Fisher Information berperan. QFI adalah alat yang diambil dari metrologi kuantum yang mengukur seberapa sensitif suatu status kuantum terhadap perubahan kecil pada parameter dasarnya. Alih-alih bertanya apa yang ditunjukkan oleh suatu pengukuran, QFI bertanya bagaimana geometri dari status itu sendiri melengkung di sekitar setiap parameter. Parameter yang berada di wilayah curam pada ruang status—di mana sedikit dorongan menghasilkan pergeseran geometris yang besar—ternyata merupakan parameter yang membawa pengetahuan paling kritis bagi tugas tersebut.

Dengan menggunakan QFI, para peneliti dapat memetakan kepentingan secara langsung ke geometri status kuantum. Metode ini tidak memerlukan basis pengukuran khusus untuk mengunci apa yang penting. Ia melihat status tersebut sebagai sebuah permukaan dan mengidentifikasi "bukit-bukit" yang tidak boleh diratakan.

Bagaimana QEWC Melindungi Pengetahuan

Quantum Elastic Weight Consolidation mengubah wawasan geometris tersebut menjadi protokol pelatihan. Prosesnya dapat diuraikan menjadi langkah-langkah konkret:

  • Identifikasi parameter kritis. Setelah mempelajari tugas pertama, QEWC menghitung Quantum Fisher Information di seluruh parameter sirkuit. Skor tinggi menandai rotasi dan keterikatan (entanglement) spesifik yang menyimpan pengetahuan vital.

  • Kunci bagian-bagian penting. Selama pelatihan berikutnya, QEWC menerapkan penalti pada perubahan dalam parameter ber-QFI tinggi tersebut. Sirkuit akan menanggung penalti karena menimpa apa yang sudah diketahuinya.

  • Bebaskan sisanya untuk beradaptasi. Parameter dengan skor QFI rendah menghadapi lebih sedikit batasan. Sirkuit tetap mempertahankan fleksibilitas, membentuk kembali derajat kebebasannya yang kurang penting untuk menyesuaikan dengan pola input baru.

  • Seimbangkan stabilitas dan plastisitas. Kerangka kerja ini secara eksplisit melakukan pertukaran (trade-off) antara mempertahankan pengetahuan lama dan menyerap informasi baru. Ia tidak membekukan seluruh sirkuit, namun juga tidak membiarkan semuanya hanyut.

Keseimbangan ini penting karena sirkuit yang sepenuhnya membeku tidak dapat mempelajari hal baru apa pun, sementara sirkuit yang sepenuhnya plastis akan melupakan segalanya yang lama. QEWC menemukan jalan tengah dengan menghormati geometri dari keadaan kuantum itu sendiri.

Ketahanan terhadap Derau pada Perangkat Keras Nyata

Sebagian besar komputer kuantum yang tersedia saat ini adalah perangkat noisy intermediate-scale quantum, atau NISQ. Kesalahan gerbang (gate errors), dekoherensi, dan cross-talk menghantui cip nyata. Dalam lingkungan ini, keanggunan teoretis tidak berarti apa-apa jika sebuah metode runtuh akibat ketidaksempurnaan perangkat keras.

Pengujian menunjukkan bahwa QEWC mengungguli pendekatan konsolidasi klasik justru saat derau hadir. Ini bukan sekadar catatan kaki kecil. Ini adalah perbedaan antara metode yang berhasil di atas kertas dan metode yang mampu bertahan saat bersentuhan dengan mesin fisik. Strategi klasik yang bergantung pada pengukuran harus berjuang melawan saluran derau yang sama yang mendistorsi hasil pembacaannya. Karena QEWC menurunkan bobot kepentingannya dari geometri keadaan, bukan dari statistik pengukuran yang berderau, ia dapat menghindari sebagian dari korupsi tersebut. Hasilnya adalah lapisan pelestari memori yang tetap stabil bahkan ketika qubit di sekitarnya berperilaku tidak menentu.

Bukti dari Simulasi

Untuk memvalidasi kerangka kerja tersebut, tim peneliti menjalankan simulasi pada tolok ukur pembelajaran berkelanjutan (continual learning) standar. Model diminta untuk mempelajari tugas-tugas seperti mengenali angka tulisan tangan dan mengategorikan gambar pakaian—sebuah pengaturan yang mencerminkan pembagian MNIST dan Fashion-MNIST klasik yang digunakan di seluruh bidang ini. Setelah pelatihan pada tugas pertama, sirkuit berlanjut ke tugas kedua di bawah kondisi standar dan sekali lagi di bawah perlindungan QEWC.

Ketika pelatihan standar mengatur prosesnya, tugas-tugas berikutnya menghancurkan performa sebelumnya. Sirkuit menunjukkan fenomena catastrophic forgetting (lupa katastrofik) yang parah. Di bawah QEWC, ceritanya berubah. Parameter yang dilindungi mempertahankan geometri pengenalan angkanya, sementara parameter bebas beradaptasi dengan lengan baju, sepatu, dan celana. Kesenjangan antara kedua pendekatan tersebut sangat signifikan. QEWC mengurangi kehilangan memori secara nyata dibandingkan dengan protokol pelatihan biasa.

Mengapa Pembelajaran Berkelanjutan Mengubah Segalanya

Keuntungan jangka panjang di sini adalah pembelajaran berkelanjutan tanpa memulai ulang. Saat ini, banyak alur kerja (pipeline) pelatihan kuantum secara efektif mulai dari nol ketika distribusi tugas bergeser. Pendekatan tersebut membuang-buang energi, waktu, dan anggaran koherensi yang terbatas dari perangkat keras kuantum. Jika sistem kuantum dapat mengakumulasi pengetahuan seperti cara seorang insinyur manusia mengakumulasi keterampilan—menambahkan domain baru tanpa menghapus yang lama—kegunaan praktis dari pembelajaran mesin kuantum akan berkembang secara dramatis.

Komputer kuantum mahal untuk diakses dan sulit untuk dioperasikan. Melatih ulang dari nol untuk setiap dataset baru adalah kemewahan yang tidak dapat ditanggung oleh penerapan komersial mana pun. QEWC mengarah pada sebuah rezim di mana satu model kuantum berevolusi, membawa pendidikannya maju alih-alih mengulang taman kanak-kanak pada setiap tugas baru.

Apa yang Perlu Diperhatikan

Penelitian ini masih berakar pada simulasi, yang berarti ujian sebenarnya akan datang ketika QEWC dipindahkan ke perangkat keras superkonduktor, trapped-ion, atau fotonik yang sebenarnya. Namun, pergeseran konseptualnya sangat tajam dan berguna. Dengan menyatukan pemahaman geometris tentang keadaan kuantum dengan kebutuhan praktis pembelajaran mesin, karya ini menunjukkan bahwa AI kuantum dapat mengatasi salah satu hambatan paling dasarnya.

Catastrophic forgetting bukanlah pajak yang tak terelakkan dalam pembelajaran. QEWC menunjukkan bahwa kerangka matematis yang tepat—yang dibangun dari Quantum Fisher Information dan bukan dari pengukuran paksa (brute-force)—dapat menjaga memori model kuantum tetap utuh sementara perhatiannya beralih ke hal lain.

Bagi mereka yang mengikuti persimpangan antara komputasi kuantum dan kecerdasan buatan, ini adalah topik yang layak diikuti. Bergabunglah dalam diskusi dan tetap perbarui informasi tentang penelitian yang muncul di komunitas GyaanSetu AI di https://t.me/GyaanSetuAi.