Komputasi kuantum melakukan perhitungan dengan menggunakan fenomena fisik dan prinsip mekanika kuantum untuk memecahkan masalah. Bentuk komputasi ini secara teoritis telah terbukti memberikan percepatan pada beberapa masalah pemrosesan modern. Perkembangan baru dalam teknologi kuantum mulai bermunculan, dan penerapan model pembelajaran untuk perangkat baru ini terus berkembang. Dengan banyak antisipasi pemanfaatan fenomena kuantum di bidang Machine Learning telah menjadi jelas. Penelitian ini mengembangkan model kerangka kerja perangkat lunak TensorFlow Quantum (TFQ) untuk tujuan machine learning. Kedua model yang dikembangkan memanfaatkan teknik pengkodean informasi dari pengkodean amplitudo untuk penyusunan keadaan dalam model pembelajaran kuantum. Tujuan dari penelitian ini adalah mengeksplorasi kapasitas pengkodean amplitudo untuk menyediakan persiapan keadaan yang diperkaya dalam metode pembelajaran dan analisis mendalam tentang properti data yang memberikan wawasan tentang data pelatihan menggunakan Variational Quantum Classifier (VQC). Munculnya metode baru ini menimbulkan pertanyaan tentang cara terbaik menggunakan alat ini, tujuannya adalah untuk memberikan beberapa penjelasan ikhtisar untuk keadaan machine learning kuantum yang dapat diterapkan mengingat kendala perangkat yang sebenarnya. Hasil penelitian ini menunjukkan ada keuntungan yang jelas untuk menggunakan pengkodean amplitudo dibandingkan metode lain seperti ditunjukkan menggunakan jaringan saraf klasik kuantum hibrid di TFQ. Selain itu, ada beberapa langkah prapemrosesan yang dapat menghasilkan lebih banyak data kaya fitur saat menggunakan VQC, pada dasarnya teorema makan siang tidak gratis berlaku untuk metode pembelajaran kuantum seperti halnya dalam teknik klasik. Informasi meskipun dikodekan dalam bentuk kuantum tidak mengubah langkah-langkah penyiapan data tetapi melibatkan cara-cara baru untuk memahami dan mengapresiasi metode-metode baru ini. Pekerjaan masa depan di bidang ini akan membutuhkan perluasan ke dalam teknik klasifikasi multikelas yang cukup dikembangkan untuk dapat diterapkan dalam pekerjaan seperti ini.
Komputasi kuantum melakukan perhitungan dengan menggunakan fenomena fisik dan prinsip mekanika kuantum untuk memecahkan masalah. Bentuk komputasi ini secara teoritis telah terbukti memberikan percepatan pada beberapa masalah pemrosesan modern. Perkembangan baru dalam teknologi kuantum mulai bermunculan, dan penerapan model pembelajaran untuk perangkat baru ini terus berkembang. Dengan banyak antisipasi pemanfaatan fenomena kuantum di bidang Machine Learning telah menjadi jelas. Penelitian ini mengembangkan model kerangka kerja perangkat lunak TensorFlow Quantum (TFQ) untuk tujuan machine learning. Kedua model yang dikembangkan memanfaatkan teknik pengkodean informasi dari pengkodean amplitudo untuk penyusunan keadaan dalam model pembelajaran kuantum. Tujuan dari penelitian ini adalah mengeksplorasi kapasitas pengkodean amplitudo untuk menyediakan persiapan keadaan yang diperkaya dalam metode pembelajaran dan analisis mendalam tentang properti data yang memberikan wawasan tentang data pelatihan menggunakan Variational Quantum Classifier (VQC). Munculnya metode baru ini menimbulkan pertanyaan tentang cara terbaik menggunakan alat ini, tujuannya adalah untuk memberikan beberapa penjelasan ikhtisar untuk keadaan machine learning kuantum yang dapat diterapkan mengingat kendala perangkat yang sebenarnya. Hasil penelitian ini menunjukkan ada keuntungan yang jelas untuk menggunakan pengkodean amplitudo dibandingkan metode lain seperti ditunjukkan menggunakan jaringan saraf klasik kuantum hibrid di TFQ. Selain itu, ada beberapa langkah prapemrosesan yang dapat menghasilkan lebih banyak data kaya fitur saat menggunakan VQC, pada dasarnya teorema makan siang tidak gratis berlaku untuk metode pembelajaran kuantum seperti halnya dalam teknik klasik. Informasi meskipun dikodekan dalam bentuk kuantum tidak mengubah langkah-langkah penyiapan data tetapi melibatkan cara-cara baru untuk memahami dan mengapresiasi metode-metode baru ini. Pekerjaan masa depan di bidang ini akan membutuhkan perluasan ke dalam teknik klasifikasi multikelas yang cukup dikembangkan untuk dapat diterapkan dalam pekerjaan seperti ini.
Perkembangan tekonologi komputasi kuantum membawa tantangan besar bagi sistem keamanan informasi konvensional yang selama ini mengandalkan kompleksitas matematis, seperti RSA dan ECC. Munculnya algoritma kuantum seperti Shor’s algorithm berpotensi mengancam eksistensi metode kriptografi klasik. Dalam konteks ini, kriptografi kuantum hadir sebagai solusi inovatif dengan memanfaatkan prinsip-prinsip mekanika kuantum untuk menjamin keamanan data secara teoritis, bahkan terhadap penyerang dengan daya komputasi tak terbatas. Penelitian ini membahas implementasi teknologi Quantum Cryptography, khususnya protokol BB84 yang telah ditingkatkan, sebagai metode distribusi kunci rahasia yang aman pada jaringan komputer. Fokus utama adalah pada keamanan pertukaran kunci Quantum Key Distribution (QKD) serta efisiensi algoritma dalam lingkungan jaringan dengan keterbatasan sumber daya. Selain itu, penelitian ini juga meninjau penerapan kriptografi kuantum dalam berbagai konteks jaringan masa depan, termasuk Wireless Body Sensor Networks (WBSN), jaringan 5G, dan post-quantum networks, serta potensi integrasinya dalam infrastruktur keamanan digital di masa depan. Hasil pengujian Avalanche Effect, Hash Generation Time, dan Hash Verification Time menunjukkan bahwa kriptografi kuantum mampu memberikan performa keamanan yang lebih baik dibandingkan dengan metode kriptografi populer seperti RSA dan AES
Penelitian ini bertujuan untuk menganalisis tren serta perkembangan penelitian dalam bidang Quantum Machine Learning (QML) melalui pendekatan bibliometrik. QML merupakan turunan bidang ilmu dari Machine Learning (ML) yang mengintegrasikan ebberapa prinsip dasar mekanika kuantum seperti superposisi dan entanglement yang memungkinkan komputasi yang lebih kompleks. Dibalik potensinya yang besar, jumlha publikasi ilmiah pada bidang ini masih relative terbatas dibandingkan dengan topik lain yang sering digunakan seperti Artificial Intelligence (AI). Maka dari itu, analisis serta pemetaan yang sistematis melalui pendekatan bibliometrik sangat diperlukan untuk membantu para peneliti untuk mengembangkan penelitian pada topik QML ini. data dikumpulkan dengan menggunakan software publish or perish dengan menggunakan database scopus pada periode 2013-2023 atau rentang 10 tahun terakhir. Didapatkan 200 dokumen yang berupa artikel ilmiah dan konfrensi. Analisis dilakukan terhadap berbagai parameter seperti tren jumlah publikasi dari tahun ke tahun, produktivitas penulis dalam mengembangkan penelitian pada bidang ini, jurnal dengan frekuensi publikasi tertinggi, serta keterikatan kata kunci pada QML. Data yang dianalisis serta divisualisasikan menggunakan Microsoft Excell dan VOSviewer. Hasil penelitian menunjukan hasil yang membantu para peneliti seperti peningkatan publikasi pada rentang tahun 2017-2020, penulis paling produktif pada topik QML adalah M.schuld 6 jurnal ilmiah yang sudah dipublikasikan. Keterikatan kata kunci yang sangat erat dengan QML yakni quantum computing dan deep learning. Serta frekuensi tempat publikasi jurnal ilmiah terbanyak pada topik ini pada Nature Communications. Temuan ini diharapkan dapat menajdi rujuan serta acuan bagi para peneliti untuk yang akan meneliti pada bidang QML
Telah dilakukan telaah teoritis dan komputasi mengenai algoritma kuantum variational quantum eigensolver simulasi molekul H2. Algoritma variational quantum eigensolver (VQE) adalah salah satu algoritma yang dapat diterapkan pada komputer kuantum sederhana pada masa kini dan merupakan algoritma yang cukup stabil dan efek dekoherensi. Algoritma VQE disebut sebagai hybrid quantum-classical karena sebagian algoritma dikerjakan pada komputer klasik. Prinsip dasar algoritma VQE adalah prinsip variasi, yaitu pencarian fungsi gelombang yang akan mengakibatkan energi sistem kuantum memiliki energi terendah. Fungsi gelombang dan Hamiltonan pada algoritma VQE disimulasikan dengan menggunakan gerbang-gerbang kuantum. Untuk dapat dioperasikan oleh gerbang kuantum. Hamiltonan dan fungsi gelombang pada penelitian ini menggunakan wakilan kuantisasi kedua. Penelitian ini menggunakan transformasi Jordan-Wigner dan Bravyi-Kitaev dari operator fermionik menjadi operator kubit (qubit) atau gerbang kuantum.Perhitungan atau komputasi energi sistem dilakukan menggunakan komputer kuantum, namun optimasi dilakukan pada komputer klasik menggunakan algoritma optimasi seperti Nelder-Mead, Powell dan BFGS. Penelitian ini akan mendekati fungsi gelombang sistem dengan beberapa basis fungsi dan metode, kemudian dari hasil yang diperoleh akan dilihat pendekatan seperti apa yang paling cocok untuk simulasi molekul H2. Simulasi numerik pada penelitian ini menggunakan paket pemrograman OpenFermion dan layanan komputasi awan kuantum Rigetti Computing.
Komputasi kuantum berbasis cloud merupakan paradigma baru yang menggabungkan sumber daya kuantum dengan infrastruktur cloud klasik, memungkinkan akses luas tanpa kebutuhan investasi besar pada perangkat keras. Penelitian ini menggunakan metode systematic literature review (SLR) dengan pendekatan kualitatif deskriptif untuk mengidentifikasi dan mensintesis dua studi utama terkait integrasi dan perkembangan teknologi komputasi kuantum dalam lingkungan cloud computing. Analisis dilakukan melalui tiga tahap: analisis konten, perbandingan tematik, dan sintesis kritis dengan fokus pada arsitektur, kinerja, keamanan, serta arah masa depan. Hasil penelitian menunjukkan bahwa arsitektur hibrida kuantum-klasik berbasis kontainer dan orkestrasi terdistribusi menjadi komponen kunci dalam pengembangan quantum cloud. Model Quantum-as-a-Service (QaaS) berpotensi menurunkan hambatan adopsi, terutama pada aplikasi seperti simulasi material, optimisasi kombinatorial, dan kriptografi kuantum. Namun, tantangan signifikan masih ada pada keterbatasan perangkat keras, kompleksitas integrasi sistem, serta kekurangan sumber daya manusia. Arah pengembangan ke depan mencakup standarisasi lintas vendor, co-design algoritma dan perangkat keras, serta transisi menuju kriptografi pasca-kuantum. Studi ini memberikan pemahaman menyeluruh tentang potensi, kendala, dan arah riset lanjutan dalam quantum cloud computing.
Penelitian ini bertujuan untuk mengkaji secara teoritis dinamika sistem kuantum terbuka menggunakan persamaan Lindblad sebagai kerangka utama dalam mendeskripsikan evolusi non-uniter. Latar belakang penelitian didasarkan pada keterbatasan pendekatan sistem kuantum tertutup yang tidak mampu merepresentasikan interaksi sistem dengan lingkungan secara realistis. Metode yang digunakan adalah pendekatan analitik matematis dengan memanfaatkan operator densitas (density matrix) dalam kerangka teori open quantum systems, serta mengadopsi asumsi Born dan Markov untuk menyederhanakan interaksi sistem-lingkungan. Hasil kajian menunjukkan bahwa persamaan Lindblad mampu menggambarkan fenomena dekoherensi dan dissipasi secara sistematis melalui kontribusi operator Lindblad yang mempengaruhi koherensi dan populasi keadaan sistem. Studi kasus pada sistem dua-level (qubit) memperlihatkan bahwa interaksi dengan lingkungan menyebabkan peluruhan koherensi serta perubahan populasi menuju keadaan kesetimbangan. Secara fisik, hal ini mengindikasikan adanya kehilangan informasi kuantum akibat interaksi eksternal, yang berdampak pada stabilitas sistem. Selain itu, model Lindblad terbukti memiliki konsistensi matematis yang kuat serta relevansi luas dalam berbagai aplikasi fisika kuantum modern. Namun demikian, keterbatasannya dalam menggambarkan sistem non-Markovian menunjukkan perlunya pengembangan model yang lebih umum. Oleh karena itu, penelitian ini diharapkan dapat memberikan kontribusi teoritis dalam memahami dinamika sistem kuantum terbuka serta menjadi dasar bagi pengembangan studi lanjutan dalam bidang teknologi kuantum.
Perkembangan komputasi kuantum memberikan potensi besar dalam bidang teknologi informasi, namun juga menimbulkan ancaman signifikan terhadap sistem keamanan siber yang ada saat ini. Sebagai respons terhadap tantangan ini, penelitian ini bertujuan untuk merancang sistem keamanan siber inovatif yang berbasis kecerdasan buatan (AI) guna melawan ancaman komputasi kuantum. Metode yang digunakan melibatkan penerapan algoritma AI untuk mendeteksi dan merespons serangan kuantum secara dinamis, serta integrasi kriptografi pasca-kuantum untuk meningkatkan ketahanan sistem terhadap potensi peretasan. Penelitian ini juga mengeksplorasi penggunaan pembelajaran mesin untuk mengidentifikasi pola ancaman dan memperkuat sistem secara otomatis seiring waktu. Temuan dari penelitian ini menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi ancaman kuantum dengan tingkat akurasi yang tinggi dan menawarkan solusi yang dapat diimplementasikan pada berbagai platform siber. Implikasi dari hasil penelitian ini adalah kemajuan signifikan dalam pengembangan sistem keamanan yang lebih tangguh dan adaptif terhadap evolusi komputasi kuantum, membuka jalan bagi terciptanya infrastruktur digital yang lebih aman di masa depan