Komputasi tradisional umumnya memandang panas sebagai musuh yang harus diatasi. Thermal noise, yakni getaran acak partikel bermuatan seperti elektron, sering mengganggu keakuratan data dan memperbesar risiko kesalahan operasi komputer. Oleh sebab itu, komputer klasik harus menggunakan daya besar untuk mengatasi gangguan ini, sementara komputer kuantum memerlukan pendinginan ekstrem hingga hampir nol mutlak untuk mempertahankan kestabilan.
Namun, para peneliti di Lawrence Berkeley National Laboratory membalik paradigma tersebut dengan memperkenalkan konsep "thermodynamic computing" atau komputasi termodinamik. Teknologi ini menggunakan thermal noise sebagai sumber daya, bukan sebagai penghalang. Sistem ini memanfaatkan getaran mikroskopis elektron yang selama ini dihilangkan secara paksa oleh komputer konvensional, untuk memproses informasi pada suhu ruang.
Prinsip Dasar dan Mekanisme Thermodynamic Computing
Komputasi termodinamik mengandalkan perangkat fisik yang memiliki skala energi sebanding dengan energi termal. Ketika perangkat dibiarkan dalam kondisi alami, ia akan mengalami perubahan keadaan yang didorong oleh fluktuasi termal. Menurut Stephen Whitelam, salah satu ilmuwan yang terlibat, tujuan utamanya adalah memprogram perangkat tersebut agar perubahan waktu ini menghasilkan output yang berguna.
Penggunaan noise sebagai sumber daya memungkinkan komputer menjawab kebutuhan komputasi kompleks yang melibatkan proses nonlinear, seperti yang umum ditemukan dalam kecerdasan buatan (AI). Dengan kata lain, model ini dapat meniru fungsi jaringan saraf tanpa harus membuang energi dalam jumlah besar untuk mengendalikan noise.
Mengatasi Tantangan dalam Thermodynamic Computing
Sebelumnya, komputasi termodinamik menghadapi dua kendala utama yaitu pembatasan pada keadaan keseimbangan dan kemampuan hanya untuk operasi linear sederhana. Perlu waktu yang lama agar sistem bisa mencapai kondisi energi terendah sebelum melakukan perhitungan, yang membuatnya kurang praktis untuk aplikasi nyata. Selain itu, teknologi ini tidak memadai untuk aplikasi AI yang butuh perhitungan nonlinear.
Tim peneliti mengatasi masalah ini dengan metode simulasi digital, yang memungkinkan pelatihan perangkat keras agar dapat melakukan perhitungan tepat waktu tanpa harus menunggu sistem mencapai keseimbangan. Pendekatan ini menjadikan komputasi termodinamik bekerja layaknya prosesor tradisional, namun dengan konsumsi daya yang jauh lebih rendah.
Strategi Pelatihan pada Sistem Stokastik
Karena sifat termodinamik yang stokastik — artinya setiap proses berjalan dengan cara yang berbeda karena acaknya noise termal — teknik pelatihan AI standar tidak bisa langsung diterapkan. Untuk menghadapinya, Corneel Casert menggunakan superkomputer Perlmutter yang mengoperasikan 96 GPU secara paralel. Melalui simulasi evolusioner yang mengevaluasi lebih dari satu triliun lintasan noise, tim berhasil menemukan parameter optimal bagi sistem ini.
Meskipun pelatihan digitalnya membutuhkan sumber daya komputasi tinggi, hasilnya adalah peranti keras fisik yang mampu menjalankan inferensi AI dengan biaya energi yang sangat rendah. Hal ini menunjukkan potensi besar bagi penerapan di dunia nyata.
Potensi dan Implementasi di Masa Depan
Ketika sebuah pencarian Google saat ini menghabiskan energi setara untuk menyalakan lampu LED 6 watt selama tiga menit, pemindahan beban komputasi AI ke perangkat termodinamik bakal menekan konsumsi energi secara drastis. Ini membuka jalan bagi pengembangan komputer yang lebih ramah lingkungan dan efisien secara energi.
Saat ini, tim Berkeley Lab tengah menjajaki kerja sama dengan mitra eksperimen untuk mewujudkan desain ini ke dalam perangkat keras fisik. Keberhasilan pengembangan ini akan menjadi langkah revolusioner untuk menciptakan sistem komputasi yang menggunakan panas sebagai sumber tenaga, membuktikan bahwa thermal noise bukan lagi musuh, melainkan aset berharga dalam dunia teknologi modern.
Ringkasan Kunci:
- Thermodynamic computing menggunakan getaran termal sebagai sumber energi yang produktif.
- Sistem mampu melakukan perhitungan nonlinear yang penting untuk aplikasi AI.
- Pendekatan ini sangat efisien dari sisi konsumsi daya dibandingkan komputer konvensional.
- Pelatihan dilakukan melalui simulasi evolusioner dengan dukungan superkomputer.
- Tim penelitian sedang berupaya mengimplementasikan desain ke dalam perangkat keras nyata.
Pengembangan ini tidak hanya menjanjikan revolusi efisiensi daya dalam komputasi, tetapi juga membawa perspektif baru dalam bagaimana kita memandang dan memanfaatkan fenomena fisika yang sebelumnya dianggap sebagai gangguan, yaitu panas dan noise, dalam proses komputasi canggih.