<![CDATA[Percepatan penemuan material baru terkendala oleh tingginya biaya komputasi metode kimia quantum konvensional seperti DFT (Density Functional Theory). Meskipun metode Deep Learning klasik menawarkan alternatif yang lebih cepat, pendekatan ini sering kali membutuhkan arsitektur dengan jutaan parameter untuk mencapai akurasi yang memadai. Penelitian ini mengevaluasi potensi Quantum Machine Learning (QML) untuk mengatasi masalah inefisiensi parameter tersebut. Secara spesifik, penelitian ini membandingkan kinerja model Hybrid Quantum Neural Network (HQNN) berbasis sirkuit variasional 4-qubit melawan model Classical Multi-Layer Perceptron (MLP) sebagai baseline pada tugas regresi energi internal ($U_0$) menggunakan dataset QM9. Untuk memastikan perbandingan yang adil, kedua model dibatasi secara ketat memiliki jumlah parameter yang identik, yaitu sekitar 72 parameter. Hasil eksperimen menunjukkan bahwa model Quantum mencapai konvergensi pelatihan yang lebih baik dengan nilai Mean Squared Error (MSE) akhir sebesar 0.6292, mengungguli model Klasik yang berhenti di angka 0.7369. Lebih lanjut, model Quantum mencatatkan akurasi prediksi dengan Mean Absolute Error (MAE) sebesar 759.89 Hartree. Temuan ini membuktikan bahwa fitur quantum entanglement memberikan daya ekspresi (expressibility) yang superior dibandingkan transformasi linear klasik pada batasan sumber daya komputasi yang ketat, menjadikan algoritma hibrida quantum solusi yang menjanjikan untuk simulasi kimia di era Noisy Intermediate-Scale Quantum (NISQ).]]>
Copyrights © 2025
