Tagline: Perspektif Akademik terhadap Isu Strategis Teknologi Indonesia
Penulis: Hengki Tamando Sihotang | Dosen Fakultas Ilmu Komputer UPN Veteran Jakarta
FIK-UPNVJ, Jakarta, 28 Juli 2026 – Perkembangan Artificial Intelligence (AI) kini tidak lagi terbatas pada pengenalan wajah, kendaraan otonom, atau generasi terbaru Large Language Models (LLMs). Dalam beberapa tahun terakhir, AI mulai memasuki wilayah yang selama ini dianggap sebagai salah satu tantangan paling fundamental dalam ilmu pengetahuan, yaitu memahami hukum-hukum dasar alam semesta. Salah satu perkembangan yang menarik perhatian komunitas ilmiah dunia adalah keberhasilan pendekatan Neural Network Variational Monte Carlo (NNVMC) dalam melakukan simulasi ab initio terhadap inti atom Lithium-11 (¹¹Li). Capaian ini menunjukkan bahwa jaringan saraf tidak hanya mampu mengenali pola dari data, tetapi juga mulai berkontribusi dalam memecahkan persoalan fisika kuantum yang selama puluhan tahun sulit dijelaskan melalui pendekatan komputasi konvensional (Carleo & Troyer, 2017; Yang & Zhao, 2026).
Lithium-11 merupakan salah satu inti atom paling unik yang pernah dipelajari dalam fisika nuklir. Inti atom ini memiliki karakteristik halo nucleus, yaitu konfigurasi di mana dua neutron berada sangat jauh dari inti utamanya sehingga membentuk struktur menyerupai “halo”. Fenomena tersebut telah lama menjadi perhatian para fisikawan karena perilakunya tidak dapat dijelaskan secara sederhana menggunakan model nuklir tradisional. Kompleksitas interaksi antarpartikel pada skala kuantum menyebabkan simulasi mikroskopik terhadap halo nucleus membutuhkan kapasitas komputasi yang sangat besar dan algoritma yang jauh lebih adaptif dibandingkan metode numerik klasik (Tanihata et al., 2013; Yang & Zhao, 2026).
Melalui pendekatan Neural Network Variational Monte Carlo, para peneliti berhasil membangun representasi fungsi gelombang kuantum menggunakan jaringan saraf (neural network) yang mampu mempelajari konfigurasi energi terendah inti atom secara langsung dari interaksi fundamental antar nukleon. Pendekatan ab initio, yang berarti memulai perhitungan dari hukum fisika dasar tanpa mengasumsikan bentuk struktur inti terlebih dahulu, menjadi salah satu pencapaian penting dalam penelitian ini. Dengan kata lain, Artificial Intelligence tidak lagi digunakan sekadar sebagai alat analisis data, tetapi mulai berfungsi sebagai instrumen ilmiah yang membantu mengungkap fenomena alam pada tingkat paling fundamental (Carleo & Troyer, 2017; Li et al., 2024).
Perkembangan tersebut menandai perubahan paradigma dalam dunia komputasi ilmiah. Jika selama ini AI dikenal sebagai teknologi yang unggul dalam memproses data empiris, kini AI mulai memainkan peran dalam menyelesaikan persoalan yang berbasis teori fundamental (first-principles science). Pergeseran ini menunjukkan bahwa Neural Network tidak hanya mampu melakukan prediksi, tetapi juga dapat menjadi bagian dari proses scientific discovery. Dalam konteks yang lebih luas, kemampuan tersebut berpotensi mempercepat penelitian pada berbagai bidang strategis seperti fisika partikel, kimia kuantum, material maju, energi nuklir, hingga pengembangan teknologi komputasi kuantum (Butler et al., 2018; Gnech et al., 2024).
Dari perspektif akademik, terobosan ini membawa implikasi yang sangat besar terhadap arah pengembangan ilmu komputer. Artificial Intelligence tidak lagi diposisikan sebagai disiplin yang berdiri sendiri, melainkan berkembang menjadi teknologi lintas bidang yang mempertemukan ilmu komputer, matematika, fisika, statistika, dan komputasi berkinerja tinggi (High Performance Computing). Kemampuan membangun model Neural Network kini tidak hanya ditujukan untuk menyelesaikan persoalan industri atau bisnis digital, tetapi juga untuk membantu memahami hukum-hukum dasar alam semesta yang selama ini menjadi objek penelitian fisika teoretis. Hal tersebut menunjukkan bahwa masa depan AI akan semakin ditentukan oleh kemampuannya berkolaborasi dengan berbagai disiplin ilmu dalam menghasilkan pengetahuan baru (LeCun et al., 2015; Jumper et al., 2021).
Bagi perguruan tinggi, perkembangan ini merupakan sinyal kuat bahwa pendidikan ilmu komputer perlu bergerak menuju pendekatan yang lebih multidisiplin. Mahasiswa tidak lagi cukup menguasai algoritma pembelajaran mesin atau pengembangan perangkat lunak, tetapi juga perlu memahami dasar-dasar matematika komputasi, simulasi numerik, probabilitas, fisika komputasi, serta metode optimasi yang menjadi fondasi berbagai aplikasi AI modern. Bidang penelitian seperti Scientific Machine Learning (SciML), Physics-Informed Neural Networks (PINNs), Quantum Machine Learning, dan AI for Scientific Discovery diperkirakan akan menjadi salah satu arus utama riset global dalam dekade mendatang (Karniadakis et al., 2021).
Dalam konteks tersebut, Fakultas Ilmu Komputer UPN “Veteran” Jakarta memiliki peluang strategis untuk memperkuat ekosistem riset yang mengintegrasikan Artificial Intelligence dengan ilmu-ilmu dasar. Kolaborasi lintas disiplin antara ilmu komputer, matematika, fisika, teknik, dan sains data akan menjadi fondasi penting dalam menghasilkan inovasi yang tidak hanya menjawab kebutuhan industri, tetapi juga memberikan kontribusi terhadap perkembangan ilmu pengetahuan. Penguatan laboratorium komputasi ilmiah, kecerdasan buatan, dan komputasi berkinerja tinggi dapat menjadi langkah strategis untuk mempersiapkan generasi peneliti yang mampu berkontribusi pada frontier science.
Terobosan simulasi Lithium-11 melalui Neural Network Variational Monte Carlo pada akhirnya menunjukkan bahwa Artificial Intelligence sedang memasuki babak baru sebagai mitra intelektual dalam eksplorasi ilmiah. Jika sebelumnya AI dikenal karena kemampuannya meniru pola perilaku manusia, kini AI mulai membantu manusia memahami struktur terdalam materi dan mekanisme alam semesta. Perubahan ini menjadi pengingat bahwa revolusi Artificial Intelligence tidak hanya akan mengubah cara manusia bekerja, tetapi juga mengubah cara manusia menemukan, memahami, dan membangun ilmu pengetahuan itu sendiri. Bagi sivitas akademika, momentum ini menjadi ajakan untuk memperluas cakrawala riset, membangun kolaborasi multidisiplin, dan mempersiapkan diri menghadapi era ketika batas antara ilmu komputer dan ilmu-ilmu dasar semakin menyatu dalam melahirkan penemuan-penemuan besar masa depan.
Informasi lainnya dapat dilihat pada web UPNVJ
Daftar Pustaka
Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559(7715), 547–555. https://doi.org/10.1038/s41586-018-0337-2
Carleo, G., & Troyer, M. (2017). Solving the quantum many-body problem with artificial neural networks. Science, 355(6325), 602–606. https://doi.org/10.1126/science.aag2302
Gnech, A., Fore, B., Tropiano, A. J., & Lovato, A. (2024). Distilling the essential elements of nuclear binding via neural-network quantum states. Physical Review Letters, 133(14), 142501. https://doi.org/10.1103/PhysRevLett.133.142501