ุจูุณูู ู ุงูููููู ุงูุฑููุญูู ููู ุงูุฑููุญูููู ู
ูฑูุณููููุงู ู ุนูููููููู ู ููุฑูุญูู ูุฉู ูฑูููููฐูู ููุจูุฑูููุงุชููู
Assalamualaikum Warahmatullahi Wabarakatuh. Sebelumnya perkenalkan nama saya Muhammad Jordan Al Rabi dengan NPM 2306265543 dari kelas Metode Numerik-01. Pada tulisan kali ini saya akan membahas Prinsip & Algoritma PINN Dalam Penerapan Heat Conduction 1D Dengan Framework DAI5.
PINN, yang merupakan kependekan dari Physics-Informed Neural Network, adalah jenis algoritma pembelajaran mesin yang dikembangkan secara khusus untuk menangani permasalahan berbasis fisika. Jaringan saraf ini menggabungkan hukum-hukum fisika, yang biasanya dinyatakan dalam bentuk persamaan diferensial, ke dalam fungsi kerugiannya untuk mengarahkan proses pembelajaran agar menghasilkan solusi yang lebih selaras dengan prinsip-prinsip fisika yang mendasarinya. Physics-Informed Neural Network (PINN) merepresentasikan pendekatan inovatif dalam scientific machine learning (SciML), yang memungkinkan integrasi harmonis antara data pengamatan dan kerangka dasar hukum fisika.
DAI5 adalah framework yang memadukan wawasan ilmiah dengan kesadaran spiritual berbasis iman. Pendekatan ini mendorong kita untuk senantiasa berada dalam kondisi kesadaran penuh (conscious), dengan memahami bahwa manusia telah dikaruniai anugerah oleh Allah SWT. Oleh karena itu, dalam menangani permasalahan sains, kita perlu selalu mengingat bahwa setiap fenomena yang kita pelajari pada hakikatnya adalah ciptaan Allah SWT dan berada di bawah kekuasaan-Nya.
DAI5 mencakup lima tahapan yang disusun secara berurutan:
- Deep Awareness of I
Tahap ini menekankan pentingnya menyadari esensi dari pencarian ilmu. Kita perlu memahami bahwa segala sesuatu di alam semesta memiliki keteraturan yang telah ditetapkan oleh Allah SWT, sehingga proses pembelajaran kita senantiasa selaras dengan kesadaran akan keberadaan dan kebesaran-Nya. - Intention
Sebelum mendalami suatu bidang ilmu, langkah awal yang harus diambil adalah menetapkan niat yang tulus. Niat tersebut tidak hanya bertujuan untuk meraih prestasi pribadi, melainkan harus diarahkan pada upaya memberikan manfaat nyata bagi kesejahteraan umat manusia, sesuai dengan nilai-nilai kebaikan yang lebih luas. - Initial Thinking
Sebelum memulai analisis mendalam terhadap suatu masalah, kita harus terlebih dahulu memahami dasar-dasar permasalahan tersebut. Dengan mengidentifikasi prinsip-prinsip fundamentalnya, kita dapat menyusun solusi yang tetap konsisten dengan hukum-hukum alam yang telah digariskan oleh Allah SWT, sehingga tidak menyimpang dari kebenaran yang ada. - Idealization
Dalam menyelesaikan masalah ilmiah, tahap ini melibatkan penyederhanaan yang efektif untuk mendapatkan gambaran menyeluruh dari permasalahan. Berdasarkan pemikiran awal yang telah dilakukan, kita juga dapat menentukan batasan-batasan dari penyederhanaan tersebut, agar tetap relevan dan terarah. - Instruction Set
Pelaksanaan model atau solusi yang telah dirancang harus disusun secara sistematis, logis, dan dapat dipertanggungjawabkan. Langkah-langkah ini memastikan bahwa proses eksekusi berjalan dengan baik dan hasilnya dapat diuji serta dipercaya.
Dengan mengikuti kelima tahap ini, DAI5 menjadi panduan yang tidak hanya memperkuat pemahaman sains, tetapi juga menanamkan kesadaran akan hubungan antara ilmu pengetahuan dan keimanan kepada Allah SWT.
Deep Awareness of I
Physics-Informed Neural Networks (PINNs) adalah pendekatan inovatif dalam menyelesaikan permasalahan yang melibatkan persamaan diferensial, dengan memanfaatkan kemampuan deep learning untuk memenuhi hukum-hukum fisika secara langsung. Sebagai manusia, kita perlu menyadari bahwa segala hukum fisika yang menjadi dasar PINNs adalah bagian dari keteraturan alam yang telah ditetapkan oleh Allah SWT. Dalam konteks ini, PINNs memungkinkan kita untuk memahami fenomena alam melalui komputasi numerik yang canggih. Namun, di balik kemajuan teknologi tersebut, kita harus tetap rendah hati dan mengakui bahwa keakuratan dan ketepatan dalam perhitungan numerik ini pada akhirnya bergantung pada hukum-hukum alam yang telah Allah ciptakan. Dengan kesadaran ini, kita dapat menggunakan PINNs untuk memperdalam pemahaman kita tentang ciptaan-Nya, sekaligus memastikan bahwa pendekatan ilmiah yang kita gunakan tetap selaras dengan nilai-nilai spiritual.
Intention
Sebagai metode untuk menyelesaikan persamaan diferensial, PINNs menawarkan solusi terhadap berbagai permasalahan kompleks yang sering kali sulit diatasi dengan metode tradisional seperti Finite Element Method (FEM) atau Finite Difference Method (FDM). Dalam menerapkan PINNs, kita harus memulai dengan niat yang tulus, yaitu untuk memanfaatkan ilmu ini demi kebaikan yang lebih besar. Niat kita bukan hanya untuk mencapai keberhasilan dalam komputasi atau sekadar menyelesaikan masalah teknis, melainkan untuk memberikan dampak positif bagi umat manusia. Berikut beberapat masalah umum yang dapat ditemui saat menyelesaikan persamaan differensial dengan metode FEM atau FDM:
- Komputasi intensif yang melibatkan persamaan diferensial parsial (PDEs) berdimensi tinggi, seperti yang ditemukan dalam dinamika fluida atau mekanika kuantum.
- Penyelesaian masalah yang melibatkan geometri kompleks, di mana metode tradisional berbasis mesh sering kali menghadapi kendala.
Namun, sebelum melangkah ke proses komputasi dengan PINNs, kita perlu memahami prinsip-prinsip dasar dari permasalahan yang dihadapi. Dalam hal ini, kita harus mengidentifikasi hukum-hukum fisika yang relevan, seperti hukum kekekalan energi atau hukum konduksi panas, yang menjadi dasar permasalahan tersebut.
Dalam kasus konduksi panas 1D, misalnya, PINNs dapat digunakan untuk menyelesaikan persamaan diferensial berdasarkan Hukum Fourier, yang dinyatakan sebagai:
Dengan asumsi steady-state, persamaan ini disederhanakan menjadi:
Untuk menyelesaikan permasalahan ini, kita perlu melakukan penyederhanaan yang efektif. Proses idealisasi ini memungkinkan kita untuk melihat gambaran besar dari fenomena yang sedang dipelajari, misalnya dengan menetapkan kondisi batas (boundary conditions) dan kondisi awal (initial conditions) yang sesuai.
Initial Thinking
Langkah ini berfokus pada pembangunan pemahaman yang mendalam terhadap permasalahan sebelum menentukan solusi. Dalam kasus konduksi panas 1D, tahap ini mencakup penetapan domain dan lingkungan sistem, penentuan kondisi batas (boundary conditions), serta analisis terhadap elemen-elemen yang memengaruhi distribusi suhu, seperti karakteristik material. Pendekatan seperti Root Cause Analysis dapat dimanfaatkan untuk menelusuri faktor-faktor yang berdampak pada distribusi suhu, misalnya keberadaan sumber panas atau perbedaan sifat material. Dengan pemahaman yang menyeluruh terhadap permasalahan ini, proses penyelesaian dapat dilaksanakan secara lebih efisien dan optimal.
Idealization
Tahap idealisasi berfokus pada penyederhanaan permasalahan guna menciptakan model yang tetap realistis. Proses penyederhanaan ini dilakukan dengan membuat asumsi tertentu terhadap beberapa elemen dalam model yang dikembangkan. Dalam konteks PINNs, kriteria seperti Assumption Clarity menekankan pentingnya mendefinisikan asumsi secara jelas, misalnya dengan mengasumsikan bahwa model berada dalam kondisi steady-state. Namun, asumsi yang dibuat harus tetap sesuai dengan realitas alamiah agar memenuhi kriteria Physical Realism. Dengan asumsi yang realistis, solusi yang dihasilkan dapat selaras dengan hukum fisika, yang dalam PINNs dijamin melalui penyertaan residual persamaan diferensial parsial (PDE) ke dalam fungsi kerugian (loss function). Pada kasus yang akan dianalisis, kondisi diasumsikan berada dalam keadaan steady-state.
Instruction-Set
Tahap ini berfokus pada panduan penerapan solusi melalui langkah-langkah yang tersusun secara sistematis. Dalam simulasi menggunakan PINNs, tahap ini memungkinkan kita untuk menggabungkan seluruh langkah dalam kerangka DAI5, sehingga menghasilkan solusi yang optimal dan efisien. Selain itu, solusi yang diperoleh juga dapat memberikan manfaat jangka panjang dan berkelanjutan, sesuai dengan kriteria Sustainability Integration. Pada tahap ini, penting untuk menyusun langkah-langkah yang jelas serta menyediakan visualisasi yang mudah dipahami, sebagaimana diatur dalam kriteria Clarity of Steps dan Physical Interpretation, guna memastikan proses simulasi berjalan dengan lancar dan terarah.
Berikut Pemodelan dengan Code Python :
# Import Libraries
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
# Define PINN Class
class PINN(nn.Module):
def __init__(self):
super(PINN, self).__init__()
self.net = nn.Sequential(
nn.Linear(1, 20),
nn.Tanh(),
nn.Linear(20, 20),
nn.Tanh(),
nn.Linear(20, 1)
)
def forward(self, x):
return self.net(x)
# Compute Loss Function
def compute_loss(model, x, T0, T1):
x = x.requires_grad_(True)
T = model(x)
# Compute derivatives
dT_dx = torch.autograd.grad(T, x, grad_outputs=torch.ones_like(T), create_graph=True)[0]
d2T_dx2 = torch.autograd.grad(dT_dx, x, grad_outputs=torch.ones_like(dT_dx), create_graph=True)[0]
# Physics loss
physics_loss = torch.mean((d2T_dx2**2))
# Boundary conditions
T_left = model(torch.tensor([[0.0]]))
T_right = model(torch.tensor([[1.0]]))
bc_loss = (T_left – T0)**2 + (T_right – T1)**2
return physics_loss + bc_loss
# Train PINN Function
def train_pinn(T0, T1, epochs=1000):
model = PINN()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
x = torch.linspace(0, 1, 100).reshape(-1, 1)
for epoch in range(epochs):
optimizer.zero_grad()
loss = compute_loss(model, x, T0, T1)
loss.backward()
optimizer.step()
if epoch % 100 == 0:
print(f”Epoch {epoch}, Loss: {loss.item():.6f}”)
return model
# Plot Result Function
def plot_results(model, T0, T1):
x = torch.linspace(0, 1, 100).reshape(-1, 1)
with torch.no_grad():
T_pred = model(x).numpy()
x = x.numpy()
T_analytical = T0 + (T1 – T0) * x
plt.figure(figsize=(8, 6))
plt.plot(x, T_pred, label=”PINN Solution”)
plt.plot(x, T_analytical, “–“, label=”Analytical Solution”)
plt.xlabel(“x”)
plt.ylabel(“Temperature”)
plt.title(“1D Steady-State Heat Conduction”)
plt.legend()
plt.grid(True)
# Simpan grafik sebagai file jika tidak ada display
plt.savefig(“heat_conduction_result.png”)
print(“Grafik telah disimpan sebagai ‘heat_conduction_result.png’”)
# Main Execution
if __name__ == “__main__”:
# Parameter default
T0 = 100.0 # Suhu di x=0
T1 = 0.0 # Suhu di x=1
epochs = 1000
# Latih model dan tampilkan hasil
model = train_pinn(T0, T1, epochs)
plot_results(model, T0, T1)
Kesimpulan
PINN dalam konteks konduksi panas 1D menyediakan solusi inovatif yang memadukan pembelajaran mesin dengan prinsip-prinsip fisika, sedangkan kerangka DAI5 menawarkan pedoman yang menjamin prosesnya berjalan secara terstruktur dan penuh makna. Dengan mengintegrasikan PINN ke dalam kerangka DAI5, kita dapat menghasilkan pendekatan yang tidak hanya canggih secara teknologi, tetapi juga kaya akan nilai filosofis dan terarah secara praktis untuk menangani permasalahan konduksi panas 1D.
