Memahami PINN Menggunakan Framework DAI5 — Muhammad Nabil Wirawan (2306222866)

Bismillahirrahmanirrahim

Assalamu’alaikum warahmatullahi wabarakatuh.
Segala puji bagi Allah Subhanahu wa Ta’ala, Tuhan Semesta Alam, yang telah memberikan nikmat ilmu, akal, dan pemahaman kepada kita semua. Dengan kesadaran penuh akan keagungan-Nya, kita berusaha untuk memahami dan menyelesaikan masalah ini dengan framework DAI5, agar setiap langkah yang diambil selalu dalam koridor niat yang lurus dan ilmu yang bermanfaat. Semoga Allah selalu memberikan keberkahan dalam setiap usaha yang kita lakukan. Aamiin.

Physics-Informed Neural Networks (PINN) merupakan pendekatan modern dalam pemodelan fenomena fisika yang menggabungkan kecerdasan buatan dengan prinsip dasar hukum fisika. Metode ini memungkinkan penyelesaian persamaan diferensial tanpa ketergantungan besar pada data eksperimental, karena model belajar langsung dari hukum fisika yang mendasarinya. Salah satu penerapan menarik dari PINN adalah dalam kasus 1D Steady-State Heat Conduction, di mana pendekatan ini digunakan untuk memprediksi distribusi suhu sepanjang batang yang mengalami konduksi panas.

Secara konvensional, solusi numerik untuk persamaan diferensial seperti konduksi panas mengandalkan metode diskritisasi, misalnya metode elemen hingga (FEM) atau metode beda hingga (FDM). Pendekatan ini bekerja dengan mendiskritisasi domain kontinu menjadi titik-titik diskrit dan menyelesaikan persamaan dengan pendekatan numerik. Sebagai contoh, dalam metode beda hingga, persamaan Laplace ∇2T=0\nabla^2 T = 0 dapat dihampiri dengan skema beda hingga pusat.

Namun, metode numerik ini memiliki beberapa keterbatasan, seperti ketergantungan pada grid diskrit serta tantangan dalam menangani geometri kompleks. PINN hadir sebagai solusi alternatif dengan mengoptimalkan fungsi loss yang mencerminkan hukum fisika. Dalam PINN, solusi diperoleh menggunakan jaringan saraf tiruan, dan hukum fisika ditegakkan melalui physics loss, yang didefinisikan sebagai kuadrat residu dari persamaan diferensial yang harus dipenuhi.

Pendekatan DAI5 dalam Implementasi PINN

Pendekatan PINN dalam esai ini dianalisis melalui framework DAI5, yang mencakup lima tahap pemikiran: Deep Awareness of I, Intention, Initial Thinking, Idealization, dan Instruction-Set.

1. Deep Awareness of I (Kesadaran Diri yang Mendalam)

Sebelum memulai pemodelan, saya menyadari bahwa:

Fenomena fisika seperti konduksi panas mengikuti hukum termodinamika yang diciptakan oleh Tuhan. Persamaan Laplace (∇2T=0\nabla^2 T = 0) bukan sekadar ekspresi matematis, tetapi juga refleksi dari keteraturan alam semesta.
Sebagai mahasiswa, tugas saya adalah memahami dan memodelkan fenomena ini dengan rendah hati, menyadari bahwa model manusia hanyalah pendekatan dari realitas yang sempurna.
Dalam implementasi PINN, kesadaran ini tercermin dalam upaya memastikan bahwa solusi jaringan saraf tetap mematuhi hukum fisika melalui physics loss.

2. Intention (Niat yang Jelas)

Tujuan utama dari penelitian ini adalah:

Mengembangkan model PINN yang akurat dalam memprediksi suhu, bukan hanya demi akurasi numerik, tetapi juga untuk memahami makna fisik di baliknya.
Mengintegrasikan nilai ibadah dengan menjadikan penelitian sebagai sarana mengenal kebesaran Tuhan melalui hukum alam.

Dalam implementasi, niat ini diwujudkan melalui fungsi loss yang terdiri dari dua komponen utama:

Physics loss untuk memastikan model mematuhi ∇2T=0\nabla^2 T = 0.
Boundary loss untuk memenuhi syarat batas T0=100∘C,T1=0∘CT_0 = 100^\circ C, T_1 = 0^\circ C.

# Compute derivatives
x = x.requires_grad_(True)
T = model(x)
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 (\nabla^2 T = 0)
physics_loss = torch.mean(d2T_dx2**2)

3. Initial Thinking (Pemahaman Awal tentang Masalah)

Langkah awal dalam analisis masalah ini mencakup:

Persamaan dasar: Konduksi panas steady-state dijelaskan oleh ∇2T=0\nabla^2 T = 0, dengan solusi analitik T(x)=T0+(T1−T0)xT(x) = T_0 + (T_1-T_0)x.
Karakteristik masalah: Meskipun domain 1D cukup sederhana, pemilihan arsitektur jaringan saraf tetap perlu diperhatikan.
Data dan batasan: PINN tidak memerlukan data eksperimen karena hukum fisika bertindak sebagai pengawas utama.

Implementasi jaringan saraf:

# Define the PINN neural network
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)

4. Idealization (Penyederhanaan yang Tetap Mempertahankan Esensi)

Domain 1D digunakan sebagai langkah awal sebelum beralih ke kasus lebih kompleks.
Aktivasi Tanh dipilih karena mampu menangkap variasi halus dalam solusi fisika.
Diskretisasi menggunakan 100 titik grid untuk menjaga keseimbangan antara efisiensi komputasi dan akurasi.
Pelatihan Model dilakukan dengan optimasi Adam menggunakan learning rate 0,001 selama 1000 epoch.

5. Instruction-Set (Implementasi dan Evaluasi)

Langkah-langkah utama dalam eksekusi kode:

Inisialisasi Model PINN dengan struktur jaringan saraf yang telah ditentukan.
Pembuatan Data Latih dengan mendistribusikan titik dalam domain 1D.
Definisi Fungsi Loss yang mencakup physics loss dan boundary loss.
Optimasi Model menggunakan algoritma Adam untuk memperbarui bobot jaringan.
Training Model dengan loop iteratif selama 1000 epoch atau hingga loss terkecil tercapai.
Evaluasi dan Validasi dengan membandingkan hasil prediksi PINN terhadap solusi analitik.
Visualisasi Hasil melalui plot distribusi suhu sepanjang batang.

Kesimpulan

Penerapan PINN dalam menyelesaikan masalah 1D Steady-State Heat Conduction membuktikan bahwa metode ini merupakan revolusi dalam penyelesaian persamaan diferensial. Dibandingkan dengan metode numerik konvensional seperti FDM dan FEM, PINN memiliki keunggulan utama:

Tidak bergantung pada grid diskrit dan bekerja dalam representasi kontinu.
Lebih efisien secara komputasi dengan fungsi loss berbasis hukum fisika.
Mudah diperluas ke dimensi lebih tinggi tanpa perubahan besar dalam formulasi.

Muhammad Nabil Wirawan (NPM 2306222866)

Wassalamualaikum Wr. Wb.

ccitonline.com