Assalamualaikum Warahmatullahi Wabarakatuh
MESIN MESIN MESIN!!!
BERSYUKUR BERSYUKUR BERSYUKUR!!!
Sebelumnya, izinkan saya memperkenalkan diri, saya Muhammad Naufal Iyad Arsyad dengan NPM 2306247332 dari kelas Metode Numerik-03. Pada blog ini saya akan membagikan sedikit pengetahuan yang selama ini saya dapatkan terkait PINN HC 1D yang dimana ‘terikat’ dengan 33 Kriteria evaluasi dalam Framework DAI5. Yang dimana blog ini saya buat pada tanggal 24/03/2025 untuk memenuhi tugas 5 Metode Numerik-03.
Sedikit pengenalan untuk gambar 1.0, Physics-informed neural networks (PINNs) adalah jenis jaringan saraf buatan yang mengintegrasikan pengetahuan fisika—seperti hukum-hukum yang dinyatakan dalam bentuk persamaan diferensial parsial (PDE)—ke dalam proses pelatihan model. Artinya, selain belajar dari data, PINNs juga dirancang untuk memastikan bahwa output yang dihasilkan memenuhi hukum-hukum fisika yang sudah diketahui. Berikut adalah poin-poin utamanya:
- Integrasi Fisika: PINNs memasukkan persamaan fisika sebagai bagian dari fungsi kerugian (loss function) selama pelatihan. Dengan cara ini, jaringan tidak hanya berusaha meminimalkan kesalahan terhadap data, tetapi juga kesalahan terhadap residu persamaan diferensial yang menggambarkan fenomena fisik yang mendasari.
- Efisiensi Data: Karena adanya pengetahuan fisika sebagai prior, PINNs sangat berguna ketika data yang tersedia terbatas atau memiliki tingkat kebisingan (noise) yang tinggi. Informasi fisika berfungsi sebagai regularisasi yang membatasi ruang solusi sehingga model dapat generalisasi dengan lebih baik.
- Aplikasi Luas: PINNs telah diterapkan untuk menyelesaikan masalah-masalah maju (forward problems) seperti simulasi aliran fluida, serta masalah invers (inverse problems) seperti penaksiran parameter dalam sistem fisika—misalnya, dalam biomedis, mekanika fluida, dan rekayasa struktur.
Dengan menggabungkan data observasi dengan pengetahuan fisika, PINNs memungkinkan solusi numerik yang konsisten secara fisika tanpa perlu bergantung pada metode numerik tradisional yang sering memerlukan pembuatan mesh dan discretisasi yang kompleks.
Dan berdasarkan penjelasan di atas, gambar 1.0 memberikan ilustrasi alur kerja dari Physics-informed Neural Networks (PINNs). Dalam diagram tersebut:
- Uninformed Neural Network: Bagian ini adalah jaringan saraf tradisional yang digunakan untuk memodelkan data observasi dengan input berupa variabel xxx dan ttt, yang menghasilkan prediksi p^\hat{p}p^.
- Informed Neural Network : Komponen ini mencakup integrasi hukum fisika melalui formulasi PDE (Partial Differential Equations), IC (Initial Conditions), dan CC (Boundary/Constraint Conditions). Elemen-elemen ini membantu jaringan dalam memahami keterbatasan fisika dari sistem yang dimodelkan.
- Fungsi Kerugian : Kerugian dihitung berdasarkan dua aspek: (i) kesalahan antara prediksi jaringan (p^\hat{p}p^) dengan data aktual (ppp) dan (ii) residu persamaan fisika yang dirumuskan dalam PDE. Keduanya dikombinasikan menjadi “Total Loss.”
- Iterasi Pelatihan: Model dilatih hingga konvergensi atau batas maksimum iterasi (maxItr) tercapai. Jika loss sudah memenuhi kriteria, pelatihan dihentikan.
Diagram ini menunjukkan bagaimana PINNs menyelaraskan pembelajaran data dengan hukum fisika yang mendasari, memungkinkan solusi yang lebih robust dan akurat bahkan dalam kondisi data yang terbatas.
Untuk penjelasan berikutnya saya akan menjelaskan dengan “kaidah” DAI5 Framework :
1.) Deep Awarness Of I
Pada kaidah Deep Awareness of I terletak pada pendekatan reflektif PINNs yang menyeimbangkan antara hukum fisika dan data. Seperti kesadaran mendalam yang melibatkan pemahaman akan prinsip mendasar diri dan lingkungan, PINNs secara adaptif belajar untuk menghasilkan solusi yang sesuai dengan hukum alamiah (fisika) sekaligus mengakomodasi dinamika kompleks yang muncul dari data. Prinsip ini menjadikan PINNs tidak hanya alat komputasi, tetapi juga sistem yang “sadar” terhadap keterbatasan fisika dan realitas data, menciptakan model yang tangguh dan akurat.
2.) Intention
Tercermin dalam cara PINNs yang dimana dirancang untuk mengakomodasi kompleksitas masalah tanpa tergesa-gesa mencari solusi yang hanya cocok dengan data, tetapi juga memenuhi prinsip fisika yang mendasari. Niat yang sabar di sini digambarkan melalui proses iterasi yang konsisten dan terfokus, menunjukkan bahwa keberhasilan solusi memerlukan ketekunan dan keseimbangan antara harapan (fit dengan data) dan kepatuhan terhadap hukum dasar (fisika). Seperti niat sabar dalam hidup, PINNs mengajarkan pentingnya pendekatan bertahap untuk mencapai solusi optimal yang mendalam dan bermakna.
3.) Initial Thinking
Hubungan dengan initial thinking (pemikiran awal tentang masalah) terlihat dalam cara PINNs memulai pendekatannya dari kerangka pemahaman dasar tentang fenomena fisika yang ingin dimodelkan. Pemikiran awal ini berupa formulasi persamaan diferensial, kondisi awal (initial conditions), dan batasan sistem (boundary conditions), yang menjadi landasan untuk membimbing jaringan saraf dalam memahami struktur masalah. PINNs tidak hanya bergantung pada data, tetapi juga mengeksplorasi solusi berdasarkan kerangka pemikiran awal ini, memastikan hasil yang dihasilkan tetap relevan dengan hukum fisika yang mendasari. Hal ini menunjukkan bagaimana pemikiran awal yang matang menjadi kunci untuk menciptakan proses analisis yang efektif dan akurat.
4.) Idealization
Hubungan dengan idealization terletak pada proses menyederhanakan fenomena kompleks menjadi representasi matematis yang dapat diolah, seperti formulasi PDE yang merepresentasikan aliran panas. PINNs beroperasi berdasarkan model ideal ini, di mana sistem fisika disederhanakan ke dalam hukum termodinamika dan batasan-batasan seperti initial conditions (IC) dan boundary conditions (BC). Proses pembentukan model ini memungkinkan PINNs untuk menghubungkan dunia nyata dengan solusi komputasional, sehingga jaringan saraf dapat dilatih untuk memberikan solusi yang konsisten dengan hukum ideal tersebut. Dengan memanfaatkan idealisasi sebagai kerangka awal, PINNs tidak hanya memberikan solusi numerik, tetapi juga memastikan bahwa solusi tersebut tetap relevan dan valid sesuai model fisika yang telah dibangun.
5.) Instruction Set – Langkah Penyelesaian
Hubungannya dengan instruction set terlihat dalam cara PINNs menyusun dan menjalankan serangkaian tahapan sistematis untuk mencapai solusi. Langkah-langkah tersebut meliputi formulasi persamaan fisika (PDE), penetapan kondisi awal (initial conditions) dan batas (boundary conditions), perumusan fungsi kerugian yang menggabungkan kesalahan data dengan residu PDE, hingga iterasi pelatihan menggunakan optimisasi. Instruction set ini memberikan struktur yang jelas, sehingga PINNs dapat mengikuti proses terarah yang memastikan solusi tidak hanya mendekati data tetapi juga tetap mematuhi hukum fisika yang mendasari. Proses ini mencerminkan pentingnya langkah penyelesaian yang terencana untuk menghasilkan solusi yang robust, akurat, dan bermakna.
Dari semua hal yang telah saya dapatkan, maka kesimpulanya Physics-Informed Neural Networks (PINNs) adalah pendekatan inovatif yang memadukan pengetahuan fisika dan data untuk menyelesaikan masalah kompleks, seperti heat conduction 1D, dengan lebih efektif dan akurat. Melalui integrasi kaidah DAI5 Framework, PINNs tidak hanya menjadi alat komputasi, tetapi juga merefleksikan prinsip mendalam seperti kesadaran akan fisika (Deep Awareness of I), niat yang sabar dalam menyelesaikan masalah (Intention), pemikiran awal yang matang (Initial Thinking), pembentukan model yang ideal (Idealization), dan langkah penyelesaian yang terstruktur (Instruction Set). Keseluruhan proses ini menunjukkan bahwa PINNs adalah representasi dari sistem yang tidak hanya cerdas secara matematis, tetapi juga selaras dengan hukum-hukum alam, menciptakan solusi yang tangguh, bermakna, dan relevan dengan fenomena dunia nyata.
4o
