ccitonline.com

Pendahuluan

بِسْمِ ٱللَّٰهِ ٱلرَّحْمَٰنِ ٱلرَّحِيمِ

Assalamulaikum Wr. Wb.

Bersyukur! Bersyukur! Bersyukur!

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

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

Namun, pendekatan ini memiliki beberapa kelemahan, seperti ketergantungan pada grid diskrit dan kesulitan dalam menangani geometri kompleks. Sebagai alternatif, PINN menawarkan metode berbasis optimasi dengan memanfaatkan fungsi loss yang mengandung hukum fisika. Dalam PINN, solusi diaproksimasi oleh jaringan saraf, dan hukum fisika ditegakkan melalui physics loss, yang didefinisikan sebagai kuadrat residu dari persamaan diferensial yang harus dipenuhi:

Dalam esai ini, pendekatan PINN dianalisis melalui lensa framework DAI5, yang mencakup lima tahap pemikiran: Deep Awareness of I, Intention, Initial Thinking, Idealization, dan Instruction-Set. Selain itu juga akan membahas setiap aspek dari framework DAI5 dalam konteks implementasi PINN untuk kasus 1D Steady-State Heat Conduction.

Framework DAI5

Kesadaran Mendalam tentang Diri

Sebelum memulai pemodelan, saya menyadari bahwa:

• Fenomena fisika seperti konduksi panas tunduk pada hukum termodinamika yang diciptakan oleh Tuhan. Persamaan Laplace (∇ ²T = 0) bukan sekadar rumus matematis, tetapi refleksi dari keteraturan alam.
• Peran saya sebagai mahasiswa adalah memahami dan memodelkan fenomena ini dengan rendah hati, mengakui bahwa model manusia hanyalah pendekatan dari realitas yang sempurna.
• Dalam kode PINN, kesadaran ini tercermin dari upaya memastikan solusi neural network mematuhi hukum fisika melalui physics loss (∇ ²T = 0).

Niat yang Jelas

Niat utama dalam proyek ini adalah:

• Mengembangkan model PINN yang akurat untuk memprediksi suhu, bukan hanya mengejar akurasi numerik, tetapi juga 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:
  • Physics loss untuk memastikan model mematuhi ∇ ²T = 0.
  • Boundary loss untuk memenuhi syarat batas (T₀ = 100 °C, T₁ = 0 °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 (∇²T = 0)
physics_loss = torch.mean(d2T_dx2**2)

about the Problem

Tahap ini melibatkan analisis mendalam tentang masalah:

• Persamaan Dasar: Konduksi panas steady-state dijelaskan oleh ∇ ²T = 0, dengan solusi analitik T(x) = T₀ + (T₁-T₀)x.
• Karakteristik Masalah: Domain 1D sederhana, tetapi memerlukan pemilihan arsitektur neural network yang tepat.
• Data dan Batasan: PINN tidak memerlukan data eksperimen karena menggunakan hukum fisika sebagai “pengawas” (supervisor).
• Implementasi Neural Network:
  • Arsitektur terdiri dari tiga lapisan tersembunyi dengan 20 neuron per lapisan.
  • Aktivasi tanh dipilih untuk menangkap variasi halus dalam solusi fisika.

# 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)

Penyederhanaan dengan Mempertahankan Esensi

Asumsi dan penyederhanaan dalam model:

• Domain 1D: Mempermudah pemahaman sebelum beralih ke kasus multidimensi.
• Aktivasi Tanh: Dipilih karena kemampuannya menangkap variasi halus dalam solusi fisika.
• Diskretisasi: Menggunakan 100 titik grid untuk efisiensi komputasi tanpa mengorbankan akurasi.
• Pelatihan Model: Menggunakan optimasi Adam dengan lr = 0,001 dan 1000 epochs.

Implementasi dan Evaluasi

Langkah-langkah eksekusi dalam kode:

1. Inisialisasi Model: Jaringan saraf dengan tiga lapisan tersembunyi.
2. Pelatihan: Mengoptimalkan loss gabungan (physics loss + boundary loss) menggunakan Adam optimizer.
3. Validasi: Membandingkan hasil PINN dengan solusi analitik.
4. Visualisasi Hasil:

Algoritma Coding

Berikut adalah flowchart yang menggambarkan alur implementasi algoritma PINN:

            graph TD;
                A(Start) --> B[Initialize PINN Model];
                B --> C[Define Loss Function];
                C -->|Physics Loss + Boundary Loss| D[Compute Total Loss];
                D --> E{Training Loop};
                E -->|Generate Data| F[Forward Pass];
                F --> G[Compute Loss];
                G --> H[Backpropagation];
                H --> I[Update Parameters with Adam Optimizer];
                I --> J[Check Epochs];
                J -->|More Epochs?| E;
                J -->|No| K[Plot Results];
                K --> L[User Inputs: T0, T1, Epochs];
                L --> M[Click Solve & Plot];
                M --> N[Train Model & Display Graph];
                N --> O(End);
        

Flowchart algoritma PINN dalam kasus 1D Steady-State Heat Conduction menggambarkan langkah-langkah utama dalam pelatihan model berbasis jaringan saraf untuk menyelesaikan persamaan diferensial konduksi panas. Proses ini dimulai dengan inisialisasi model PINN, di mana arsitektur jaringan saraf dibuat dengan beberapa lapisan tersembunyi dan fungsi aktivasi yang sesuai.

Selanjutnya, fungsi loss didefinisikan, yang terdiri dari dua komponen utama:

1. Physics Loss – Memastikan model memenuhi persamaan diferensial ∇ ²T = 0.
2. Boundary Loss – Memastikan model memenuhi syarat batas (T₀ = 100°C, T₁ = 0°C).

Setelah itu, total loss dihitung dan model memasuki loop pelatihan, yang melibatkan langkah-langkah berikut:

• Forward Pass: Data input diproses melalui jaringan untuk menghasilkan prediksi suhu.
• Perhitungan Loss: Error antara prediksi model dan hukum fisika dihitung.
• Backpropagation: Gradien loss dihitung untuk memperbarui bobot model.
• Update Parameter: Optimizer Adam digunakan untuk menyesuaikan bobot model guna mengurangi error.
• Cek Jumlah Epochs: Jika jumlah epochs belum mencapai batas, proses pelatihan diulang; jika sudah selesai, model melanjutkan ke tahap evaluasi.

Setelah pelatihan selesai, hasil divisualisasikan, di mana prediksi PINN dibandingkan dengan solusi analitik untuk memvalidasi akurasi model. Pengguna dapat memasukkan nilai T₀, T₁, dan jumlah epochs melalui antarmuka, lalu menekan tombol Solve & Plot untuk menjalankan proses pelatihan dan melihat hasilnya. Proses ini berakhir setelah grafik hasil simulasi ditampilkan.

Kesimpulan

Penerapan PINN dalam menyelesaikan masalah 1D Steady-State Heat Conduction menunjukkan bahwa metode ini bukan sekadar pendekatan baru dalam komputasi ilmiah, tetapi juga sebuah revolusi dalam cara kita menyelesaikan persamaan diferensial. Jika dibandingkan dengan metode numerik konvensional seperti metode beda hingga (FDM) dan metode elemen hingga (FEM), PINN menawarkan beberapa keunggulan utama:

Keunggulan PINN dibanding Metode Numerik Tradisional

• Tidak bergantung pada grid diskrit, bekerja dalam representasi kontinu.
• Lebih efisien secara komputasi dengan fungsi loss berbasis hukum fisika.
• Mudah diperluas ke dimensi lebih tinggi tanpa perubahan besar.
• Memanfaatkan gradient descent untuk optimasi iteratif.

Tantangan dalam Implementasi PINN

• Memerlukan pemilihan arsitektur jaringan dan hiperparameter yang optimal.
• Konvergensi model bisa menjadi masalah jika loss function tidak terdefinisi dengan baik.
• Dalam beberapa kasus, metode numerik masih lebih cepat untuk solusi tertentu.

Integrasi PINN dengan Metode Numerik

• Kombinasi PINN dan metode numerik dapat meningkatkan akurasi dan efisiensi.
• PINN dapat menyempurnakan solusi numerik atau menangani kasus tanpa data eksperimen.

Makna Ilmiah dan Filosofis

• PINN tidak hanya alat komputasi tetapi juga refleksi keteraturan alam.
• Integrasi antara kecerdasan buatan dan metode numerik mendekatkan manusia pada pemahaman lebih dalam tentang hukum-hukum alam.

Demikian esai ini saya buat untuk memenuhi tugas 5 Kelas Metode Numerik. Mohon maaf jika terdapat kekurangan dalam penjelasan ini. Semoga esai ini dapat memberikan pemahaman yang lebih mendalam tentang pendekatan DAI5 dalam konteks Physics-Informed Neural Networks (PINN) serta integrasinya dengan metode numerik.

Wassalamualaikum Wr. Wb.