Assalamualaikum Warahmatullahi Wabarakatuh,
Perkenalkan, saya Aqila Akhdaan Mulya dengan NPM 2306247300. Pada kesempatan ini, saya akan membahas bagaimana Physics-Informed Neural Networks (PINNs) dapat digunakan dalam menyelesaikan masalah konduksi panas satu dimensi dengan pendekatan DAI5.
Pendahuluan: PINNs dalam Scientific Computing
Seiring kemajuan teknologi komputasi, Physics-Informed Neural Networks (PINNs) telah menjadi pendekatan inovatif dalam pemecahan masalah berbasis persamaan diferensial. Dengan mengombinasikan model jaringan saraf dengan hukum fisika yang mendasarinya, PINNs menawarkan metode yang lebih efisien dalam menyelesaikan permasalahan numerik. Tulisan ini akan mengkaji bagaimana PINNs dapat diterapkan dalam pemodelan konduksi panas satu dimensi dengan menggunakan prinsip dari framework DAI5. Pemahaman PINNs dan Konduksi Panas 1D
PINNs memiliki karakteristik unik yang membedakannya dari metode komputasi tradisional:
– Menggunakan jaringan saraf sebagai pendekatan universal untuk menyelesaikan persamaan diferensial.
– Mengandalkan automatic differentiation untuk menghitung turunan secara akurat.
– Memasukkan hukum fisika langsung ke dalam arsitektur model pembelajaran.Untuk kasus konduksi panas 1D, kita memodelkan sistem menggunakan persamaan panas:
dengan u(x,t) menyatakan distribusi suhu, alpha adalah difusivitas termal, x adalah koordinat spasial, dan t adalah waktu. Pendekatan dengan Framework DAI5
1. Deep Awareness of I (Kesadaran Diri yang Mendalam)
Langkah awal dalam menyelesaikan masalah komputasi adalah menyadari bahwa hukum fisika yang kita gunakan merupakan bagian dari keteraturan alam yang telah ditetapkan oleh Sang Pencipta. Persamaan konduksi panas mencerminkan bagaimana energi berpindah dalam suatu sistem, yang pada dasarnya merupakan manifestasi dari kebijaksanaan Ilahi. Implementasi dalam PINNs: Neural network dalam PINNs dirancang agar dapat menemukan solusi yang sesuai dengan prinsip fisika, seperti hukum Fourier dalam perpindahan panas. Kesadaran bahwa model ini harus tetap mempertahankan konsistensi dengan hukum alam menjadi landasan utama dalam desain sistem.
2. Intention (Niat yang Jelas)
Niat dalam penerapan PINNs harus difokuskan pada penciptaan solusi yang tidak hanya unggul dalam aspek teknis tetapi juga memberikan manfaat bagi masyarakat. Dalam konteks ini, tujuan utama dari PINNs dalam konduksi panas adalah:- Mengatasi keterbatasan metode tradisional seperti Finite Element Method (FEM) atau Finite Difference Method (FDM) yang membutuhkan mesh dan sumber daya komputasi yang lebih besar.
– Menciptakan solusi yang lebih physics-compliant dengan memasukkan hukum fisika langsung ke dalam fungsi loss. Contoh: Dengan memanfaatkan automatic differentiation, PINNs memungkinkan solusi yang secara otomatis mematuhi persamaan panas tanpa memerlukan data pelatihan dalam jumlah besar.
3. Initial Thinking (Pemikiran Awal tentang Masalah)
Sebelum membangun model, penting untuk memahami sifat dasar dari sistem yang ingin diselesaikan:
– Persamaan Panas 1D: Menganalisis bagaimana suhu berubah terhadap waktu dalam suatu material homogen.
– Kondisi Batas: Misalnya, suhu tetap T0 pada x = 0 dan T1 pada x = 1.
– Solusi Analitik: Untuk kasus sederhana, distribusi suhu dapat direpresentasikan secara linear sebagai T(x) = T0 + (T1 – T0)x. Dalam PINNs, neural network akan berperan sebagai fungsi T(x) yang dilatih untuk meminimalkan loss function, yang terdiri dari:
– Residual PDE: Mengukur sejauh mana solusi mematuhi persamaan panas.
– Kondisi Batas: Memastikan hasil simulasi tetap sesuai dengan syarat fisika yang ada.
4. Idealization (Idealisasi)
Untuk menyederhanakan implementasi, beberapa asumsi dapat dibuat:
– Arsitektur Neural Network: Penggunaan lapisan tersembunyi dengan fungsi aktivasi Tanh cukup untuk merepresentasikan solusi.
– Material Homogen: Difusivitas termal alpha dianggap konstan.
– Kondisi batas sederhana: Suhu tetap di kedua ujung domain.
5. Instruction Set (Pelaksanaan dan Evaluasi)
Langkah-langkah implementasi PINNs dalam konduksi panas 1D:
1. Membangun Model: Merancang neural network dengan input x dan output T(x).
2. Menghitung Loss: 
MSE(Residual PDE) Residual PDE memastikan solusi yang dihasilkan tetap mematuhi hukum fisika.
3. Melatih Model: Menggunakan optimizer Adam untuk memperbarui bobot jaringan saraf.
4. Validasi: Membandingkan hasil prediksi PINNs dengan solusi analitik untuk menilai akurasi model.
Hasil dan Analisis
Setelah proses pelatihan, model PINNs mampu menghasilkan solusi yang mendekati hasil analitik dengan peningkatan jumlah epoch. Dengan metode ini, solusi yang diperoleh lebih halus dan tetap selaras dengan hukum fisika tanpa perlu mesh seperti metode numerik konvensional.
Kesimpulan
Pendekatan PINNs yang dikombinasikan dengan framework DAI5 tidak hanya memberikan solusi numerik yang lebih akurat tetapi juga memastikan bahwa metode yang digunakan memiliki dasar filosofis yang kuat. Dengan menggabungkan kecerdasan buatan dan prinsip fisika, kita dapat membangun sistem komputasi yang tidak hanya cerdas tetapi juga bertanggung jawab secara ilmiah dan spiritual.
Wassalamualaikum Warahmatullahi Wabarakatuh.
