ccitonline.com

Pendahuluan

Physics-Informed Neural Networks (PINN) merupakan pendekatan modern dalam menyelesaikan persamaan diferensial parsial (PDE) dengan menggabungkan metode deep learning dan prinsip fisika. PINN dapat digunakan untuk mensimulasikan berbagai fenomena fisik, termasuk konduksi panas satu dimensi (heat conduction 1D), yang umumnya dimodelkan menggunakan persamaan difusi panas.

Pendekatan PINN berbeda dari metode numerik klasik seperti Finite Difference Method (FDM) atau Finite Element Method (FEM) karena tidak memerlukan diskritisasi domain secara eksplisit, melainkan menggunakan fungsi aktivasi dalam jaringan saraf untuk menyusun solusi yang memenuhi persamaan fisika. Untuk memahami implementasi PINN dalam heat conduction 1D dengan lebih mendalam, kita dapat menerapkan framework DAI5, yang terdiri dari Deep Awareness, Intention, Initial Thinking, Idealization, dan Instruction Set.

Penerapan Framework DAI5 dalam Heat Conduction 1D dengan PINN

1. Deep Awareness (Kesadaran Mendalam)

Pemodelan heat conduction 1D dengan PINN bukan hanya sekadar menjalankan algoritma deep learning, tetapi juga memahami bagaimana pendekatan ini menghubungkan metode komputasi dengan hukum fisika. Kesadaran ini mencakup:

• Pemahaman bahwa persamaan panas 1D dirumuskan sebagai:
• di mana T adalah temperatur, α\alpha adalah difusivitas termal, dan x adalah koordinat spasial.
• Perbedaan fundamental antara PINN dan metode numerik klasik: PINN menghindari grid diskrit dan memanfaatkan fungsi loss yang memperhitungkan residual dari PDE.
• Kesadaran bahwa pemilihan arsitektur jaringan, fungsi aktivasi, dan optimasi berpengaruh besar terhadap hasil yang diperoleh.

2. Intention (Niat dan Tujuan)

Tujuan utama dari penerapan PINN dalam heat conduction 1D adalah:

• Menyelesaikan PDE konduksi panas tanpa pendekatan berbasis grid seperti metode numerik konvensional.
• Menghasilkan solusi yang lebih fleksibel dengan interpolasi yang lebih halus di dalam domain.
• Mengurangi kebutuhan data eksperimen atau simulasi dengan mengandalkan hukum fisika sebagai bagian dari fungsi loss.
• Memverifikasi keakuratan PINN dengan membandingkan hasil dengan solusi analitis atau metode numerik lainnya.

3. Initial Thinking (Pemikiran Awal tentang Masalah)

Dalam tahap ini, kita menganalisis bagaimana PINN dapat diterapkan pada heat conduction 1D:

• Definisi Domain dan Kondisi Batas: Domain satu dimensi dengan batasan temperatur yang diketahui di kedua ujungnya.
• Pemilihan Arsitektur Neural Network:
  • Input: posisi xx dan waktu tt.
  • Hidden layers: beberapa lapisan dengan aktivasi tanh untuk menangkap perilaku diferensial.
  • Output: nilai temperatur T(x,t)T(x,t).
• Fungsi Loss: PINN menggunakan loss function berbasis residual dari PDE: L=∥∂T∂t−α∂2T∂x2∥2\mathcal{L} = \|\frac{\partial T}{\partial t} – \alpha \frac{\partial^2 T}{\partial x^2} \|^2 ditambah dengan loss dari data boundary condition dan initial condition.
• Algoritma Optimasi: Adam optimizer atau L-BFGS digunakan untuk meminimalkan error dalam solusi.

4. Idealization (Idealisasi Model)

Model PINN untuk heat conduction 1D perlu dibuat dengan asumsi yang realistis tetapi tetap sederhana:

• Material homogen: Koefisien difusivitas termal α\alpha dianggap konstan.
• Kondisi awal yang diketahui: Temperatur awal di domain telah ditentukan.
• Pemilihan jumlah titik sampling: Data training diambil dari beberapa titik di domain untuk melatih jaringan saraf.
• Evaluasi terhadap noise: Eksperimen dilakukan untuk melihat apakah PINN dapat menangani data dengan gangguan kecil.

5. Instruction Set (Set Instruksi)

Tahap ini menguraikan langkah-langkah yang diperlukan untuk menerapkan PINN dalam heat conduction 1D:

1. Mendefinisikan domain simulasi: x∈[0,L]x \in [0,L] dan t∈[0,T]t \in [0,T], dengan nilai batas yang diketahui.
2. Membangun arsitektur jaringan saraf:
   • Input layer dengan dua neuron (x, t).
   • Beberapa hidden layer dengan fungsi aktivasi tanh.
   • Output layer dengan satu neuron (T).
3. Menentukan fungsi loss:
   • Loss berdasarkan residual PDE.
   • Loss dari kondisi batas dan awal.
4. Melakukan training menggunakan optimizer:
   • Memanfaatkan Adam optimizer untuk tahap awal.
   • Menggunakan L-BFGS untuk fine-tuning model.
5. Mengevaluasi hasil:
   • Membandingkan solusi PINN dengan solusi analitis atau metode numerik lainnya.
   • Memvisualisasikan distribusi temperatur untuk melihat keakuratan hasil.

Kesimpulan

Pendekatan DAI5 dalam memahami PINN untuk heat conduction 1D membantu kita menyusun pemahaman yang lebih sistematis dan terstruktur. Dengan kesadaran mendalam terhadap model fisika dan neural network, niat yang jelas untuk menyelesaikan PDE tanpa pendekatan grid tradisional, serta analisis awal dan idealisasi yang tepat, kita dapat menerapkan instruction set yang efektif untuk menyelesaikan masalah konduksi panas dengan PINN.

Dengan penerapan PINN yang tepat, metode ini memiliki potensi besar dalam menyelesaikan berbagai masalah teknik tanpa memerlukan diskritisasi eksplisit, menjadikannya alternatif yang menarik dibandingkan metode numerik klasik. Evaluasi lebih lanjut diperlukan untuk mengoptimalkan performa jaringan serta mengatasi tantangan dalam konvergensi dan efisiensi komputasi.