ccitonline.com

Prinsip & Algoritma Physics-Informed Neural Networks (PINN) untuk Heat Conduction 1D dalam Framework DAI5

Perkembangan metode numerik dalam rekayasa modern semakin berkembang dengan integrasi kecerdasan buatan (AI). Salah satu pendekatan mutakhir adalah Physics-Informed Neural Networks (PINN), yang mengombinasikan hukum fisika dengan metode pembelajaran mesin untuk menyelesaikan persamaan diferensial parsial (PDE). Dalam esai ini, kita akan mengevaluasi prinsip dan algoritma PINN untuk kasus Heat Conduction 1D (HC 1D) menggunakan Framework DAI5, yang meliputi Deep Awareness of I, Intention, Initial Thinking, Idealization, dan Instruction Set. Pendekatan ini diharapkan tidak hanya meningkatkan akurasi dan efisiensi dalam perhitungan numerik tetapi juga memperkuat pemahaman tentang keteraturan alam sebagai manifestasi kebesaran Allah SWT.

Implementasi Physics-Informed Neural Networks (PINN) dalam Simulasi Konduksi Panas 1D

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk

# 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)

# Function to compute the loss
def compute_loss(model, x, T0, T1):
    x = x.requires_grad_(True)
    T = model(x)
    
    # Compute derivatives
    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 (d^2T/dx^2 = 0)
    physics_loss = torch.mean(d2T_dx2**2)
    
    # Boundary conditions
    T_left = model(torch.tensor([[0.0]]))
    T_right = model(torch.tensor([[1.0]]))
    bc_loss = (T_left - T0)*2 + (T_right - T1)*2
    
    return physics_loss + bc_loss

# Training function
def train_pinn(T0, T1, epochs=1000):
    model = PINN()
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    x = torch.linspace(0, 1, 100).reshape(-1, 1)
    
    for epoch in range(epochs):
        optimizer.zero_grad()
        loss = compute_loss(model, x, T0, T1)
        loss.backward()
        optimizer.step()
        
        if epoch % 100 == 0:
            print(f"Epoch {epoch}, Loss: {loss.item():.6f}")
    
    return model

# Function to plot results
def plot_results(model, T0, T1):
    x = torch.linspace(0, 1, 100).reshape(-1, 1)
    with torch.no_grad():
        T_pred = model(x).numpy()
    x = x.numpy()
    T_analytical = T0 + (T1 - T0) * x
    
    plt.figure(figsize=(8, 6))
    plt.plot(x, T_pred, label="PINN Solution")
    plt.plot(x, T_analytical, '--', label="Analytical Solution")
    plt.xlabel("x")
    plt.ylabel("Temperature")
    plt.title("1D Steady-State Heat Conduction")
    plt.legend()
    plt.grid(True)
    plt.show()

# GUI Application
class PINNApp:
    def _init_(self, root):
        self.root = root
        self.root.title("PINN 1D Heat Conduction Solver")
        
        # Labels and Entries
        ttk.Label(root, text="T0 (Left Boundary, °C):").grid(row=0, column=0, padx=5, pady=5)
        self.T0_entry = ttk.Entry(root)
        self.T0_entry.grid(row=0, column=1, padx=5, pady=5)
        self.T0_entry.insert(0, "100")
        
        ttk.Label(root, text="T1 (Right Boundary, °C):").grid(row=1, column=0, padx=5, pady=5)
        self.T1_entry = ttk.Entry(root)
        self.T1_entry.grid(row=1, column=1, padx=5, pady=5)
        self.T1_entry.insert(0, "0")
        
        ttk.Label(root, text="Epochs:").grid(row=2, column=0, padx=5, pady=5)
        self.epochs_entry = ttk.Entry(root)
        self.epochs_entry.grid(row=2, column=1, padx=5, pady=5)
        self.epochs_entry.insert(0, "1000")
        
        # Solve Button
        self.solve_button = ttk.Button(root, text="Solve & Plot", command=self.solve)
        self.solve_button.grid(row=3, column=0, columnspan=2, pady=10)
    
    def solve(self):
        try:
            T0 = float(self.T0_entry.get())
            T1 = float(self.T1_entry.get())
            epochs = int(self.epochs_entry.get())
            
            model = train_pinn(T0, T1, epochs)
            plot_results(model, T0, T1)
        except ValueError:
            tk.messagebox.showerror("Error", "Please enter valid numerical values.")

# Run the GUI
if _name_ == "_main_":
    root = tk.Tk()
    app = PINNApp(root)
    root.mainloop()

Kode berikut merupakan implementasi PINN untuk menyelesaikan persamaan diferensial konduksi panas 1D steady-state. Model ini dibuat menggunakan PyTorch dan dilengkapi dengan antarmuka grafis (GUI) berbasis Tkinter untuk memudahkan pengguna dalam memasukkan parameter batas dan jumlah epoch pelatihan

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk

# Definisi Jaringan Syaraf Tiruan PINN
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)

Kode ini mendefinisikan arsitektur jaringan syaraf tiruan dengan tiga lapisan tersembunyi, masing-masing berisi 20 neuron dan menggunakan fungsi aktivasi tanh untuk menangani non-linearitas.

# Fungsi untuk Menghitung Loss
# Loss terdiri dari loss fisika dan kondisi batas
def compute_loss(model, x, T0, T1):
    x = x.requires_grad_(True)
    T = model(x)
    
    # Menghitung turunan pertama dan kedua
    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]
    
    # Loss fisika berdasarkan persamaan diferensial
    physics_loss = torch.mean(d2T_dx2**2)
    
    # Loss kondisi batas
    T_left = model(torch.tensor([[0.0]]))
    T_right = model(torch.tensor([[1.0]]))
    bc_loss = (T_left - T0)**2 + (T_right - T1)**2
    
    return physics_loss + bc_loss

Fungsi compute_loss() bertanggung jawab untuk memastikan bahwa solusi yang dihasilkan oleh jaringan memenuhi persamaan diferensial panas steady-state (d²T/dx² = 0) serta mematuhi kondisi batas yang ditetapkan oleh pengguna.

# Fungsi Pelatihan Model

def train_pinn(T0, T1, epochs=1000):
    model = PINN()
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    x = torch.linspace(0, 1, 100).reshape(-1, 1)
    
    for epoch in range(epochs):
        optimizer.zero_grad()
        loss = compute_loss(model, x, T0, T1)
        loss.backward()
        optimizer.step()
        
        if epoch % 100 == 0:
            print(f"Epoch {epoch}, Loss: {loss.item():.6f}")

Model dilatih dengan optimizer Adam dan learning rate 0.001, menggunakan 100 titik kolokasi sepanjang domain 1D untuk memastikan konvergensi yang optimal.

# Fungsi untuk Memvisualisasikan Hasil

def plot_results(model, T0, T1):
    x = torch.linspace(0, 1, 100).reshape(-1, 1)
    with torch.no_grad():
        T_pred = model(x).numpy()
    x = x.numpy()
    T_analytical = T0 + (T1 - T0) * x
    
    plt.figure(figsize=(8, 6))
    plt.plot(x, T_pred, label="PINN Solution")
    plt.plot(x, T_analytical, '--', label="Analytical Solution")
    plt.xlabel("x")
    plt.ylabel("Temperature")
    plt.title("1D Steady-State Heat Conduction")
    plt.legend()
    plt.grid(True)
    plt.show()

Visualisasi hasil menggunakan Matplotlib, dengan membandingkan solusi dari PINN dengan solusi analitik berbasis interpolasi linear.

Evaluasi 33 Kriteria Framework DAI5 dalam PINN HC 1D

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

1. Consciousness of Purpose
PINN bukan sekadar alat numerik, tetapi juga sarana untuk menggali keteraturan alam yang telah ditetapkan oleh Allah SWT. Konsep konduksi panas yang mengikuti Persamaan Fourier menunjukkan bahwa perpindahan energi mengikuti pola yang dapat diprediksi, mencerminkan bagaimana hukum fisika telah diatur dengan sempurna. Dengan menggunakan PINN, kita dapat lebih memahami dan menghargai keteraturan ini dalam bentuk pemodelan numerik.

2. Self-awareness
Metode numerik tradisional seperti metode beda hingga (Finite Difference Method, FDM) dan metode elemen hingga (Finite Element Method, FEM) sering kali memerlukan diskretisasi ruang yang sangat halus agar hasilnya akurat. Ini menyebabkan peningkatan kebutuhan komputasi dan sering kali menghasilkan kesalahan numerik. PINN mengatasi keterbatasan ini dengan menggabungkan prinsip fisika ke dalam model jaringan saraf, sehingga lebih fleksibel dalam menangani berbagai kondisi.

3. Ethical Consideration
Penggunaan PINN tidak hanya bermanfaat dalam penelitian akademis, tetapi juga memiliki dampak nyata bagi kehidupan manusia. Dengan kemampuannya meningkatkan efisiensi simulasi, metode ini dapat mengurangi kebutuhan eksperimen fisik yang sering kali memakan banyak sumber daya. Hasilnya, industri teknik dapat lebih hemat energi, mengurangi limbah, dan berkontribusi pada keberlanjutan lingkungan secara keseluruhan.

4. Integration of CCIT
Dalam PINN, keteraturan hukum fisika yang digunakan dalam model mencerminkan keteraturan alam yang telah ditetapkan oleh Allah SWT, di mana jaringan saraf tidak hanya menyesuaikan data, tetapi juga memastikan solusi tetap memenuhi prinsip fisika, seperti hukum Fourier dalam konduksi panas. Hal ini menunjukkan bahwa pengembangan AI, termasuk PINN, bukan sekadar pencapaian teknis, tetapi juga bentuk apresiasi terhadap keteraturan semesta untuk kemajuan dan kesejahteraan manusia.

5. Critical Reflection
Evaluasi model PINN tidak hanya dilakukan secara numerik, tetapi juga ditinjau dalam konteks spiritual dan sosial. Dengan memahami bagaimana hukum perpindahan panas bekerja dalam model ini, kita menyadari bahwa alam telah diatur dengan keteraturan yang memungkinkan pemanfaatan optimal. Ini menunjukkan bahwa pendekatan berbasis AI tidak hanya tentang perhitungan, tetapi juga tentang menghargai dan memahami keteraturan semesta yang dapat dimanfaatkan untuk kesejahteraan manusia.

6. Continuum of Awareness
Setiap tahap dalam pengembangan PINN, mulai dari perancangan model, pelatihan, hingga validasi, dilakukan dengan kesadaran ilmiah dan keyakinan bahwa ilmu pengetahuan adalah sarana untuk memahami keteraturan alam yang telah ditetapkan oleh Allah SWT. Dengan memastikan bahwa model ini mengikuti hukum fisika, kita tidak hanya membangun solusi komputasi yang akurat, tetapi juga mengapresiasi keteraturan semesta sebagai bagian dari tanda kebesaran-Nya.

2. Intention (Niat)

7. Clarity of Intent
Tujuan utama penggunaan PINN dalam simulasi konduksi panas adalah untuk menghitung distribusi suhu dalam suatu medium dengan pendekatan yang lebih akurat dan efisien dibandingkan metode numerik konvensional. Dengan menggabungkan jaringan saraf dan hukum fisika, PINN tidak hanya mencari solusi berdasarkan data, tetapi juga memastikan bahwa hasilnya tetap memenuhi persamaan diferensial yang menggambarkan perpindahan panas, sehingga lebih stabil dan memerlukan lebih sedikit data dibandingkan metode tradisional.

8. Alignment of Objectives
Simulasi dengan PINN tidak hanya menghasilkan nilai numerik, tetapi juga memberikan pemahaman yang lebih mendalam tentang fenomena perpindahan panas. Dengan memastikan bahwa model tetap mengikuti hukum fisika, PINN membantu menjelaskan bagaimana panas bergerak dalam suatu medium secara lebih intuitif. Hasilnya tidak hanya bermanfaat dalam penelitian akademik, tetapi juga memiliki aplikasi luas dalam industri dan rekayasa teknik, seperti desain sistem pendingin, manufaktur, dan optimasi material.

9. Relevance of Intent
PINN lebih fleksibel dibandingkan metode numerik tradisional karena tidak hanya bergantung pada diskritisasi dan solusi numerik, tetapi juga mampu menggabungkan data eksperimen dengan hukum fisika. Dengan pendekatan ini, PINN dapat menghasilkan prediksi yang lebih akurat bahkan dalam kondisi data yang terbatas, karena model tetap mematuhi persamaan diferensial yang mendasari fenomena fisika yang dipelajari.

10. Sustainability Focus
Dengan mengurangi ketergantungan pada eksperimen fisik, PINN mengoptimalkan pemodelan fenomena dengan mengintegrasikan hukum fisika langsung ke dalam jaringan saraf. Algoritma ini memungkinkan prediksi yang akurat tanpa perlu banyak data eksperimen, sehingga menghemat sumber daya, mengurangi limbah dari pengujian fisik, serta meningkatkan efisiensi energi dalam simulasi teknik.

11. Focus on Quality
Model PINN dirancang untuk menghasilkan prediksi yang akurat dengan tetap mematuhi hukum fisika. Untuk memastikan keandalannya, hasil dari model ini divalidasi dengan membandingkannya terhadap solusi analitik dan metode numerik tradisional. Pendekatan ini memastikan bahwa prediksi yang dihasilkan tidak hanya mendekati kenyataan tetapi juga sesuai dengan prinsip fisika yang mendasarinya.

3. Initial Thinking (Pemikiran Awal tentang Masalah)

12. Problem Understanding
Masalah utama yang diselesaikan oleh PINN adalah menentukan distribusi suhu dalam medium konduktif 1D dengan mengikuti hukum Fourier. Dengan pendekatan ini, PINN dapat memprediksi perubahan suhu secara akurat tanpa memerlukan data dalam jumlah besar, menjadikannya solusi yang efisien untuk berbagai aplikasi seperti desain pendingin elektronik, insulasi termal, dan sistem manajemen energi.

13. Stakeholder Awareness
PINN bisa jadi alat yang sangat berguna buat insinyur, ilmuwan, dan akademisi yang butuh menganalisis perpindahan panas dengan lebih efisien. Karena bisa menggabungkan hukum fisika langsung ke dalam modelnya, PINN cocok dipakai di industri energi, manufaktur, atau bidang lain yang butuh simulasi termal tanpa harus banyak bergantung pada data eksperimen

14. Contextual Analysis
Model PINN dapat diterapkan dalam berbagai industri, seperti meningkatkan efisiensi sistem pendinginan mesin, mengoptimalkan proses pemanasan dan pendinginan dalam manufaktur material, serta merancang sistem termal pada perangkat elektronik agar lebih stabil dan hemat energi

15. Root Cause Analysis
Konduksi panas dalam suatu medium dipengaruhi oleh tiga faktor utama: jenis material yang menentukan seberapa baik panas dapat merambat, kondisi batas yang mengatur distribusi suhu di sepanjang medium, serta panjang medium konduktif yang memengaruhi seberapa jauh panas harus berpindah.

16. Relevance of Analysis
PINN lebih efisien dibandingkan metode beda hingga (FDM) karena tidak memerlukan diskretisasi ruang yang ketat, sehingga dapat mengurangi kebutuhan memori dan komputasi, terutama untuk masalah dengan domain yang luas atau geometri kompleks

17. Use of Data and Evidence
Model ini diuji dengan membandingkan hasil prediksi PINN terhadap solusi analitik dari hukum Fourier serta data eksperimen, sehingga keakuratannya dapat dipastikan sebelum diterapkan dalam skenario nyata.

4. Idealization (Idealisasi)

18. Assumption Clarity
Dalam simulasi ini, beberapa asumsi utama digunakan untuk menyederhanakan perhitungan, yaitu kondisi steady-state di mana suhu tidak berubah terhadap waktu, properti material yang dianggap tetap, serta tidak adanya sumber panas internal yang dapat mempengaruhi distribusi suhu dalam medium.

19. Creativity and Innovation
Pendekatan AI dalam PINN memungkinkan penyelesaian persamaan diferensial parsial (PDE) tanpa bergantung pada metode numerik konvensional seperti beda hingga atau elemen hingga. Dengan mengintegrasikan hukum fisika langsung ke dalam fungsi loss, PINN dapat memprediksi solusi dengan lebih efisien tanpa memerlukan diskretisasi domain yang rumit

20. Physical Realism
Model PINN dirancang agar hasil simulasi tetap selaras dengan hukum Fourier dengan memasukkan persamaan fisika langsung ke dalam proses pelatihan. Pendekatan ini memastikan bahwa prediksi yang dihasilkan tetap realistis dan sesuai dengan prinsip dasar perpindahan panas, bahkan tanpa memerlukan banyak data pelatihan

21. Alignment with Intent
Model ini dirancang dengan tujuan utama untuk memberikan pemahaman yang lebih mendalam tentang perpindahan panas melalui pendekatan berbasis AI. Dengan mengintegrasikan hukum fisika langsung ke dalam proses pelatihan, model ini mampu menghasilkan prediksi yang akurat tanpa bergantung sepenuhnya pada data eksperimen atau metode numerik tradisional

22. Scalability and Adaptability
Pendekatan PINN dapat diperluas untuk menangani simulasi perpindahan panas dalam sistem yang lebih kompleks, seperti geometri 2D atau 3D, dengan tetap mempertahankan efisiensinya. Dalam konteks ini, jaringan saraf akan dilatih untuk menyelesaikan persamaan diferensial parsial (PDE) pada domain yang lebih besar tanpa harus mendiskretisasi ruang secara eksplisit seperti dalam metode beda hingga atau elemen hingga. Selain itu, PINN dapat beradaptasi dengan berbagai jenis material, seperti logam atau komposit, dengan memasukkan sifat termal material sebagai parameter dalam model. Hal ini memungkinkan model untuk tetap akurat meskipun diterapkan pada skenario dengan variasi konduktivitas termal yang kompleks, sesuatu yang sulit dicapai dengan metode numerik konvensional.

23. Simplicity and Elegance
Pendekatan PINN dirancang agar mampu menyelesaikan persamaan diferensial dengan tetap mempertahankan keseimbangan antara kompleksitas model dan efisiensi komputasi. Alih-alih menggunakan metode numerik yang memerlukan banyak titik diskretisasi dan komputasi intensif, PINN memanfaatkan jaringan saraf untuk secara langsung memperkirakan solusi tanpa memerlukan grid yang terlalu rapat. Dengan demikian, model ini lebih fleksibel dan dapat diterapkan pada berbagai kasus tanpa peningkatan drastis dalam kebutuhan komputasi. Selain itu, struktur jaringan saraf dalam PINN dapat disesuaikan agar tidak terlalu rumit, sehingga tetap mudah dipahami dan digunakan oleh praktisi teknik maupun peneliti

5. Instruction Set (Set Instruksi)

24. Clarity of Steps
Implementasi Physics-Informed Neural Networks (PINN) dalam simulasi konduksi panas mengikuti serangkaian langkah sistematis agar model dapat secara efektif menyelesaikan persamaan diferensial yang mendasari fenomena perpindahan panas. Berikut adalah tahapan utama dalam proses ini:

1. Definisi Persamaan Fisika
Langkah pertama adalah merumuskan persamaan diferensial yang menggambarkan fenomena perpindahan panas. Untuk kasus konduksi panas dalam satu dimensi, kita menggunakan Persamaan Fourier dalam bentuk:

jika asumsi steady-state dan tanpa sumber panas internal digunakan. Jika ada faktor lain seperti perubahan waktu atau sumber panas, persamaan akan lebih kompleks.

2. Penentuan Kondisi Batas dan Awal
Agar model memiliki solusi yang unik, kita menentukan kondisi batas (misalnya suhu tetap di ujung-ujung medium) dan jika simulasi bersifat transien, maka juga diperlukan kondisi awal untuk suhu awal medium.

3. Pembangunan Arsitektur Jaringan Saraf
PINN menggunakan jaringan saraf sebagai fungsi aproksimasi untuk solusi persamaan diferensial. Jaringan ini memiliki:

• Input: Posisi xxx (atau tambahan waktu ttt jika unsteady).
• Output: Prediksi suhu T(x)
• Lapisan tersembunyi: Dengan aktivasi non-linear seperti tanh untuk menangkap variasi suhu.
• Bobot dan bias: Yang akan dioptimalkan agar prediksi memenuhi persamaan fisika.

4. Formulasi Fungsi Kehilangan (Loss Function)
Fungsi kehilangan dalam PINN tidak hanya membandingkan prediksi model dengan data, tetapi juga memastikan solusi memenuhi hukum fisika. Komponen utama dari fungsi kehilangan meliputi:

• Loss Data: Jika ada data eksperimen atau numerik yang digunakan untuk validasi.
• Loss Fisika: Mengukur seberapa baik solusi memenuhi persamaan Fourier, dihitung dengan memasukkan output model ke dalam persamaan diferensial.
• Loss Kondisi Batas: Agar prediksi suhu tetap sesuai dengan kondisi batas yang telah ditentukan.

5. Pelatihan Model
Model dilatih menggunakan metode optimasi seperti Adam atau L-BFGS untuk memperbarui bobot jaringan saraf agar nilai fungsi kehilangan sekecil mungkin. Selama pelatihan, model terus menyesuaikan diri hingga prediksi yang dihasilkan tidak hanya cocok dengan data (jika ada), tetapi juga tetap konsisten dengan persamaan fisika.

6. Validasi dan Evaluasi
Setelah pelatihan, model diuji dengan:

• Solusi analitik atau numerik (jika tersedia) untuk membandingkan hasil.
• Eksperimen atau data lain jika digunakan dalam pembelajaran.
• Visualisasi distribusi suhu untuk memeriksa apakah pola yang dihasilkan masuk akal secara fisik.

7. Generalisasi dan Pengembangan Lebih Lanjut
Jika model terbukti akurat, pendekatan ini dapat diperluas ke simulasi 2D/3D, material berbeda, atau kondisi lebih kompleks seperti perpindahan panas transien.

Setiap langkah ini memastikan bahwa PINN tidak hanya menghasilkan prediksi numerik, tetapi juga benar-benar memahami hukum fisika yang berlaku, sehingga dapat digunakan untuk analisis dan optimasi dalam berbagai aplikasi teknik.

25. Comprehensiveness
Agar model PINN menghasilkan solusi yang akurat dan sesuai dengan fenomena fisika yang terjadi, ada tiga aspek utama yang harus diperhitungkan secara matang:

1. Kondisi Batas
   Dalam simulasi konduksi panas, kondisi batas menentukan bagaimana suhu di tepi domain berinteraksi dengan lingkungan. Model harus secara eksplisit memperhitungkan kondisi batas ini dalam fungsi kehilangan (loss function) agar hasil simulasi tetap sesuai dengan kenyataan fisik. Contohnya, jika ujung suatu batang dipertahankan pada suhu tetap, maka model harus memastikan bahwa prediksi suhu pada titik tersebut tidak menyimpang.
2. Hukum Fisika
   PINN tidak hanya bergantung pada data, tetapi juga memastikan bahwa solusi yang dihasilkan tetap mengikuti hukum Fourier dalam perpindahan panas. Untuk itu, persamaan diferensial yang mengatur fenomena ini harus dimasukkan langsung ke dalam pelatihan model sebagai bagian dari fungsi kehilangan. Dengan cara ini, model tidak hanya menghafal data tetapi benar-benar belajar struktur dasar dari proses konduksi panas.
3. Optimasi Model
   Jaringan saraf dalam PINN dilatih menggunakan metode optimasi seperti Adam atau L-BFGS untuk meminimalkan kesalahan. Tantangan utama adalah menemukan keseimbangan antara berbagai komponen fungsi kehilangan, seperti kesesuaian dengan data, pemenuhan hukum fisika, dan ketepatan kondisi batas. Jika salah satu aspek terlalu ditekankan, model bisa mengalami bias atau kesalahan yang tidak diinginkan. Oleh karena itu, pemilihan hiperparameter, fungsi aktivasi, serta strategi pelatihan harus dilakukan secara hati-hati agar model dapat menghasilkan solusi yang stabil dan dapat digeneralisasi dengan baik.

Dengan memastikan ketiga aspek ini diperhitungkan dengan baik, PINN dapat memberikan solusi yang tidak hanya akurat tetapi juga dapat digunakan dalam berbagai kondisi tanpa kehilangan keandalannya dalam menyelesaikan permasalahan fisik.

26. Physical Interpretation
Dalam PINN, hasil simulasi bukan sekadar angka, tetapi memiliki makna fisik yang nyata. Misalnya, dalam kasus konduksi panas pada logam, model ini mampu memprediksi distribusi suhu di dalam material dengan mempertimbangkan hukum Fourier. Dengan menggabungkan data eksperimen dan persamaan diferensial, PINN dapat menunjukkan bagaimana panas merambat dari satu titik ke titik lain, sesuai dengan sifat termal material tersebut. Hal ini memungkinkan optimasi desain dan efisiensi sistem termal, serta memberikan pemahaman lebih dalam tentang bagaimana faktor seperti konduktivitas termal atau ketebalan material memengaruhi perpindahan panas secara langsung.

27. Error Minimization
Dalam PINN, teknik regularisasi digunakan untuk mengurangi error numerik yang mungkin muncul selama proses pelatihan. Regularisasi ini membantu model menjaga keseimbangan antara data eksperimen dan hukum fisika yang digunakan sebagai batasan. Misalnya, dengan menambahkan penalti pada loss function, model dapat menghindari overfitting terhadap data terbatas dan tetap menghasilkan solusi yang sesuai dengan persamaan diferensial yang mendasarinya. Hal ini memastikan bahwa prediksi yang dihasilkan tidak hanya akurat tetapi juga stabil secara numerik, terutama dalam kasus simulasi konduksi panas yang melibatkan gradien suhu yang tajam.

28. Verification and Validation
Untuk memastikan akurasi model PINN dalam mensimulasikan konduksi panas, hasil yang diperoleh dibandingkan dengan solusi numerik dari metode seperti beda hingga (FDM) serta solusi analitik dari persamaan Fourier. Perbandingan ini dilakukan dengan menghitung error antara prediksi model dan solusi referensi, sehingga dapat diketahui sejauh mana PINN mampu merepresentasikan fenomena perpindahan panas secara akurat. Dengan pendekatan ini, model tidak hanya diuji secara empiris tetapi juga divalidasi terhadap hukum fisika yang mendasarinya

29. Iterative Approach
Proses pelatihan model PINN dilakukan secara bertahap dengan pendekatan berulang untuk meningkatkan akurasinya. Pada setiap iterasi, jaringan saraf dalam model diperbarui menggunakan algoritma optimasi seperti Adam atau L-BFGS untuk meminimalkan error antara prediksi dan solusi fisik yang diharapkan. Selain itu, model dievaluasi menggunakan loss function yang mempertimbangkan keseimbangan antara data eksperimen dan persamaan diferensial yang mengatur sistem. Dengan pendekatan ini, PINN dapat secara progresif memperbaiki performanya hingga mencapai tingkat akurasi yang optimal dalam mensimulasikan konduksi panas.

30. Sustainability Integration
Pendekatan PINN lebih ramah lingkungan dibandingkan eksperimen fisik karena tidak memerlukan pengujian langsung yang sering kali mengonsumsi banyak energi dan menghasilkan limbah. Dengan mensimulasikan fenomena perpindahan panas secara digital, metode ini mengurangi kebutuhan akan bahan uji, peralatan laboratorium, dan sumber daya lainnya. Selain itu, efisiensi komputasi yang lebih tinggi memungkinkan analisis dilakukan dengan konsumsi energi yang lebih rendah dibandingkan metode numerik tradisional yang sering memerlukan komputasi intensif

31. Communication Effectiveness
Hasil simulasi divisualisasikan dalam bentuk grafik atau diagram untuk mempermudah analisis distribusi suhu dalam suatu medium. Representasi ini membantu dalam memahami pola perpindahan panas dan memungkinkan perbandingan hasil simulasi dengan teori atau data eksperimen. Dengan visualisasi yang jelas, akurasi model PINN dapat dievaluasi lebih efektif, sehingga kesesuaiannya dengan hukum fisika dapat terjamin

32. Alignment with DAI5 Framework
Setiap langkah dalam model ini dirancang agar selaras dengan prinsip dalam Framework DAI5, yang menekankan integrasi antara kecerdasan buatan, pemahaman ilmiah, dan nilai-nilai etika. Dalam konteks PINN, pendekatan ini memastikan bahwa proses pelatihan model tidak hanya berfokus pada akurasi numerik, tetapi juga mempertimbangkan keteraturan hukum fisika serta efisiensi dalam pemanfaatan sumber daya

33. Documentation Quality
Setiap tahapan dalam pengembangan model ini didokumentasikan secara sistematis untuk memastikan transparansi metode dan kemudahan reproduksi. Dokumentasi mencakup perancangan PINN, proses pelatihan, validasi dengan solusi analitik maupun numerik, serta analisis hasil. Dengan demikian, model ini dapat dijadikan referensi untuk pengembangan lebih lanjut dan penerapan di berbagai bidang

Seiring bertambahnya jumlah epoch, error pada model semakin berkurang, yang ditunjukkan oleh penurunan nilai loss. Hal ini mengindikasikan bahwa PINN semakin mampu menyesuaikan prediksinya dengan solusi analitik. Pada tahap awal, perbedaan antara hasil PINN dan solusi analitik masih cukup besar, namun dengan lebih banyak iterasi, model semakin mendekati pola yang sesuai dengan hukum fisika yang diterapkan. Penurunan error ini menunjukkan bahwa optimasi berbasis PINN dapat secara efektif belajar dari hukum fisika tanpa memerlukan banyak data eksperimen

Pendekatan ini menjadikan Physics-Informed Neural Networks (PINN) sebagai metode yang tidak hanya meningkatkan akurasi dan efisiensi simulasi konduksi panas 1D, tetapi juga sejalan dengan prinsip keberlanjutan dan kesadaran ilmiah. Framework DAI5 diterapkan dalam setiap tahap pengembangan model:

• Deep Awareness of I: Model dikembangkan dengan memahami keteraturan dalam hukum fisika.
• Intention: Tujuan utama adalah meningkatkan keakuratan prediksi perpindahan panas dengan pendekatan berbasis AI.
• Initial Thinking: Analisis awal dilakukan untuk mengevaluasi keterbatasan metode numerik tradisional dan potensi perbaikannya melalui PINN.
• Idealization: Penyederhanaan masalah dilakukan dengan mempertahankan aspek fisika utama, memastikan bahwa model tetap merepresentasikan fenomena sebenarnya.
• Instruction Set: Implementasi model disusun secara sistematis, mulai dari pemilihan arsitektur jaringan, penerapan hukum fisika, hingga validasi hasil dengan metode analitik.

Dengan pendekatan ini, PINN tidak hanya menjadi alat komputasi yang canggih, tetapi juga sarana untuk memahami keteraturan yang mendasari berbagai fenomena fisika

Demikianlah pembahasan mengenai prinsip dan algoritma Physics-Informed Neural Network (PINN) dalam pemodelan konduksi panas satu dimensi (1D Heat Conduction) dengan pendekatan Framework DAI5. Melalui lima aspek utama dalam framework ini, kita dapat memahami bagaimana metode ini tidak hanya menawarkan keunggulan dalam penyelesaian persamaan diferensial parsial, tetapi juga sejalan dengan nilai-nilai etika dan spiritual dalam ilmu pengetahuan. Semoga tulisan ini dapat memberikan wawasan yang bermanfaat serta menginspirasi pengembangan lebih lanjut dalam bidang rekayasa teknik dan kecerdasan buatan.

Wassalamu’alaikum Warahmatullahi Wabarakatuh.