Assalamualaikum Shalom Om Swastiastu Namo Buddhaya Salam Kebajikan. Selamat pagi, siang, sore, maupun malam kepada teman-teman dan Prof DAI
Perkenalkan nama saya Ganda Sibarani dengan Npm 230229203 disini saya akan coba menjelaskan mengenai pemahaman saya tentang PINN menggunakan Framework DAI5
APA ITU PINN?
Physics-Informed Neural Networks (PINNs) adalah pendekatan dalam deep learning yang menggabungkan jaringan saraf tiruan dengan hukum fisika, seperti persamaan diferensial (PDE dan ODE). Dengan memasukkan informasi fisika ke dalam fungsi loss, PINN memastikan bahwa model tidak hanya belajar dari data tetapi juga mematuhi prinsip fisika yang mendasari fenomena yang dipelajari
Peran PINN dalam pembahasan pertemuan 18 Maret 2025
Fungsi Loss Berbasis Fisika dalam PINN
Selain mempertimbangkan data loss yang berasal dari kesalahan observasi, PINN juga mengoptimalkan physics loss, yang mengukur sejauh mana model memenuhi persamaan fisika, seperti Hukum Konservasi Energi, Navier-Stokes, atau Persamaan Panas
Keunggulan PINN: Minimnya Kebutuhan Data
Karena PINN sudah mengintegrasikan hukum fisika ke dalam proses pembelajarannya, model ini dapat memberikan prediksi yang lebih akurat meskipun dengan jumlah data eksperimen yang terbatas
Aplikasi PINN
- Simulasi fluida: Digunakan untuk memodelkan aliran air atau udara berdasarkan persamaan Navier-Stokes
- Prediksi perambatan gelombang: Dapat digunakan untuk menganalisis gelombang elektromagnetik maupun gelombang mekanik
- Penyelesaian PDE kompleks: Memungkinkan penyelesaian persamaan diferensial parsial tanpa harus bergantung pada metode numerik tradisional seperti metode elemen hingga (FEM) atau beda hingga (FDM)
Implementasi PINN dalam Konduktivitas Panas 1D
Dalam simulasi perpindahan panas satu dimensi, PINN diterapkan dengan mengoptimalkan loss function, yang mencakup:
- Physics Loss – Memastikan persamaan diferensial panas {d^2T}/{dx^2} = 0 dipenuhi.
- Boundary Conditions Loss – Memastikan bahwa temperatur di kedua ujung batang (x=0 dan x=1) sesuai dengan nilai batas yang diberikan (T0 dan T1).
Dengan pendekatan ini, PINN menjadi solusi yang sangat berguna dalam menyelesaikan masalah konduksi panas karena tidak bergantung pada metode diskritisasi eksplisit seperti Finite Difference atau Finite Element. Hal ini memungkinkan solusi yang lebih halus dan kontinu dibandingkan metode konvensional.
Dan untuk memantapkan pemhaman kita beserta memaknai lebih dalam pembelajaran PINN ini, izin saya menjelaskan dengan menggunakan framework DAI5
Deep Awareness of I
Tahapan ini menekankan kesadaran secara mendalam akan diri sendiri dan hubungan dengan Sang Pencipta yang menjadi dasar dalam proses analisis pemecahan masalah. Dalam konteks Physics-Informed Neural Networks (PINN) yang diterapkan pada simulasi konduksi panas, pendekatan ini tidak hanya sekadar metode numerik, tetapi juga cerminan dari keteraturan alam yang telah diciptakan Tuhan.
1. Consciousness of Purpose
PINN digunakan untuk menyelesaikan persamaan diferensial konduksi panas dengan memastikan bahwa solusinya tetap sesuai dengan hukum fisika yang telah ditetapkan oleh Sang Pencipta. Dengan memahami hukum alam ini, kita menyadari bahwa ilmu pengetahuan adalah bagian dari kebijaksanaan-Nya, dan tugas kita adalah menggali serta menggunakannya dengan bijak untuk kemaslahatan manusia.
2. Self-awareness
Dalam menggunakan PINN, kita harus menyadari keterbatasan baik pada sistem yang kita analisis maupun pada metode komputasi itu sendiri. Tidak ada metode yang sempurna, dan bahkan kecerdasan buatan pun memiliki batasannya. Kesadaran ini membantu kita menghindari bias dalam menilai keakuratan hasil serta lebih cermat dalam memilih pendekatan yang sesuai untuk menyelesaikan masalah.
3. Ethical Considerations
Penerapan PINN memberikan solusi yang lebih efisien dibandingkan metode numerik tradisional seperti Finite Difference Method (FDM) atau Finite Element Method (FEM) yang membutuhkan banyak sumber daya komputasi. Dari segi etika, pendekatan ini lebih hemat energi dan dapat mengurangi dampak lingkungan akibat konsumsi daya tinggi dalam simulasi numerik yang kompleks. Oleh karena itu, pemilihan metode harus didasarkan pada prinsip keberlanjutan dan manfaat jangka panjang.
4. Integration of CCIT (Cara Cerdas Ingat Tuhan)
Kesadaran akan keteraturan hukum fisika yang digunakan dalam PINN adalah salah satu cara untuk mengingat Tuhan dalam setiap proses analisis. Dengan memanfaatkan AI sebagai alat untuk memahami sistem fisika yang telah diciptakan-Nya, kita tidak hanya sekadar melakukan komputasi, tetapi juga merenungkan keindahan dan keteraturan alam semesta.
5. Critical Reflection
Metode numerik sering kali dilihat hanya sebagai solusi teknis, namun dengan pendekatan DAI5, kita harus lebih kritis dalam merefleksikan dampaknya. Apakah PINN benar-benar lebih unggul dibandingkan metode lain? Apakah penggunaannya dalam simulasi konduksi panas memberikan nilai tambah secara sosial atau lingkungan? Dengan pertanyaan ini, kita tidak hanya menerima teknologi begitu saja, tetapi juga memastikan bahwa setiap inovasi memiliki makna yang lebih luas dan bermanfaat.
6. Continuum of Awareness
Kesadaran ini harus terus dipertahankan selama proses analisis PINN, mulai dari definisi masalah, penyusunan model jaringan saraf, penyelarasan dengan hukum fisika, hingga validasi hasil terhadap solusi analitik. Dengan tetap menjaga kesadaran ini, kita dapat memastikan bahwa setiap langkah yang dilakukan bukan hanya sekadar memenuhi persyaratan teknis, tetapi juga memiliki nilai etis, keberlanjutan, dan selaras dengan tujuan yang lebih besar.
Intention
Tahapan ini menekankan pada pentingnya niat yang jelas dan selaras dengan tujuan yang ingin dicapai. Dalam penerapan Physics-Informed Neural Networks (PINN) untuk simulasi konduksi panas, setiap langkah harus didasarkan pada tujuan yang kuat dan bermakna, tidak hanya dari aspek teknis tetapi juga dari segi manfaat bagi ilmu pengetahuan, lingkungan, dan masyarakat.
7. Clarity of Intent
Tujuan utama dari penerapan PINN dalam simulasi konduksi panas adalah untuk mendapatkan solusi persamaan diferensial yang lebih efisien dan akurat tanpa bergantung pada metode diskritisasi seperti FDM atau FEM. Selain itu, pendekatan ini juga menjadi sarana untuk lebih memahami keteraturan hukum fisika yang telah diciptakan Tuhan, sehingga semakin memperkuat kesadaran bahwa ilmu pengetahuan merupakan bagian dari kebijaksanaan-Nya.
8. Alignment of Objectives
Penggunaan PINN dalam simulasi ini selaras dengan tujuan utama dalam pengembangan teknik komputasi yang lebih fleksibel dan adaptif. Dengan menggantikan pendekatan berbasis grid yang kaku, PINN memberikan solusi yang lebih berkelanjutan, hemat sumber daya, dan tetap akurat dalam memodelkan fenomena konduksi panas. Hal ini mencerminkan nilai kebaikan dalam pemanfaatan teknologi untuk meningkatkan efisiensi dan efektivitas solusi teknik.
9. Relevance of Intent
Penggunaan PINN sangat relevan dalam dunia teknik dan industri modern, terutama dalam bidang rekayasa termal, energi, dan material cerdas. Dalam skenario nyata, metode ini dapat diterapkan pada desain material isolasi termal, pendinginan perangkat elektronik, hingga optimasi sistem perpindahan panas dalam bangunan dan kendaraan. Dengan demikian, niat untuk mengembangkan dan memahami metode ini memiliki dampak yang nyata bagi kemajuan teknologi.
10. Sustainability Focus
Berbeda dengan metode numerik klasik yang sering kali membutuhkan sumber daya komputasi tinggi dan pengaturan meshing yang kompleks, PINN memungkinkan penyelesaian persamaan dengan cara yang lebih hemat energi. Hal ini berkontribusi pada prinsip keberlanjutan lingkungan, mengurangi konsumsi daya komputasi yang berlebihan, serta membuka peluang bagi penelitian berbasis AI yang lebih ramah lingkungan.
11. Focus on Quality
Keakuratan solusi PINN sangat bergantung pada arsitektur jaringan saraf, jumlah epochs, serta optimasi loss function. Dalam simulasi ini, model diuji dengan berbagai jumlah epochs (1000, 3000, dan 10000) untuk mengevaluasi sejauh mana peningkatan iterasi dapat meningkatkan akurasi hasil. Pendekatan ini menunjukkan komitmen untuk menghasilkan solusi yang berkualitas tinggi, dapat diandalkan, dan tetap sejalan dengan prinsip dasar ilmu pengetahuan fisika.
Initial Thinking
Tahapan ini menekankan pentingnya pemahaman mendalam tentang masalah yang dihadapi sebelum mencari solusi. Dalam konteks penerapan Physics-Informed Neural Networks (PINN) pada simulasi konduksi panas 1D, analisis yang komprehensif diperlukan untuk memastikan bahwa pendekatan ini memang relevan dan efektif dalam menyelesaikan permasalahan yang ada.
12. Problem Understanding
Masalah utama yang ingin diselesaikan adalah konduksi panas 1D dalam kondisi tunak, di mana distribusi suhu pada suatu batang harus memenuhi hukum Fourier. Secara matematis, sistem ini direpresentasikan dengan persamaan diferensial parsial (PDE) sederhana:
d2Tdx2=0\frac{d^2T}{dx^2} = 0dx2d2T=0
dengan boundary conditions yang menentukan suhu di kedua ujung batang. Tantangan utama dalam penyelesaiannya adalah bagaimana menemukan solusi yang akurat, berkelanjutan, dan tidak bergantung pada metode diskritisasi seperti FDM atau FEM, sehingga hasilnya lebih smooth dan kontinu.
13. Stakeholder Awareness
Metode PINN untuk simulasi konduksi panas memiliki dampak pada berbagai pihak, termasuk:
- Peneliti dan akademisi yang ingin mengeksplorasi metode pemodelan alternatif berbasis AI dalam menyelesaikan persamaan diferensial.
- Industri rekayasa termal yang membutuhkan metode pemodelan yang lebih akurat dan efisien untuk aplikasi seperti desain material insulasi, sistem pendinginan elektronik, dan pengembangan kendaraan hemat energi.
- Praktisi teknologi AI yang ingin memperluas penerapan deep learning dalam bidang fisika dan teknik.
14. Contextual Analysis
Konteks penerapan PINN dalam simulasi ini mencakup berbagai aspek:
- Fisik: Proses perpindahan panas dalam sistem solid diatur oleh konduksi dan mengikuti hukum Fourier.
- Teknis: Simulasi ini membandingkan solusi analitik dengan hasil PINN untuk mengevaluasi performanya dalam menyelesaikan PDE tanpa mesh.
- Sosial dan industri: Jika berhasil diterapkan dalam skala luas, metode ini dapat meningkatkan efisiensi energi dan optimalisasi desain termal di berbagai sektor.
15. Root Cause Analysis
Permasalahan dalam metode numerik klasik seperti FDM dan FEM adalah ketergantungannya pada grid atau mesh, yang sering kali menimbulkan keterbatasan seperti:
- Kebutuhan komputasi tinggi, terutama untuk masalah dengan geometri kompleks.
- Kesulitan menangani domain dengan batasan yang tidak teratur.
- Akumulasi error akibat diskritisasi, yang menyebabkan hasil kurang smooth.
Dengan PINN, kendala ini dapat diatasi karena metode ini tidak bergantung pada meshing dan langsung mengaproksimasi solusi kontinu berdasarkan fungsi loss berbasis fisika.
16. Relevance of Analysis
Analisis ini sangat relevan dalam pengembangan metode pemecahan persamaan diferensial berbasis AI, terutama untuk:
- Simulasi fisika di industri energi, otomotif, dan elektronika.
- Pemodelan proses termal di bangunan dan material cerdas.
- Optimalisasi sistem pendinginan perangkat elektronik dan baterai.
Dengan kata lain, keberhasilan PINN dalam simulasi ini dapat membuka jalan bagi penerapan metode berbasis AI dalam rekayasa fisika yang lebih luas.
17. Use of Data and Evidence
Validasi metode dilakukan dengan membandingkan solusi PINN dengan solusi analitik untuk memastikan bahwa hasilnya konsisten dengan teori yang telah ada. Pengujian dilakukan dengan beberapa jumlah epoch (1000, 3000, 10000) untuk melihat pengaruh iterasi terhadap akurasi solusi.
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import tkinter as tk
from tkinter import ttk
import tkinter.messagebox
# 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()