Physics-Informed Neural Networks (PINN) merupakan pendekatan berbasis pembelajaran mesin yang mengintegrasikan hukum fisika ke dalam proses pelatihan jaringan saraf. Dalam konteks perpindahan panas satu dimensi (Heat Conduction 1D), PINN dapat digunakan untuk memecahkan persamaan diferensial parsial (PDE) tanpa memerlukan data pelatihan dalam jumlah besar. Makalah ini membahas prinsip dasar dan algoritma PINN yang diterapkan pada kasus Heat Conduction 1D dengan memanfaatkan framework DAI5, sebuah platform yang dirancang untuk mengoptimalkan pemodelan berbasis AI dalam simulasi fisika.
Framework DAI5 dalam Physics-Informed Neural Networks (PINN)
DAI5 adalah kerangka kerja kecerdasan buatan yang mengintegrasikan pemahaman mendalam terhadap proses kognitif manusia dalam sistem pembelajaran mesin. Framework ini terdiri dari lima elemen utama, yaitu Deep Awareness of I, Intention, Initial Thinking, Idealization, dan Instruction Set.
- Deep Awareness of I (Kesadaran Diri yang Mendalam)
Komponen ini merepresentasikan kesadaran jaringan saraf terhadap konteks permasalahan yang sedang diselesaikan. Dalam kasus Heat Conduction 1D, PINN yang menggunakan DAI5 akan memahami kondisi awal, batas, dan hukum fisika yang berlaku sebelum memulai proses pelatihan. - Intention (Niat)
Intention mencerminkan tujuan utama dari model, yaitu menyelesaikan permasalahan fisika yang diberikan dengan pendekatan yang lebih optimal. Dalam konteks ini, PINN bertujuan untuk mempelajari solusi persamaan diferensial parsial (PDE) terkait konduksi panas tanpa bergantung pada data eksperimen yang besar. - Initial Thinking (Pemikiran Awal)
Pada tahap ini, model memulai proses perhitungan dengan mengandalkan informasi awal yang tersedia. PINN menggunakan pendekatan ini untuk membentuk solusi awal berdasarkan parameter yang diberikan dalam persamaan konduksi panas. - Idealization (Idealisasi)
Setelah memiliki solusi awal, model mengembangkan pendekatan ideal yang dapat merepresentasikan solusi terbaik dalam ruang parameter yang ada. PINN mengoptimalkan fungsi loss berdasarkan residual PDE dan data batas (boundary conditions), sehingga model mampu menghasilkan solusi yang lebih akurat. - Instruction Set (Set Instruksi)
Komponen terakhir dari DAI5 adalah implementasi langkah-langkah konkret yang akan dijalankan oleh model. Pada PINN, hal ini mencakup pemilihan arsitektur jaringan saraf, algoritma optimasi, serta prosedur pelatihan yang memastikan model tetap konsisten dengan hukum fisika yang mendasarinya.
Dengan menerapkan framework DAI5, Physics-Informed Neural Networks (PINN) untuk Heat Conduction 1D dapat dikembangkan dengan lebih efisien, memastikan bahwa model memahami, mengadaptasi, dan menyelesaikan permasalahan secara lebih optimal berdasarkan prinsip-prinsip fisika yang telah diketahui. Dalam setiap proses pengembangan ini, penting untuk senantiasa memiliki kesadaran kepada Allah, menyadari bahwa ilmu dan kecerdasan yang digunakan berasal dari-Nya. Dengan demikian, pendekatan yang diambil tidak hanya berorientasi pada keakuratan teknis, tetapi juga pada kebermanfaatan ilmu yang selaras dengan nilai-nilai kebaikan dan keberkahan.
Deep Awareness of I (Kesadaran Diri yang Mendalam)
Physics-Informed Neural Networks (PINN) merupakan pendekatan yang menggabungkan prinsip-prinsip fisika dengan kecerdasan buatan. Dalam konteks konduksi panas 1D, PINN digunakan untuk menyelesaikan persamaan diferensial parsial (PDE) dengan memastikan bahwa solusi yang dihasilkan tetap memenuhi hukum fisika. Kesadaran yang mendalam terhadap konsep ini memungkinkan kita memahami bagaimana PINN bekerja dalam menyelesaikan masalah yang memiliki solusi analitik dan bagaimana framework DAI5 dapat berperan dalam implementasi dan optimasi model.
Intention (Niat)
Tujuan utama dari analisis ini adalah untuk mengevaluasi efektivitas Physics-Informed Neural Networks (PINN) dalam menyelesaikan persamaan konduksi panas 1D serta mengidentifikasi faktor-faktor yang mempengaruhi akurasi hasilnya. Persamaan konduksi panas 1D yang menjadi dasar dalam penelitian ini adalah:
Selain itu, framework DAI5 diharapkan dapat membantu dalam membangun model, mengoptimalkan proses training, dan memvisualisasikan hasil prediksi, sehingga solusi yang diperoleh semakin akurat dan stabil. Dalam konteks Physics-Informed Neural Networks, solusi ini diperoleh dengan meminimalkan fungsi loss yang terdiri dari residu persamaan diferensial dan kesalahan batas (boundary conditions):
Dengan pendekatan ini, PINN diharapkan mampu mempelajari dinamika sistem secara lebih optimal, sehingga menghasilkan solusi yang sesuai dengan hukum fisika yang mendasarinya.
Initial Thinking (Pemikiran Awal)
Pada awalnya, diharapkan bahwa Physics-Informed Neural Networks (PINN) dapat memberikan solusi yang mendekati solusi analitik, terutama dengan jumlah epoch yang cukup dan arsitektur jaringan yang memadai. Solusi analitik untuk persamaan konduksi panas 1D dengan kondisi batas tertentu dapat dituliskan sebagai:
Namun, hasil simulasi menunjukkan bahwa solusi PINN masih memiliki deviasi signifikan dibandingkan dengan solusi analitik, meskipun jumlah epoch telah ditingkatkan dari 1000 ke 3000. Grafik berikut menunjukkan perbandingan antara solusi analitik dan hasil prediksi PINN untuk jumlah epoch yang berbeda :
Faktor-faktor yang berkontribusi terhadap perbedaan hasil ini meliputi:
- Kompleksitas Jaringan → Arsitektur jaringan yang terlalu dangkal atau dalam dapat mempengaruhi akurasi solusi.
- Distribusi Titik Sampling → Penempatan titik training yang tidak merata dapat menyebabkan error pada daerah tertentu.
- Bobot Loss Function → Pemilihan koefisien loss untuk PDE, boundary conditions, dan initial conditions sangat mempengaruhi hasil pelatihan.
Dengan demikian, diperlukan strategi lebih lanjut untuk mengoptimalkan PINN, seperti penyesuaian struktur jaringan, adaptive sampling, atau modifikasi loss function agar solusi semakin akurat.
Berikut adalah gambar yang menunjukkan perbandingan solusi analitik dan hasil prediksi PINN untuk jumlah epoch yang berbeda.
Idealization (Idealisasi)
Idealnya, PINN dapat memberikan solusi yang sangat mendekati solusi analitik dengan error yang minimal. Dengan peningkatan jumlah epoch, optimasi hyperparameter, dan penggunaan metode training yang lebih sesuai seperti L-BFGS, diharapkan model dapat mencapai konvergensi lebih cepat. Selain itu, framework DAI5 dapat membantu dalam aspek auto-differentiation, optimasi model, serta penyempurnaan arsitektur jaringan sehingga solusi yang diperoleh lebih akurat dan stabil.
Instruction Set (Set Instruksi)
Untuk meningkatkan performa model PINN dalam menyelesaikan persamaan konduksi panas 1D, langkah-langkah berikut dapat dilakukan:
- Meningkatkan jumlah epoch hingga 5000-10000 agar model memiliki waktu yang cukup untuk belajar pola solusi.
Untuk menyelesaikan masalah konduksi panas 1D menggunakan Physics-Informed Neural Networks (PINN), persamaan yang digunakan adalah persamaan konduksi panas 1D sebagai berikut:
- Menyesuaikan arsitektur jaringan dengan menambah jumlah hidden layer dan neuron per layer untuk meningkatkan kapasitas representasi model.
Pada PINN, kita menggunakan jaringan neural untuk memprediksi solusi dari persamaan diferensial di atas. Diagram berikut adalah contoh arsitektur jaringan neural dasar untuk PINN dengan input berupa x dan t,kemudian menghasilkan output berupa u(x,t).
Berikut adalah gambar arsitektur jaringan neural sederhana dengan input xxx dan ttt, beberapa lapisan tersembunyi, serta output u(x,t). Gambar ini menggambarkan alur data dari input ke output melalui lapisan tersembunyi.
- Menggunakan metode optimasi yang lebih sesuai, seperti L-BFGS, yang sering lebih stabil untuk PINN dibandingkan Adam optimizer.
Dalam kasus ini, kita mempertimbangkan penggunaan metode optimasi L-BFGS. Ini adalah metode kuasi-Newton yang sering digunakan dalam konteks PINN karena stabilitas dan kecepatannya dalam menemukan solusi dibandingkan dengan Adam optimizer.
Rumus untuk Optimizer L-BFGS:
- Menyempurnakan distribusi titik dalam domain [0,1] agar sampling lebih merata dan perhitungan loss physics lebih akurat.
Untuk distribusi titik dalam domain [0,1], kita bisa menggunakan distribusi seragam atau metode sampling yang lebih canggih agar sampel lebih merata. Ini memastikan bahwa loss yang diperoleh dari persamaan fisika dan syarat batas lebih akurat.
Berikut adalah gambar distribusi titik pada domain [0,1] dengan titik-titik sampling yang terdistribusi secara merata. Gambar ini menggambarkan titik-titik sampling yang ditempatkan pada domain satu dimensi untuk ilustrasi yang sederhana dan jelas.
- Menyesuaikan bobot antara physics loss dan boundary loss agar model lebih patuh terhadap hukum fisika yang diterapkan.
Untuk memastikan PINN mematuhi persamaan fisika yang berlaku, loss function dibuat dari gabungan physics loss dan boundary loss. Rumus umum dari physics loss dalam kasus persamaan panas 1D adalah:
Boundary loss digunakan untuk memastikan solusi memenuhi syarat batas. Misalnya, untuk syarat batas Dirichlet:
- Memanfaatkan framework DAI5 untuk membantu dalam proses auto-differentiation, optimasi training, serta visualisasi hasil agar analisis lebih komprehensif.
- Auto-differentiation membantu menghitung turunan dalam physics loss.
- Optimasi training dengan memilih arsitektur jaringan yang lebih dalam.
- Visualisasi hasil untuk memudahkan analisis performa model.
Berikut adalah gambar yang menunjukkan dampak perubahan parameter pada performa PINN. Gambar ini menunjukkan perbandingan solusi PINN dengan berbagai jumlah epoch bagaimana peningkatan jumlah epoch (1000, 3000, dan 8000) berpengaruh terhadap akurasi prediksi solusi konduksi panas 1D.
Kesimpulan
Hasil eksperimen menunjukkan bahwa meskipun solusi PINN telah mengalami perbaikan setelah peningkatan jumlah epoch, masih terdapat gap yang signifikan dibandingkan solusi analitik. Framework DAI5 dapat memainkan peran penting dalam meningkatkan akurasi solusi dengan membantu dalam proses optimasi model, pemilihan hyperparameter yang tepat, serta analisis hasil yang lebih terstruktur.
