{"id":4520,"date":"2025-03-23T18:03:02","date_gmt":"2025-03-23T18:03:02","guid":{"rendered":"https:\/\/ccitonline.com\/wp\/?p=4520"},"modified":"2025-03-23T18:03:02","modified_gmt":"2025-03-23T18:03:02","slug":"mempelajari-physics-informed-neural-networks-pinns-dengan-framework-dai5-valensio-sebastian-hanan-2306263582-metode-numerik-02","status":"publish","type":"post","link":"https:\/\/ccitonline.com\/wp\/2025\/03\/23\/mempelajari-physics-informed-neural-networks-pinns-dengan-framework-dai5-valensio-sebastian-hanan-2306263582-metode-numerik-02\/","title":{"rendered":"Mempelajari Physics Informed Neural Networks (PINNs) dengan Framework DAI5 \u2013 Valensio Sebastian Hanan – 2306263582 \u2013 Metode Numerik 02"},"content":{"rendered":"\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Dalam essay ini, saya akan menjelaskan pendekatan saya dalam mempelajari PINNs. Sebelum itu, saya memecah masalah pemahaman ini dengan framework DAI 5:<\/p>\n\n\n\n

<\/p>\n\n\n\n

Pendahuluan<\/strong><\/h3>\n\n\n\n

Dalam bidang komputasi ilmiah, penyelesaian persamaan diferensial parsial (PDE)<\/strong> menjadi tantangan besar karena kompleksitas perhitungannya. Metode numerik konvensional<\/strong>, seperti Finite Difference Method (FDM)<\/strong> dan Finite Element Method (FEM)<\/strong>, telah banyak digunakan untuk mencari solusi. Namun, pendekatan ini memiliki beberapa keterbatasan, antara lain:<\/p>\n\n\n\n

    \n
  • Memerlukan daya komputasi yang besar<\/strong>, terutama dalam kasus berdimensi tinggi.<\/li>\n\n\n\n
  • Proses pembuatan mesh yang rumit<\/strong>, yang berpotensi menimbulkan kesalahan numerik.<\/li>\n\n\n\n
  • Kurang fleksibel<\/strong>, karena perubahan parameter sering kali memerlukan perhitungan ulang yang memakan waktu.<\/li>\n<\/ul>\n\n\n\n

    Seiring dengan kemajuan teknologi kecerdasan buatan (AI)<\/strong>, dikembangkan metode baru bernama Physics-Informed Neural Networks (PINNs)<\/strong>, yang menggabungkan jaringan saraf tiruan<\/strong> dengan prinsip-prinsip fisika<\/strong>. Pendekatan ini menawarkan solusi yang lebih efisien<\/strong>, adaptif<\/strong>, dan tidak bergantung pada pembagian domain (mesh)<\/strong>, sehingga lebih optimal dalam menyelesaikan PDE yang kompleks.<\/p>\n\n\n\n

    Lebih dari sekadar alat bantu komputasi, perkembangan ini mencerminkan bagaimana ilmu pengetahuan terus berkembang untuk memahami fenomena alam dengan lebih mendalam. Oleh karena itu, dalam penelitian ini, saya akan memanfaatkan pendekatan DAI5<\/strong>, yang terdiri dari lima tahapan utama dalam memahami PINNs<\/strong>:<\/p>\n\n\n\n

      \n
    1. Kesadaran Diri yang Mendalam (Deep Awareness of I)<\/strong> \u2013 Memahami keterbatasan metode numerik tradisional dan bagaimana AI dapat menjadi solusi yang lebih baik.<\/li>\n\n\n\n
    2. Niat yang Jelas (Intention)<\/strong> \u2013 Memfokuskan tujuan untuk menerapkan PINNs dalam menyelesaikan masalah konduksi panas 1D dengan cara yang lebih efektif.<\/li>\n\n\n\n
    3. Pemikiran Awal (Initial Thinking)<\/strong> \u2013 Menganalisis dasar-dasar persamaan diferensial yang akan diselesaikan menggunakan PINNs.<\/li>\n\n\n\n
    4. Proses Idealisasi (Idealization)<\/strong> \u2013 Membandingkan metode numerik klasik dengan pendekatan PINNs dalam pemodelan fenomena fisik.<\/li>\n\n\n\n
    5. Rangkaian Instruksi (Instruction Set)<\/strong> \u2013 Implementasi PINNs menggunakan Python dan PyTorch<\/strong>, mulai dari membangun model hingga menampilkan hasilnya.<\/li>\n<\/ol>\n\n\n\n

      Melalui pendekatan DAI5<\/strong>, saya berharap dapat memperoleh pemahaman yang lebih mendalam mengenai PINNs<\/strong> serta mengaplikasikan metode ini secara lebih optimal dalam menyelesaikan PDE. Selain itu, dengan mempelajari keteraturan yang ada di alam semesta, saya semakin menyadari bahwa segala hukum yang berlaku merupakan bagian dari rancangan yang sempurna oleh Tuhan Yang Maha Esa<\/strong>.<\/p>\n\n\n\n

      <\/p>\n\n\n\n

      1. Pemahaman Diri yang Mendalam (Deep Awareness of I)<\/strong><\/h3>\n\n\n\n

      Dalam dunia teknik dan sains, pemodelan berbasis persamaan diferensial parsial (Partial Differential Equations \/ PDE<\/strong>) memegang peranan penting dalam memahami fenomena fisika. PDE digunakan dalam berbagai bidang, mulai dari simulasi fluida, perpindahan panas, elektromagnetisme, hingga dinamika struktural. Namun, penyelesaian numerik PDE sering kali memerlukan metode yang sangat kompleks dan komputasi yang intensif.<\/p>\n\n\n\n

      Metode tradisional seperti Metode Elemen Hingga (Finite Element Method, FEM)<\/strong> dan Metode Perbedaan Hingga (Finite Difference Method, FDM)<\/strong> telah digunakan selama beberapa dekade untuk mendiskretisasi dan menyelesaikan PDE. Sayangnya, metode ini memiliki beberapa tantangan, antara lain:<\/p>\n\n\n\n

        \n
      • Kebutuhan daya komputasi tinggi<\/strong>, terutama untuk domain dengan dimensi besar.<\/li>\n\n\n\n
      • Kesulitan dalam menangani geometri kompleks<\/strong>, karena memerlukan mesh yang rumit.<\/li>\n\n\n\n
      • Kurangnya fleksibilitas terhadap kondisi batas yang dinamis<\/strong>, sehingga membutuhkan perhitungan ulang dari awal jika parameter berubah.<\/li>\n<\/ul>\n\n\n\n

        Sebagai solusi dari tantangan tersebut, muncullah Physics-Informed Neural Networks (PINNs)<\/strong>, sebuah pendekatan berbasis jaringan saraf tiruan (Artificial Neural Networks, ANN<\/strong>) yang mengintegrasikan hukum fisika dalam pelatihannya. Berbeda dengan metode numerik klasik, PINNs tidak memerlukan diskretisasi domain<\/strong>, melainkan menggunakan pendekatan berbasis fungsi kontinu yang lebih fleksibel dalam menangani berbagai skenario fisika.<\/p>\n\n\n\n

        Misalnya, dalam kasus konduksi panas satu dimensi<\/strong>, penyebaran suhu dalam suatu benda mengikuti hukum Fourier yang dapat dirumuskan sebagai:<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n

        Di sini, PINNs tidak menyelesaikan PDE dengan membagi domain menjadi segmen-segmen kecil<\/strong>, tetapi dengan melatih jaringan saraf untuk menghasilkan solusi yang tetap mematuhi hukum fisika. Pendekatan ini mencerminkan bagaimana manusia terus mencari metode yang lebih efisien untuk memahami hukum alam yang telah ditetapkan oleh Tuhan Yang Maha Esa<\/strong>.<\/p>\n\n\n\n

        <\/p>\n\n\n\n

        <\/p>\n\n\n\n

        2. Tujuan yang Jelas (Intention)<\/strong><\/h3>\n\n\n\n

        Penerapan PINNs<\/strong> memiliki tujuan yang jelas, yaitu untuk menyediakan metode alternatif dalam menyelesaikan PDE<\/strong> yang lebih fleksibel dan efisien dibandingkan pendekatan numerik konvensional. Beberapa manfaat utama dari PINNs meliputi:<\/p>\n\n\n\n

          \n
        1. Mengurangi waktu komputasi<\/strong>, terutama dalam simulasi yang membutuhkan banyak iterasi atau domain yang besar.<\/li>\n\n\n\n
        2. Menghindari pembuatan mesh<\/strong>, yang sering kali menjadi kendala dalam metode elemen hingga atau perbedaan hingga.<\/li>\n\n\n\n
        3. Memudahkan penyesuaian parameter<\/strong>, karena PINNs dapat langsung menyesuaikan modelnya tanpa perlu menghitung ulang solusi dari nol.<\/li>\n\n\n\n
        4. Mengatasi batasan geometri kompleks<\/strong>, karena jaringan saraf dapat menangani domain dengan bentuk tak beraturan tanpa perlu pemrosesan tambahan.<\/li>\n<\/ol>\n\n\n\n

          Dalam konteks perpindahan panas<\/strong>, kita dapat menggunakan PINNs untuk menyelesaikan persamaan diferensial berikut<\/strong>:<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          Dengan kondisi batas<\/strong> sebagai berikut: <\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          Dalam metode numerik klasik, kita harus menyusun sistem persamaan linier untuk mendapatkan solusi ini. Namun, dengan PINNs, kita cukup melatih jaringan saraf agar mendekati solusi yang sesuai dengan hukum fisika.<\/p>\n\n\n\n

          <\/p>\n\n\n\n

          <\/p>\n\n\n\n

          3. Konsep Awal (Initial Thinking)<\/strong><\/h3>\n\n\n\n

          Langkah pertama dalam menerapkan PINNs<\/strong> adalah memahami persamaan diferensial<\/strong> yang ingin diselesaikan. Dalam kasus perpindahan panas satu dimensi, persamaan yang digunakan adalah persamaan Laplace<\/strong>:<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          Solusi analitik dari persamaan ini berbentuk fungsi linear<\/strong>: <\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          Namun, daripada menyelesaikannya secara analitik atau numerik, PINNs menggunakan jaringan saraf tiruan untuk mendekati solusi ini<\/strong>.<\/p>\n\n\n\n

          Jaringan saraf yang digunakan dalam PINNs terdiri dari beberapa lapisan tersembunyi (hidden layers<\/strong>) dengan fungsi aktivasi non-linear. Selama pelatihan, bobot jaringan diperbarui menggunakan metode optimasi seperti Adam Optimizer<\/strong> untuk memastikan solusi tetap sesuai dengan hukum fisika.<\/p>\n\n\n\n

          Agar jaringan dapat belajar dengan benar, PINNs menggunakan fungsi loss<\/strong> yang terdiri dari dua komponen utama:<\/p>\n\n\n\n

            \n
          1. Loss Fisika<\/strong> \u2013 Mengukur seberapa jauh solusi yang dihasilkan oleh jaringan mendekati persamaan diferensial: <\/li>\n<\/ol>\n\n\n\n
            \"\"<\/figure>\n\n\n\n
              \n
            1. Loss Kondisi Batas<\/strong> \u2013 Memastikan bahwa solusi yang dihasilkan tetap memenuhi kondisi batas yang telah ditentukan: <\/li>\n<\/ol>\n\n\n\n
              \"\"<\/figure>\n\n\n\n

              Dengan pendekatan ini, PINNs dapat belajar langsung dari data tanpa kehilangan keakuratan terhadap hukum fisika<\/strong>.<\/p>\n\n\n\n

              <\/p>\n\n\n\n

              4. Penyederhanaan Model (Idealization)<\/strong><\/h3>\n\n\n\n

              Salah satu keunggulan terbesar PINNs dibandingkan metode numerik konvensional adalah kemampuannya untuk bekerja tanpa mesh<\/strong>. Dalam metode klasik seperti FEM atau FDM, domain harus dibagi menjadi grid atau mesh untuk menyelesaikan PDE. Hal ini bisa menjadi sangat sulit jika geometri domain kompleks.<\/p>\n\n\n\n

              Sebagai perbandingan:<\/p>\n\n\n\n

                \n
              • Metode Numerik Tradisional (FEM\/FDM):<\/strong>\n
                  \n
                • Memerlukan pembuatan mesh\/grid<\/strong>, yang sering kali kompleks.<\/li>\n\n\n\n
                • Bergantung pada ukuran grid, semakin kecil grid, semakin tinggi akurasi tetapi semakin tinggi pula waktu komputasi.<\/li>\n\n\n\n
                • Sulit menangani bentuk geometri yang tidak beraturan.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
                • Physics-Informed Neural Networks (PINNs):<\/strong>\n
                    \n
                  • Tidak memerlukan mesh<\/strong>, bekerja langsung dengan titik-titik acak dalam domain.<\/li>\n\n\n\n
                  • Berbasis optimasi<\/strong>, sehingga lebih fleksibel dan dapat digunakan untuk berbagai jenis PDE.<\/li>\n\n\n\n
                  • Dapat dengan mudah menyesuaikan parameter<\/strong> tanpa harus menghitung ulang dari awal.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n

                    Dalam proses pelatihannya, jaringan saraf dalam PINNs menyesuaikan bobotnya untuk meminimalkan total fungsi loss:<\/p>\n\n\n\n

                    \"\"<\/figure>\n\n\n\n

                    Proses optimasi ini biasanya menggunakan algoritma seperti Adam Optimizer atau L-BFGS<\/strong>, yang memungkinkan model belajar lebih cepat dan mendapatkan solusi yang lebih akurat.<\/p>\n\n\n\n

                    <\/p>\n\n\n\n

                    5. Instruction Set<\/strong><\/h3>\n\n\n\n

                    Dalam implementasi Physics-Informed Neural Networks (PINNs)<\/strong>, instruction set<\/strong> berfungsi sebagai pedoman langkah demi langkah yang harus diikuti untuk memastikan bahwa model dapat berjalan dengan benar dan memberikan hasil yang diinginkan. Instruction set ini mencakup serangkaian aturan, prosedur, dan teknik yang diterapkan dalam membangun, melatih, dan mengevaluasi PINNs.<\/p>\n\n\n\n

                    Dalam konteks PINNs untuk penyelesaian Persamaan Diferensial Parsial (PDE)<\/strong>, instruction set dapat diuraikan sebagai berikut:<\/p>\n\n\n\n

                    1. Definisi Persamaan Diferensial dan Kondisi Batas<\/strong><\/h4>\n\n\n\n
                      \n
                    • Identifikasi persamaan diferensial parsial (PDE)<\/strong> yang akan diselesaikan, misalnya persamaan difusi, persamaan Navier-Stokes, atau persamaan Maxwell.<\/li>\n\n\n\n
                    • Tentukan domain<\/strong> serta kondisi batas<\/strong> yang harus dipenuhi.<\/li>\n<\/ul>\n\n\n\n

                      2. Arsitektur Neural Network<\/strong><\/h4>\n\n\n\n
                        \n
                      • Pilih arsitektur jaringan saraf yang sesuai, seperti Multi-Layer Perceptron (MLP)<\/strong> dengan beberapa lapisan tersembunyi.<\/li>\n\n\n\n
                      • Gunakan fungsi aktivasi non-linear<\/strong> (misalnya tanh atau ReLU) agar model dapat menangkap hubungan kompleks dalam data.<\/li>\n\n\n\n
                      • Tetapkan jumlah neuron dan lapisan tersembunyi<\/strong> berdasarkan kompleksitas masalah.<\/li>\n<\/ul>\n\n\n\n

                        3. Fungsi Loss<\/strong><\/h4>\n\n\n\n
                          \n
                        • Rancang fungsi loss<\/strong> yang menggabungkan dua komponen utama:\n
                            \n
                          • Loss Fisika<\/strong>: Menjamin bahwa model memenuhi hukum-hukum fisika dalam PDE.<\/li>\n\n\n\n
                          • Loss Kondisi Batas<\/strong>: Memastikan bahwa solusi memenuhi batasan yang telah ditentukan.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
                          • Pastikan fungsi loss diturunkan dari persamaan diferensial yang digunakan.<\/li>\n<\/ul>\n\n\n\n

                            4. Algoritma Optimasi<\/strong><\/h4>\n\n\n\n
                              \n
                            • Gunakan metode optimasi seperti Adam Optimizer<\/strong> untuk memperbarui bobot jaringan saraf.<\/li>\n\n\n\n
                            • Tentukan learning rate<\/strong> yang sesuai agar model dapat belajar dengan stabil tanpa overfitting atau underfitting.<\/li>\n<\/ul>\n\n\n\n

                              5. Implementasi dan Validasi<\/strong><\/h4>\n\n\n\n
                                \n
                              • Lakukan eksperimen dan pelatihan<\/strong> dengan data yang mencakup titik-titik dalam domain.<\/li>\n\n\n\n
                              • Validasi hasil dengan solusi analitik<\/strong> atau metode numerik lain untuk mengukur akurasi.<\/li>\n\n\n\n
                              • Jika hasil kurang memadai, lakukan fine-tuning parameter<\/strong>, seperti menyesuaikan jumlah neuron, fungsi aktivasi, atau jumlah iterasi pelatihan.<\/li>\n<\/ul>\n\n\n\n

                                6. Evaluasi dan Aplikasi Lanjutan<\/strong><\/h4>\n\n\n\n
                                  \n
                                • Gunakan model yang telah dilatih untuk menyelesaikan PDE baru<\/strong> dengan kondisi yang berbeda.<\/li>\n\n\n\n
                                • Terapkan pendekatan ini ke dalam berbagai bidang, seperti mekanika fluida, perpindahan panas, atau elektromagnetisme<\/strong>.<\/li>\n\n\n\n
                                • Kembangkan metode hybrid<\/strong> yang menggabungkan PINNs dengan pendekatan numerik tradisional untuk meningkatkan efisiensi dan akurasi.<\/li>\n<\/ul>\n\n\n\n

                                  Instruction set ini memastikan bahwa implementasi PINNs dapat dilakukan secara terstruktur, efisien, dan sesuai dengan hukum fisika yang berlaku<\/strong>. Dengan mengikuti pedoman ini, kita dapat memanfaatkan kecerdasan buatan untuk memahami dan menyelesaikan persamaan kompleks yang menggambarkan fenomena di alam semesta yang diciptakan oleh Tuhan Yang Maha Esa<\/strong>.<\/p>\n\n\n\n

                                  <\/p>\n\n\n\n

                                  <\/p>\n\n\n\n

                                  Coding VSCode yang digunakan untuk pembelajaran PINNs ini; <\/p>\n\n\n\n

                                  import torch\nimport torch.nn as nn\nimport numpy as np\nimport matplotlib.pyplot as plt\nimport tkinter as tk\nfrom tkinter import ttk\nimport tkinter.messagebox\n\n\n# Define the PINN neural network\nclass PINN(nn.Module):\n    def __init__(self):\n        super(PINN, self).__init__()\n        self.net = nn.Sequential(\n            nn.Linear(1, 20),\n            nn.Tanh(),\n            nn.Linear(20, 20),\n            nn.Tanh(),\n            nn.Linear(20, 1)\n        )\n    \n    def forward(self, x):\n        return self.net(x)\n\n\n# Function to compute the loss\ndef compute_loss(model, x, T0, T1):\n    x = x.requires_grad_(True)\n    T = model(x)\n    \n    # Compute derivatives\n    dT_dx = torch.autograd.grad(T, x, grad_outputs=torch.ones_like(T), create_graph=True)[0]\n    d2T_dx2 = torch.autograd.grad(dT_dx, x, grad_outputs=torch.ones_like(dT_dx), create_graph=True)[0]\n    \n    # Physics loss (d^2T\/dx^2 = 0)\n    physics_loss = torch.mean(d2T_dx2**2)\n    \n    # Boundary conditions\n    T_left = model(torch.tensor([[0.0]]))\n    T_right = model(torch.tensor([[1.0]]))\n    bc_loss = (T_left - T0)**2 + (T_right - T1)**2\n    \n    return physics_loss + bc_loss\n\n\n# Training function\ndef train_pinn(T0, T1, epochs=1000):\n    model = PINN()\n    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)\n    x = torch.linspace(0, 1, 100).reshape(-1, 1)\n    \n    for epoch in range(epochs):\n        optimizer.zero_grad()\n        loss = compute_loss(model, x, T0, T1)\n        loss.backward()\n        optimizer.step()\n        \n        if epoch % 100 == 0:\n            print(f\"Epoch {epoch}, Loss: {loss.item():.6f}\")\n    \n    return model\n\n\n# Function to plot results\ndef plot_results(model, T0, T1):\n    x = torch.linspace(0, 1, 100).reshape(-1, 1)\n    with torch.no_grad():\n        T_pred = model(x).numpy()\n    x = x.numpy()\n    T_analytical = T0 + (T1 - T0) * x\n    \n    plt.figure(figsize=(8, 6))\n    plt.plot(x, T_pred, label=\"PINN Solution\")\n    plt.plot(x, T_analytical, '--', label=\"Analytical Solution\")\n    plt.xlabel(\"x\")\n    plt.ylabel(\"Temperature\")\n    plt.title(\"1D Steady-State Heat Conduction\")\n    plt.legend()\n    plt.grid(True)\n    plt.show()\n\n\n# GUI Application\nclass PINNApp:\n    def __init__(self, root):\n        self.root = root\n        self.root.title(\"PINN 1D Heat Conduction Solver\")\n        \n        # Labels and Entries\n        ttk.Label(root, text=\"T0 (Left Boundary, \u00b0C):\").grid(row=0, column=0, padx=5, pady=5)\n        self.T0_entry = ttk.Entry(root)\n        self.T0_entry.grid(row=0, column=1, padx=5, pady=5)\n        self.T0_entry.insert(0, \"100\")\n        \n        ttk.Label(root, text=\"T1 (Right Boundary, \u00b0C):\").grid(row=1, column=0, padx=5, pady=5)\n        self.T1_entry = ttk.Entry(root)\n        self.T1_entry.grid(row=1, column=1, padx=5, pady=5)\n        self.T1_entry.insert(0, \"0\")\n        \n        ttk.Label(root, text=\"Epochs:\").grid(row=2, column=0, padx=5, pady=5)\n        self.epochs_entry = ttk.Entry(root)\n        self.epochs_entry.grid(row=2, column=1, padx=5, pady=5)\n        self.epochs_entry.insert(0, \"1000\")\n        \n        # Solve Button\n        self.solve_button = ttk.Button(root, text=\"Solve & Plot\", command=self.solve)\n        self.solve_button.grid(row=3, column=0, columnspan=2, pady=10)\n    \n    def solve(self):\n        try:\n            T0 = float(self.T0_entry.get())\n            T1 = float(self.T1_entry.get())\n            epochs = int(self.epochs_entry.get())\n            \n            model = train_pinn(T0, T1, epochs)\n            plot_results(model, T0, T1)\n        except ValueError:\n            tk.messagebox.showerror(\"Error\", \"Please enter valid numerical values.\")\n\n\n# Run the GUI\nif __name__ == \"__main__\":\n    root = tk.Tk()\n    app = PINNApp(root)\n    root.mainloop()<\/code><\/pre>\n\n\n\n
                                  Dengan T0 (Left Boundary) dan T1 (Right Boundary) yang sama pada setiap uji coba, saya mencoba membedakan Epochs untuk melihat hasil uji<\/p>\n\n\n\n
                                  <\/p>\n\n\n\n
                                  \"\"<\/figure>\n\n\n\n
                                  \"\"<\/figure>\n\n\n\n
                                  \"\"<\/figure>\n\n\n\n
                                  \"\"<\/figure>\n\n\n\n
                                  \"\"<\/figure>\n\n\n\n
                                  Seiring bertambahnya jumlah epoch dalam proses pelatihan PINN, akurasi model akan meningkat secara bertahap. Berikut adalah gambaran dari hasil yang diperoleh pada berbagai tahapan epoch:<\/p>\n\n\n\n
                                    \n
                                  • Pada 1000 epoch<\/strong>, solusi yang dihasilkan oleh PINN masih menunjukkan deviasi yang cukup besar dibandingkan dengan solusi analitis berbentuk garis lurus.<\/li>\n\n\n\n
                                  • Pada 3000 epoch<\/strong>, model mulai memahami pola yang lebih baik, sehingga hasilnya semakin mendekati solusi eksak.<\/li>\n\n\n\n
                                  • Pada 8000 epoch<\/strong>, PINN hampir sepenuhnya mereplikasi solusi analitis yang dinyatakan sebagai T(x)=T0+(T1\u2212T0)xT(x) = T_0 + (T_1 – T_0)x.<\/li>\n\n\n\n
                                  • Pada 10000 epoch<\/strong>, perbedaan antara hasil prediksi PINN dan solusi analitis menjadi sangat kecil, menunjukkan bahwa model telah belajar dengan sangat baik.<\/li>\n<\/ul>\n\n\n\n
                                    Peningkatan ini menegaskan bahwa semakin lama PINN dilatih, semakin presisi hasil yang diperoleh. Hal ini membuktikan bahwa pendekatan berbasis kombinasi antara data dan hukum fisika mampu secara efektif menangkap keteraturan yang terdapat di alam semesta.<\/p>\n\n\n\n
                                    <\/p>\n\n\n\n
                                    Kesimpulan Pembelajaran:<\/p>\n\n\n\n
                                    dalam mempelajari Physics-Informed Neural Networks (PINNs)<\/strong>, kita tidak hanya mendalami metode komputasi modern untuk menyelesaikan persamaan diferensial, tetapi juga memahami bagaimana ilmu pengetahuan dapat dikembangkan dengan pendekatan yang lebih efisien dan fleksibel. Melalui metode ini, kita mengatasi keterbatasan pendekatan numerik tradisional seperti Finite Difference Method (FDM)<\/strong> dan Finite Element Method (FEM)<\/strong> yang sering kali memerlukan komputasi intensif dan kurang adaptif dalam menangani sistem kompleks.<\/p>\n\n\n\n
                                    Dengan menerapkan konsep DAI5<\/strong>, kita menempuh perjalanan intelektual yang terstruktur: dari kesadaran akan keterbatasan dan kebutuhan solusi baru (Deep Awareness of I)<\/strong>, menetapkan tujuan yang jelas (Intention)<\/strong>, merancang pemikiran awal (Initial Thinking)<\/strong>, mengembangkan idealisasi pendekatan (Idealization)<\/strong>, hingga menyusun instruksi dan implementasi teknis (Instruction Set)<\/strong>. Pendekatan ini memastikan bahwa proses pembelajaran dan penerapan PINNs tidak hanya sebatas memahami teori, tetapi juga menghasilkan solusi nyata yang bermanfaat bagi masyarakat, seperti meningkatkan efisiensi dalam rekayasa termal, optimasi industri, serta pemodelan fenomena kompleks di berbagai bidang.<\/p>\n\n\n\n
                                    Lebih dari sekadar pencapaian teknologi, proses ini juga mengajarkan kita tentang keteraturan alam yang telah Tuhan Yang Maha Esa tetapkan. Setiap fenomena yang kita pelajari, termasuk dalam perhitungan perpindahan panas atau dinamika fluida, mencerminkan harmoni dan keseimbangan dalam hukum alam. Hal ini selaras dengan firman dalam Amsal 2:6<\/strong>, “Karena Tuhanlah yang memberikan hikmat, dari mulut-Nya datang pengetahuan dan kepandaian.”<\/em> Belajar dan menerapkan ilmu dengan penuh kesadaran, niat baik, dan metode yang terstruktur adalah bentuk penghargaan terhadap anugerah pengetahuan yang telah diberikan kepada kita. Oleh karena itu, ilmu yang kita pelajari hendaknya dimanfaatkan tidak hanya untuk kemajuan diri sendiri tetapi juga untuk kebaikan lingkungan dan sesama.<\/p>\n\n\n\n
                                    <\/p>\n","protected":false},"excerpt":{"rendered":"
                                    Dalam essay ini, saya akan menjelaskan pendekatan saya dalam mempelajari PINNs. Sebelum itu, saya memecah masalah pemahaman ini dengan framework DAI 5: Pendahuluan Dalam bidang komputasi ilmiah, penyelesaian persamaan diferensial parsial (PDE) menjadi tantangan besar karena kompleksitas perhitungannya. Metode numerik konvensional, seperti Finite Difference Method (FDM) dan Finite Element Method (FEM), telah banyak digunakan untuk […]<\/p>\n","protected":false},"author":87,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[26],"tags":[],"class_list":["post-4520","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/posts\/4520","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/users\/87"}],"replies":[{"embeddable":true,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/comments?post=4520"}],"version-history":[{"count":1,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/posts\/4520\/revisions"}],"predecessor-version":[{"id":4541,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/posts\/4520\/revisions\/4541"}],"wp:attachment":[{"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/media?parent=4520"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/categories?post=4520"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ccitonline.com\/wp\/wp-json\/wp\/v2\/tags?post=4520"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}