Editorial Fisika & Matematika
Open AccessOA2023
Jaringan Saraf Berbasis Fisika untuk Pemodelan Lanjutan
Physics-informed neural networks (PINN) mengintegrasikan hukum fisika ke dalam pelatihan jaringan saraf untuk menyelesaikan persamaan diferensial dalam pengaturan tanpa pengawasan (unsupervised), mengatasi kelangkaan data. Ringkasan ini menguraikan struktur IMRAD dari makalah JOSS oleh Coscia et al.
Dario Coscia; A. Ivagnes; N. Demo; G. Rozzaยท Journal of Open Source Softwareยท 2023ยท DOI 10.21105/joss.05352
Masalah inti
Strategi Artificial Intelligence (AI) muncul secara masif di berbagai bidang akademik dan riset industri (Wang & Liao, 2004) karena semakin besarnya ketersediaan data dan peningkatan sumber daya komputasi. Dalam matematika terapan dan simulasi, strategi AI digunakan untuk menyelesaikan masalah yang gagal diatasi metode klasik (Cuomo et al., 2022). Namun, jumlah data yang dibutuhkan untuk menganalisis sistem kompleks sering kali tidak cukup agar prediksi AI dapat andal dan robust. Physics-informed neural networks (PINN) dirumuskan (Raissi et al., 2019) untuk mengatasi masalah data yang hilang dengan memasukkan pengetahuan fisika ke dalam pelatihan jaringan saraf. PINN bertujuan mengaproksimasi persamaan diferensial apa pun dengan menyelesaikan masalah minimisasi dalam pengaturan pembelajaran tanpa pengawasan, mempelajari medan yang tidak diketahui untuk mempertahankan batasan yang diterapkan (batas dan residu fisika).
Inovasi
Penulis mempertimbangkan bentuk umum persamaan diferensial, yang biasanya menghadirkan masalah paling menantang dari sudut pandang numerik. PINN menyelesaikannya dengan meminimalkan fungsi loss yang mencakup residu persamaan diferensial serta kondisi batas/awal. Secara formal, untuk persamaan diferensial yang diberikan oleh:
dengan kondisi batas
pada , loss PINN adalah:
dengan adalah jaringan saraf dengan parameter . Pendekatan tanpa pengawasan ini hanya memerlukan titik kolokasi, bukan data berlabel.
Pendahuluan
Strategi Artificial Intelligence (AI) muncul secara masif di berbagai bidang akademik dan riset industri (Wang & Liao, 2004) karena semakin besarnya ketersediaan data dan peningkatan sumber daya komputasi. Dalam matematika terapan dan simulasi, strategi AI digunakan untuk menyelesaikan masalah yang gagal diatasi metode klasik (Cuomo et al., 2022). Namun, jumlah data yang dibutuhkan untuk menganalisis sistem kompleks sering kali tidak cukup agar prediksi AI dapat andal dan robust. Physics-informed neural networks (PINN) dirumuskan (Raissi et al., 2019) untuk mengatasi masalah data yang hilang dengan memasukkan pengetahuan fisika ke dalam pelatihan jaringan saraf. PINN bertujuan mengaproksimasi persamaan diferensial apa pun dengan menyelesaikan masalah minimisasi dalam pengaturan pembelajaran tanpa pengawasan, mempelajari medan yang tidak diketahui untuk mempertahankan batasan yang diterapkan (batas dan residu fisika).
Mengapa penting
PINN menawarkan pendekatan yang menjanjikan untuk menyelesaikan persamaan diferensial ketika metode klasik kesulitan, terutama pada domain berdimensi tinggi atau kompleks. Dengan memasukkan hukum fisika, PINN mengurangi kebutuhan akan dataset besar dan meningkatkan generalisasi. Namun, tantangan tetap ada pada stabilitas pelatihan dan biaya komputasi. Makalah JOSS oleh Coscia et al. menyediakan implementasi open-source, memfasilitasi riset dan penerapan lebih lanjut.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ