Jnews.co.id – AI telah belajar memecahkan persamaan dasar fisika.
Fisikawan yang menggunakan kecerdasan buatan telah membuat terobosan dalam memecahkan persamaan mendasar alam yang mendasari optik, akustik, teknik, dan elektronik. Jaringan saraf yang terinspirasi dari otak yang mereka kembangkan menjadikan persamaan ini jauh lebih efisien, membuka jalan bagi perkembangan baru dalam sains dan teknik.
Masalah rumit – solusi baru
Untuk menggambarkan sistem fisik yang kompleks di mana banyak perubahan terjadi, termasuk dalam ruang dan waktu, para ilmuwan secara tradisional menggunakan persamaan diferensial parsial. Persamaan ini membantu memodelkan fenomena seperti aliran udara di atas sayap pesawat, penyebaran polutan di atmosfer, atau jatuhnya bintang ke dalam lubang hitam.
Menyelesaikan persamaan ini biasanya memerlukan penggunaan metode numerik yang sangat akurat, namun metode ini sangat boros sumber daya dan memerlukan daya komputasi dalam jumlah besar.
Model pengganti: bantuan dari jaringan saraf
Ada metode yang lebih sederhana – model pengganti berbasis data. Model-model ini, termasuk jaringan saraf, dilatih berdasarkan data yang diperoleh melalui solusi numerik untuk memprediksi hasilnya. Namun, mereka masih memerlukan sejumlah besar data untuk dilatih. “Seiring dengan meningkatnya ukuran model, jumlah data yang dibutuhkan pun meningkat secara eksponensial, sehingga pendekatan ini sulit untuk diukur,” kata pemimpin studi Rafael Pesturi dari Georgia Institute of Technology di Atlanta.
Terobosan: model PEDS
Dalam sebuah studi baru, para ilmuwan mengembangkan pendekatan baru untuk menciptakan model pengganti. Ia menggunakan simulator fisika untuk melatih jaringan saraf sehingga dapat secara akurat mencocokkan hasil metode numerik dengan ketelitian tinggi. Tujuannya adalah untuk mendapatkan hasil yang akurat dengan menggunakan pengetahuan para ahli di bidang fisika, dan tidak sekedar mencoba opsi dengan menggunakan brute force.
Hasil dan prospek
Para peneliti menguji model Physics-Enhanced Deep Surrogate (PEDS) mereka pada tiga jenis sistem fisik: difusi (penyebaran pewarna dalam cairan), difusi reaktif (difusi setelah reaksi kimia), dan hamburan elektromagnetik.
Ternyata model PEDS tiga kali lebih akurat dibandingkan jaringan saraf lainnya ketika menyelesaikan persamaan diferensial parsial. Selain itu, pelatihan mereka hanya membutuhkan sekitar 1000 poin pelatihan, 100 kali lebih sedikit dibandingkan metode lainnya.
“Ide kami sederhana: jaringan saraf belajar dan model ilmiah melakukan sains,” kata Pesturi. “Model PEDS telah menunjukkan bahwa menggabungkan kedua pendekatan ini menghasilkan hasil yang jauh lebih unggul dibandingkan pendekatan mana pun.”
Potensi penerapan model PEDS sangat beragam, mulai dari prakiraan cuaca hingga penangkapan karbon dan desain reaktor nuklir.
Para peneliti merinci temuan mereka di jurnal Nature Machine Intelligence.
