Artificial Intelligence yang dapat menjalankan simulasi sesuai dengan hukum fisika
Machine

Artificial Intelligence yang dapat menjalankan simulasi sesuai dengan hukum fisika


Kredit: Universitas Kobe

Sebuah kelompok penelitian yang dipimpin oleh Associate Professor Yaguchi Takaharu (Sekolah Pascasarjana Sistem Informatika) dan Associate Professor Matsubara Takashi (Sekolah Pascasarjana Ilmu Teknik, Universitas Osaka) telah berhasil mengembangkan teknologi untuk mensimulasikan fenomena yang mekanisme atau rumus rinci tidak dapat dijelaskan. Mereka melakukan ini dengan menggunakan kecerdasan buatan (AI) untuk membuat model, yang sesuai dengan hukum fisika, dari data observasi.

Diharapkan perkembangan ini akan memungkinkan untuk memprediksi fenomena yang selama ini sulit untuk disimulasikan karena detail mekanisme yang mendasari belum diketahui. Ini juga diharapkan dapat meningkatkan kecepatan simulasi itu sendiri.

Capaian penelitian ini dipresentasikan pada 7 Desember di Konferensi Ketiga puluh empat tentang Sistem Pemrosesan Informasi Saraf (NeurIPS 2020), pertemuan bergengsi tentang topik terkait teknologi kecerdasan buatan.

Biasanya, prediksi fenomena fisik dapat dilakukan melalui simulasi menggunakan superkomputer, dan simulasi ini menggunakan persamaan berdasarkan hukum fisika. Meskipun persamaan-persamaan ini sangat serbaguna, tidak selalu berarti bahwa persamaan-persamaan ini mampu mereplikasi secara sempurna karakteristik yang berbeda dari fenomena individu. Misalnya, banyak orang mempelajari fisika di balik gerak pendulum di sekolah menengah. Namun, jika Anda benar-benar membuat pendulum dan mencoba mengayunkannya, sedikit cacat produksi pada pendulum dapat menyebabkan pendulum tidak bergerak sesuai dengan teori dan ini akan mengakibatkan kesalahan dalam prediksi simulasi. Akibatnya, penelitian untuk menerapkan data observasi fenomena ke simulasi melalui kecerdasan buatan telah berkembang dalam beberapa tahun terakhir. Jika hal ini dapat sepenuhnya direalisasikan, maka simulasi kustom untuk fenomena nyata dapat dikembangkan, yang seharusnya meningkatkan akurasi prediksi simulasi.

Namun, sulit untuk memperkenalkan hukum fisika yang mengatur fenomena dunia nyata ke teknologi prediksi menggunakan AI saat ini karena komputer bersifat digital. Sulit untuk mereplikasi hukum fisika seperti hukum kekekalan energi dengan sempurna. Akibatnya, peningkatan atau penurunan energi yang tidak wajar dapat terjadi dalam prediksi jangka panjang. Hal ini dapat menyebabkan fenomena seperti kecepatan objek atau ketinggian gelombang menjadi terlalu tinggi atau diremehkan, dan menghasilkan ketidakpastian terkait keandalan prediksi.

Kelompok peneliti ini mengembangkan teknologi baru berbasis kecerdasan buatan yang dapat digunakan untuk memprediksi berbagai fenomena dengan menjaga secara ketat hukum fisika seperti hukum kekekalan energi.

Pendekatan yang baru dikembangkan ini lahir dari gagasan ‘jika dunia itu digital’. Berdasarkan cara berpikir ini, hukum fisik yang harus dilestarikan di dunia digital diperkenalkan. Berfokus pada fakta bahwa hukum fisika ditulis dalam istilah kalkulus seperti ‘diferensiasi’ dan ‘integrasi’, para peneliti menulis ulang dengan menggunakan kalkulus digital.

Untuk melakukan ini secara teknis, para peneliti mengembangkan versi digital baru propagasi mundur, yang digunakan dalam pembelajaran mesin, menggunakan diferensiasi otomatis. Sangat mungkin untuk melestarikan hukum fisika seperti hukum kekekalan energi di dunia digital dengan pendekatan baru ini. Selain itu, hal ini memungkinkan hukum kekekalan energi direalisasikan dengan benar oleh teknologi berbasis AI bahkan dalam simulasi. Menggunakan metodologi baru ini akan membuat prediksi yang sangat andal menjadi mungkin dan mencegah terjadinya peningkatan dan penurunan energi yang tidak wajar seperti yang terlihat pada model konvensional.

Dalam teknik yang dikembangkan dalam penelitian ini, AI mempelajari fungsi energi dari data pengamatan fenomena fisik dan kemudian menghasilkan persamaan gerak di dunia digital. Persamaan gerak ini dapat dimanfaatkan sebagaimana adanya oleh program simulasi, dan diharapkan penerapan persamaan tersebut akan menghasilkan penemuan ilmiah baru (Gambar 1). Selain itu, persamaan gerak ini tidak perlu ditulis ulang untuk simulasi komputer, sehingga hukum fisika seperti hukum kekekalan energi dapat direplikasi.

Untuk memperkenalkan hukum fisika ke dalam dunia digital, pendekatan geometris seperti geometri simplektis dan geometri Riemannian juga digunakan. Ini memungkinkan untuk menerapkan teknik ini pada prediksi fenomena yang lebih luas. Misalnya, fenomena dua tetesan menjadi satu dapat dijelaskan dalam istilah hilangnya energi yang terjadi ketika mereka menjadi tetesan tunggal. Fenomena semacam ini dapat dijelaskan dengan baik menggunakan geometri Riemannian. Faktanya, baik fenomena konservasi energi dan disipasi energi dapat ditunjukkan dalam persamaan yang sama dari aspek geometris, yang memungkinkan terciptanya sistem terpadu yang dapat menangani kedua jenis fenomena tersebut. Dengan menggabungkan cara berpikir ini, model yang dikembangkan melalui penelitian ini diperluas untuk menangani fenomena disipasi energi juga, sehingga memungkinkan untuk memperkirakan pengurangan energi secara akurat.

Contoh fenomena tersebut antara lain adalah organisasi struktural material, pertumbuhan kristal dan mekanisme perluasan retak, dan diharapkan perkembangan lebih lanjut dalam teknologi AI akan memungkinkan fenomena semacam ini dapat diprediksi.

Selain itu, kelompok peneliti juga berhasil meningkatkan efisiensi pembelajaran AI dan eksperimen menunjukkan bahwa ini 10 kali lebih cepat daripada metode saat ini.

Pendekatan yang dikembangkan oleh penelitian ini menunjukkan bahwa ketika memprediksi fenomena fisik, dimungkinkan untuk menghasilkan simulasi khusus yang meniru aspek rinci dari fenomena ini yang sulit dikoordinasikan oleh manusia. Ini akan memungkinkan untuk meningkatkan keakuratan simulasi sekaligus membuat prediksi yang lebih efisien menjadi mungkin, yang mengarah pada peningkatan waktu kalkulasi untuk berbagai simulasi fisika.

Selain itu, menggunakan AI untuk mengekstrak hukum fisika dari data observasi akan memungkinkan untuk memprediksi fenomena yang sebelumnya sulit untuk disimulasikan karena mekanisme detailnya tidak diketahui.

Prediksi yang dibuat oleh AI sering disebut ‘kotak hitam’ dan rentan terhadap masalah keandalan. Namun, pendekatan yang dikembangkan melalui penelitian ini sangat andal karena dapat mereplikasi fenomena secara akurat sambil mengikuti hukum fisika seperti hukum konversi energi, yang berarti bahwa prediksi berlebih dan prediksi bawah tidak mungkin terjadi.

Teknik ini juga dapat mengembangkan propagasi mundur, yang biasa digunakan dalam pembelajaran AI. Oleh karena itu, dapat meningkatkan kecepatan berbagai jenis pembelajaran mesin di luar teknologi dalam studi penelitian ini.


Metode baru membawa fisika ke pembelajaran mendalam untuk mensimulasikan turbulensi dengan lebih baik


Informasi lebih lanjut:
Matsubara Takashi dkk. Pemodelan Fisika Waktu Diskrit Berbasis Energi Dalam. Kemajuan dalam Sistem Pemrosesan Informasi Neural 33 (NeurIPS 2020)

Disediakan oleh Universitas Kobe

Kutipan: Artificial Intelligence yang dapat menjalankan simulasi sesuai dengan hukum fisik (2020, 18 Desember) diakses pada 18 Desember 2020 dari https://techxplore.com/news/2020-12-artificial-intelligence-simulation-faithful-physical.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP