Liputan6.com, Jakarta - Deep Learning, yang merupakan bagian dari Machine Learning, memiliki kemampuan untuk mereproduksi data dan membuat model simulasi atau skenario suatu masalah dan menawarkan solusinya.
Namun, beberapa masalah di bidang fisika belum dapat diketahui atau direpresentasikan secara detail lewat pendekatan komputasional ini.
Baru-baru ini, para peneliti di University of Illinois Urbana-Champaign mengembangkan suatu metode baru yang melibatkan fisika ke dalam proses komputasional Machine Learning untuk membuat simulasi lebih baik.
Baca Juga
Advertisement
"Kami tidak tahu bagaimana menjabarkan turbulensi secara matematis dengan cara yang tepat. Ada hal yang tidak diketahui, yang tidak dapat direpresentasikan, jadi kami menggunakan model Machine Learning untuk mengetahui hal itu," ujar Prof. Jonathan Freund, yang juga menjabat sebagai Head of the Department of Aerospace Engineering dikutip dari keterangan resmi.
Jonathan mengaku optimistis bahwa kebutuhan akan metode ini sangat luas.
"Ini masalah lama. Orang-orang telah berjuang untuk membuat simulasi turbulensi dan memodelkan bagian-bagiannya yang tidak terwakili sejak lama," tutur Jonathan.
Kemudian dia dan salah seorang koleganya Justin Sirignano mendapat pencerahan.
"Kami menyadari bahwa jika Anda mencoba menerapkan Machine Learning tanpa mempertimbangkan persamaan fisika yang diketahui, itu tidak berhasil. Kami menggabungkannya dan ternyata itu berhasil," ujar Jonathan.
Memakai superkomputer
Saat merancang pesawat udara atau ruang angkasa, menurut Jonathan, metode ini akan membantu para insinyur memprediksi apakah desain yang melibatkan aliran turbulensi akan berhasil atau tidak.
Mereka akan dapat membuat perubahan, menjalankan model ini untuk mendapatkan prediksi perpindahan panas atau daya angkat, dan memprediksi apakah desain mereka lebih baik atau lebih buruk.
Penelitian ini menggunakan fasilitas komputasi dengan kemampuan super di National Center for Supercomputing di UIUC yang dikenal sebagai Blue Waters, yang mampu membuat simulasi lebih cepat dan lebih hemat biaya.
Advertisement
Langkah selanjutnya
Langkah selanjutnya adalah menggunakan metode ini pada aliran turbulensi yang lebih realistis.
"Aliran turbulensi yang kami gunakan untuk mendemonstrasikan metode ini adalah konfigurasi sangat sederhana," ujar Jonathan.
Arus nyata, menutu dia, bersifat lebih kompleks. Oleh karena itu, dia dan tim ingin menggunakan metode turbulensi ini dengan melibatkan api di dalamnya, dan beberapa variabel lainnya.
"Ini adalah sesuatu yang kami rencanakan untuk terus dikembangkan di Center for Exascale-enabled Scramjet Design di NCSA," tutur Jonathan.
