Perpustakaan Digital ITB

Kami membahas implementasi dari physics-informed neural network (disingkat sebagai PINN), yaitu neural network yang dilatih untuk menyelesaikan permasalahan supervised learning dengan tambahan syarat yaitu mematuhi hukum fisika tertentu yang tertuang sebagai suatu persamaan diferensial parsial. Ini merupakan pendekatan yang relatif baru guna mendapatkan solusi aproksimasi dari suatu persamaan diferensial parsial. Model neural network tersebut, pertamatama perlu dilatih menggunakan data solusi persamaan diferensial, berupa solusi analitik atau solusi numerik, yang harus diperoleh lebih dahulu. Pada tugas akhir ini, pendekatan neural network (PINN) diimplementasikan melalui beberapa persamaan diferensial parsial, yaitu persamaan transport, persamaan burger nonlinier, dan perambatan gelombang soliter dari persamaan KdV. Kami juga mendiskusikan pengaruh dari parameter-parameter komputasi terhadap kualitas dari aproksimasi solusinya. Dari hasil uji coba didapatkan bahwa, metode PINN secara efektif mampu memberikan prediksi solusi persamaan diferensial parsial yang mendekati solusi eksaknya. Lalu, untuk jumlah iterasi, jumlah data training, dan jumlah titik kolokasi yang lebih banyak akan menghasilkan prediksi solusi yang lebih akurat.