Perpustakaan Digital ITB

Model pembelajaran berbasis fisika seperti Symplectic Hamiltonian Neural Network (SHNN) dikembangkan untuk mempelajari dinamika sistem Hamiltonian dengan tetap mempertahankan struktur ruang fase dan konservasi energi. Secara teoretis, penggunaan struktur Hamiltonian dan integrator simplektik diharapkan mampu meningkatkan kestabilan prediksi jangka panjang. Namun, kemampuan SHNN ketika diuji pada kondisi out-of-distribution (OOD) masih menjadi persoalan penting, terutama ketika parameter fisis dan level energi pengujian berada di luar domain data pelatihan. Penelitian ini bertujuan mengevaluasi kemampuan SHNN pada kondisi OOD serta menganalisis keterkaitan kegagalan model dengan galat trajektori, deviasi energi, galat medan vektor Hamiltonian, simplektisitas peta rollout, dan ketidakakuratan Hamiltonian yang dipelajari model (learned Hamiltonian). Sistem yang dikaji adalah pegas bermassa sebagai representasi sistem linier dan bandul sederhana sebagai representasi sistem nonlinier. Data latih dibangkitkan menggunakan integrator Gauss–Legendre dua tahap (GL2) karena memiliki sifat simplektik dan sesuai dengan karakter sistem Hamiltonian. Validasi data dilakukan dengan membandingkan hasil GL2 terhadap solusi analitik melalui lintasan terhadap waktu, ruang fase, dan profil energi. Model SHNN kemudian dievaluasi melalui beberapa skenario, yaitu baseline berbasis rollout loss, SHNN dengan loss berbasis integrator, serta perbandingan integrator rollout GL2 dan Ralston RK2 pada tahap evaluasi. Metrik evaluasi yang digunakan meliputi NRMSE trajektori, NRMSE deviasi energi, NRMSE medan vektor Hamiltonian, dan galat simplektisitas ?D?TJD? ? J?F. Verifikasi pada kondisi in- distribution (ID) menunjukkan bahwa model secara umum mampu merekonstruksi struktur dasar dinamika dalam domain pelatihan, meskipun tingkat akurasinya berbeda antar-model. Dengan demikian, penyimpangan pada kondisi OOD lebih berkaitan dengan keterbatasan generalisasi di luar distribusi pelatihan daripada ketidakmampuan model mempelajari dinamika dalam domain tersebut. Hasil penelitian menunjukkan bahwa SHNN mampu menghasilkan prediksi pada kondisi OOD, tetapi kemampuan generalisasinya belum konsisten. Pada beberapa kasus OOD tinggi, model masih mampu membentuk orbit ruang fase yang secara kualitatif menyerupai referensi, tetapi belum selalu tepat dalam amplitudo, momentum, periode, dan energi. Pada kasus OOD rendah, terutama ketika energi sistem berada jauh di bawah domain pelatihan, model lebih mudah mengalami penyimpangan. Hasil evaluasi juga menunjukkan bahwa deviasi energi yang kecil dan peta rollout yang hampir simplektik tidak selalu menjamin bahwa lintasan model benar secara fisis. Hal ini terjadi karena dinamika model ditentukan oleh learned Hamiltonian dan gradiennya. Jika medan vektor Hamiltonian yang dipelajari tidak mendekati medan vektor fisis, galat lokal dapat terakumulasi selama rollout jangka panjang. Kebaruan penelitian ini terletak pada analisis terpadu terhadap kemampuan OOD SHNN melalui lintasan ruang fase, konservasi energi, medan vektor Hamiltonian, dan simplektisitas peta rollout. Penelitian ini menunjukkan bahwa kegagalan SHNN pada OOD lebih tepat dipahami sebagai keterbatasan learned Hamiltonian dan medan vektor Hamiltonian dalam mengekstrapolasi struktur dinamika fisis, bukan semata-mata akibat integrator numerik.