Merevolusi Rekayasa: Peran Baru AI dalam Menyelesaikan Persamaan Kompleks Lebih Cepat daripada Superkomputer

Superkomputer dikenal karena kinerja tinggi mereka, yang memungkinkan mereka menyelesaikan masalah komputasi yang kompleks. Sebagai komputer tercepat di dunia, mesin‑mesin ini dapat memproses dataset besar dan melakukan perhitungan kompleks dengan kecepatan tinggi, mampu menyelesaikan hingga satu kuintiliun perhitungan per detik.

Menariknya, minggu ini saja, raksasa teknologi Google meluncurkan chip generasi berikutnya yang disebut ‘Willow,’ yang beroperasi menggunakan qubit superkonduktor dan dapat menyelesaikan masalah matematika kompleks dalam waktu hanya lima menit sekaligus mengurangi kesalahan secara eksponensial. 

Meskipun memiliki kinerja yang mengesankan, chip kuantum tersebut masih jauh dari memecahkan kriptografi modern.

Di tengah semua ini, kecerdasan buatan (AI) baru muncul dengan kemampuan menyelesaikan masalah rekayasa kompleks bahkan lebih cepat daripada superkomputer. Solusi teknologi baru ini berasal dari peneliti Johns Hopkins, yang dapat menjadi pengubah permainan di bidang rekayasa.

Era Baru AI 

Setelah menjadi topik hangat selama bertahun‑tahun, AI akhirnya mulai dimanfaatkan secara bermakna di berbagai industri utama. Potensi besarnya untuk meningkatkan efisiensi dan produktivitas telah membuat pasar tumbuh melampaui $184 miliar tahun ini dan diproyeksikan meningkatkan pendapatan lebih dari $15 triliun pada akhir dekade ini. 

Laporan terbaru menemukan bahwa 68% organisasi kini aktif menggunakan Gen AI atau telah mengembangkan peta jalan setelah implementasi pilot yang berhasil. 

Seiring AI terus mengubah berbagai industri, terutama lanskap rekayasa, orang kini menghadapi tantangan menjadi usang. Perkiraan menunjukkan bahwa dalam dekade mendatang, hingga 40% tugas rekayasa dapat terotomatisasi.

Untuk memahami dampak AI pada dunia, pertama‑tama kita harus menyadari bahwa AI hanyalah teknologi yang memungkinkan mesin dan komputer meniru pemikiran, pembelajaran, pemahaman, pemecahan masalah, pengambilan keputusan, dan kreativitas manusia. 

Di balik AI terdapat pembelajaran mesin, yang melibatkan pelatihan algoritma untuk membuat model yang menggunakan data dalam membuat keputusan dan prediksi. 

Ada berbagai jenis algoritma atau teknik pembelajaran mesin, dengan jaringan saraf tiruan menjadi salah satu tipe yang paling populer. Jaringan ini dimodelkan berdasarkan struktur dan fungsi otak manusia. 

Pembelajaran mendalam, sub‑set pembelajaran mesin, menggunakan jaringan saraf berlapis‑lapis yang lebih efektif dalam meniru kemampuan pengambilan keputusan kompleks otak manusia. Jaringan ini belajar dari data dan digunakan untuk menyelesaikan berbagai masalah, mulai dari pengenalan gambar dan suara hingga pemrosesan bahasa alami. 

Pembelajaran Mendalam sepenuhnya mengubah cara mesin berinteraksi dengan data kompleks, dengan kemampuan melampaui kinerja setara manusia sambil mencapai akurasi tinggi.

Menggunakan AI untuk Menangani Masalah Kompleks 

AI menawarkan banyak manfaat, seperti otomatisasi tugas berulang, lebih sedikit kesalahan manusia, ketersediaan 24/7, dan peningkatan pengambilan keputusan, yang telah mendorong penerapannya di berbagai jenis bisnis lintas industri.

Kemampuan teknologi untuk secara efisien menganalisis sejumlah besar data, mengidentifikasi pola yang mungkin terlewatkan oleh manusia, dan akhirnya melakukan perhitungan cepat menjadikan AI alat yang hebat untuk menyelesaikan masalah kompleks. Ketika berhadapan dengan dataset besar dan skenario pengambilan keputusan rumit yang memakan waktu atau tidak mungkin ditangani manusia secara tunggal, AI dapat sangat membantu.

Oleh karena itu, fokus yang semakin besar pada pemanfaatan AI untuk menyelesaikan masalah rumit. Setahun yang lalu, peneliti dari MIT dan ETH Zurich menggunakan pembelajaran mesin untuk memecahkan masalah optimasi dalam mengatur rute paket liburan secara efisien bagi perusahaan seperti FedEx.

Perusahaan‑perusahaan ini menggunakan perangkat lunak yang disebut solver pemrograman linear campuran integer (MILP) yang membagi masalah menjadi bagian‑bagian lebih kecil dan menggunakan algoritma generik untuk menemukan solusi terbaik, yang dapat memakan waktu berjam‑jam bahkan berhari‑hari.

Di sini, bagian kunci yang memperlambat seluruh proses adalah bahwa solver MILP memiliki terlalu banyak solusi potensial. Para peneliti menggunakan mekanisme penyaringan untuk menyederhanakan langkah ini, yang mempercepat solver MILP antara 30‑70% tanpa memengaruhi akurasi. Untuk itu, teknik tersebut mengandalkan prinsip penurunan marginal dan kemudian menggunakan pembelajaran mesin, dilatih dengan dataset khusus untuk masalah tersebut, guna menemukan solusi optimal dari jumlah opsi yang berkurang.

Baru‑baru ini, pada awal bulan ini, startup berbasis London, PhysicsX, memperkenalkan model geometri besar bernama LGM‑Aero untuk rekayasa dirgantara. Model geometri dan fisika ini diharapkan dapat menghasilkan pengurangan signifikan dalam waktu pengembangan konsep pesawat. Perusahaan telah membuat aplikasi referensi (‘Ai.rplane’) yang dibangun di atas LGM‑Aero dapat diakses publik untuk menunjukkan kemampuan modelnya dalam menghasilkan desain pesawat dan memprediksi fisika terkait kinerja pesawat. 

Model ini dilatih pada komputasi awan Amazon Web Services (AWS) menggunakan lebih dari 25 juta bentuk berbeda, yang mewakili lebih dari 10 miliar vertex. Data latihannya juga mencakup kumpulan simulasi dinamika fluida komputasional (CFD) dan analisis elemen hingga (FEA) yang dihasilkan bekerja sama dengan Siemens. 

Serupa dengan cara LLM memahami teks, LGM memiliki pengetahuan luas tentang bentuk dan struktur penting bagi rekayasa dirgantara dan, oleh karena itu, “dapat mengoptimalkan berbagai jenis fisika dalam hitungan detik, jauh lebih cepat beberapa orde magnitudo dibandingkan simulasi numerik, dan pada tingkat akurasi yang sama,” kata CEO Jacomo Corbo.

Tahun ini, OpenAI, perusahaan riset AI yang didukung Microsoft (MSFT ) di balik ChatGPT, juga meluncurkan model terbarunya, o1‑preview dan o1‑mini, yang mengklaim lonjakan signifikan dalam kemampuan penalaran model bahasa besar (LLM).

Model ini dilengkapi kemampuan menggunakan “penalaran rantai pemikiran,” mirip dengan apa yang dilakukan manusia saat memecahkan masalah, yang melibatkan pembagian hal kompleks menjadi tugas kecil yang dapat dikelola. Penerapan penalaran mirip manusia pada LLM sebelumnya telah diamati oleh Google Research dan lainnya.

Model AI Baru untuk Menyelesaikan PDE

Seiring penggunaan dan popularitas AI terus meningkat, kemampuan AI juga berkembang, dengan peneliti dan perusahaan bekerja untuk membuat teknologi ini lebih baik dan lebih akurat. 

Kerangka AI terbaru dari peneliti Johns Hopkins mengambil pendekatan generik untuk memprediksi solusi dari persamaan matematika yang memakan waktu dan umum. Persamaan diferensial parsial (PDE) merupakan tugas yang meluas di bidang rekayasa dan penelitian medis. 

Namun, biaya komputasi yang terlibat dalam menyelesaikan persamaan ini dapat menjadi sangat tinggi. Selain itu, menyelesaikan masalah matematika besar ini biasanya memerlukan superkomputer, namun tidak lagi. 

Kerangka AI baru ini memungkinkan bahkan komputer pribadi untuk menangani persamaan diferensial parsial yang digunakan ilmuwan untuk menerjemahkan proses atau sistem dunia nyata menjadi representasi matematis tentang bagaimana objek berubah seiring waktu dan ruang. 

Ini bukan kali pertama model AI diusulkan untuk menyelesaikan PDE; sebenarnya, idenya pertama kali dibagikan beberapa dekade lalu. Dalam bidang ilmu mesin pembelajaran yang sedang berkembang, penyelesaian persamaan diferensial parsial dengan jaringan saraf telah mendapatkan banyak perhatian dalam dekade terakhir berkat semua kemajuan kemampuan komputasi untuk melatih jaringan saraf dalam. 

Meskipun keberhasilan operator neural, yang menggunakan AI untuk mempelajari operator solusi PDE, penelitian terbaru mencatat bahwa bottleneck komputasi masih ada saat melakukan tugas optimasi dan prognostik. Hal ini disebabkan ketidakmampuan operator neural untuk mengevaluasi solusi PDE yang bergantung pada geometri.

Saat ini, mayoritas kerangka kerja operator neural, seperti yang dicatat dalam studi, dikembangkan pada domain dengan batas tetap. Selain itu, variasi bentuk memerlukan pelatihan ulang jaringan neural. 

Jadi, dengan tujuan mengatasi tantangan komputasi ini, para peneliti mengusulkan DIMON — Diffeomorphic Mapping Operator Learning. Untuk ini, mereka menggabungkan operator neural dengan pemetaan diffeomorfik antara domain dan bentuk. 

Model ini menghilangkan kebutuhan untuk menghitung ulang grid setiap kali bentuk berubah. Dengan cara ini, DIMON dapat mempercepat simulasi dan mengoptimalkan desain dengan memprediksi bagaimana elemen fisik seperti gerakan, tegangan, dan panas berperilaku di berbagai bentuk, alih‑alih memecah bentuk kompleks menjadi elemen‑elemen kecil.

Secara umum, menyelesaikan persamaan ini melibatkan pemecahan bentuk kompleks, seperti organ manusia atau sayap pesawat, menjadi grid atau mesh yang terdiri dari elemen‑elemen kecil. Masalah kemudian diselesaikan pada setiap potongan sederhana sebelum digabungkan kembali. 

Namun, jika bentuk‑bentuk ini berubah akibat tabrakan atau deformasi, grid harus diperbarui. Ini berarti solusi juga harus dihitung ulang, yang membuat seluruh proses komputasi tidak hanya mahal tetapi juga lambat. 

DIMON di sini memanfaatkan AI untuk memahami cara sistem fisik bekerja dengan berbagai bentuk. Jadi, peneliti tidak perlu membagi bentuk menjadi grid dan menyelesaikan persamaan berulang‑ulang; sebaliknya, AI memanfaatkan pola yang telah dipelajarinya untuk memprediksi bagaimana faktor‑faktor berbeda akan berperilaku, menjadikannya lebih efisien dan lebih cepat dalam memodelkan skenario spesifik bentuk serta mengoptimalkan desain.

Menurut co‑lead Natalia Trayanova, profesor teknik biomedis dan kedokteran di Universitas Johns Hopkins:

“Meskipun motivasi untuk mengembangkannya berasal dari pekerjaan kami sendiri, ini adalah solusi yang kami rasa akan memiliki dampak besar secara umum pada berbagai bidang rekayasa karena sangat generik dan dapat diskalakan.”

Titik Balik untuk Desain Rekayasa

Kerangka AI baru ini menyediakan pendekatan yang memungkinkan prediksi cepat solusi PDE pada banyak domain. Lebih jauh lagi, ia memfasilitasi banyak aplikasi hilir yang menggunakan AI. 

Mengenai kemampuan model, Trayanova mencatat bahwa DIMON pada dasarnya dapat bekerja pada masalah apa pun di bidang ilmu atau rekayasa mana pun untuk menyelesaikan PDE pada berbagai geometri. 

Ini mencakup pengujian tabrakan, menganalisis bagaimana pesawat luar angkasa merespon lingkungan ekstrem, menilai bagaimana jembatan menahan tegangan, mempelajari bagaimana fluida menyebar melalui geometri berbeda, melakukan riset ortopedi, dan menangani masalah kompleks lainnya di mana material dan bentuk berubah. Pemodelan semua skenario ini kini dapat dilakukan jauh lebih cepat berkat kerangka AI baru. 

Untuk menunjukkan penerapan model baru dalam menyelesaikan jenis masalah rekayasa lainnya, tim menguji DIMON pada lebih dari 1.000 “digital twin” jantung. Digital twin ini adalah model komputer sangat detail dari jantung pasien nyata. 

Penyakit aritmia jantung dipelajari dengan menyelesaikan persamaan diferensial parsial. Kondisi ini menyebabkan detak jantung tidak teratur akibat gangguan impuls listrik. Digital twin jantung memungkinkan peneliti menentukan apakah pasien berisiko mengalami kondisi ini, yang sering fatal, dan kemudian merekomendasikan cara mengobatinya. 

Kerangka AI baru terbukti berhasil memprediksi bagaimana sinyal listrik menular melalui setiap bentuk jantung unik dengan akurasi tinggi tanpa perlu melakukan simulasi numerik yang mahal. 

Trayanova, direktur Johns Hopkins Alliance for Cardiovascular Diagnostic and Treatment Innovation, menerapkan pendekatan berbasis data, pemodelan komputasi, dan inovasi dalam pencitraan jantung untuk mendiagnosa dan mengobati penyakit kardiovaskular. Mereka terus memperkenalkan teknologi baru ke klinik.  

Namun, dia mencatat bahwa solusi mereka masih terlalu lambat karena memerlukan sekitar satu minggu untuk memindai jantung pasien dan menyelesaikan PDE guna memprediksi apakah pasien berisiko tinggi mengalami kematian jantung mendadak, kemudian memberikan rencana perawatan terbaik. 

Namun hal ini mengalami pergeseran monumental dengan model terbaru mereka. 

“Dengan pendekatan AI baru ini, kecepatan kami memperoleh solusi sungguh luar biasa.”

– Trayanova

Waktu yang dibutuhkan untuk membuat prediksi digital twin jantung telah dipangkas dari beberapa jam menjadi hanya setengah menit (30 detik). Ini belum semuanya; perhitungannya bahkan tidak memerlukan superkomputer. Sebaliknya, semuanya dilakukan pada komputer desktop, yang menurut Trayanova akan memungkinkan mereka “menjadikannya bagian dari alur kerja klinis harian.” 

Keanekaragaman teknologi ini menjadikannya sempurna untuk situasi di mana penyelesaian persamaan diferensial parsial pada bentuk baru diperlukan berulang‑ulang. 

“Untuk setiap masalah, DIMON pertama‑tama menyelesaikan persamaan diferensial parsial pada satu bentuk dan kemudian memetakan solusi ke banyak bentuk baru. Kemampuan berubah bentuk ini menyoroti keanekaragaman luar biasa yang dimilikinya. Kami sangat bersemangat untuk mengaplikasikannya pada banyak masalah serta menyediakan kepada komunitas yang lebih luas untuk mempercepat solusi desain rekayasa mereka.”

– Minglang Yin, peneliti postdoc di Johns Hopkins Biomedical Engineering, yang mengembangkan platform ini

Perusahaan yang Mendorong AI 

Sekarang, mari kita lihat perusahaan‑perusahaan yang membantu membawa revolusi teknologi AI ke tingkat yang lebih tinggi. 

1. NVIDIA Corporation

Sebagai penyedia GPU terkemuka, Nvidia (NVDA ) adalah perusahaan terbesar kedua di dunia, dengan kapitalisasi pasar $3,28 triliun. Pada saat penulisan, sahamnya diperdagangkan pada $133,91, naik sebesar 171,9% tahun‑to‑date (YTD) dengan EPS (TTM) 2,54, P/E (TTM) 52,90, dan ROE (TTM) 127,21% serta membayar dividen sebesar 0,03%.

Solusi perangkat keras dan perangkat lunak perusahaan ini sangat penting untuk aplikasi pembelajaran mendalam dan simulasi rekayasa, memainkan peran penting dalam memajukan revolusi AI.

Didorong oleh kegilaan AI, Nvidia melaporkan pendapatan lebih dari $35 miliar untuk Q3 yang berakhir pada 27 Oktober 2024, meningkat 17% dari kuartal sebelumnya dan naik 94% secara tahunan.

“Era AI sedang berada pada puncaknya, mendorong pergeseran global ke komputasi NVIDIA,” kata CEO dan pendiri Jensen Huang, yang juga mencatat bahwa AI tidak hanya mengubah perusahaan dan industri tetapi juga negara‑negara yang “terbangun akan pentingnya mengembangkan AI nasional dan infrastruktur mereka.”

2. Microsoft Corporation   

Dengan kapitalisasi pasar $3,32 triliun, Microsoft berada di antara tiga perusahaan teratas dunia berdasarkan kapitalisasi pasar. Sahamnya, pada saat penulisan, diperdagangkan pada $447,24, menunjukkan kenaikan hampir 19% YTD. Ini menempatkan EPS (TTM) perusahaan pada 12,11, P/E (TTM) pada 36,92, dan ROE (TTM) pada 35,60%. Sementara itu, dividen yang dibayarkan Microsoft adalah 0,74%.

Keterlibatan terbesar Microsoft dalam AI adalah melalui OpenAI, di mana mereka telah menginvestasikan lebih dari $13 miliar. Selain kemitraannya dengan OpenAI, yang baru‑baru ini dinilai $150 miliar, Microsoft juga sangat berinvestasi dalam riset AI, solusi cloud, dan aplikasi untuk rekayasa serta komputasi ilmiah.

Untuk periode antara Juli dan September, perusahaan melaporkan penjualan $65,6 miliar, naik 16% dari tahun sebelumnya, sementara keuntungannya naik 11% menjadi $24,7 miliar. Pertumbuhan ini didorong oleh permintaan yang terus “lebih tinggi daripada kapasitas kami yang tersedia,” menurut kepala keuangan Microsoft.

3. ANSYS, Inc.

Perusahaan ini berspesialisasi dalam perangkat lunak simulasi rekayasa untuk menyelesaikan masalah kompleks. Layanannya digunakan oleh mahasiswa, peneliti, desainer, dan insinyur, dan semakin banyak mengintegrasikan AI untuk meningkatkan efisiensi.

Dengan kapitalisasi pasar $29,75 miliar, saham Ansys saat ini diperdagangkan pada $339,51, turun 6,24% tahun ini. Ini memberi EPS (TTM) perusahaan sebesar 6,47, P/E (TTM) 52,55, dan ROE (TTM) 10,48%.

Untuk 3Q24, Ansys melaporkan pendapatan $601,9 juta, naik 31% dari kuartal ketiga tahun lalu, sementara nilai kontrak tahunan (ACV) sebesar $540,5 juta. Margin laba operasi GAAP dilaporkan 26,8%, sementara margin laba operasi non‑GAAP 45,8%. Arus kas operasi untuk periode tersebut sebesar $174,2 juta, sementara pendapatan ditangguhkan dan backlog sebesar $1.463,8 juta.

Kesimpulan 

AI berkembang dengan cepat, dan perkenalan kerangka AI baru seperti DIMON menandai langkah revolusioner dalam menyelesaikan masalah rekayasa kompleks sekaligus secara drastis mengurangi waktu dan biaya komputasi yang terkait. Dengan cara ini, terobosan tersebut tidak hanya mempercepat proses desain rekayasa tetapi juga memperluas penerapan AI ke berbagai bidang.

Sebagai peneliti, bersama perusahaan seperti Nvidia, terus membuat penemuan besar, membangun model kuat, dan memajukan teknologi, potensi integrasi AI ke dalam alur kerja sehari‑hari tumbuh secara eksponensial, yang menandakan era baru di mana AI mendorong efisiensi dan inovasi yang belum pernah terjadi sebelumnya!

Klik di sini untuk mempelajari semua tentang investasi dalam kecerdasan buatan.