Revolusi Teknik: Peran Baru AI dalam Menyelesaikan Persamaan Kompleks Lebih Cepat daripada Superkomputer

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

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

Meskipun kinerjanya yang mengesankan, chip kuantum ini tidak dekat dengan memecahkan kriptografi modern.

Di tengah semua ini, kecerdasan buatan (AI) baru hadir dengan kemampuan untuk menyelesaikan masalah teknik kompleks bahkan lebih cepat daripada superkomputer. Solusi teknologi baru ini berasal dari peneliti Johns Hopkins, yang dapat menjadi perubahan besar dalam ruang teknik.

Era Baru AI

Setelah menjadi topik hangat selama bertahun-tahun, AI akhirnya mulai digunakan secara bermakna di seluruh industri kunci. Potensinya yang luar biasa untuk meningkatkan efisiensi dan produktivitas telah membuat pasar tumbuh lebih dari $184 miliar pada tahun ini dan diproyeksikan untuk meningkatkan pendapatan lebih dari $15 triliun pada akhir dekade ini.

Laporan terbaru menemukan bahwa 68% organisasi sedang menggunakan Gen AI atau telah mengembangkan roadmap setelah implementasi pilot yang sukses.

Ketika AI terus mengubah berbagai industri, terutama lanskap teknik, orang-orang sekarang menghadapi tantangan untuk menjadi usang. Perkiraan menunjukkan bahwa selama dekade berikutnya, hingga 40% tugas teknik dapat diotomatisasi.

Untuk memahami dampak AI pada dunia, kita harus memahami bahwa AI hanya teknologi yang memungkinkan mesin dan komputer untuk mensimulasikan pemikiran manusia, belajar, pemahaman, pemecahan masalah, pengambilan keputusan, dan kreativitas.

Di bawah AI adalah pembelajaran mesin, yang melibatkan pelatihan algoritma untuk membuat model yang menggunakan data untuk membuat keputusan dan prediksi.

Ada beberapa jenis algoritma pembelajaran mesin atau teknik, dengan jaringan saraf buatan menjadi salah satu jenis yang paling populer. Jaringan-jaringan ini dimodelkan setelah struktur dan fungsi otak manusia.

Pembelajaran dalam, subset dari pembelajaran mesin, menggunakan jaringan saraf berlapis yang bahkan lebih efektif dalam mensimulasikan kekuatan pengambilan keputusan kompleks otak manusia. Jaringan-jaringan ini belajar dari data dan digunakan untuk menyelesaikan berbagai masalah, mulai dari pengenalan gambar dan ucapan hingga pemrosesan bahasa alami.

Pembelajaran dalam sepenuhnya mengubah cara mesin berinteraksi dengan data kompleks, dengan kemampuan untuk melampaui kinerja tingkat manusia sambil mencapai akurasi tinggi.

Menggunakan AI untuk Menyelesaikan Masalah Kompleks

AI menawarkan banyak manfaat, seperti otomatisasi tugas berulang, kesalahan manusia yang lebih sedikit, ketersediaan 24/7, dan pengambilan keputusan yang ditingkatkan, yang telah menyebabkan penerapannya di semua jenis bisnis di seluruh industri.

Kemampuan teknologi untuk menganalisis data besar dengan efisien, mengidentifikasi pola yang mungkin terlewatkan oleh manusia, dan akhirnya melakukan perhitungan cepat membuat AI menjadi alat yang hebat untuk menyelesaikan masalah kompleks. Ketika menangani dataset besar dan skenario pengambilan keputusan yang kompleks yang akan memakan waktu lama atau mustahil bagi manusia untuk menanganinya sendiri, AI dapat sangat membantu.

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

Perusahaan-perusahaan ini menggunakan perangkat lunak yang disebut mixed-integer linear programming (MILP) solver yang membagi masalah menjadi potongan-potongan kecil dan menggunakan algoritma generik untuk menemukan solusi terbaik, yang bisa memakan waktu berjam-jam dan bahkan hari.

Di sini, bagian kunci yang memperlambat proses seluruhnya adalah bahwa MILP solver memiliki terlalu banyak solusi potensial. Peneliti menggunakan mekanisme penyaringan untuk mempermudah langkah ini, yang mempercepat MILP solver antara 30-70% tanpa mempengaruhi akurasi. Untuk ini, teknik tersebut bergantung pada prinsip pengembalian marginal yang menurun dan kemudian menggunakan pembelajaran mesin, yang dilatih dengan dataset khusus untuk masalah, untuk menemukan solusi optimal dari jumlah opsi yang berkurang.

Baru-baru ini, sebuah startup yang berbasis di London, PhysicsX, memperkenalkan model geometri besar yang disebut LGM-Aero untuk teknik aerospace. Model geometri dan fisika diharapkan untuk membantu mengurangi waktu pengembangan konsep pesawat. Perusahaan telah membuat aplikasi referensi (‘Ai.rplane’) yang dibangun di atas LGM-Aero yang dapat diakses secara publik untuk menunjukkan kemampuan model dalam menghasilkan desain pesawat dan memprediksi fisika yang terkait dengan kinerja pesawat.

Model dilatih di Amazon Web Services (AWS) cloud compute menggunakan lebih dari 25 juta bentuk yang berbeda, yang mewakili lebih dari 10 miliar verteks. Data pelatihan juga mencakup koleksi simulasi dinamika fluida komputasi (CFD) dan analisis elemen terbatas (FEA) yang dihasilkan dalam kolaborasi dengan Siemens.

Sama seperti LLM memahami teks, LGM memiliki pengetahuan yang luas tentang bentuk dan struktur yang penting untuk teknik aerospace dan, dengan demikian, “dapat mengoptimalkan beberapa jenis fisika dalam hitungan detik, banyak pesanan besarnya lebih cepat daripada simulasi numerik, dan pada tingkat akurasi yang sama,” kata CEO Jacomo Corbo.

Tahun ini, OpenAI, perusahaan penelitian AI yang didukung Microsoft di balik ChatGPT, juga memperkenalkan model terbarunya, o1-preview dan o1-mini, yang mengklaim lompatan besar dalam kemampuan penalaran model bahasa besar (LLM).

Model ini dilengkapi dengan kemampuan untuk menggunakan “penalaran rantai pikiran,” serupa dengan yang dilakukan manusia ketika menyelesaikan masalah, yang melibatkan membagi hal-hal kompleks menjadi tugas-tugas kecil yang dapat dikelola. Penerapan penalaran manusia seperti itu dalam LLM telah diamati sebelumnya oleh Google Research dan lain-lain.

Model AI Baru untuk Menyelesaikan PDE

Ketika penggunaan dan popularitas AI terus berkembang, begitu juga kemampuannya, dengan peneliti dan perusahaan bekerja untuk membuat teknologi lebih baik dan lebih akurat.

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

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

Kerangka kerja AI baru memungkinkan bahkan komputer pribadi untuk menangani persamaan diferensial parsial yang digunakan ilmuwan untuk menerjemahkan proses atau sistem dunia nyata ke dalam representasi matematika perubahan objek dari waktu ke waktu dan ruang.

Ini bukanlah pertama kalinya model AI diusulkan untuk menyelesaikan PDE; sebenarnya, ide ini pertama kali dibagikan beberapa dekade yang lalu. Dalam bidang pembelajaran mesin ilmiah yang muncul, menyelesaikan persamaan diferensial parsial dengan jaringan saraf telah mendapatkan banyak perhatian selama dekade terakhir berkat semua kemajuan dalam kemampuan komputasi untuk melatih jaringan saraf dalam.

Meskipun kesuksesan operator neural, yang menggunakan AI untuk mempelajari operator solusi PDE, penelitian terbaru mencatat bahwa bottleneck komputasi terus ada saat melakukan tugas dalam optimasi dan prognostikasi. Ini karena ketidakmampuan operator neural untuk mengevaluasi solusi PDE yang bergantung pada geometri.

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

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

Model ini menghilangkan kebutuhan untuk menghitung ulang grid dengan setiap perubahan bentuk. Dengan cara ini, DIMON dapat mempercepat simulasi dan mengoptimalkan desain dengan memprediksi bagaimana elemen fisik seperti gerakan, stres, dan panas berperilaku di seluruh bentuk yang berbeda, bukan memecah bentuk kompleks menjadi elemen kecil.

Umumnya, menyelesaikan persamaan ini melibatkan memecah bentuk kompleks, seperti organ manusia atau sayap pesawat, menjadi grid atau mesh yang terdiri dari elemen kecil. Masalahnya kemudian diselesaikan pada setiap potongan sederhana sebelum direkomposisi.

Namun, jika bentuk-bentuk ini berubah karena kecelakaan atau deformasi, grid harus diperbarui. Ini berarti solusi perlu dihitung ulang, yang membuat proses komputasi seluruhnya tidak hanya mahal tetapi juga lambat.

DIMON di sini menggunakan AI untuk memahami cara kerja sistem fisik dengan berbagai bentuk. Jadi, peneliti tidak perlu membagi bentuk menjadi grid dan menyelesaikan persamaan lagi dan lagi; sebaliknya, AI menggunakan pola yang telah dipelajari untuk memprediksi bagaimana faktor-faktor yang berbeda akan berperilaku, membuatnya lebih efisien dan lebih cepat untuk memodelkan skenario khusus bentuk dan mengoptimalkan desain.

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

“Sementara motivasi untuk mengembangkannya datang dari pekerjaan kita sendiri, ini adalah solusi yang kita pikir akan memiliki dampak besar pada berbagai bidang teknik karena sangat generik dan scalable.”

Titik Balik untuk Desain Teknik

Kerangka kerja AI baru menyediakan pendekatan yang memungkinkan untuk memprediksi solusi PDE dengan cepat pada beberapa domain. Selain itu, memfasilitasi banyak aplikasi hilir menggunakan AI.

Berbicara tentang kemampuan model, Trayanova mencatat bahwa DIMON dapat bekerja pada hampir semua masalah di bidang sains atau teknik untuk menyelesaikan PDE pada beberapa geometri.

Ini termasuk pengujian tabrakan, menganalisis bagaimana pesawat luar angkasa merespons lingkungan ekstrem, menilai bagaimana jembatan menahan stres, mempelajari bagaimana fluida berpropagasi melalui geometri yang berbeda, melakukan penelitian ortopedi, dan menangani masalah kompleks lainnya di mana bahan dan bentuk berubah. Pemodelan semua skenario ini sekarang dapat dibuat jauh lebih cepat berkat kerangka kerja AI baru.

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

Ini adalah dengan menyelesaikan persamaan diferensial parsial yang aritmia jantung dipelajari. Kondisi ini menyebabkan denyut jantung tidak teratur karena perilaku sinyal listrik yang tidak normal. “Digital twin” jantung memungkinkan peneliti untuk menentukan apakah pasien mungkin mendapatkan kondisi ini, yang sering fatal, dan kemudian merekomendasikan cara untuk mengobatinya.

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

Trayanova, direktur Aliansi Teknik Biomedis dan Inovasi Pengobatan Jantung Johns Hopkins, menerapkan pendekatan berbasis data, pemodelan komputasi, dan inovasi dalam pencitraan jantung untuk mendiagnosis dan mengobati penyakit jantung. Mereka terus memperkenalkan teknologi baru ke klinik.

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

Tapi ini mengalami perubahan monumen dengan model terbaru mereka.

“Dengan pendekatan AI baru ini, kecepatan di mana kita dapat memiliki solusi adalah luar biasa.”

– Trayanova

Waktu yang dibutuhkan untuk memprediksi “digital twin” jantung telah dikurangi dari beberapa jam menjadi hanya setengah menit (30 detik). Ini bahkan tidak semua; perhitungan ini tidak memerlukan superkomputer. Sebaliknya, semua ini dilakukan di komputer desktop, yang Trayanova katakan akan memungkinkan mereka “untuk membuatnya bagian dari alur kerja klinis sehari-hari.”

Fleksibilitas teknologi ini membuatnya ideal untuk situasi di mana menyelesaikan persamaan diferensial parsial pada bentuk baru diperlukan berulang kali.

“Untuk setiap masalah, DIMON pertama-tama menyelesaikan persamaan diferensial parsial pada satu bentuk dan kemudian memetakan solusi ke beberapa bentuk baru. Kemampuan berubah bentuk ini menunjukkan kemampuan luar biasa. Kami sangat bersemangat untuk menerapkannya pada banyak masalah serta memberikannya kepada masyarakat yang lebih luas untuk mempercepat solusi desain teknik mereka.”

– Minglang Yin, seorang rekan postdoc di Teknik Biomedis Johns Hopkins, yang mengembangkan platform

Perusahaan yang Mengembangkan AI

Sekarang, mari kita lihat perusahaan yang membantu membawa revolusi teknologi AI ke ketingkat yang baru.

1. NVIDIA Corporation (NVDA )

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

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

Didorong oleh demam AI, Nvidia melaporkan pendapatan lebih dari $35 miliar untuk Q3 yang berakhir pada 27 Oktober 2024, yang merupakan peningkatan 17% dari kuartal sebelumnya dan peningkatan 94% dari tahun sebelumnya.

“Usia AI telah sepenuhnya dimulai, 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 yang “terbangun untuk mengembangkan AI dan infrastruktur nasional mereka.”

2. Microsoft Corporation (MSFT )

Dengan kapitalisasi pasar $3,32 triliun, Microsoft berada di antara tiga perusahaan teratas di dunia berdasarkan kapitalisasi pasar. Sahamnya, pada saat penulisan, diperdagangkan pada $447,24, mewakili peningkatan 19% YTD. Ini membuat perusahaan memiliki EPS (TTM) 12,11, P/E (TTM) 36,92, dan ROE (TTM) 35,60%. Dividen yield yang dibayarkan oleh Microsoft, sementara itu, adalah 0,74%.

Keterlibatan Microsoft yang paling besar dalam AI adalah melalui OpenAI, di mana mereka telah menginvestasikan lebih dari $13 miliar. Selain kemitraannya dengan OpenAI, yang baru-baru ini dinilai sebesar $150 miliar, Microsoft juga sangat berinvestasi dalam penelitian AI, solusi cloud, dan aplikasi untuk komputasi ilmiah dan teknik.

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

3. ANSYS, Inc. (ANSS )

Perusahaan ini mengkhususkan diri dalam perangkat lunak simulasi teknik untuk menyelesaikan masalah kompleks. Layanan perusahaan, yang digunakan oleh siswa, peneliti, desainer, dan insinyur, juga semakin banyak mengintegrasikan AI untuk meningkatkan efisiensi.

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

Untuk 3Q24, Ansys melaporkan $601,9 juta dalam pendapatan, naik 31% dari kuartal ketiga tahun sebelumnya, sementara nilai kontrak tahunan (ACV) mencapai $540,5 juta. Margin laba operasi GAAP dilaporkan sebesar 26,8%, sementara margin laba operasi non-GAAP sebesar 45,8%. Arus kas operasi untuk periode tersebut mencapai $174,2 juta, sementara pendapatan yang ditangguhkan dan backlog mencapai $1,463,8 miliar.

Kesimpulan

AI berkembang dengan kecepatan yang cepat, dan pengenalan kerangka kerja AI baru seperti DIMON menandai langkah revolusioner dalam menyelesaikan masalah teknik kompleks sambil secara drastis mengurangi waktu dan biaya komputasi yang terkait dengan mereka. Dengan cara ini, terobosan ini tidak hanya mempercepat proses desain teknik tetapi juga memperluas aplikasi AI di seluruh bidang.

Ketika peneliti, bersama dengan perusahaan seperti Nvidia, terus membuat penemuan besar, membangun model yang kuat, dan mengembangkan teknologi, potensi untuk mengintegrasikan AI ke dalam alur kerja sehari-hari tumbuh secara eksponensial, yang menunjukkan era baru di mana AI mengarahkan efisiensi dan inovasi yang belum pernah terjadi sebelumnya!

Klik di sini untuk mempelajari semua tentang berinvestasi di kecerdasan buatan.