Sebuah sistem kecerdasan buatan (AI) terbaru berhasil membantu para ilmuwan memahami sistem kompleks yang berubah seiring waktu, sebuah tantangan besar yang telah dicari solusinya selama berabad-abad. Sistem ini dikembangkan oleh tim insinyur dari Duke University, yang menggunakan AI untuk mengubah data eksperimen yang berantakan menjadi aturan matematis yang sederhana dan mudah dianalisis.
Framework AI ini mampu mempelajari data runtun waktu, yaitu data pengukuran yang dikumpulkan secara berkala, kemudian menghasilkan persamaan padat untuk menjelaskan bagaimana suatu sistem mengalami perubahan. Sasaran utamanya bukan sekadar melakukan prediksi, namun juga memperdalam pemahaman terkait proses dinamis yang terjadi pada berbagai bidang seperti cuaca, sirkuit listrik, perangkat mekanik, hingga sinyal biologis.
Mengapa Sistem Kompleks Sulit Dipahami
Sejak era Isaac Newton dengan karyanya Principia, teori sistem dinamik digunakan untuk menjelaskan perubahan. Teori ini berkembang menjadi ilmu yang melacak evolusi variabel “keadaan” pada suatu sistem, yang tak terbatas pada objek fisik saja. Variabel ini juga dapat merepresentasikan kondisi pada ilmu teknik, klimatologi, neurologi, fisiologi, hingga ekologi.
Walau begitu, banyak sistem nyata tetap sulit dipahami. Ketika data perilaku sistem tersedia, aturan yang mendasari seringkali tetap kabur, terutama akibat perilaku nonlinear. Perubahan kecil dapat menghasilkan akibat yang sangat berbeda. Dimensi masalah yang tinggi dan interaksi banyak komponen pun menambah tingkat kerumitannya. Misalnya, lintasan peluru meriam dipengaruhi kecepatan, sudut, hingga suhu, tetapi dapat didekati dengan sebuah persamaan sederhana.
Memanfaatkan Ide Matematika Lama dengan Teknologi AI Modern
Pendekatan yang digunakan oleh tim dari Duke berakar pada ide Bernard Koopman tahun 1931. Koopman membuktikan bahwa sistem nonlinear kadang dapat digambarkan secara linear dengan menggunakan koordinat yang tepat. Keuntungan model linear adalah adanya kemungkinan untuk melakukan analisis global dengan teknik spektral yang mengungkap mode dan stabilitas sistem.
Namun, tantangannya adalah skala. Metode Koopman sering berujung pada penciptaan ruang variabel yang sangat besar. Contohnya, sistem dua dimensi bisa saja membutuhkan embedding hingga 100 dimensi atau lebih pada aplikasi nyata. Akibatnya, model berisiko menjadi redundan, membingungkan, dan rentan terhadap overfitting.
Framework terbaru dari Duke meminimalisir masalah ini dengan menekan jumlah dimensi representasi linear serendah mungkin tanpa mengorbankan akurasi prediksi jangka panjang. Sistem menggunakan deep learning dengan batasan berbasis fisika untuk menemukan variabel laten tersembunyi secara optimal.
Langkah-Langkah Utama dalam Framework Pemodelan AI
- Model mengambil data time-series eksperimen sebagai input awal.
- Jaringan deep learning memproses jendela data historis menggunakan konsep “time-delay embedding”.
- Metode mutual information membantu menentukan panjang data historis yang ideal untuk mengurangi error.
- Pelatihan fokus pada akurasi jangka panjang dengan loss function yang menurunkan bobot secara bertahap.
- Dimensi ruang laten dipilih seminimal mungkin tanpa kehilangan performa.
- Hasil akhir berupa model linear yang ringkas serta mudah dihubungkan dengan teori ilmiah yang sudah ada.
Menurut Boyuan Chen, salah satu peneliti utama, keunggulan framework ini bukan hanya pada ketepatan, melainkan juga keterbacaannya. Model yang ringkas secara matematis akan mudah diintegrasikan dengan teori ilmiah klasik, sehingga AI dapat berperan sebagai mitra dalam proses penemuan ilmiah.
Pengujian pada Berbagai Sistem Dinamis
Framework diuji pada sembilan sistem berbeda, dari yang sederhana hingga kompleks, baik simulasi maupun data nyata. Sistem tersebut meliputi:
- Pendulum tunggal dengan keadaan stabil.
- Van der Pol oscillator yang menunjukkan siklus berulang.
- Model Hodgkin-Huxley untuk aktivitas saraf dengan empat variabel.
- Sistem Lorenz-96 untuk pemodelan prediksi cuaca.
- Duffing oscillator sebagai contoh multistabilitas.
- Sistem magnetik interaktif.
- Siklus limit ganda.
- Pendulum magnetik eksperimental.
- Pendulum ganda dengan perilaku kacau.
Pada sistem-sistem tersebut, framework ini mampu memangkas dimensi model hingga lebih dari 10 kali dari metode machine learning sebelumnya, tanpa menurunkan akurasi prediksi. Sebagai contoh, Van der Pol dan Duffing oscillator cukup diwakili oleh tiga dan enam dimensi saja, sementara Lorenz-96 dengan siklus limit turun dari 40 ke 14 dimensi.
Manfaat Sains dan Aplikasi Luas
Keberhasilan utama model bukan hanya prediksi, tetapi juga pelacakan struktur penting seperti attractor, yakni kondisi stabil atau pola yang sering dicapai sistem secara alami. Strukur ini memungkinkan para ilmuwan memahami apakah sistem dalam keadaan normal, mulai tidak stabil, atau memasuki zona bahaya.
Framework ini juga mendukung analisis spektral, memungkinkan ekstraksi eigenvalue dan eigenfunction yang menggambarkan mode dan tingkat peluruhan sistem. Selain itu, dikembangkan juga fungsi Lyapunov berbasis neural yang bermanfaat untuk menilai stabilitas global, hal yang sering menjadi kendala pada sistem nonlinear.
Karya ini menandai masa depan AI yang tak hanya mampu mengenali pola, tetapi juga mengungkap aturan sederhana dan teruji dari data yang kacau. Pendekatan ini membuka potensi besar di bidang iklim, neurosains, hingga rekayasa sistem kompleks, dengan kemampuan untuk memberikan peringatan dini, kontrol, serta penghematan biaya eksperimen.
Penelitian ini dipublikasikan di jurnal npj Complexity dan diapresiasi sebagai jembatan penting antara data besar dan pengetahuan ilmiah yang sederhana namun kuat, menyediakan alat bagi ilmuwan dan insinyur untuk memahami perubahan dinamis pada sistem dunia nyata.
-
-
-
-
