Fisika dan “kotak hitam” pembelajaran mesin
Uncategorized

Fisika dan “kotak hitam” pembelajaran mesin

Dalam 2.C01 di MIT, George Barbastathis menunjukkan bagaimana insinyur mesin dapat menggunakan pengetahuan mereka tentang sistem fisik untuk menjaga algoritma pembelajaran mesin tetap terkendali dan mengembangkan prediksi yang lebih akurat.

Algoritme pembelajaran mesin sering disebut sebagai “kotak hitam”. Setelah data dimasukkan ke dalam algoritme, tidak selalu diketahui secara pasti bagaimana algoritme tersebut sampai pada prediksinya. Ini bisa sangat membuat frustrasi ketika terjadi kesalahan. Kursus teknik mesin (MechE) baru di MIT mengajarkan siswa cara mengatasi masalah “kotak hitam”, melalui kombinasi ilmu data dan teknik berbasis fisika.

Studio pembelajaran mesin.  Kredit gambar: Ars Electronica

Studio pembelajaran mesin. Kredit gambar: Ars Electronica melalui Flickr, CC BY-NC-ND 2.0

Di kelas 2.C01 (Pemodelan dan Desain Sistem Fisik Menggunakan Pembelajaran Mesin), Profesor George Barbastathis menunjukkan bagaimana insinyur mesin dapat menggunakan pengetahuan unik mereka tentang sistem fisik untuk menjaga algoritma tetap terkendali dan mengembangkan prediksi yang lebih akurat.

“Saya ingin mengambil 2.C01 karena model pembelajaran mesin biasanya merupakan “kotak hitam”, tetapi kelas ini mengajari kami cara membangun model sistem yang diinformasikan oleh fisika sehingga kami dapat mengintip ke dalamnya, ”jelas Crystal Owens, seorang mekanik mahasiswa pascasarjana teknik yang mengambil kursus pada musim semi 2021.

Sebagai ketua Komite Integrasi Strategis Ilmu Data ke dalam Teknik Mesin, Barbastathis telah melakukan banyak percakapan dengan mahasiswa teknik mesin, peneliti, dan fakultas untuk lebih memahami tantangan dan keberhasilan yang mereka miliki dalam menggunakan pembelajaran mesin dalam pekerjaan mereka.

“Satu komentar yang sering kami dengar adalah bahwa rekan-rekan ini dapat melihat nilai metode ilmu data untuk masalah yang mereka hadapi dalam penelitian yang berpusat pada teknik mesin; namun mereka kekurangan alat untuk memaksimalkannya,” kata Barbastathis. “Insinyur mekanik, sipil, listrik, dan tipe lainnya menginginkan pemahaman mendasar tentang prinsip-prinsip data tanpa harus mengubah diri mereka menjadi ilmuwan data penuh waktu atau peneliti AI.”

Selain itu, saat mahasiswa teknik mesin beralih dari MIT ke karir mereka, banyak yang perlu mengelola ilmuwan data di tim mereka suatu hari nanti. Barbastathis berharap dapat menyiapkan siswa ini untuk sukses dengan kelas 2.C01.

Menjembatani MechE dan MIT Schwarzman College of Computing

Kelas 2.C01 adalah bagian dari MIT Schwarzman College of Computing’s Common Ground for Computing Education. Tujuan dari kelas-kelas ini adalah untuk menghubungkan ilmu komputer dan kecerdasan buatan dengan disiplin ilmu lain, misalnya, menghubungkan ilmu data dengan disiplin ilmu berbasis fisika seperti teknik mesin. Siswa mengikuti kursus bersama 6.C01 (Pemodelan dengan Pembelajaran Mesin: dari Algoritma ke Aplikasi), yang diajarkan oleh profesor teknik elektro dan ilmu komputer Regina Barzilay dan Tommi Jaakkola.

Kedua kelas diajarkan secara bersamaan selama semester, memaparkan siswa pada dasar-dasar pembelajaran mesin dan aplikasi khusus domain dalam teknik mesin.

Dalam 2.C01, Barbastathis menyoroti bagaimana rekayasa berbasis fisika dan ilmu data saling melengkapi. Hukum fisika menghadirkan sejumlah ambiguitas dan ketidaktahuan, mulai dari suhu dan kelembapan hingga gaya elektromagnetik. Ilmu data dapat digunakan untuk memprediksi fenomena fisik ini. Sementara itu, memiliki pemahaman tentang sistem fisik membantu memastikan keluaran yang dihasilkan dari suatu algoritme akurat dan dapat dijelaskan.

“Yang dibutuhkan adalah pemahaman gabungan yang lebih mendalam tentang fenomena fisik terkait dan prinsip-prinsip ilmu data, khususnya pembelajaran mesin, untuk menutup kesenjangan,” tambah Barbastathis. “Dengan menggabungkan data dengan prinsip-prinsip fisik, revolusi baru dalam teknik berbasis fisika relatif kebal terhadap masalah “kotak hitam” yang dihadapi jenis pembelajaran mesin lainnya.”

Dilengkapi dengan pengetahuan kerja tentang topik pembelajaran mesin yang tercakup dalam kelas 6.C402 dan pemahaman yang lebih dalam tentang cara memasangkan ilmu data dengan fisika, siswa ditugaskan untuk mengembangkan proyek akhir yang memecahkan sistem fisik yang sebenarnya.

Mengembangkan solusi untuk sistem fisik dunia nyata

Untuk tugas akhir mereka, siswa di 2.C01 diminta untuk mengidentifikasi masalah dunia nyata yang membutuhkan ilmu data untuk mengatasi ambiguitas yang melekat dalam sistem fisik. Setelah mendapatkan semua data yang relevan, siswa diminta untuk memilih metode pembelajaran mesin, menerapkan solusi yang mereka pilih, dan mempresentasikan dan mengkritik hasilnya.

Topik semester terakhir ini berkisar dari prakiraan cuaca hingga aliran gas di mesin pembakaran, dengan dua tim mahasiswa yang mengambil inspirasi dari pandemi Covid-19 yang sedang berlangsung.

Owens dan rekan satu timnya, sesama mahasiswa pascasarjana Arun Krishnadas dan Joshua David John Rathinaraj, mulai mengembangkan model untuk peluncuran vaksin Covid-19.

“Kami mengembangkan metode yang menggabungkan jaringan saraf dengan model epidemiologis yang rentan terinfeksi (SIR) untuk membuat sistem prediksi berdasarkan informasi fisika untuk penyebaran Covid-19 setelah vaksinasi dimulai,” jelas Owens.

Tim memperhitungkan berbagai hal yang tidak diketahui termasuk mobilitas penduduk, cuaca, dan iklim politik. Pendekatan gabungan ini menghasilkan prediksi penyebaran Covid-19 selama peluncuran vaksin yang lebih andal daripada menggunakan model SIR atau jaringan saraf saja.

Tim lain, termasuk mahasiswa pascasarjana Yiwen Hu, mengembangkan model untuk memprediksi tingkat mutasi pada Covid-19, topik yang menjadi terlalu relevan ketika varian delta mulai menyebar secara global.

“Kami menggunakan pembelajaran mesin untuk memprediksi tingkat mutasi Covid-19 berbasis deret waktu, dan kemudian memasukkannya sebagai parameter independen ke dalam prediksi dinamika pandemi untuk melihat apakah itu dapat membantu kami memprediksi tren Covid-19 dengan lebih baik. pandemi,” kata Hu.

Hu, yang sebelumnya melakukan penelitian tentang bagaimana getaran pada lonjakan protein virus corona memengaruhi tingkat infeksi, berharap dapat menerapkan pendekatan pembelajaran mesin berbasis fisika yang ia pelajari di 2.C01 pada penelitiannya tentang desain protein de novo.

Apapun sistem fisik yang dibahas siswa dalam proyek akhir mereka, Barbastathis berhati-hati untuk menekankan satu tujuan pemersatu: kebutuhan untuk menilai implikasi etis dalam ilmu data. Sementara metode komputasi yang lebih tradisional seperti pengenalan wajah atau suara telah terbukti penuh dengan masalah etika, ada peluang untuk menggabungkan sistem fisik dengan pembelajaran mesin dengan cara yang adil dan etis.

“Kita harus memastikan bahwa pengumpulan dan penggunaan data dilakukan secara adil dan inklusif, menghormati keragaman dalam masyarakat kita dan menghindari masalah-masalah terkenal yang pernah dialami oleh para ilmuwan komputer di masa lalu,” kata Barbastathis.

Barbastathis berharap dengan mendorong mahasiswa teknik mesin untuk menjadi melek etika dan berpengalaman dalam ilmu data, mereka dapat terus mengembangkan solusi dan prediksi yang andal dan etis untuk tantangan rekayasa berbasis fisik.

Ditulis oleh Mary Beth Gallagher

Sumber: Institut Teknologi Massachusetts



Posted By : togel hongkon