Peneliti MIT Temukan Cara Kembangkan AI Untuk Menghitung Tekanan Material Menggunakan Gambar
Para peneliti dari Massachusetts Institute of Technology (MIT) menemukan cara mengembangkan Tool AI guna menentukan tekanan suatu material melalui Analisis gambar.
Permasalahan ini sebenarnya sudah ada sejak 1 abad yang lalu. Bergantung pada hukum fisika yang dikembangkan oleh Newton dan ilmuan besar lainnya.
Hanya saja banyak ilmuan maupun teknisi yang kesulitan belum lagi jika menyangkut material yang bersifat kompleks.
Oleh karenanya, Markus Buehler, Selaku Profesor Teknisi dari McAfee, dan salah satu penulis makalah penelitian ini mulai berfikir,
mengapa tidak membuat AI dan mengajarkannya cara memecahkan permasalahan tersebut.
Dengan menggunakan penglihatan melalui komputer, tool AI yang dikembangkan oleh para peneliti MIT dapat menghasilkan perkiraan tekanan material secara real-time atau waktu nyata.
Terobosan mereka kali ini berpangku pada Teknik Pembelajaran Mesin (Machine Learning) yang diberi nama Generative Adversarial Network (GAN).
GAN dilatih menggunakan ribuan gambar yang saling dipasangkan satu sama lain.
Baca Juga :
IBM Incar Peningkatan Perfoma Hardware AI
Di mana satu gambar menampilkan mikrostruktur internal material saat terkena gaya mekanis, dan gambar lainnya diberi label dengan nilai tegangan dan regangan berkode warna.
Lewat teori permainan, GAN bisa menentukan hubungan antara tampilan material serta tekanan yang ditimbulkan dari material tersebut.

Cara Kerja Jaringan GAN. Foto : Massachusetts Institute of Technology (MIT)
Dari sebuah gambar, komputer mampu memprediksi semua gaya yang dihasilkan. Mulai dari deformasi, tekanan, dan sebagainya.
Kalau dengan cara konvensional, maka seseorang harus mengkodekan persamaan dan meminta komputer untuk menyelesaikan persamaan diferensial parsial dahulu.
Sedangkan melalui AI, mereka hanya perlu memprosesnya dari satu gambar ke gambar yang lain.
Kerennya lagi, AI bisa menciptakan kembali masalah seperti retakan yang berkembang pada material yang berdampak besar pada bagamana ia bereaksi terhadap pada tekanan.

Foto : news.mit.edu
Visualisasi diatas menunjukkan pendekatan deep-learning (Pembelajaran Mendalam AI) dalam memprediksi bidang fisik yang diberi input geometri berbeda.
Gambar sebelah kiri menunjukkan geometri komposit yang bervariasi di mana material lunak memanjang,
Sedangkan untuk gambar sebelah kanan menunjukkan prediksi medan mekanik yang sesuai dengan geometri pada gambar kiri.
Pendekatan berbasis gambar tersebut sangat menguntungkan untuk material komposit yang kompleks.
Gaya pada suatu material dapat beroperasi secara berbeda pada skala atom dibandingkan pada skala makroskopik.
Tetapi jaringan peneliti mahir dalam menangani berbagai skala.
Jaringan ini memproses informasi melalui serangkaian konvolusi, yang menganalisis gambar pada skala yang semakin besar.
“Itulah mengapa jaringan saraf ini sangat cocok untuk mendeskripsikan properti material,” kata Buehler.
Jaringan yang terlatih sepenuhnya berkinerja baik dalam pengujian,
berhasil menghasilkan nilai tegangan dan regangan yang diberikan serangkaian gambar close-up dari mikrostruktur berbagai bahan komposit lunak.
Jaringan tersebut bahkan mampu menangkap singularitas, misalnya seperti retakan yang berkembang pada suatu material.
Dalam hal ini, gaya dan medan berubah dengan cepat melintasi jarak yang sangat kecil.
Seusai dilatih, jaringan saraf berjalan di prosesor komputer dalam tingkatan yang bisa diakses secara publik.
Cara ini membuat AI tersebut dapat diakses di lapangan dan memungkinkan inspeksi dilakukan hanya dengan foto saja.
Dalam makalahnya, para peneliti saat ini masih berfokus pada material komposit yang mencakup komponen lunak dan rapuh dalam berbagai pengaturan Geometris acak.
Di masa depan, mereka berencana memperluas jenis material lain untuk di uji coba.