{!-- ra:00000000000003ec0000000000000000 --}MIT Ciptakan Algoritma ML Revolusioner: Data Simetris Jadi Lebih Efisien! - SWANTE ADI KRISNA
cross
Hit enter to search or ESC to close
New Artists
  • Zoe Foe
    5 Albums - 50 Songs
MIT Ciptakan Algoritma ML Revolusioner: Data Simetris Jadi Lebih Efisien!
30
July 2025

MIT Ciptakan Algoritma ML Revolusioner: Data Simetris Jadi Lebih Efisien!

  • 32
  • 30 July 2025
MIT Ciptakan Algoritma ML Revolusioner: Data Simetris Jadi Lebih Efisien!

Peneliti MIT berhasil mengembangkan algoritma machine learning (pembelajaran mesin) yang mampu memproses data simetris dengan efisiensi luar biasa1. Inovasi ini menjadi terobosan penting dalam dunia kecerdasan buatan karena mengatasi masalah fundamental dlm pemahaman simetri data.

Masalah Simetri dalam Machine Learning

Ketika kita memutar gambar struktur molekul, manusia dapat mengenali bahwa gambar yg diputar masih merupakan molekul yang sama2. Namun, model machine learning mungkin menganggapnya sebagai data point baru. Ini adalah masalah besar dalam pengembangan AI modern.

Dalam istilah ilmu komputer, molekul tersebut "simetris," yang berarti struktur fundamental molekul tetap sama meskipun mengalami transformasi tertentu seperti rotasi3. Jika model penemuan obat tidak memahami simetri, ia dapat membuat prediksi yg tidak akurat tentang sifat molekuler.

Tim Peneliti MIT dan Metodologi Baru

Behrooz Tahmasebi, mahasiswa pascasarjana MIT dan penulis utama penelitian ini, menjelaskan bahwa simetri adalah informasi penting yg diberikan alam tentang data4. Tim peneliti yg dipimpin oleh Patrick Jaillet berhasil menunjukkan metode pertama untuk machine learning dgn simetri yang terbukti efisien dari segi komputasi dan data.

Penelitian ini melibatkan Ashkan Soleymani sebagai penulis utama bersama, Stefanie Jegelka sebagai profesor asosiasi teknik elektro dan ilmu komputer, serta Patrick Jaillet sebagai penulis senior5. Mereka menggunakan pendekatan teoritis untuk mengevaluasi apa yang terjadi ketika data bersifat simetris.

Pendekatan Data Augmentation vs Arsitektur Model

Salah satu pendekatan umum adalah data augmentation, di mana peneliti mengubah setiap titik data simetris menjadi beberapa titik data untuk membantu model generalisasi lebih baik6. Misalnya, seseorang bisa memutar struktur molekul berkali-kali utk menghasilkan data pelatihan baru, tetapi jika peneliti ingin model dijamin menghormati simetri, hal ini bisa sangat mahal secara komputasional.

Pendekatan alternatif adalah mengkodekan simetri ke dalam arsitektur model. Contoh terkenal adalah graph neural network (GNN), yang secara inheren menangani data simetris karena cara desainnya7. GNN cepat dan efisien, serta menangani simetri dengan baik, tetapi tidak ada yg benar-benar tahu apa yang dipelajari model ini atau mengapa mereka bekerja.

Kombinasi Matematika dan Geometri

Para peneliti meminjam ide dari aljabar untuk menyusutkan dan menyederhanakan masalah8. Kemudian mereka merumuskan ulang masalah menggunakan ide dari geometri yg secara efektif menangkap simetri.

Akhirnya, mereka menggabungkan aljabar dan geometri menjadi masalah optimisasi yang dapat diselesaikan secara efisien, menghasilkan algoritma baru mereka. "Sebagian besar teori dan aplikasi berfokus pada aljabar atau geometri. Di sini kami hanya menggabungkannya," kata Tahmasebi9.

Efisiensi Data dan Komputasi

Algoritma ini memerlukan sampel data lebih sedikit untuk pelatihan dibandingkan pendekatan klasik, yg akan meningkatkan akurasi model dan kemampuan beradaptasi dgn aplikasi baru10. Dengan membuktikan bahwa ilmuwan dapat mengembangkan algoritma efisien utk machine learning dengan simetri, hasil ini dapat mengarah pada pengembangan arsitektur neural network baru.

Aplikasi dalam Berbagai Bidang

Data simetris muncul di banyak domain, terutama ilmu alam dan fisika11. Model yg mengenali simetri mampu mengidentifikasi objek seperti mobil, tidak peduli di mana objek tersebut ditempatkan dalam gambar.

Aplikasi potensial mencakup penemuan material baru, identifikasi anomali astronomi, dan mengurai pola iklim kompleks12. Model yang memanfaatkan simetri bisa lebih cepat dan memerlukan data lebih sedikit untuk pelatihan.

Masa Depan Neural Network Architecture

Penelitian ini dapat menjadi titik awal utk memeriksa cara kerja internal GNN dan bagaimana operasi mereka berbeda dari algoritma yg dikembangkan peneliti MIT13. "Setelah kita tahu lebih baik, kita dapat merancang arsitektur neural network yang lebih dapat diinterpretasikan, lebih kuat, dan lebih efisien," tambah Soleymani.

Kesimpulan

Penelitian ini menandai langkah maju signifikan dalam machine learning dengan data simetris. Tim MIT telah membuktikan bahwa pengembangan algoritma efisien untuk machine learning dengan simetri adalah mungkin, sekaligus mendemonstrasikan caranya. Hasil ini berpotensi menghasilkan pengembangan arsitektur neural network baru yg lebih akurat dan kurang intensif sumber daya dibandingkan model saat ini.

Referensi

Download PDF tentang Pengembangan Algoritma Machine (telah di download 219 kali)
  • MIT Ciptakan Algoritma ML Revolusioner: Data Simetris Jadi Lebih Efisien!
    Penelitian terbaru dari Massachusetts Institute of Technology menghadirkan solusi inovatif dalam pengembangan algoritma machine learning yang mampu memproses data dengan karakteristik simetris secara efisien. Terobosan ini mengatasi tantangan fundamental dalam pemahaman simetri data yang selama ini menjadi kendala dalam pengembangan model kecerdasan buatan. Metodologi baru ini menggabungkan pendekatan aljabar dan geometri untuk menciptakan algoritma yg tidak hanya efisien secara komputasional tetapi juga memerlukan data pelatihan yang lebih sedikit dibandingkan pendekatan konvensional.
Penulis
Swante Adi Krisna
Penikmat musik Ska, Reggae dan Rocksteady sejak 2004. Gooners sejak 1998. Blogger dan ai paruh waktu sejak 2014. Graphic Designer autodidak sejak 2001. Website Programmer autodidak sejak 2003. Woodworker autodidak sejak 2024. Sarjana Hukum Pidana dari salah satu Perguruan Tinggi Negeri di Surakarta. Magister Hukum Pidana di bidang cybercrime dari salah satu Perguruan Tinggi Swasta di Surakarta. Magister Kenotariatan di bidang hukum teknologi, khususnya cybernotary dari salah satu Perguruan Tinggi Negeri di Surakarta. Bagian dari Keluarga Besar Kementerian Pertahanan Republik Indonesia.