Achmad Benny Mutiara

Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma

SEKJEN-APTIKOM

2020

Strategi Nasional Kecerdasan Artifisial (KA), dan Penerapan KA, Machine Learning,

Deep Learning di Fisika

Strategi Nasional Kecerdasan Artifisial

StraNas KA 2020-2045

Strategi Nasional Kecerdasan Artifisial adalah arah kebijakan nasional yang

memuat area fokus dan bidang prioritas teknologi kecerdasan artifisial yang

sebagai acuan kementerian, lembaga, pemerintah daerah dan pemangku

kepentingan lainnya dalam melaksanakan kegiatan di bidang teknologi kecerdasan

artifisial di Indonesia.

4 Area Fokus dan 5 Bidang Prioritas

Kerangka Kerja StraNas KA 2020-2045

Kebutuhan SDM untuk Infrastruktur dan Data

Kebutuhan SDM untuk INFRASTUKTUR dan DATA

Arah Strategis Pembangunan KA Sektor Industri

Peran Aktor dari Sinergi Quad Helix Kori-KA

Proses Riset dan Inovasi Industri Kecerdasan Artifisial

Sumber Daya dan Enabler

Peta Aplikasi KA di Bidang Pendidikan

Peta Riset di Bidang KA

Program Percepatan KA

Program Percepatan KA

Pengantar Kecerdasan Artifisial (KA)

Apa itu Kecerdasan Artifisial (KA) ?

Studi tentang bagaimana melatih komputer sehingga komputer dapat melakukan hal-hal yang saat ini dapat dilakukan manusia dengan lebih baik.

Teori dan perkembangan sistem komputer yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia, seperti persepsi visual, pengenalan suara, pengambilan keputusan, terjemahan bahasa, dll.

KA adalah kemampuan program komputer atau mesin untuk berpikir dan belajar.

Cabang ilmu komputer yang menekankan pada pengembangan mesin kecerdasan, berpikir dan bekerja seperti manusia.

Lingkup Kecerdasan Artifisial (KA) dalam Konteks

Decision Support System (DSS)

Knowledge Mngt System (KMS)

Reinforcement Learning

Rule-based

Tiga Jenis Kecerdasan Artifisial (KA)

Artificial Narrow Intelligence (ANI) , berfokus pada satu tugas tertentu. Misalnya: mesin perjemahan mesin, mesin Q / A, pengambilan keputusan, dll.

Artificial General Intelligence (AGI) , akan dapat berpikir lebih atau kurang pada tingkat yang sama dengan manusia. Misalnya, pembelajaran mesin, pembelajaran mendalam. pembelajaran penguatan.

Artificial Super Intelligence (ASI) , akan memiliki kemampuan lebih dari manusia, mereka akan memiliki emosi dan hubungan (Human to Machine dan Machine to Human Touch).

Hubungan AI, DS, Big Data

Machine Learning (ML) dan Deep Learning sebagai Bagian dari KA

Deep Learning

Any techniques that enables computers to mimic human

intelligence

Application of AI that provides systems the

ability to learn

Application of AI that imitates the

process of human brain

Hubungan AI, ML, dan DL

Artificial intelligence (AI) vs Machine Learning (ML)

Artificial intelligence (AI)

“studi tentang bagaimana melatih komputer sehingga komputer dapat melakukan hal-hal yang saat ini dapat dilakukan manusia dengan lebih baik.”

Machine Learning (ML) sebagai Bagian dari AI

“ Pembelajaran di mana mesin dapat belajar sendiri tanpa diprogram secara eksplisit. Jadi ML ini adalah sebuah aplikasi”

Artificial intelligence (AI) Machine Learning (ML)

AI stands for Artificial intelligence, where intelligence is defined acquisition of knowledge intelligence is defined as a ability to acquire and apply knowledge.

ML stands for Machine Learning which is defined as the acquisition of knowledge or skill

The aim is to increase chance of success and not accuracy.

The aim is to increase accuracy, but it does not care about success

It work as a computer program that does smart work It is a simple concept machine takes data and learn from data.

The goal is to simulate natural intelligence to solve complex problem

The goal is to learn from data on certain task to maximize the performance of machine on this task.

AI is decision making. ML allows system to learn new things from data.

It leads to develop a system to mimic human to respond behave in a circumstances.

It involves in creating self learning algorithms.

AI will go for finding the optimal solution. ML will go for only solution for that whether it is optimal or not.

AI leads to intelligence or wisdom. ML leads to knowledge.

https://www.geeksforgeeks.org/difference-between-machine-learning-and-artificial-intelligence/

Machine Learning (ML) sebagai Bagian dari AI

Artificial Intelligence artinya mesin dapat melakukan tugas dengan cara yang "cerdas". Mesin ini tidak hanya diprogram untuk melakukan satu gerakan berulang - mereka dapat melakukan lebih banyak dengan beradaptasi dengan situasi yang berbeda.

Machine learning didasarkan pada gagasan bahwa kita dapat membuat mesin untuk memproses data dan belajar sendiri, tanpa pengawasan terus-menerus.

Machine learning mengacu pada jenis AI tertentu yang belajar dengan sendirinya. Dan karena mendapatkan lebih banyak data, ia menjadi lebih baik dalam belajar

Apa yang membuat ML menjadi mungkin?

Big Data (Kumpulan Data Besar)

Daya Komputasi

Munculnya Bahasa Statistik (Python, R, SAS, dll.)

Paket kemajuan Algoritma

Munculnya Platform dan Alat Perangkat Lunak

IoT untuk menangkap semua Jenis Data untuk menghasilkan Big Data

Broadband untuk menjamin Kecepatan Transfer Data

Teknologi Cloud, seseorang tidak harus memiliki TIK yang Canggih.

Kemampuan Penanganan Memori Besar

Zainal A. Hasibuan, 2020

Definisi ML: Revisi Mesin yang dapat belajar tanpa diprogram secara eksplisit.

Seseorang harus "mengajari" mesin tersebut terlebih dahulu.

Untuk "mengajarkan" mesin, mesin membutuhkan data, lebih disukai data besar.

Mesin dapat belajar dari yang telah diajarkan sebagai pengalaman.

Tetapkan tujuan pembelajaran mesin.

Pilih algoritma terbaik untuk menghitung input untuk mendapatkan tujuan.

Panduan Prinsip dari Machine Learning

Algoritme pembelajaran mesin dideskripsikan sebagai pembelajaran fungsi target (f) yang paling baik memetakan variabel input (X) ke variabel output (Y): Y = f (X).

Kita ingin membuat prediksi (Y) di masa depan dengan contoh baru dari variabel input (X).

Kita tidak tahu seperti apa fungsi (f) itu atau bentuknya. Jika kita tahu, kita akan menggunakannya secara langsung.

Pembelajaran mesin adalah mempelajari pemetaan Y = f (X) untuk membuat prediksi Y untuk X baru.

Fungsi vs. Algoritme

Fungsi Fungsi dalam Komputasi adalah tugas dasar komputer, terutama yang berhubungan

dengan satu instruksi dari pengguna.

Fungsi dalam matematika adalah hubungan atau ekspresi yang melibatkan satu variabel atau lebih.Algorithm

Algoritme adalah sekumpulan instruksi. Dalam pemrograman komputer, fungsi merupakan implementasi dari suatu algoritma.

Algoritme adalah serangkaian langkah (proses) untuk melakukan perhitungan, sedangkan fungsi adalah hubungan matematis antara parameter dan hasil.

Bagaimana Machine Learning Bekerja

Train Dataset, Labeling

10 Top Algoritme untuk Machine Learning

1. Linear Regression

2. Logistic Regression

3. Linear Discriminant Analysis

4. Classification and Regression Trees

5. Naive Bayes

6. K-Nearest Neighbors

7. Learning Vector Quantization

8. Support Vector Machines

9. Bagging and Random Forest

10. Boosting and AdaBoost

No Algorithm Objective

1 Linear Regression For prediction the trend

2 Logistic Regression For classification

3 Linear Discriminant Analysis For separation two or more classes of objects or events. For reducing dimension before classification.

4 Classification and Regression Trees For classification categorical data

5 Naive Bayes For classification

6 K-Nearest Neighbors For classification and regression in non-parametric, used similarity

7 Learning Vector Quantization For classification

8 Support Vector Machines For classification & regression

9 Bagging and Random Forest For classification, regression and other tasks of decision trees

10 Boosting and AdaBoost To create a strong classifier from a number of weak classifiers

10 Top Algoritme untuk Machine Learning

Proses Machine Learning / Deep Learning

Deep Learning Algorithms

Definisi Deep Learning Deep learning adalah jenis pembelajaran mesin dengan model belajar

dengan melakukan tugas-tugas klasifikasi langsung dari gambar, teks, atau suara.

Deep Learning biasanya diimplementasikan menggunakan arsitektur jaringan saraf.

Istilah “Deep" mengacu pada jumlah lapisan dalam jaringan — semakin banyak lapisan, semakin dalam jaringan (deeper network).

Jaringan saraf tradisional hanya mengandung 2 atau 3 lapisan, sedangkan Deep Network dapat memiliki ratusan.

Aplikasi Deep Learning

Beberapa Contoh Aplikasi DL

Kendaraan yang bisa menyetir sendiri me-lambat saat mendekati penyeberangan pejalan kaki.

ATM menolak uang kertas palsu.

Aplikasi smartphone memberikan terjemahan instan tanda jalan berbahasa asing

DL sangat cocok untuk aplikasi identifikasi seperti pengenalan wajah, terjemahan teks, pengenalan suara, dan sistem bantuan pengemudi tingkat lanjut, termasuk, klasifikasi jalur dan pengenalan rambu lalu lintas.

Hanya kunci satu kata, akurasi Tool dan teknik canggih telah secara dramatis mening-katkan algoritme DL — ke titik di mana mereka dapat mengungguli manusia dalam mengklasifikasikan gambar, menang melawan pemain GO terbaik dunia, atau memungkinkan asisten yang dikendalikan suara seperti Amazon Echo® dan Google Home untuk menemukan dan mengunduh yang lagu baru yang kita suka.

Peneliti UCLA membangun mikroskop canggih yang meng-hasilkan dataset dimensi tinggi yang digunakan untuk melatih jaringan DL untuk mengidenti-fikasi sel-sel kanker dalam sampel jaringan.

Apa yang Membuat DL Menjadi Terdepan?

Apa yang Membuat DL Menjadi Terdepan? Tiga enabler teknologi memungkinkan tingkat akurasi ini:

Akses mudah ke sejumlah besar data berlabel Datasets seperti ImageNet dan PASCAL

VoC tersedia secara bebas, dan berguna untuk pelatihan berbagai jenis objek.

Peningkatan kekuatan komputasi GPU berkinerja tinggi mempercepat

pelatihan sejumlah besar data yang diperlukan untuk DL, mengurangi waktu pelatihan dari minggu ke jam.

Model pra-pelatihan dibangun oleh para ahli Model seperti AlexNet dapat dilatih ulang

untuk melakukan tugas-tugas pengenalan baru meng-gunakan teknik yang disebut transfer learning. Sementara AlexNet dilatih pada 1,3 juta gambar resolusi tinggi untuk mengenali 1000 objek yang berbeda, pembelajaran transfer yang akurat dapat dicapai dengan dataset yang jauh lebih kecil.

Bagan Umum Deep Neural Netwok (DNN) DNN menggabungkan beberapa lapisan pemrosesan nonlinear, menggunakan elemen sederhana yang beroperasi secara paralel dan terinspirasi oleh sistem saraf biologis.

Terdiri dari lapisan input, beberapa lapisan tersembunyi, dan lapisan keluaran.

Lapisan saling berhubungan melalui node, atau neuron, dengan setiap lapisan tersembunyi menggunakan output dari lapisan sebelumnya sebagai inputnya.

Bagaimana DNN Belajar ? Katakanlah kita memiliki satu set gambar di mana setiap gambar berisi satu dari empat kategori objek yang berbe-da, dan kita ingin DNN untuk secara otomatis mengenali objek mana yang ada di setiap gambar. Kita memberi label gambar agar kita memiliki data pelatihan untuk jaringan.

Dengan menggunakan data pelatihan ini, jaringan kemu-dian dapat mulai memahami fitur spesifik objek dan me-ngaitkannya dengan kategori yang sesuai.

Setiap lapisan dalam jaringan mengambil data dari lapisan sebelumnya, mentransformasikannya, dan meneruskan-nya. Jaringan meningkatkan kompleksitas dan detail dari apa yang dipelajari dari lapisan ke lapisan.

Perhatikan bahwa jaringan belajar langsung dari data — kita tidak memiliki pengaruh atas fitur apa yang sedang dipelajari.

Convolutional Neural Networks (CNN) Jaringan saraf convolutional (CNN, atau ConvNet) adalah salah satu algoritma paling populer dari DL untuk gambar dan video.

Seperti jaringan saraf lainnya, CNN terdiri dari lapisan input, lapisan output, dan banyak lapisan tersembunyi di antaranya.

Lapisan Deteksi Fitur

Lapisan-lapisan ini melakukan salah satu dari tiga jenis operasi pada data: konvolusi, pooling, atau unit linear yang diperbaiki (ReLU).

Konvolusi menempatkan gambar input melalui serangkaian filter konvolusional, yang masing-masing mengaktifkan fitur tertentu dari gambar.

Pooling menyederhanakan output dengan melakukan non-linear downsampling, mengurangi jumlah parameter yang perlu dipelajari jaringan.

Rectified linear unit (ReLU) memungkinkan pelatihan yang lebih cepat dan lebih efektif dengan memetakan nilai negatif menjadi nol dan mempertahankan nilai positif.

Ketiga operasi ini diulang lebih dari puluhan atau ratusan lapisan, dengan setiap lapisan belajar untuk mendeteksi fitur yang berbeda.

Lapisan Klasifikasi

Setelah deteksi fitur, arsitektur CNN bergeser ke klasifikasi.

Lapisan berikutnya ke yang terakhir adalah lapisan yang sepenuhnya terhubung (FC) yang menghasilkan vektor dimensi K di mana K adalah jumlah kelas yang akan dapat diprediksi oleh jaringan.

Vektor ini berisi probabilitas untuk setiap kelas dari gambar apa pun yang diklasifikasikan.

Lapisan terakhir dari arsitektur CNN menggunakan fungsi softmax untuk memberikan hasil klasifikasi.

Catatan:

Tidak ada formula yang tepat untuk memilih lapisan.

Pendekatan terbaik adalah dengan mencoba beberapa dan melihat seberapa baik mereka bekerja - atau menggunakan jaringan yang sudah ada sebelumnya.

Convolutional Neural Networks (CNN)

Apa Perbedaan antara DL dan ML? DL adalah subtipe ML.

Dengan ML, kita mengekstraksi fitur gambar yang relevan secara manual.

Dengan DL , kita memasukkan gambar mentah langsung ke DNN yang mempelajari fitur secara otomatis.

DL sering membutuhkan ratusan ribu atau jutaan gambar untuk hasil terbaik.

DL juga intensif secara komputasi dan membutuhkan GPU berkinerja tinggi.

ML DL

+ Hasil bagus dengan dataset kecil

Membutuhkan dataset yang sangat besar

+ Cepat untuk melatih model

Intensif secara komputasi

Perlu mencoba berbagai fitur dan pengklasifikasi untuk mencapai hasil terbaik

Mempelajari fitur dan pengklasifikasi secara otomatis

Akurasi datar (stabil tanpa kemajuan)

Akurasi tidak terbatas

Machine Learning Tradisional

Deep Learning

Memulai dengan Deep Learning Belajar DL: cara cepat dan mudah untuk memulai adalah dengan menggunakan jaringan yang ada, seperti AlexNet, CNN yang dilatih pada lebih dari satu juta gambar.

AlexNet paling umum digunakan untuk klasifikasi gambar.

AlexNet dapat mengklasifikasikan gambar ke dalam 1000 kategori yang berbeda, termasuk keyboard, mouse komputer, pensil, dan peralatan kantor lainnya, serta berbagai jenis anjing, kucing, kuda, dan hewan lainnya.

AlexNet pertama kali diterbitkan pada tahun 2012, dan telah menjadi model yang terkenal di komunitas penelitian.

Contoh AI, ML, DL di Fisika

Machine Learning di Fisika Materi Terkonden-sasi (condensed matter)

OUTLINE

Latar Belakang Teoretis

Riset dan Karya terkenal

Metode Pendekatan Penyelesaian Masalah

Ringkasan dan Pandangan

Agrawal, A. & Choudhary, A. Perspective: Materials informatics and big data: realization of the ‘fourth paradigm’ of science in materials science. APL Mater.4, 053208 (2016).

Latar Belakang Teoretis

1. Naïve Bayes 2. Genetic algorithm 3. Rules Decision trees

Latar Belakang Teoretis

4. BP neural network 5. SVM

Latar Belakang Teoretis

6. Convolutional neural network (CNN)

Convolution Pooling Rectified Linear Units

Latar Belakang Teoretis

Latar Belakang Teoretis

Kalinin,S.V.,Sumpter,B.G.&Archibald,R.K.Big–deep–smartdatainimaging for guiding materials design. Nat. Mater. 14, 973–980 (2015).

Riset dan Karya terkenal

Ziatdinov, M., Maksov, A. & Kalinin, S. V. Learning surface molecular structures via machine vision. npj Comput. Mater. 3, 31 (2017).

2.1

Riset dan Karya terkenal

Ziatdinov, M., Maksov, A. & Kalinin, S. V. Learning surface molecular structures via machine vision. npj Comput. Mater. 3, 31 (2017).

2.1

Riset dan Karya terkenal

Carrasquilla, J. & Melko, R. G. Machine learning phases of matter. Nat. Phys. 13,431–434 (2017).

2.2

Riset dan Karya terkenal

Rashidi M, Wolkow R A. Autonomous scanning probe microscopy in situ

tip conditioning through machine learning[J]. ACS nano, 2018, 12(6): 5185-5189.

2.3

Riset dan Karya terkenal

Brockherde, F. et al. Bypassing the Kohn-Sham equations with machine learning. Nat. Commun. 8, 872 (2017).

2.4

Riset dan Karya terkenal

Schoenholz S S , Cubuk E D , Sussman D M , et al. A structural approach to relaxation in glassy?liquids[J]. Nature Physics, 2016.

2.5

Riset dan Karya terkenal

Segler, M. H. S., & Waller, M. P. (2017). Neural-Symbolic Machine Learning for Retrosynthesis and Reaction Prediction. Chemistry – A

European Journal, 23(25), 5966-5971. doi:10.1002/chem.201605499

2.6

Riset dan Karya terkenal

Weight: W0, W1, W2

Metode Pendekatan Penyelesaian Masalah

Ringkasan dan Pandangan

Tinjau dasar-dasar pendekatan machine-learning

Kemajuan dalam penerapan machine-learning untuk mengatasi tantangan dalam penelitian molekuler dan material

Pengembangan yang diperlukan untuk memungkinkan dampak yang lebih luas

Karya 2020: Machine Learning di Fisika Materi Terkondensasi (condensed matter) dan Materi Kuantum (quantum matter)

Karya 2020

https://arxiv.org/abs/2005.14228

Karya 2020

Karya 2020

Karya 2020

Research trends: Machine learning in simulations of

strongly correlated fermions Machine learning phases of matter in

simulated and experimental data Neural-network quantum states and their

applications Machine learning acceleration of Monte

Carlo simulations Quantum information, quantum control,

and quantum computation Quantum physics-inspired machine

learning

Terima Kasih