Metode ilmiah telah menjadi landasan pengembangan ilmu pengetahuan modern selama beberapa abad. Ia terdiri dari serangkaian langkah berupa perumusan hipotesa, proses pengamatan, kemudian tahapan eksperimen (simulasi) untuk membuktikan atau menyangkal hipotesa itu.
Ini adalah teknik yang digunakan oleh berbagai kajian ilmiah karena ia memberikan pedoman terstruktur untuk menjawab pertanyaan secara rasional melalui penggunaan bukti empirik.
Ini sebuah pendekatan yang membawa umat manusia keluar dari zaman kegelapan menuju ke era saat ini melalui penemuan terobosan dalam bidang Fisika, Astronomi, pengobatan dsb.
Mungkinkah ada tahapan di dalam penyelidikan ilmiah yang tanpa perlu penggunaan metode ilmiah?
Sebuah tim peneliti di Plasma Physics Laboratory (PPPL), Princeton University memperlihatkan bahwa hal ini memang mungkin bisa terjadi.
Melalui penggunaan machine learning algorithm mereka dapat memprediksi orbit planet, tanpa perlu didasarkan pada hukum fisika.
Hasil penelitian itu menguraikan cara tim melatih machine learning algorithm pada data tentang orbit Merkurius, Venus, Bumi, Mars, Jupiter, dan planet kerdil Ceres yang diketahui.
Machine learning algorithm ini digunakan pula untuk memprediksi orbit planet lain, termasuk orbit tata surya, tanpa perlu melibatkan hukum Newton tentang gerak dan gravitasi.
Pendekatan tersebut membentuknya dengan teori medan diskrit (discrete field theory) yang memodelkan alam semesta sebagai “kotak hitam”.
Teori medan diskrit secara langsung menghubungkan data pengamatan dan prediksi baru.
Melalui metode ini seseorang dapat beralih dari data pelatihan ke arah prediksi tanpa bergantung pada langkah-langkah yang ditawarkan oleh hukum Fisika.
Algoritma pembelajaran ini tidak mengetahui, mempelajari, atau menggunakan hukum gerak dan gravitasi universal Newton.
Intinya, algoritma tersebut mampu mempelajari sendiri hukum gerak planet dan memahami dinamika yang mendasari sistem fisik apa pun setelah dilatih dengan beberapa contoh.
Algoritma tidak perlu bergantung pada penyelesaian persamaan diferensial yang kompleks untuk memberikan prediksi yang sangat akurat.
Metode yang digunakan tim peneliti akan mempelajari teori medan dari kumpulan data pelatihan tertentu yang terdiri dari nilai-nilai yang diamati dari medan fisik di lokasi ruang-waktu diskrit.
Hukum Fisika pada penelitian kali ini pada dasarnya hanya dinyatakan dalam bentuk teori medan, bukan persamaan diferensial. Oleh karena itu lebih penting bagi tim peneliti ini untuk mempelajari teori medan yang mendukung bila memungkinkan.
Teori medan secara umum lebih sederhana daripada persamaan diferensial, sehingga proses pembelajaran teori medan lebih mudah ditempuh. Itu akan berlaku untuk kecerdasan manusia dan kecerdasan buatan.
Hanya asumsi mendasar bahwa data pengamatan diatur oleh teori medan, algoritma pembelajaran yang diusulkan tidak mengasumsikan pengetahuan apa pun tentang hukum Fisika.
Ini berbeda dari kebanyakan metodologi machine learning algorithm yang telah ada di dalam ilmu Fisika.
Di bidang Fisika, machine learning algorithm biasanya digunakan untuk memodelkan proses kompleks seperti gangguan plasma pada perangkat fusi magnetik, atau pemodelan gerakan dinamis cairan.
Algoritma yang dikembangkan tim dari Princeton University kali ini secara robust mampu menghadapi variasi hukum yang mengatur benda fisik karena metode ini tidak memerlukan pengetahuan tentang hukum Fisika selain asumsi mendasar bahwa hukum yang mengaturnya adalah teori medan.
Ketika efek relativitas khusus atau relativitas umum menjadi penting, algoritma diharapkan juga valid.
Makalah hasil penelitian tersebut telah diterbitkan di jurnal Scientific Reports dengan judul Machine learning and serving of discrete field theories.
Referensi:
https://thenewstack.io/machine-learning-algorithm-sidesteps-the-scientific-method/
A Simple Notebook 