Apa itu Boltzmann Machine? Model Pembelajaran AI yang Dikembangkan Geoffrey Hinton, Peraih Hadiah Nobel Fisika 2024

Brikolase.com – Boltzmann Machine merupakan model pembelajaran mendalam (deep learning) yang dikembangkan Geoffrey Hinton, peraih hadiah Nobel Fisika 2024.

Nama Boltzmann Machine diambil dari Ludwig Boltzmann, seorang ilmuwan Austria yang merumuskan distribusi Boltzmann pada tahun 1868.

Distribusi ini menggambarkan probabilitas suatu sistem berada dalam keadaan tertentu berdasarkan energinya dan suhu sistem.

Dengan kemampuan untuk menemukan pola kompleks dalam data, Boltzmann Machine menjadi alat penting dalam pengembangan model deep learning generatif dan aplikasi kecerdasan buatan lainnya.

Mengenal Boltzmann Machine?

Dikutip dari laman engati.com, Boltzmann Machine adalah model deep learning tanpa pengawasan (unsupervised) yang terdiri dari node-node yang saling terhubung satu sama lain.

Model ini termasuk dalam jenis jaringan saraf rekursif (recurrent neural network), di mana setiap node membuat keputusan biner dengan tingkat bias tertentu.

Berbeda dengan model deep learning deterministik, Boltzmann Machine bersifat stokastik atau generatif, sehingga sering digunakan untuk merepresentasikan sistem tertentu.

Ceramah Nobel Fisika 2024, Geofrey Hinton: Inovasi AI Adalah Gabungan Ilmu Fisika dan Biologi

Struktur Boltzmann Machine

Boltzmann Machine terdiri dari dua jenis node utama:

Visible Nodes
Node ini adalah node yang dapat diukur atau diamati.
Hidden Nodes
Node ini adalah node yang tidak dapat diukur atau tidak diamati.

Beberapa ahli menyebut Boltzmann Machine sebagai jaringan Hopfield stokastik dengan unit tersembunyi.

Jaringan ini memiliki sistem unit-unit yang memiliki “energi” yang didefinisikan untuk seluruh jaringan, bertujuan mencapai keseimbangan termal (thermal equilibrium).

Namun, istilah suhu dan energi di sini lebih bersifat metaforis berdasarkan hukum termodinamika.

Cara Kerja Boltzmann Machine

Boltzmann Machine bekerja dengan memanfaatkan unit biner stokastik untuk mencapai distribusi probabilitas yang seimbang, sehingga meminimalkan energi.

ALSO READ Manusia Roso yang Membelah Hutan Beton Kota

Seluruh node pada jaringan ini, baik visible maupun hidden, saling terhubung, yang memungkinkan mereka berbagi informasi dan menghasilkan data baru secara mandiri.

Setelah input diberikan, mesin ini dapat menangkap pola, parameter, dan korelasi dalam data, sehingga dikenal sebagai model deep generative.

Ciri utama Boltzmann Machine adalah tidak adanya node output seperti pada jaringan tradisional.

Hal ini memungkinkan jaringan belajar tanpa pola output 0 atau 1 yang khas, yang menggunakan metode optimasi seperti Stochastic Gradient Descent.

Jenis-Jenis Boltzmann Machine

Terdapat tiga jenis utama Boltzmann Machine:

Restricted Boltzmann Machines (RBMs)
Pada RBM, terdapat batasan dalam koneksi antar node. Node tersembunyi tidak saling terhubung, tetapi node visible tetap terhubung satu sama lain.
Deep Belief Networks (DBNs)
DBN adalah kumpulan RBM yang disusun secara berlapis. Output dari RBM pertama menjadi input untuk RBM berikutnya. Dalam DBN, koneksi antar layer bersifat terarah (directed), kecuali pada dua layer teratas yang tidak terarah (undirected).
Deep Boltzmann Machines (DBMs)
DBM mirip dengan DBN, tetapi koneksi antar layer maupun dalam satu layer semuanya bersifat tidak terarah.

Fungsi dan Aplikasi Boltzmann Machine

Boltzmann Machine bertujuan untuk mengoptimalkan solusi masalah dengan menyesuaikan bobot dan parameter yang terkait dengan masalah tersebut. Model ini sering digunakan untuk:

Pembelajaran Tanpa Pengawasan: Mengidentifikasi pola tersembunyi dalam data seperti klastering, reduksi dimensi, deteksi anomali, dan pembuatan model generatif.
Pemrosesan Citra: RBM banyak digunakan untuk memodelkan data kontinu dalam domain pemrosesan gambar.
Fisik Statistik dan Mekanika Kuantum: Memecahkan masalah mekanika kuantum multi-partikel dan fisika statistik klasik seperti model Ising dan Potts.***