Джон Дж. Хопфилд и Джеффри Э. Хинтон.
Нобелевская премия по физике за 2024 год только что была присуждена Джону Дж. Хопфилду (Принстонский университет) и Джеффри Э. Хинтону (Университет Торонто) за фундаментальные открытия и изобретения, позволяющие осуществлять машинное обучение с помощью искусственных нейронных сетей.
Новые лауреаты премии по физике
После медицины настало время физики. Три года назад комитет наградил несколько исследований, посвященных хаотическим и случайным явлениям, которые, как известно, трудно понять. В 2022 году Нобелевская премия была присуждена трем лауреатам за эксперименты с использованием запутанных квантовых состояний. В прошлом году комитет наградил трех исследователей за демонстрацию способа создания чрезвычайно коротких световых импульсов, которые могут быть использованы для измерения быстрых процессов.
В 2024 году комитет решил наградить Джона Дж. Хопфилда и Джеффри Э. Хинтона за использование инструментов из физики для разработки методов, которые лежат в основе современного машинного обучения.
Работа Хопфилда
Когда мы думаем об искусственном интеллекте (ИИ), на ум часто приходят искусственные нейронные сети. Эта революционная технология вдохновлена тем, как работает человеческий мозг. В нейронных сетях этого типа нейроны представлены узлами, каждый из которых имеет значение, которое может меняться в зависимости от стимулов. Эти узлы соединены между собой так же, как синапсы в мозге, что позволяет передавать информацию и влиять на значения других узлов. Благодаря процессу, называемому обучением, связи между этими узлами могут усиливаться или ослабляться, способствуя возникновению значимых паттернов.
Начиная с 1980-х годов, ряд исследователей сыграли основополагающую роль в развитии искусственных нейронных сетей. Среди них — Джон Хопфилд, создатель типа сети, позволяющей сохранять и восстанавливать визуальные паттерны. В этой модели узлы можно сравнить с пикселями на изображении. Сеть Хопфилда работает на основе принципов физики, связанных со спинами атомов, которые превращают каждый атом в маленький магнит. Находя подходящие значения для связей между узлами, сеть может минимизировать энергию системы, сохраняя при этом сохраненное изображение.
Точнее, при получении искаженного или неполного изображения сеть Хопфилда активируется и постепенно изменяет значения узлов, чтобы снизить общую энергию и, как следствие, восстановить исходное изображение, максимально приближенное к предоставленному. Этот итерационный процесс позволяет систематически работать над восстановлением искаженного изображения.
Работа Хинтона
Другой пионер в этой области, Джеффри Хинтон, использовал результаты работы Хопфилда, разработав новый тип сети: машину Больцмана. В отличие от традиционных сетей, эта машина учится определять конкретные характеристики в наборе данных. Используя инструменты статистической физики, Хинтон разработал метод, при котором машина обучается на репрезентативных примерах, что позволяет ей распознавать закономерности в изображениях и даже генерировать новые примеры на основе полученных знаний.
Это достижение сыграло решающую роль в современном развитии машинного обучения, которое значительно расширилось. В наши дни использование искусственного интеллекта и нейронных сетей не ограничивается только компьютерной наукой, а распространяется на широкий спектр областей, включая физику материалов, биологию и даже климатологию. Благодаря этим достижениям современная наука может осваивать новые горизонты, открывая путь к открытиям, которые еще несколько десятилетий назад были бы просто немыслимы.
