Нобелевская премия по физике 2024 года присуждена Джону Хопфилду (Принстонский университет) и Джеффри Хинтону (Университет Торонто) «за основополагающие открытия и изобретения, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей».
Хотя компьютеры не могут думать, машины теперь могут имитировать такие функции, как память и обучение. Лауреаты этого года по физике помогли сделать это возможным. Используя фундаментальные концепции и методы из физики, они разработали технологии, которые используют структуры в сетях для обработки информации.
Машинное обучение отличается от традиционного программного обеспечения, которое работает как своего рода рецепт. В машинном же обучении компьютер учится на примерах, что позволяет ему решать проблемы, которые слишком расплывчаты и сложны для управления пошаговыми инструкциями. Одним из примеров является интерпретация изображения для идентификации объектов на нем.
Лауреаты Нобелевской премии по физике этого года использовали инструменты физики для разработки методов, которые стали основой современного мощного машинного обучения. Джон Хопфилд создал ассоциативную память, которая может хранить и восстанавливать изображения и другие типы шаблонов в данных. Джеффри Хинтон изобрел метод, который может автономно находить свойства в данных и таким образом выполнять такие задачи, как идентификация определенных элементов на изображениях.
Когда мы говорим об искусственном интеллекте, часто подразумеваем машинное обучение с использованием искусственных нейронных сетей. Эта технология изначально была вдохновлена структурой мозга. В искусственной нейронной сети нейроны мозга можно представить узлами, которые имеют разные значения. Эти узлы влияют друг на друга через связи (их можно сравнить с синапсами), которые можно сделать сильнее или слабее. Сеть обучается, в частности, путем развития более сильных связей между узлами. Лауреаты этого года проводили важную работу с искусственными нейронными сетями с 1980-х годов.
Джон Хопфилд изобрел сеть, которая использует метод сохранения и воссоздания узоров. Мы можем представить узлы как пиксели. Сеть Хопфилда использует физику, которая описывает характеристики материала по его атомному спину — свойству, которое делает каждый атом крошечным магнитом. Сеть в целом описывается способом, эквивалентным энергии в спиновой системе, и обучается путем поиска связей между узлами. Когда сети Хопфилда подается искаженное или неполное изображение, она методично прорабатывает узлы и обновляет их значения. Таким образом, сеть работает поэтапно, чтобы найти сохраненное изображение, которое больше всего похоже на представленное ей испорченное.
Джеффри Хинтон использовал сеть Хопфилда в качестве основы для новой сети, которая использует другой метод: машину Больцмана. Она может научиться распознавать характерные элементы в заданном типе данных. Хинтон использовал инструменты из статистической физики — науки о системах, построенных из множества схожих компонентов. Машину Больцмана можно использовать для классификации изображений или создания новых примеров типа шаблона, на котором она была обучена. Хинтон развил эту работу, помогая инициировать текущее взрывное развитие машинного обучения.
«Работа лауреатов уже принесла огромную пользу. В физике мы используем искусственные нейронные сети в широком спектре областей, таких как разработка новых материалов с определенными свойствами», — говорит Эллен Мунс, председатель Нобелевского комитета по физике.
Другие новости по теме...
