Οι πρωτοπόροι της μηχανικής μάθησης κέρδισαν το Νόμπελ Φυσικής

Οι πρωτοπόροι της μηχανικής μάθησης κέρδισαν το Νόμπελ Φυσικής

Δύο ερευνητές που... Μέθοδοι μηχανικής μάθησης έχουν αναπτύξει αυτή τη σημερινή Έκρηξη στην τεχνητή νοημοσύνη (AI) υποκείμενα, τιμήθηκαν με το Νόμπελ Φυσικής 2024.

Ο Τζον Χόπφιλντ του Πανεπιστημίου Πρίνστον στο Νιου Τζέρσεϊ και ο Τζέφρι Χίντον από το Πανεπιστήμιο του Τορόντο, Καναδάς, μοιράζονται το βραβείο των 11 εκατομμυρίων σουηδικών κορωνών (1 εκατομμύριο δολάρια), που ανακοινώθηκε στις 8 Οκτωβρίου από τη Βασιλική Σουηδική Ακαδημία Επιστημών στη Στοκχόλμη.

Και οι δύο χρησιμοποίησαν φυσικά εργαλεία για να αναπτύξουν μεθόδους που τεχνητά νευρωνικά δίκτυα που χρησιμοποιούν δομές εμπνευσμένες από τον εγκέφαλο για να μάθουν αφηρημένες έννοιες. Οι ανακαλύψεις τους «αποτελούν τα δομικά στοιχεία της μηχανικής μάθησης που μπορούν να βοηθήσουν τους ανθρώπους να λαμβάνουν πιο γρήγορες και πιο σίγουρες αποφάσεις», δήλωσε η Έλεν Μουνς, πρόεδρος της Επιτροπής Νόμπελ και φυσικός στο Πανεπιστήμιο Karlstad της Σουηδίας, κατά τη διάρκεια της ανακοίνωσης. «Τα τεχνητά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για την προώθηση της έρευνας σε διάφορα θέματα φυσικής, από τη φυσική των σωματιδίων στην επιστήμη των υλικών και την αστροφυσική».

Το 1982, ο Hopfield, ένας θεωρητικός βιολόγος με υπόβαθρο στη φυσική, ανέπτυξε ένα δίκτυο που περιέγραψε τις συνδέσεις μεταξύ των κόμβων ως φυσικές δυνάμεις 1. Αποθηκεύοντας μοτίβα ως κατάσταση χαμηλής κατανάλωσης του δικτύου, το σύστημα θα μπορούσε να επαναφέρει την εικόνα όταν βρεθεί αντιμέτωπο με ένα παρόμοιο μοτίβο. Έγινε γνωστό ως συνειρμική μνήμη επειδή μοιάζει με τον εγκέφαλο που προσπαθεί να θυμηθεί μια σπάνια χρησιμοποιούμενη λέξη ή έννοια.

Ο Hinton, ένας επιστήμονας υπολογιστών, χρησιμοποίησε αργότερα αρχές από τη στατιστική φυσική που χρησιμοποιήθηκαν για να περιγράψουν συλλογικά συστήματα που αποτελούνταν από πάρα πολλά μεμονωμένα μέρη για να αναπτύξουν περαιτέρω τα «δίκτυα Hopfield». Ενσωματώνοντας πιθανότητες σε μια πολυεπίπεδη έκδοση του δικτύου, δημιούργησε ένα εργαλείο ικανό να αναγνωρίζει και να ταξινομεί εικόνες ή να δημιουργεί νέα παραδείγματα του τύπου στον οποίο εκπαιδεύτηκε. 2.

Αυτές οι διαδικασίες διέφεραν από προηγούμενους υπολογισμούς επειδή τα δίκτυα μπορούσαν να μάθουν από παραδείγματα, συμπεριλαμβανομένων μη δομημένων δεδομένων, κάτι που είναι δύσκολο για το παραδοσιακό λογισμικό που βασίζεται σε υπολογισμούς βήμα προς βήμα.

Τα δίκτυα είναι «γενναιόδωρα εξιδανικευμένα μοντέλα που διαφέρουν τόσο από τα πραγματικά βιολογικά νευρωνικά δίκτυα όσο τα μήλα από πλανήτες», έγραψε ο Hinton. το 2000 στη Φύση. Αλλά έχουν αποδειχθεί χρήσιμα και έχουν αναπτυχθεί ευρέως. Τα νευρωνικά δίκτυα που μιμούνται την ανθρώπινη μάθηση αποτελούν τη βάση πολλών προηγμένων εργαλείων τεχνητής νοημοσύνης, από μεγάλα γλωσσικά μοντέλα (LLM) έως αλγόριθμους μηχανικής μάθησης ικανούς να αναλύουν μεγάλες ποσότητες δεδομένων, συμπεριλαμβανομένων των Μοντέλο πρόβλεψης πρωτεϊνικής δομής AlphaFold.

Σε μια τηλεφωνική συνομιλία που έκανε την ανακοίνωση, ο Hinton είπε ότι ήταν "ένα μπουλόνι από το μπλε" όταν έμαθε για το Νόμπελ του. «Είμαι έκπληκτος, δεν είχα ιδέα ότι θα συνέβαινε αυτό», είπε. Πρόσθεσε ότι η πρόοδος στη μηχανική μάθηση "θα έχει τεράστιο αντίκτυπο· θα είναι συγκρίσιμη με τη Βιομηχανική Επανάσταση. Αλλά αντί να ξεπεράσει τους ανθρώπους σε φυσική δύναμη, θα ξεπεράσει τους ανθρώπους σε πνευματικές ικανότητες."

1. Hopfield, J.J., Proc. Natl. Ακαδ. Sci. USA 79, 2554 (1982).

   Αρθρο
   PubMed
   Google Scholar

2. Fahlman, S.E., Hinton, G.E. and Sejnowski, T.J. Πρακτικά του συνεδρίου AAAI-83, σελ. 109-113 (1983).

   Google Scholar

Λήψη παραπομπών