Koneoppimisen pioneerit voittivat fysiikan Nobelin

Koneoppimisen pioneerit voittivat fysiikan Nobelin

Kaksi tutkijaa, jotka... Koneoppimismenetelmät ovat kehittäneet tämän päivän Tekoälyn (AI) nousukausi taustalla, saivat Nobelin fysiikan palkinnon 2024.

John Hopfield Princetonin yliopistosta New Jerseystä ja Geoffrey Hinton Toronton yliopistosta Kanadasta jakavat 11 miljoonan Ruotsin kruunun (1 miljoona dollarin) palkinnon, jonka Ruotsin kuninkaallinen tiedeakatemia julkisti 8. lokakuuta Tukholmassa.

Molemmat käyttivät fyysisiä työkaluja menetelmien kehittämiseen keinotekoiset neuroverkot jotka käyttävät aivojen inspiroimia, kerrosrakenteita oppiakseen abstrakteja käsitteitä. Heidän löytönsä "muodostavat koneoppimisen rakennuspalikoita, jotka voivat auttaa ihmisiä tekemään nopeampia ja luottavaisempia päätöksiä", sanoi Ellen Moons, Nobel-komitean puheenjohtaja ja fyysikko Karlstadin yliopistosta, Ruotsista. "Keinotekoisia hermoverkkoja on käytetty edistämään tutkimusta erilaisissa fysiikan aiheissa, hiukkasfysiikasta materiaalitieteeseen astrofysiikkaan."

Vuonna 1982 fysiikan taustalla oleva teoreettinen biologi Hopfield kehitti verkon, joka kuvasi solmujen välisiä yhteyksiä fyysisinä voimina. 1. Tallentamalla kuvioita verkon vähän virtaa käyttäväksi tilaksi järjestelmä voisi palauttaa kuvan, kun se kohtaa samanlaisen kuvion. Se tunnettiin assosiatiivisena muistina, koska se muistuttaa aivoja, jotka yrittävät muistaa harvoin käytettyä sanaa tai käsitettä.

Tietojenkäsittelytieteilijä Hinton käytti myöhemmin tilastollisen fysiikan periaatteita, joita käytettiin kuvaamaan kollektiivisesti liian monista yksittäisistä osista koostuvia järjestelmiä kehittääkseen edelleen "Hopfield-verkkoja". Sisällyttämällä todennäköisyydet verkon kerrostettuun versioon, hän loi työkalun, joka pystyy tunnistamaan ja luokittelemaan kuvia tai luomaan uusia esimerkkejä tyypistä, johon se on koulutettu. 2.

Nämä prosessit erosivat aikaisemmista laskelmista, koska verkot pystyivät oppimaan esimerkeistä, mukaan lukien strukturoimattomasta datasta, mikä on haastavaa perinteisille ohjelmistoille, jotka perustuvat vaiheittaisiin laskelmiin.

Verkot ovat "anteliaasti idealisoituja malleja, jotka eroavat yhtä paljon todellisista biologisista hermoverkoista kuin omenat planeetoista", Hinton kirjoitti. vuonna 2000 luonnossa. Mutta ne ovat osoittautuneet hyödyllisiksi ja niitä on kehitetty laajasti. Ihmisen oppimista jäljittelevät hermoverkot muodostavat perustan monille edistyneille tekoälytyökaluille suurista kielimalleista (LLM) koneoppimisalgoritmeihin, jotka pystyvät analysoimaan suuria tietomääriä, mukaan lukien Proteiinirakenteen ennustemalli AlphaFold.

Puhelinkeskustelussa, jossa hän ilmoitti asiasta, Hinton sanoi, että se oli "salaatti taivaasta", kun hän sai tietää Nobel-palkinnostaan. "Olen hämmästynyt, minulla ei ollut aavistustakaan, että näin tapahtuu", hän sanoi. Hän lisäsi, että koneoppimisen edistymisellä "on valtava vaikutus; se on verrattavissa teolliseen vallankumoukseen. Mutta sen sijaan, että se ohittaisi ihmiset fyysisessä vahvuudessa, se ylittää ihmiset älyllisissä kyvyissä."

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

   Artikla
   PubMed
   Google Scholar

2. Fahlman, S.E., Hinton, G.E. ja Sejnowski, T.J. Proceedings of the AAAI-83 Conference, s. 109-113 (1983).

   Google Scholar

Lataa viitteitä