Les pionniers de l'apprentissage automatique remportent le prix Nobel de physique

Les pionniers de l'apprentissage automatique remportent le prix Nobel de physique

Deux chercheurs qui... Méthodes d'apprentissage automatique ont développé celui d'aujourd'hui Boom de l’intelligence artificielle (IA) sous-jacents, ont reçu le prix Nobel de physique 2024.

John Hopfield de l'Université de Princeton dans le New Jersey et Geoffrey Hinton de l'Université de Toronto, Canada, se partagent le prix de 11 millions de couronnes suédoises (1 million de dollars), annoncé le 8 octobre par l'Académie royale des sciences de Suède à Stockholm.

Tous deux ont utilisé des outils physiques pour développer des méthodes qui réseaux de neurones artificiels qui utilisent des structures en couches inspirées du cerveau pour apprendre des concepts abstraits. Leurs découvertes "constituent les éléments constitutifs de l'apprentissage automatique qui peuvent aider les gens à prendre des décisions plus rapides et plus sûres", a déclaré Ellen Moons, présidente du comité Nobel et physicienne à l'université de Karlstad, en Suède, lors de l'annonce. "Les réseaux de neurones artificiels ont été utilisés pour faire progresser la recherche dans divers domaines de physique, de la physique des particules à la science des matériaux en passant par l'astrophysique."

En 1982, Hopfield, biologiste théoricien avec une formation en physique, a développé un réseau décrivant les connexions entre les nœuds comme des forces physiques. 1. En stockant les modèles dans un état de faible consommation du réseau, le système pourrait restaurer l'image lorsqu'il est confronté à un modèle similaire. On l’appelle mémoire associative car elle ressemble au cerveau essayant de se souvenir d’un mot ou d’un concept rarement utilisé.

Hinton, un informaticien, a ensuite utilisé les principes de la physique statistique utilisés pour décrire collectivement des systèmes composés de trop de parties individuelles afin de développer davantage les « réseaux Hopfield ». En incorporant des probabilités dans une version en couches du réseau, il a créé un outil capable de reconnaître et de classer des images ou de générer de nouveaux exemples du type sur lequel il a été formé. 2.

Ces processus différaient des calculs précédents car les réseaux étaient capables d'apprendre à partir d'exemples, notamment de données non structurées, ce qui constitue un défi pour les logiciels traditionnels basés sur des calculs étape par étape.

Les réseaux sont « des modèles généreusement idéalisés qui sont aussi différents des véritables réseaux de neurones biologiques que les pommes le sont des planètes », a écrit Hinton. en 2000 dans Nature. Mais ils se sont révélés utiles et ont été largement développés. Les réseaux de neurones qui imitent l'apprentissage humain constituent la base de nombreux outils d'IA avancés, depuis les grands modèles de langage (LLM) jusqu'aux algorithmes d'apprentissage automatique capables d'analyser de grandes quantités de données, y compris les Modèle de prédiction de la structure des protéines AlphaFold.

Lors d'une conversation téléphonique annonçant cette annonce, Hinton a déclaré que c'était "un coup de tonnerre" lorsqu'il a appris l'existence de son prix Nobel. "Je suis étonné, je ne pensais pas que cela allait arriver", a-t-il déclaré. Il a ajouté que les progrès de l'apprentissage automatique « auront un impact énorme ; il sera comparable à la révolution industrielle. Mais au lieu de surpasser les humains en force physique, ils surpasseront les humains en capacité intellectuelle ».

1. Hopfield, J.J., Proc. Natl. Acad. Sci. États-Unis 79, 2554 (1982).

   Article
   PubMed
   Google Scholar

2. Fahlman, SE, Hinton, GE (2003). et Sejnowski, T.J. Actes de la conférence AAAI-83, pp. 109-113 (1983).

   Google Scholar

Télécharger les références