A gépi tanulás úttörői kapják a fizikai Nobel-díjat

A gépi tanulás úttörői kapják a fizikai Nobel-díjat

Két kutató, aki... Gépi tanulási módszerek fejlesztették a mait A mesterséges intelligencia (AI) fellendülése mögött, 2024-ben megkapták a fizikai Nobel-díjat.

John Hopfield, a New Jersey-i Princeton Egyetem és Geoffrey Hinton, a Kanadai Torontói Egyetem munkatársa osztozik a 11 millió svéd koronás (1 millió dollár) díjat, amelyet október 8-án hirdetett ki a Svéd Királyi Tudományos Akadémia Stockholmban.

Mindketten fizikai eszközöket használtak olyan módszerek kidolgozására, amelyek mesterséges neurális hálózatok amelyek agy által inspirált, réteges struktúrákat használnak az elvont fogalmak megtanulására. Felfedezéseik "a gépi tanulás építőköveit képezik, amelyek segítségével az emberek gyorsabban és magabiztosabb döntéseket hozhatnak" - mondta Ellen Moons, a Nobel-bizottság elnöke és a svéd Karlstad Egyetem fizikusa a bejelentés során. "Mesterséges neurális hálózatokat használnak a kutatás előmozdítására különböző fizikai témákban, a részecskefizikától az anyagtudományon át az asztrofizikáig."

1982-ben Hopfield, elméleti biológus, fizikában jártas, kifejlesztett egy hálózatot, amely a csomópontok közötti kapcsolatokat fizikai erőként írta le. 1. Ha a mintákat a hálózat alacsony energiaigényű állapotaként tárolja, a rendszer vissza tudja állítani a képet, ha hasonló mintával szembesül. Asszociatív memória néven vált ismertté, mert hasonlít az agyra, amely megpróbál emlékezni egy ritkán használt szóra vagy fogalomra.

Hinton, egy informatikus, később a statisztikai fizika alapelveit használta a túl sok egyedi részből álló rendszerek együttes leírására, hogy továbbfejlessze a „Hopfield-hálózatokat”. A valószínűségek beépítésével a hálózat egy réteges változatába olyan eszközt hozott létre, amely képes felismerni és osztályozni a képeket, vagy új példákat generálni arra a típusra, amelyre betanították. 2.

Ezek a folyamatok eltértek a korábbi számításoktól, mert a hálózatok képesek voltak tanulni a példákból, köztük a strukturálatlan adatokból, ami a hagyományos szoftverek számára lépésről lépésre történő számításokon alapuló kihívást jelent.

A hálózatok „nagyvonalúan idealizált modellek, amelyek annyira különböznek a valódi biológiai neurális hálózatoktól, mint az alma a bolygóktól” – írta Hinton. 2000-ben a Természetben. De hasznosnak bizonyultak, és széles körben fejlesztették őket. Az emberi tanulást utánzó neurális hálózatok számos fejlett AI-eszköz alapját képezik, a nagy nyelvi modellektől (LLM) a gépi tanulási algoritmusokig, amelyek képesek nagy mennyiségű adat elemzésére, beleértve a Fehérjeszerkezet előrejelző modell AlphaFold.

Egy telefonbeszélgetés során Hinton azt mondta, hogy „derült égből villámcsapás” volt, amikor értesült Nobel-díjáról. „Csodálkozom, fogalmam sem volt, hogy ez meg fog történni” – mondta. Hozzátette, hogy a gépi tanulás fejlődésének "nagy hatása lesz; az ipari forradalomhoz fog hasonlítani. De ahelyett, hogy fizikai erőben felülmúlná az embereket, szellemi képességeiben felülmúlja az embereket".

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

   Cikk
   PubMed
   Google Tudós

2. Fahlman, S.E., Hinton, G.E. és Sejnowski, T.J. Az AAAI-83 konferencia anyaga, 109-113. o. (1983).

   Google Tudós

Referenciák letöltése