Mašininio mokymosi pradininkai laimi Nobelio fizikos premiją

Mašininio mokymosi pradininkai laimi Nobelio fizikos premiją

Du tyrinėtojai, kurie... Mašininio mokymosi metodai išplėtojo, kad šiandien Dirbtinio intelekto (DI) bumas 2024 m. buvo apdovanoti Nobelio fizikos premija.

Johnas Hopfieldas iš Prinstono universiteto Naujajame Džersyje ir Geoffrey'us Hintonas iš Toronto universiteto (Kanada) dalijasi 11 mln. Švedijos kronų (1 mln. USD) prizą, kurį spalio 8 d. paskelbė Švedijos karališkoji mokslų akademija Stokholme.

Abu naudojo fizines priemones kurdami metodus, kurie dirbtiniai neuroniniai tinklai kurios naudoja smegenų įkvėptas daugiasluoksnes struktūras, kad išmoktų abstrakčias sąvokas. Jų atradimai „sudaro mašininio mokymosi blokus, kurie gali padėti žmonėms priimti greitesnius ir labiau pasitikinčius sprendimus“, – sakė Ellen Moons, Nobelio komiteto pirmininkė ir Karlstado universiteto (Švedija) fizikė. „Dirbtiniai neuroniniai tinklai buvo naudojami siekiant tobulinti įvairių fizikos temų tyrimus – nuo ​​dalelių fizikos iki medžiagų mokslo iki astrofizikos.

1982 m. Hopfieldas, teorinis biologas, turintis fizikos išsilavinimą, sukūrė tinklą, kuris apibūdino ryšius tarp mazgų kaip fizines jėgas. 1. Išsaugodama šablonus kaip mažos galios tinklo būseną, sistema galėtų atkurti vaizdą, kai susiduria su panašiu modeliu. Ji tapo žinoma kaip asociatyvioji atmintis, nes primena smegenis, bandančias prisiminti retai vartojamą žodį ar sąvoką.

Hintonas, kompiuterių mokslininkas, vėliau panaudojo statistinės fizikos principus, kurie buvo naudojami bendrai apibūdinti sistemas, sudarytas iš per daug atskirų dalių, kad toliau plėtotų „Hopfieldo tinklus“. Įtraukdamas tikimybes į daugiasluoksnę tinklo versiją, jis sukūrė įrankį, galintį atpažinti ir klasifikuoti vaizdus arba generuoti naujus tokio tipo pavyzdžius, kuriais jis buvo apmokytas. 2.

Šie procesai skyrėsi nuo ankstesnių skaičiavimų, nes tinklai galėjo mokytis iš pavyzdžių, įskaitant nestruktūrizuotus duomenis, o tai sudėtinga tradicinei programinei įrangai, pagrįstai laipsniškais skaičiavimais.

Hintonas rašė: „Tinklai yra „domiai idealizuoti modeliai, kurie skiriasi nuo tikrų biologinių neuroninių tinklų, kaip obuoliai nuo planetų“. 2000 metais Gamtoje. Tačiau jie pasirodė naudingi ir buvo plačiai išplėtoti. Neuroniniai tinklai, imituojantys žmogaus mokymąsi, yra daugelio pažangių AI įrankių pagrindas – nuo ​​didelių kalbų modelių (LLM) iki mašininio mokymosi algoritmų, galinčių analizuoti didelius duomenų kiekius, įskaitant Baltymų struktūros prognozavimo modelis AlphaFold.

Apie tai per telefoninį pokalbį Hintonas sakė, kad tai buvo „žaibas iš giedro dangaus“, kai sužinojo apie savo Nobelio premiją. „Esu nustebęs, net neįsivaizdavau, kad taip nutiks“, – sakė jis. Jis pridūrė, kad mašininio mokymosi pažanga "turės didžiulį poveikį; ji bus panaši į pramonės revoliuciją. Tačiau užuot pranokusi žmones fizine jėga, ji pralenks žmones intelektualiniais gebėjimais".

1. Hopfieldas, J. J., Proc. Natl. Akad. Sci. USA 79, 2554 (1982).

   Straipsnis
   PubMed
   Google Scholar

2. Fahlmanas, S.E., Hintonas, G.E. ir Sejnowski, T.J. AAAI-83 konferencijos medžiaga, p. 109-113 (1983).

   Google Scholar

Atsisiųskite nuorodas