Maskinlæringspionerer vinner Nobelprisen i fysikk

Maskinlæringspionerer vinner Nobelprisen i fysikk

To forskere som... Maskinlæringsmetoder har utviklet det i dag Boom i kunstig intelligens (AI) underliggende, ble tildelt Nobelprisen i fysikk 2024.

John Hopfield fra Princeton University i New Jersey og Geoffrey Hinton fra University of Toronto, Canada, deler prisen på 11 millioner svenske kroner (1 million dollar), annonsert 8. oktober av Royal Swedish Academy of Sciences i Stockholm.

Begge brukte fysiske verktøy for å utvikle metoder som kunstige nevrale nettverk som bruker hjerneinspirerte, lagdelte strukturer for å lære abstrakte konsepter. Oppdagelsene deres «former byggesteinene i maskinlæring som kan hjelpe folk til å ta raskere og tryggere beslutninger», sa Ellen Moons, leder av Nobelkomiteen og fysiker ved Karlstad Universitet, Sverige, under kunngjøringen. "Kunstige nevrale nettverk har blitt brukt til å fremme forskning innen ulike fysikk-emner, fra partikkelfysikk til materialvitenskap til astrofysikk."

I 1982 utviklet Hopfield, en teoretisk biolog med bakgrunn i fysikk, et nettverk som beskrev forbindelsene mellom noder som fysiske krefter 1. Ved å lagre mønstre som en lavstrømstilstand i nettverket, kan systemet gjenopprette bildet når det blir konfrontert med et lignende mønster. Det ble kjent som assosiativt minne fordi det ligner hjernen som prøver å huske et sjeldent brukt ord eller konsept.

Hinton, en informatiker, brukte senere prinsipper fra statistisk fysikk som ble brukt til å beskrive systemer sammensatt av for mange individuelle deler til å videreutvikle «Hopfield-nettverk». Ved å inkorporere sannsynligheter i en lagdelt versjon av nettverket, skapte han et verktøy som var i stand til å gjenkjenne og klassifisere bilder eller generere nye eksempler av typen det ble trent på 2.

Disse prosessene skilte seg fra tidligere beregninger fordi nettverkene var i stand til å lære av eksempler, inkludert ustrukturerte data, noe som er utfordrende for tradisjonell programvare basert på trinnvise beregninger.

Nettverkene er "generøst idealiserte modeller som er like forskjellige fra ekte biologiske nevrale nettverk som epler er fra planeter," skrev Hinton i 2000 i Nature. Men de har vist seg nyttige og har blitt mye utviklet. Nevrale nettverk som etterligner menneskelig læring danner grunnlaget for mange avanserte AI-verktøy, fra store språkmodeller (LLM) til maskinlæringsalgoritmer som er i stand til å analysere store mengder data, inkludert Proteinstrukturprediksjonsmodell AlphaFold.

I en telefonsamtale med kunngjøringen sa Hinton at det var "et lyn fra klar himmel" da han fikk vite om Nobelprisen. "Jeg er overrasket, jeg hadde ingen anelse om at dette kom til å skje," sa han. Han la til at fremskritt innen maskinlæring "vil ha en enorm innvirkning; det vil være sammenlignbart med den industrielle revolusjonen. Men i stedet for å overgå mennesker i fysisk styrke, vil det overgå mennesker i intellektuell evne."

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

   Artikkel
   PubMed
   Google Scholar

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

   Google Scholar

Last ned referanser