Maskininlärningspionjärer vinner Nobelpriset i fysik

Maskininlärningspionjärer vinner Nobelpriset i fysik

Två forskare som... Maskininlärningsmetoder har utvecklat det idag Boom i artificiell intelligens (AI) underliggande, belönades med Nobelpriset i fysik 2024.

John Hopfield från Princeton University i New Jersey och Geoffrey Hinton från University of Toronto, Kanada, delar priset på 11 miljoner svenska kronor (1 miljon dollar), som tillkännagavs den 8 oktober av Kungliga Vetenskapsakademien i Stockholm.

Båda använde fysiska verktyg för att utveckla metoder som artificiella neurala nätverk som använder hjärninspirerade, skiktade strukturer för att lära sig abstrakta begrepp. Deras upptäckter "bildar byggstenarna för maskininlärning som kan hjälpa människor att fatta snabbare och säkrare beslut", sa Ellen Moons, ordförande för Nobelkommittén och fysiker vid Karlstads universitet, Sverige, under tillkännagivandet. "Artificiella neurala nätverk har använts för att främja forskning inom olika fysikämnen, från partikelfysik till materialvetenskap till astrofysik."

1982 utvecklade Hopfield, en teoretisk biolog med bakgrund i fysik, ett nätverk som beskrev kopplingarna mellan noder som fysiska krafter 1. Genom att lagra mönster som ett lågeffektstillstånd i nätverket, kan systemet återställa bilden när det konfronteras med ett liknande mönster. Det blev känt som associativt minne eftersom det liknar hjärnan som försöker komma ihåg ett sällan använt ord eller begrepp.

Hinton, en datavetare, använde senare principer från statistisk fysik som användes för att kollektivt beskriva system som består av för många enskilda delar för att vidareutveckla "Hopfield-nätverk." Genom att införliva sannolikheter i en skiktad version av nätverket skapade han ett verktyg som kunde känna igen och klassificera bilder eller generera nya exempel av den typ som det tränades på 2.

Dessa processer skilde sig från tidigare beräkningar eftersom nätverken kunde lära av exempel, inklusive ostrukturerad data, vilket är utmanande för traditionell programvara baserad på steg-för-steg-beräkningar.

Nätverken är "generöst idealiserade modeller som är lika olika från verkliga biologiska neurala nätverk som äpplen är från planeter", skrev Hinton år 2000 i Nature. Men de har visat sig användbara och har utvecklats brett. Neurala nätverk som efterliknar mänsklig inlärning utgör grunden för många avancerade AI-verktyg, från stora språkmodeller (LLM) till maskininlärningsalgoritmer som kan analysera stora mängder data, inklusive Proteinstruktur förutsägelsemodell AlphaFold.

I ett telefonsamtal som gjorde tillkännagivandet sa Hinton att det var "en blixt från klar himmel" när han fick reda på sitt Nobelpris. "Jag är förvånad, jag hade ingen aning om att detta skulle hända", sa han. Han tillade att framsteg inom maskininlärning "kommer att ha en enorm inverkan; det kommer att vara jämförbart med den industriella revolutionen. Men istället för att överträffa människor i fysisk styrka, kommer det att överträffa människor i intellektuell förmåga."

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

   Artikel
   PubMed
   Google Scholar

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

   Google Scholar

Ladda ner referenser