Machine Learning Pioneerers vinder Nobelprisen for fysik
Machine Learning Pioneerers vinder Nobelprisen for fysik
M https://www.nature.com/immersive/d41586-03017-2/index.html "Data-track =" klik "Data-Label =" https: //www.nature/d41586-03017-2/index.html "Data Track Category =" Body Text link "> Boom i kunstig efterretning (Ki)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), som blev annonceret den 8. oktober af Royal Swedish Academy of Sciences i Stockholm.
Begge fysiske værktøjer, der bruges til at udvikle metoder, der drev kunstigt neurale network Hjerneinspirerede, nyttige strukturer til at lære abstrakte koncepter. Hendes opdagelser "danner byggestenene for mekanisk læring, der kan hjælpe folk med at tage hurtigere og mere pålidelige beslutninger," sagde Ellen Moons, formand for Nobeludvalget og fysiker ved University of Karlstad, Sverige. "Kunstige neurale netværk blev brugt til at fremme forskning i forskellige fysiske emner, fra partikelfysik til materialevidenskaber til astrofysik."
I 1982 udviklede Hopfield, en teoretisk biolog med baggrund inden for fysik, et netværk, der beskrev forbindelserne mellem noder som fysiske kræfter 1 . Ved at opbevare mønstre som en lavenergistilstand for netværket var systemet i stand til at gendanne billedet, når det blev konfronteret med et lignende mønster. Det blev kendt som en associativ hukommelse, fordi den ligner hjernen, der prøver at huske et sjældent brugt ord eller koncept.
Hinton, en computerforsker, brugte senere principper fra den statistiske fysik, der bruges til den kollektive beskrivelse af systemer, der består af for mange individuelle dele til at videreudvikle "Hopfield -netværk". Ved at integrere sandsynligheder i en lagdelt version af netværket oprettede han et værktøj, der var i stand til at genkende og klassificere billeder eller til at generere nye eksempler på den type, hvor den blev trænet 2 .
Disse processer adskiller sig fra de foregående beregninger, da netværkene var i stand til at lære af eksempler, herunder ustrukturerede data, hvilket er en udfordring for konventionel software baseret på trin -af -trin -beregninger.
Netværkene er "generøst idealiserede modeller, der er lige så forskellige fra reelle biologiske neuronale netværk som æbler fra planeter", skrev Hinton I 2000 i Nature . Men de har vist sig at være nyttige og blev i vid udstrækning udviklet. Neurale netværk, der efterligner menneskelig læring, danner grundlaget for mange højtudviklede AI-værktøjer, fra store stemmemodeller (LLMS) til maskinlæringsalgoritmer, der er i stand til at analysere store mængder data, inklusive Proteinstruktur Prognosemodel Alphafold .
I en telefonsamtale ved meddelelsen sagde Hinton, at det var "en flash ud af det blå", da han lærte om sin Nobelpris. ”Jeg er forbløffet, jeg havde ingen idé om, at det ville ske,” sagde han. Han tilføjede, at fremskridt inden for mekanisk læring "vil have en enorm indflydelse; det vil være sammenligneligt med den industrielle revolution. Men i stedet for at overskride mennesker i fysisk styrke, vil det overstige folket i intellektuel evne."
- >>
Hopfield, J.J., Proc. Natl. Acad. Sci. USA 79, 2554 (1982).