Maskinlæringspionerer vinder Nobelprisen i fysik

Maskinlæringspionerer vinder Nobelprisen i fysik

To forskere, der... Maskinlæringsmetoder har udviklet det i dag Boom i kunstig intelligens (AI) underliggende, blev tildelt Nobelprisen i fysik 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 dollars), som blev offentliggjort den 8. oktober af Det Kongelige Svenske Videnskabsakademi i Stockholm.

Begge brugte fysiske værktøjer til at udvikle metoder, der kunstige neurale netværk der bruger hjerneinspirerede, lagdelte strukturer til at lære abstrakte begreber. Deres opdagelser "danner byggestenene i maskinlæring, der kan hjælpe folk med at træffe hurtigere og mere selvsikre beslutninger," sagde Ellen Moons, formand for Nobelkomiteen og fysiker ved Karlstad Universitet, Sverige, under meddelelsen. "Kunstige neurale netværk er blevet brugt til at fremme forskning i forskellige fysikemner, fra partikelfysik til materialevidenskab til astrofysik."

I 1982 udviklede Hopfield, en teoretisk biolog med en baggrund i fysik, et netværk, der beskrev forbindelserne mellem noder som fysiske kræfter 1. Ved at gemme mønstre som en laveffekttilstand i netværket, kunne systemet gendanne billedet, når det konfronteres med et lignende mønster. Det blev kendt som associativ hukommelse, fordi det ligner hjernen, der forsøger at huske et sjældent brugt ord eller begreb.

Hinton, en datalog, brugte senere principper fra statistisk fysik, der blev brugt til kollektivt at beskrive systemer sammensat af for mange individuelle dele til at videreudvikle "Hopfield-netværk." Ved at inkorporere sandsynligheder i en lagdelt version af netværket skabte han et værktøj, der var i stand til at genkende og klassificere billeder eller generere nye eksempler af den type, det blev trænet i 2.

Disse processer adskilte sig fra tidligere beregninger, fordi netværkene var i stand til at lære af eksempler, herunder ustrukturerede data, hvilket er udfordrende for traditionel software baseret på trin-for-trin beregninger.

Netværkene er "generøst idealiserede modeller, der er lige så forskellige fra ægte biologiske neurale netværk, som æbler er fra planeter," skrev Hinton i 2000 i Naturen. Men de har vist sig nyttige og er blevet bredt udviklet. Neurale netværk, der efterligner menneskelig læring, danner grundlaget for mange avancerede AI-værktøjer, fra store sprogmodeller (LLM'er) til maskinlæringsalgoritmer, der er i stand til at analysere store mængder data, herunder Proteinstruktur forudsigelsesmodel AlphaFold.

I en telefonsamtale med meddelelsen sagde Hinton, at det var "et lyn fra en klar himmel", da han hørte om sin Nobelpris. "Jeg er overrasket, jeg havde ingen anelse om, at dette ville ske," sagde han. Han tilføjede, at fremskridt inden for maskinlæring "vil have en enorm indflydelse; det vil kunne sammenlignes med den industrielle revolution. Men i stedet for at overgå mennesker i fysisk styrke, vil det overgå mennesker i intellektuelle evner."

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

   Artikel
   PubMed
   Google Scholar

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

   Google Scholar

Download referencer