Οι πρωτοπόροι της μηχανικής μάθησης κερδίζουν το βραβείο Νόμπελ στη Φυσική

Οι πρωτοπόροι της μηχανικής μάθησης κερδίζουν το βραβείο Νόμπελ στη Φυσική

Δύο ερευνητές που ... Μέθοδοι εκμάθησης μηχανών έχουν αναπτύξει αυτό του σήμερα Boom στην τεχνητή νοημοσύνη (AI) Υποκείμενο, απονεμήθηκε το βραβείο Νόμπελ στη Φυσική 2024.

Ο John Hopfield του Πανεπιστημίου του Πρίνστον στο Νιου Τζέρσεϋ και ο Geoffrey Hinton του Πανεπιστημίου του Τορόντο του Καναδά μοιράζονται το βραβείο των 11 εκατομμυρίων Σουηδών Kroner (1 εκατομμύριο δολάρια), ανακοίνωσε στις 8 Οκτωβρίου από τη Βασιλική Σουηδική Ακαδημία Επιστημών στη Στοκχόλμη.

Και τα δύο χρησιμοποιούσαν φυσικά εργαλεία για την ανάπτυξη μεθόδων που τεχνητά νευρωνικά δίκτυα που χρησιμοποιούν εμπνευσμένες από τον εγκέφαλο, στρωματοποιημένες δομές για να μάθουν αφηρημένες έννοιες. Οι ανακαλύψεις τους "σχηματίζουν τα δομικά στοιχεία της μηχανικής μάθησης που μπορούν να βοηθήσουν τους ανθρώπους να κάνουν ταχύτερες και πιο σίγουρες αποφάσεις", δήλωσε η Ellen Moons, πρόεδρος της επιτροπής Nobel και φυσικός στο Πανεπιστήμιο Karlstad της Σουηδίας κατά τη διάρκεια της ανακοίνωσης. "Τα τεχνητά νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για την προώθηση της έρευνας σε διάφορα θέματα φυσικής, από τη φυσική των σωματιδίων έως την επιστήμη των υλικών έως την αστροφυσική".

Το 1982, ο Hopfield, ένας θεωρητικός βιολόγος με φόντο στη φυσική, ανέπτυξε ένα δίκτυο που περιέγραψε τις συνδέσεις μεταξύ των κόμβων ως φυσικών δυνάμεων 1. Με την αποθήκευση των μοτίβων ως κατάσταση χαμηλής ισχύος του δικτύου, το σύστημα θα μπορούσε να αποκαταστήσει την εικόνα όταν αντιμετωπίζει παρόμοιο μοτίβο. Έγινε γνωστή ως συσχετιστική μνήμη επειδή μοιάζει με τον εγκέφαλο που προσπαθεί να θυμηθεί μια σπάνια χρησιμοποιούμενη λέξη ή έννοια.

Ο Hinton, επιστήμονας υπολογιστών, χρησιμοποίησε αργότερα αρχές από τη στατιστική φυσική που χρησιμοποιείται για να περιγράψει συλλογικά συστήματα που αποτελούνται από πάρα πολλά μεμονωμένα μέρη για την περαιτέρω ανάπτυξη "δικτύων Hopfield". Με την ενσωμάτωση των πιθανοτήτων σε μια στρώση από το δίκτυο, δημιούργησε ένα εργαλείο ικανό να αναγνωρίσει και να ταξινομήσει εικόνες ή να δημιουργήσει νέα παραδείγματα του τύπου που εκπαιδεύτηκε 2.

Αυτές οι διαδικασίες διέφεραν από προηγούμενους υπολογισμούς, επειδή τα δίκτυα ήταν σε θέση να μάθουν από παραδείγματα, συμπεριλαμβανομένων των μη δομημένων δεδομένων, τα οποία είναι πρόκληση για το παραδοσιακό λογισμικό που βασίζεται σε υπολογισμούς βήμα προς βήμα.

Τα δίκτυα είναι "γενναιόδωρα εξιδανικευμένα μοντέλα που είναι τόσο διαφορετικά από τα πραγματικά βιολογικά νευρωνικά δίκτυα, καθώς τα μήλα προέρχονται από πλανήτες", γράφει ο Hinton Το 2000 στη φύση. Αλλά έχουν αποδειχθεί χρήσιμα και έχουν αναπτυχθεί ευρέως. Τα νευρωνικά δίκτυα που μιμούνται την ανθρώπινη μάθηση αποτελούν τη βάση πολλών προχωρημένων εργαλείων AI, από μεγάλα γλωσσικά μοντέλα (LLMS) έως αλγόριθμους μηχανικής μάθησης που είναι ικανοί να αναλύουν μεγάλα ποσά δεδομένων, συμπεριλαμβανομένων των Μοντέλο πρόβλεψης δομής πρωτεϊνών Alphafold.

Σε μια τηλεφωνική συνομιλία κάνοντας την ανακοίνωση, ο Hinton είπε ότι ήταν "ένα μπουλόνι από το μπλε" όταν έμαθε για το βραβείο Νόμπελ. "Είμαι έκπληκτος, δεν είχα ιδέα ότι αυτό θα συνέβαινε", είπε. Πρόσθεσε ότι οι εξελίξεις στη μηχανική μάθηση "θα έχουν τεράστιο αντίκτυπο, θα είναι συγκρίσιμες με τη βιομηχανική επανάσταση, αλλά αντί να ξεπεράσουμε τους ανθρώπους στη σωματική δύναμη, θα ξεπεράσει τους ανθρώπους στην πνευματική ικανότητα".

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

   Αρθρο
   Δημοσίευτος
   Google Scholar

2. Fahlman, S.E., Hinton, G.E. και Sejnowski, T.J. Πρακτικά του Συνεδρίου AAAI-83, σελ. 109-113 (1983).

   Google Scholar

Αναφορές λήψης