Koneoppimisen pioneerit voittavat Nobel -palkinnon fysiikasta

Koneoppimisen pioneerit voittavat Nobel -palkinnon fysiikasta

Kaksi tutkijaa, jotka ... Koneoppimismenetelmät ovat kehittäneet tänään BOOM keinotekoisessa älykkyydessä (AI) taustalla saivat Nobel -palkinnon fysiikassa 2024.

John Hopfield Princetonin yliopistosta New Jerseyssä ja Geoffrey Hinton Toronton yliopistosta, Kanada, jakavat 11 miljoonalla Ruotsin Kroner -palkinnolla (1 miljoonan dollarin) palkinnon, jonka Royal Ruotsin kuninkaallinen tiedeakatemia ilmoitti 8. lokakuuta Tukholmassa.

Molemmat käyttivät fyysisiä työkaluja kehittämään menetelmiä, jotka keinotekoiset hermoverkot jotka käyttävät aivojen inspiroimia, kerrostettuja rakenteita abstraktien käsitteiden oppimiseen. Heidän löytönsä "muodostavat koneoppimisen rakennuspalikat, jotka voivat auttaa ihmisiä tekemään nopeampia ja varmempia päätöksiä", kertoi Nobelin komitean puheenjohtaja Ellen Moons ja Ruotsin Karlstadin yliopiston fyysikko ilmoituksen aikana. "Keinotekoisia hermoverkkoja on käytetty tutkimuksen edistämiseen erilaisissa fysiikan aiheissa, hiukkasfysiikasta materiaalitieteeseen astrofysiikkaan."

Vuonna 1982 Fysiikan taustalla oleva teoreettinen biologi Hopfield kehitti verkon, joka kuvasi solmujen välisiä yhteyksiä fyysisiksi voimiksi 1. Säilyttämällä kuviot verkon pienitehoisena tilana, järjestelmä voisi palauttaa kuvan, kun se kohtaa samanlaisen kuvion. Se tuli tunnetuksi assosiatiiviseksi muistiksi, koska se muistuttaa aivoja, jotka yrittävät muistaa harvoin käytettyä sanaa tai käsitettä.

Tietokonetieteilijä Hinton käytti myöhemmin tilastollisen fysiikan periaatteita, joita käytettiin yhdessä liian monista yksittäisistä osista koostuvien järjestelmien kuvaamiseen ”Hopfield -verkkojen” kehittämiseksi edelleen. Yhdistämällä todennäköisyydet verkon kerrokselliseen versioon, hän loi työkalun, joka pystyy tunnistamaan ja luokittelemaan kuvia tai luomaan uusia esimerkkejä siitä 2.

Nämä prosessit poikkesivat aikaisemmista laskelmista, koska verkot pystyivät oppimaan esimerkeistä, mukaan lukien jäsentämättömät tiedot, mikä on haastavaa perinteiselle ohjelmistolle, joka perustuu vaiheittaisiin laskelmiin.

Verkot ovat ”runsaasti idealisoituja malleja, jotka ovat yhtä erilaisia ​​kuin todelliset biologiset hermoverkot kuin omenat ovat planeetoista”, Hinton kirjoitti Vuonna 2000 luonteeltaan. Mutta ne ovat osoittautuneet hyödyllisiksi ja niitä on kehitetty laajasti. Neuraaliverkot, jotka jäljittelevät ihmisen oppimista, muodostavat perustan monille edistyneille AI -työkaluille suurista kielimalleista (LLMS) koneoppimisalgoritmeihin, jotka kykenevät analysoimaan suuria määriä tietoja, mukaan lukien Proteiinirakenteen ennustamismalli alfafold.

Hinton sanoi, että puhelinkeskustelussa ilmoitettiin, että se oli "pultti siniseltä", kun hän sai tietää Nobel -palkinnostaan. "Olen hämmästynyt, minulla ei ollut aavistustakaan, että tämä tapahtui", hän sanoi. Hän lisäsi, että koneoppimisen edistymisellä "on valtava vaikutus; se on verrattavissa teollisuusvallankumoukseen. Mutta sen sijaan, että ylittäisi ihmiset fyysisesti, se ylittää ihmiset älyllisessä kyvyssä".

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

   Artikla
   Pubed
   Google Scholar

2. Fahlman, S.E., Hinton, G.E. ja Sejnowski, T.J. AAAI-83-konferenssin julkaisut, s. 109-113 (1983).

   Google Scholar

Lataa viitteet