Suche
Mein Konto
Pioniers op het gebied van machinaal leren winnen de Nobelprijs voor de natuurkunde
John Hopfield en Geoffrey Hinton winnen de Nobelprijs voor de Natuurkunde 2024 voor hun bijdragen aan machine-intelligentie en AI.
Pioniers op het gebied van machinaal leren winnen de Nobelprijs voor de natuurkunde
Twee onderzoekers die... Methoden voor machinaal leren hebben die van vandaag ontwikkeld Boom in kunstmatige intelligentie (AI) onderliggende, werden bekroond met de Nobelprijs voor de Natuurkunde 2024.
John Hopfield van de Princeton Universiteit in New Jersey en Geoffrey Hinton van de Universiteit van Toronto, Canada, delen de prijs van 11 miljoen Zweedse kronen ($1 miljoen), die op 8 oktober werd aangekondigd door de Koninklijke Zweedse Academie van Wetenschappen in Stockholm.
Beiden gebruikten fysieke hulpmiddelen om methoden te ontwikkelen kunstmatige neurale netwerken die door de hersenen geïnspireerde, gelaagde structuren gebruiken om abstracte concepten te leren. Hun ontdekkingen "vormen de bouwstenen van machinaal leren die mensen kunnen helpen snellere en zelfverzekerdere beslissingen te nemen", zei Ellen Moons, voorzitter van het Nobelcomité en natuurkundige aan de Karlstad Universiteit, Zweden, tijdens de aankondiging. “Kunstmatige neurale netwerken zijn gebruikt om onderzoek naar verschillende natuurkundige onderwerpen te bevorderen, van deeltjesfysica tot materiaalkunde tot astrofysica.”
In 1982 ontwikkelde Hopfield, een theoretisch bioloog met een achtergrond in de natuurkunde, een netwerk dat de verbindingen tussen knooppunten beschreef als fysieke krachten. 1. Door patronen op te slaan als een energiebesparende status van het netwerk, zou het systeem het beeld kunnen herstellen wanneer het met een soortgelijk patroon wordt geconfronteerd. Het werd bekend als associatief geheugen omdat het lijkt op de hersenen die een zelden gebruikt woord of concept proberen te onthouden.
Hinton, een computerwetenschapper, gebruikte later principes uit de statistische natuurkunde om gezamenlijk systemen te beschrijven die uit te veel afzonderlijke onderdelen bestonden om ‘Hopfield-netwerken’ verder te ontwikkelen. Door waarschijnlijkheden op te nemen in een gelaagde versie van het netwerk, creëerde hij een tool die afbeeldingen kan herkennen en classificeren of nieuwe voorbeelden kan genereren van het type waarop het is getraind. 2.
Deze processen verschilden van eerdere berekeningen omdat de netwerken konden leren van voorbeelden, waaronder ongestructureerde gegevens, wat een uitdaging is voor traditionele software op basis van stapsgewijze berekeningen.
De netwerken zijn “royaal geïdealiseerde modellen die net zo verschillend zijn van echte biologische neurale netwerken als appels van planeten”, schreef Hinton. in 2000 in Natuur. Maar ze zijn nuttig gebleken en zijn op grote schaal ontwikkeld. Neurale netwerken die het menselijk leren nabootsen vormen de basis van veel geavanceerde AI-tools, van grote taalmodellen (LLM’s) tot machine learning-algoritmen die in staat zijn grote hoeveelheden gegevens te analyseren, waaronder de Voorspelmodel voor de eiwitstructuur AlphaFold.
In een telefoongesprek waarin de aankondiging werd gedaan, zei Hinton dat het "een donderslag bij heldere hemel" was toen hij hoorde van zijn Nobelprijs. "Ik ben verbaasd, ik had geen idee dat dit zou gebeuren", zei hij. Hij voegde eraan toe dat de vooruitgang op het gebied van machinaal leren “een enorme impact zal hebben; het zal vergelijkbaar zijn met de industriële revolutie. Maar in plaats van mensen te overtreffen in fysieke kracht, zal het mensen overtreffen in intellectuele capaciteiten.”
-
Hopfield, JJ, Proc. Nat. Acad. Wetenschap VS 79, 2554 (1982).
-
Fahlman, SE, Hinton, GE en Sejnowski, T.J. Proceedings of the AAAI-83 conferentie, blz. 109-113 (1983).