Maskinlæringspionerer vinner nobelpris i fysikk

Maskinlæringspionerer vinner nobelpris i fysikk

To forskere som ... Maskinlæringsmetoder har utviklet det i dag Boom in Artificial Intelligence (AI) Underliggende ble tildelt Nobelprisen i Physics 2024.

John Hopfield fra Princeton University i New Jersey og Geoffrey Hinton fra University of Toronto, Canada, deler den 11 millioner svenske kronen (1 million dollar), kunngjort 8. oktober av Royal Swedish Academy of Sciences i Stockholm.

Begge brukte fysiske verktøy for å utvikle metoder som Kunstige nevrale nettverk som bruker hjerneinspirerte, lagdelte strukturer for å lære abstrakte begreper. Funnene deres "danner byggesteinene for maskinlæring som kan hjelpe folk med å ta raskere og mer selvsikre beslutninger," sa Ellen Moons, leder av Nobelkomiteen og fysiker ved Karlstad University, Sverige, under kunngjøringen. "Kunstige nevrale nettverk har blitt brukt til å fremme forskning i forskjellige fysikkemner, fra partikkelfysikk til materialvitenskap til astrofysikk."

I 1982 utviklet Hopfield, en teoretisk biolog med bakgrunn innen fysikk, et nettverk som beskrev forbindelsene mellom noder som fysiske krefter 1. Ved å lagre mønstre som en lav effekt-tilstand i nettverket, kan systemet gjenopprette bildet når det blir konfrontert med et lignende mønster. Det ble kjent som assosiativt minne fordi det ligner hjernen som prøver å huske et sjelden brukt ord eller konsept.

Hinton, en dataforsker, brukte senere prinsipper fra statistisk fysikk som ble brukt til å samlet beskrive systemer sammensatt av for mange individuelle deler for å videreutvikle “Hopfield Networks.” Ved å innlemme sannsynligheter i en lagvis versjon av nettverket, opprettet han et verktøy som var i stand til å gjenkjenne og klassifisere bilder eller generere nye eksempler på den typen det ble trent på 2.

Disse prosessene skilte seg fra tidligere beregninger fordi nettverkene var i stand til å lære av eksempler, inkludert ustrukturerte data, noe som er utfordrende for tradisjonell programvare basert på trinn-for-trinn-beregninger.

Nettverkene er "sjenerøst idealiserte modeller som er like forskjellige fra ekte biologiske nevrale nettverk som epler er fra planeter," skrev Hinton i 2000 i naturen. Men de har vist seg nyttige og har blitt bredt utviklet. Nevrale nettverk som etterligner menneskelig læring utgjør grunnlaget for mange avanserte AI -verktøy, fra store språkmodeller (LLM) til maskinlæringsalgoritmer som er i stand til å analysere store datamengder, inkludert den Proteinstruktur prediksjonsmodell alfafold.

I en telefonsamtale som kunngjorde kunngjøringen, sa Hinton at det var "en bolt fra det blå" da han fikk vite om nobelprisen. "Jeg er overrasket, jeg ante ikke at dette skulle skje," sa han. Han la til at fremskritt innen maskinlæring "vil ha stor innvirkning; det vil være sammenlignbart med den industrielle revolusjonen. Men i stedet for å overgå mennesker i fysisk styrke, vil det overgå mennesker i intellektuell evne."

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

   Artikkel
   PubMed
   Google Scholar

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

   Google Scholar

Last ned referanser