Kungl. Vetenskapsakademien har beslutat utdela Nobelpriset i fysik 2024 till
John J. Hopfield
Princeton University, NJ, USA
Geoffrey E. Hinton
University of Toronto, Kanada
”för grundläggande upptäckter och uppfinningar som möjliggör maskininlärning med artificiella neuronnätverk”
De tränade artificiella neuronnät med fysik
Årets två Nobelpristagare i fysik har använt sig av fysikens verktyg för att konstruera metoder som ligger till grund för dagens kraftfulla maskininlärning. John Hopfield skapade ett associativt minne som kan lagra och återskapa bilder och andra sorters mönster i data. Geoffrey Hinton uppfann en metod som självständigt kan hitta egenskaper i data, och på så vis bland annat känna igen särdrag i bilder.
När man i dag talar om artificiell intelligens är det oftast maskininlärning med artificiella neuronnätverk man syftar på. Tekniken inspirerades från början av hjärnans uppbyggnad. I ett artificiellt neuronnät motsvaras hjärnans neuroner av noder som antar olika värden. Noderna påverkar varandra genom kopplingar som kan liknas vid synapser och som görs starkare eller svagare. Nätverket tränas, till exempel genom att kopplingarna blir starkare mellan noder som har stora värden samtidigt. Årets pristagare har gjort viktiga arbeten med artificiella neuronnätverk från 1980-talet och framåt.
John Hopfield uppfann ett nätverk som tillämpar en metod för att spara och återskapa mönster. Vi kan tänka oss noderna som bildpunkter. Hopfieldnätverket utnyttjar fysiken som beskriver de egenskaper vissa typer av material får av atomernas spinn – en egenskap som gör varje atom till en liten magnet. Nätverket som helhet karakteriseras genom en egenskap som fungerar precis som energin i fysikens spinnsystem. Nätverket tränas genom att anpassa värden på kopplingarna mellan noderna så att de sparade bilderna får låg energi. När Hopfieldnätverket sedan matas med en förvrängd eller ofullständig bild tillämpar det en metod för att gå igenom noderna och uppdatera deras värden så att nätverket får allt lägre energi. På så sätt stegar sig nätverket fram till den sparade bild som är mest lik den inmatade.
Geoffrey Hinton utgick från Hopfieldnätverket och skapade ett nytt nätverk som använder en annan metod: Boltzmannmaskinen. Den kan lära sig att urskilja karakteristiska drag i ett antal exempel på en viss typ av data. Geoffrey Hinton använde redskap från statistisk fysik – en vetenskap om system som är uppbyggda av många likadana delar. Maskinen tränas på ett sådant sätt att de exempel den matas med får stor sannolikhet att uppstå när maskinen sedan körs. Boltzmannmaskinen kan användas för att klassificera bilder eller för att skapa nya exempel på den typ av mönster den tränats på. Geoffrey Hinton har byggt vidare på detta arbete och bidragit till att sätta fart på den nuvarande explosionsartade utvecklingen av maskininlärning.
– Pristagarnas arbeten har redan varit till stor nytta. I fysiken använder vi artificiella neuronnät inom många olika områden, till exempel för att ta fram nya material med önskade egenskaper, säger Ellen Moons, ordförande för Nobelkommittén för fysik.
LÄMNA KOMMENTAR