2024 m. Nobelio premijos fizikoje laureatais tapo Princtono universiteto (JAV) mokslininkas Johnas J. Hopfieldas ir Toronto universiteto (Kanada) mokslininkas Geoffrey E. Hintonas – už novatorišką veiklą dirbtinių neuroninių tinklų srityje, kuri yra šiuolaikinio dirbtinio intelekto pagrindas.
Šie du mokslininkai pasidalins 11 000 000 Švedijos kronų (maždaug 968 200 eurų) premiją.
Kaip rašoma Nobelio premijos komiteto spaudos pranešime, šie 2024 m. Nobelio fizikos premijos laureatai apdovanojami „už fundamentalius pasiekimus ir išradimus, kurie suteikia galimybę naudoti dirbtinius neuroninius tinklus mašininio mokymosi srityje“.
„[Mokslininkai] pasitelkė pamatines statistinės fizikos idėjas, kad sukurtų dirbtinius neuroninius tinklus, kurie veiktų kaip asociatyvūs prisiminimai ir atrastų modelius dideliuose duomenų rinkiniuose“, – teigė Nobelio fizikos komiteto pirmininkė Ellen Moons.
Anot jos, mašininis mokymasis „tapo mūsų kasdienio gyvenimo dalimi, pavyzdžiui, veidų atpažinimo ir kalbos vertimo srityse“.
Du šių metų Nobelio fizikos premijos laureatai, naudodamiesi fizikos įrankiais, sukūrė metodus, kurie šiandien yra galingo mašininio mokymosi pagrindas.
Kai kalbame apie dirbtinį intelektą, dažnai turime omenyje mašininį mokymąsi naudojant dirbtinius neuroninius tinklus. Dirbtinis neuroninis tinklas yra sukurtas pagal žmogaus smegenis. Jį sudaro tarpusavyje sujungti mazgai. Šie mazgai daro įtaką vienas kitam per ryšius, kuriuos galima prilyginti sinapsėms ir kuriuos galima sustiprinti arba susilpninti. Tinklas mokomas, pavyzdžiui, kuriant stipresnius ryšius tarp mazgų. Šių metų laureatai nuo 1980-ųjų atliko reikšmingus mokslinius darbus, susijusius su dirbtiniais neuroniais tinklais.
Johnas Hopfieldas išrado Hopfieldo tinklą (angl. Hofield) – asociatyviąją atmintį, kurioje duomenys randami pagal jų turinį, bet ne pagal adresus. Turinys atspindimas ryšiais tarp duomenų. Šis tinklas yra mokomas surandant jungčių tarp mazgų reikšmes. Kai Hopfieldo tinklui pateikiamas iškraipytas arba nedetalus vaizdas, jis metodiškai peržiūri mazgus ir atnaujina jų vertes, kad tinklo energija sumažėtų. Taigi tinklas veikia palaipsniui, kad rastų išsaugotą vaizdą, kuris būtų panašiausias į netobulą vaizdą, kuris jam buvo pateiktas.
Geoffrey Hintonas panaudojo Hopfieldo tinklą kaip pagrindą naujam tinklui – pavandintam Boltzmanno mašina (angl. Boltzmann machine) – kuriame naudojamas kitoks metodas. Šis tinklas gali išmokti atpažinti būdingiausius elementus tam tikros rūšies duomenyse. G. Hintonas naudojo statistinės fizikos – mokslo apie sistemas, sudarytas iš daugelio panašių komponentų – priemones. Tinklas apmokomas pateikiant jam tokių pavyzdžių, kurie greičiausiai pasitaikys jį paleidus. Boltzmanno mašina gali būti naudojama vaizdams klasifikuoti. Šis G. Hintono darbas padėjo pradėti dabartinę sparčią mašininio mokymosi plėtrą.
„Laureatų darbas jau atnešė didelę naudą. Fizikoje dirbtinius neuroninius tinklus naudojame daugelyje sričių, pavyzdžiui, kurdami naujas specifines savybes turinčias medžiagas“, – sakė Nobelio fizikos premijos komiteto pirmininkė.
