Нобелевскую премию по физике 2024 года присудили американскому ученому, профессору Принстонского университета Джону Дж. Хопфилду и британцу Джеффри Э. Хинтону, профессору Университета Торонто (Канада).
Джон Хопфилд и Джеффри Хинтон / © The Royal Swedish Academy of Sciences
Хопфилд в основном известен как изобретатель ассоциативной нейронной сети, а Хинтон был одним из исследователей, предложивших использовать метод обратного распространения ошибки для тренировки многослойной нейронной сети.
В пресс-релизе Шведской Королевской Академии наук говорится: «Лауреаты этого года применили инструменты из области физики для разработки методов, которые стали основой современного машинного обучения. Джон Хопфилд создал ассоциативную нейронную сеть, которая может хранить и восстанавливать изображения и другие типы шаблонов в данных. Джеффри Хинтон изобрел метод, позволяющий автономно находить свойства в данных и выполнять такие задачи, как идентификация определенных элементов на изображениях», — говорится в пресс-релизе».
Казалось бы, достижения лауреатов относятся скорее к сфере информатики, а не физики?
Не совсем так.
Как поясняет доктор физ.-мат. наук, заведующий кафедрой теоретической ядерной физики НИЯУ МИФИ Сергей Попруженко, лауреаты применили к конструированию нейронных сетей физические инструменты. В 1982 году Джон Хопфилд предложил особенный тип нейронной сети, «сконструированной» из частиц, спиновые моменты которых могут взаимодействовать друг с другом. «Оказалось, что минимизируя свою энергию (энергию взаимодействия спинов), такие сети могут находить решения сложных задач, например, задач по распознанию образов, используя заправочные образы-подсказки, далекие от оригинала. Одна из главных идей, лежащих в основе функционирования такой сети – минимизация энергии – пришла из физики», - объясняет Сергей Попруженко..
В 1985 году Джеффри Хинтон придумал «машину Больцмана» – дальнейшее развитие сети Хопфилда, способное искать абсолютный минимум энергии, а не локальный, и, значит, с большей вероятностью находить верное, а не «похожее на верное» решение задачи. При программной реализации такой машины используется алгоритм имитации отжига – физического процесса, происходящего при затвердевание расплавленных веществ. Постепенно понижая значение некоторого параметра, который можно назвать аналогом физической «температуры», такой алгоритм позволяет приблизиться к конфигурации системы, при которой ее энергия минимальна. «Таким образом, и здесь идея реализации вычислительного процесса связана с физическим эффектом – затвердением сплава» - констатирует ученый.
По словам Сергея Попруженко, Нобелевская премия – 2024 по физике присуждена за работы, которые продемонстрировали, что идеи, первоначально развитые для описания физических систем, таких, например, как спиновые стекла, имеют гораздо более широкую область применимости и практической полезности. Эти методы позволили разработать и реализовать алгоритмы поиска решений, пусть и неточных, но очень близких к точным, для задач материаловедения, медицины, лабораторной астрофизики и многих других направлений, в которых необходим поиск очень сложных конфигураций с заданными интегральными свойствами. Найти эти конфигурации, напрямую решая фундаментальные физические уравнения – задача, как правило, абсолютно непосильной сложности, и машинное обучение является здесь фактически единственным методом познания реальности – физической, химической, инженерной или социальной.
Ранее, доктор медицинских наук, доцент кафедры фундаментальной медицины НИЯУ МИФИ Сергей Гуляев дал газете "Известия" комментарий по поводу достижений нобелевских лауреатов 2024 года по физиологии и медицине.
