Nobelprijs voor natuurkunde naar AI-pioniers Hinton en Hopfield

John Hopfield en Geoffrey Hinton krijgen de Nobelprijs voor de natuurkunde vanwege de manier waarop zij hulpmiddelen uit de natuurkunde hebben gebruikt om methoden te ontwikkelen die de basis vormen voor het krachtige machine learning van vandaag.

Hopfield creëerde een associatief geheugen dat afbeeldingen en andere soorten patronen in data kan opslaan en reconstrueren. Hinton bedacht een methode die autonoom eigenschappen in data kan vinden en zo taken kan uitvoeren zoals het identificeren van specifieke elementen in afbeeldingen.

Als we het over kunstmatige intelligentie hebben, bedoelen we vaak machinaal leren met behulp van kunstmatige neurale netwerken. Deze technologie is oorspronkelijk geïnspireerd op de structuur van de hersenen. In een kunstmatig neuraal netwerk worden de neuronen van de hersenen weergegeven door knooppunten met verschillende waarden. Deze knooppunten beïnvloeden elkaar via verbindingen die kunnen worden vergeleken met synapsen en die sterker of zwakker kunnen worden gemaakt. Het netwerk wordt getraind, bijvoorbeeld door sterkere verbindingen te ontwikkelen tussen knooppunten met gelijktijdig hoge waarden. De laureaten van dit jaar hebben vanaf de jaren 80 belangrijk werk verricht met kunstmatige neurale netwerken.

“Het werk van de laureaten is al van het grootste nut geweest. “In de natuurkunde gebruiken we kunstmatige neurale netwerken op een groot aantal gebieden, zoals bij de ontwikkeling van nieuwe materialen met specifieke eigenschappen”, zegt Ellen Moons, voorzitter van het Nobelcomité voor de natuurkunde.

Hopfield

John Hopfield heeft een netwerk uitgevonden dat een methode gebruikt om patronen op te slaan en opnieuw te creëren. We kunnen de knooppunten voorstellen als pixels. Het Hopfield-netwerk maakt gebruik van natuurkunde die de kenmerken van een materiaal beschrijft vanwege zijn atomaire spin – een eigenschap die elk atoom tot een kleine magneet maakt. Het netwerk als geheel wordt beschreven op een manier die gelijkwaardig is aan de energie in het spinsysteem dat in de natuurkunde wordt aangetroffen, en wordt getraind door waarden te vinden voor de verbindingen tussen de knooppunten, zodat de opgeslagen afbeeldingen een lage energie hebben. Wanneer het Hopfield-netwerk een vervormd of onvolledig beeld krijgt, werkt het methodisch door de knooppunten heen en werkt hun waarden bij, zodat de energie van het netwerk daalt. Het netwerk werkt dus stapsgewijs om het opgeslagen beeld te vinden dat het meest lijkt op het onvolmaakte beeld waarmee het werd gevoed.

Hinton

Geoffrey Hinton gebruikte het Hopfield-netwerk als basis voor een nieuw netwerk dat een andere methode gebruikt: de Boltzmann-machine. Deze kan leren karakteristieke elementen in een bepaald type data te herkennen. Hinton gebruikte hulpmiddelen uit de statistische fysica, de wetenschap van systemen die zijn opgebouwd uit veel vergelijkbare componenten. De machine wordt getraind door hem voorbeelden te geven die zeer waarschijnlijk zullen ontstaan ​​wanneer de machine wordt aangestuurd. De Boltzmann-machine kan worden gebruikt om beelden te classificeren of nieuwe voorbeelden te maken van het type patroon waarop hij is getraind. Hinton heeft voortgebouwd op dit werk en heeft geholpen bij het initiëren van de huidige explosieve ontwikkeling van machine learning.