Фізики, які розробили метод ML за допомогою нейромереж, отримали Нобелівську премію
Нобелівськими лавреатами з фізики цьогоріч стали вчені Джон Хопфілд та Джеффрі Хінтон. Вони навчали штучні нейронні мережі, використовуючи фізику. Двоє цьогорічних лавреатів Нобелівської премії з фізики використали інструменти з фізики для розробки методів, що є основою сучасного машинного навчання:
- Джон Гопфілд створив асоціативну пам’ять, яка може зберігати та відновлювати зображення та інші типи шаблонів у даних.
- Джеффрі Хінтон винайшов метод, який може автономно знаходити властивості в даних і виконувати такі завдання, як розпізнавання конкретних елементів на зображеннях.
Коли говорять про штучний інтелект, часто мають на увазі машинне навчання з використанням штучних нейронних мереж. Ця технологія спочатку була натхненна структурою мозку. У штучній нейронній мережі нейрони мозку представляються вузлами, які мають різні значення. Ці вузли впливають один на одного через зв’язки, які можна порівняти із синапсами і які можуть ставати сильнішими або слабшими. Мережу навчають, наприклад, шляхом посилення зв’язків між вузлами з одночасно високими значеннями. Цьогорічні лавреати провели важливі дослідження штучних нейронних мереж, починаючи з
Джон Гопфілд винайшов мережу, що використовує метод для збереження та відтворення шаблонів. Ми можемо уявити вузли як пікселі. Мережа Гопфілда використовує фізику, яка описує властивості матеріалу через атомний спін — властивість, що робить кожен атом маленьким магнітом. Мережа в цілому описується аналогічно до енергії в системі спінів у фізиці та навчається, знаходячи значення для зв’язків між вузлами, щоб збережені зображення мали низьку енергію. Коли в мережу Гопфілда подається спотворене або неповне зображення, вона методично проходить через вузли та оновлює їхні значення, щоб знизити енергію мережі. Таким чином мережа крок за кроком знаходить збережене зображення, яке найбільше схоже на те, яке їй подали.
Джеффрі Хінтон використав мережу Гопфілда як основу для нової мережі, що використовує інший метод: машину Больцмана. Вона може навчитися розпізнавати характерні елементи в певному типі даних. Хінтон використав інструменти зі статистичної фізики, науки про системи, побудовані з багатьох подібних компонентів. Машина навчається на прикладах, які дуже ймовірно виникають під час її роботи. Машина Больцмана може бути використана для класифікації зображень або створення нових прикладів того типу шаблонів, на яких вона була навчена. Хінтон продовжив цю роботу, допомагаючи започаткувати поточний вибуховий розвиток машинного навчання.
«Робота лавреатів вже принесла величезну користь. У фізиці ми використовуємо штучні нейронні мережі в багатьох сферах, наприклад, для розробки нових матеріалів із певними властивостями,» — зазначає Еллен Мунс, голова Нобелівського комітету з фізики.
Усі статті, обговорення, новини про AI — в одному місці. Підписуйтеся на DOU | AI!
30 коментарів
Додати коментар Підписатись на коментаріВідписатись від коментарів