Нобелевские лауреаты по физике 2024 года

Нобелевская премия по физике 2024 года присуждена Джону Хопфилду и Джеффри Хинтону за фундаментальный вклад в развитие искусственного интеллекта. Награда, составляющая 11 миллионов шведских крон (1,03 миллиона долларов), разделена поровну между двумя учеными, чьи работы заложили основы для современных прорывов в области машинного обучения и глубокого обучения.

Вклад Джона Хопфилда, профессора биологии Принстонского университета, заключается в создании ассоциативной памяти Хопфилда – революционной модели нейронной сети, впервые представленной в 1982 году. Эта модель, основанная на принципах физики, имитирует работу человеческого мозга, способного хранить и извлекать информацию даже при неполных данных. Ассоциативная память Хопфилда работает на основе принципа обратного распространения ошибки, при котором сеть корректирует свои веса синапсов для минимизации расхождения между выходом сети и желаемым результатом. Это позволило создать сети, способные к ассоциативному запоминанию, то есть восстановлению полной информации по частичным фрагментам. Модель Хопфилда стала основой для разработки множества последующих алгоритмов, включая автоассоциативные сети, используемые, например, в системах распознавания образов. Более того, идеи Хопфилда оказали влияние на развитие теории хаоса и нелинейной динамики в физике.

Джеффри Хинтон, выдающийся специалист по информатике из Университета Торонто, продолжил и расширил идеи Хопфилда. В начале 2000-х годов, используя ассоциативную память Хопфилда как фундаментальную концепцию, Хинтон, опираясь на инструменты статистической физики, создал машину Больцмана – один из первых примеров глубоких нейронных сетей. Машина Больцмана, в отличие от более простых моделей, имеет скрытые слои нейронов, позволяющие ей выявлять более сложные закономерности в данных. Ключевой вклад Хинтона заключается в разработке алгоритмов обучения глубоких нейронных сетей, таких как backpropagation (обратное распространение ошибки) с использованием стохастического градиентного спуска. Эти алгоритмы позволяют эффективно обучать сложные многослойные сети, способные решать задачи, неподдающиеся традиционным методам. Его работа по обучению глубоких нейронных сетей, основанная на использовании ограниченных машин Больцмана (Restricted Boltzmann Machines - RBM) и автокодировщиков, стала основой для современных сверточных нейронных сетей (CNN) и рекуррентных нейронных сетей (RNN), широко используемых в обработке изображений, распознавании речи, машинном переводе и многих других областях.

Вклад Хинтона и Хопфилда привел к настоящей революции в области ИИ. Разработанные ими методы легли в основу современных систем автономного управления, медицинской диагностики, финансового моделирования, искусственного творчества и многих других приложений.