2024諾貝爾物理獎得主John J. Hopfield與Geoffrey E. Hinton
- 物理新新聞
- 撰文者：張鳳吟譯
- 發文日期：2024-10-08
- 點閱次數：716
瑞典皇家科學院決議將2024年諾貝爾物理獎頒發給
John J. Hopfield
美國普林斯頓大學
Geoffrey E. Hinton
加拿大多倫多大學
“以表彰他們利用類神經網路實現機器學習的基礎發現與發明”
他們利用物理來訓練類神經網路
今年兩位諾貝爾物理獎的得主運用物理工具，發展出成為今日強大的機器學習的基礎之方法。John Hopfield創造關聯記憶(associative memory)，可儲存和重建數據中的圖像及其它形式之圖案；Geoffrey Hinton發明一種能自主尋找數據屬性的方法，因此可進行如識別圖片中特定元素等任務。
當講到人工智慧，我們通常指的是利用類神經網路(artificial neural networks)的機器學習。這項技術的最初靈感來自大腦結構，在類神經網路中，大腦神經元是以具不同值的節點來表示，這些節點可透過類似神經元突觸的連結影響彼此，亦可變強變弱，例如，網路由同時具高數值的節點之間建立更強的連結來訓練。
John Hopfield 發明了人工網路，人工網路使用儲存和重新創造圖像的方法。我們可以想像節點為像素，Hopfield網路運用闡述材料由於原子自旋(一種讓每個原子像微小磁鐵的特性)的特徵之物理，而網路整體的描述方式，等效於物理中所發現的自旋系統能量，透過尋找節點之間連結的值來進行訓練，使儲存的影像具有低的能量。當Hopfield網路被餵入扭曲或不完整的圖像時，它有條理地處理節點並更新它的值，使網路的能量下降，因此網路逐步尋找與所餵入不完美圖片最相像的儲存圖像。
Geoffrey Hinton 將Hopfield網路作為新網路的基礎，並採用不同的方法：波茲曼機器(Boltzmann machine)，其可在給定類型的數據中辨識出特徵元素。Hinton利用統計物理(由許多類似組件建構的系統之科學)的工具，透過餵給機器運行中很可能產生的範例來進行訓練。波茲曼機器可用來分類圖像，或建立其所訓練的圖案類型的新範例。Hinton在這項工作的基礎上，協助啟動了機器學習的爆炸性成長。
諾貝爾委員會主席Ellen Moons表示：「得獎者的工作已經帶來了最大效益，在物理中，我們已在廣泛的領域使用類神經網路，像是開發具有特定性質的新材料。」
文章翻譯自Nobel Prize