sad axolotl on Nostr: Лауреатами Нобелевской премии по физике 2024 ...
Лауреатами Нобелевской премии по физике 2024 года стали создатели методов, заложивших основы развития искусственного интеллекта
Шведская королевская академия наук (The Royal Swedish Academy of Sciences) присудила нобелевскую премию по физике этого года Джону Хопфилду (John J. Hopfield) из Принстонского университета (Princeton University), США, и Джеффри Хинтону (Geoffrey E. Hinton) из Университета Торонто (University of Toronto), Канада, «за основополагающие открытия и изобретения, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей».
Для разработки методов, которые являются основой современного мощного машинного обучения, оба лауреата использовали инструменты из физики. Хопфилд создал ассоциативную память, вид машинной памяти, способной хранить и восстанавливать из данных изображения и другие типы шаблонов. Хинтон изобрел метод, который может в автономном режиме находить свойства в данных и, таким образом, выполнять такие задачи, как идентификация определенных элементов на изображениях. Машинное обучение с использованием искусственных нейронных сетей в определенном смыле имитирует функционирование элементов мозга. В искусственной нейронной сети нейроны мозга представлены узлами, которые имеют разные значения. Эти узлы влияют друг на друга через связи, которые можно сравнить с синапсами между нейронами живого мозга. В процессе машинного обучения связи, активируемые одновременно, становятся сильнее или слабее.
Хинтон использовал сеть Хопфилда в качестве основы для новой сети, которая использует другой метод: машину Больцмана. Это инструмент из статистической физики, науки о системах, построенных из множества схожих компонентов. Машина Больцмана может научиться распознавать характерные элементы в заданном типе данных, а обучается она путем подачи ей примеров, которые с большой вероятностью возникнут при запуске машины. Машину Больцмана можно использовать для классификации изображений или создания новых примеров типа шаблона, на котором она была обучена. Хинтон развил этот подход, что способствовало нынешнему бурному развитию машинного обучения. Развитие нейросетей, основанное на физических принципах, принесло пользу и самой физике, достаточно отметить моделирование свойств материалов, анализ астрофизических данных и моделирование климата. В качестве примеров повседневного применения открытий лауреатов можно привести технологию распознавания лиц и машинный перевод с одного языка на другой.
В ходе нобелевской пресс-конференции Хинтон признался в том, что часто пользуется GPT-4, «удобная вещь», сказал он об этой большой языковой модели.
Шведская королевская академия наук (The Royal Swedish Academy of Sciences) присудила нобелевскую премию по физике этого года Джону Хопфилду (John J. Hopfield) из Принстонского университета (Princeton University), США, и Джеффри Хинтону (Geoffrey E. Hinton) из Университета Торонто (University of Toronto), Канада, «за основополагающие открытия и изобретения, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей».
Для разработки методов, которые являются основой современного мощного машинного обучения, оба лауреата использовали инструменты из физики. Хопфилд создал ассоциативную память, вид машинной памяти, способной хранить и восстанавливать из данных изображения и другие типы шаблонов. Хинтон изобрел метод, который может в автономном режиме находить свойства в данных и, таким образом, выполнять такие задачи, как идентификация определенных элементов на изображениях. Машинное обучение с использованием искусственных нейронных сетей в определенном смыле имитирует функционирование элементов мозга. В искусственной нейронной сети нейроны мозга представлены узлами, которые имеют разные значения. Эти узлы влияют друг на друга через связи, которые можно сравнить с синапсами между нейронами живого мозга. В процессе машинного обучения связи, активируемые одновременно, становятся сильнее или слабее.
Хинтон использовал сеть Хопфилда в качестве основы для новой сети, которая использует другой метод: машину Больцмана. Это инструмент из статистической физики, науки о системах, построенных из множества схожих компонентов. Машина Больцмана может научиться распознавать характерные элементы в заданном типе данных, а обучается она путем подачи ей примеров, которые с большой вероятностью возникнут при запуске машины. Машину Больцмана можно использовать для классификации изображений или создания новых примеров типа шаблона, на котором она была обучена. Хинтон развил этот подход, что способствовало нынешнему бурному развитию машинного обучения. Развитие нейросетей, основанное на физических принципах, принесло пользу и самой физике, достаточно отметить моделирование свойств материалов, анализ астрофизических данных и моделирование климата. В качестве примеров повседневного применения открытий лауреатов можно привести технологию распознавания лиц и машинный перевод с одного языка на другой.
В ходе нобелевской пресс-конференции Хинтон признался в том, что часто пользуется GPT-4, «удобная вещь», сказал он об этой большой языковой модели.