诺奖2024｜诺贝尔物理学奖为何授予机器学习？

诺奖2024｜诺贝尔物理学奖为何授予机器学习？ ·辛顿开发的玻尔兹曼机成为了生成模型的早期例子。玻尔兹曼机常被用作一个大网络的一部分，可以用来根据观众的喜好推荐电影或电视剧。·机器学习与传统软件不同，传统软件的工作方式就像一种配方。传统软件接收数据，然后根据清晰的描述进行处理并产生结果，就像有人收集原料并按照食谱处理。相反，在机器学习中，计算机通过实例学习，使其能够解决模糊和复杂的问题，这些问题无法通过一步一步的指令来管理。约翰·J·霍普菲尔德和杰弗里·E·辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得2024年诺贝尔物理学奖。10月8日，2024年诺贝尔物理学奖出乎意料地授予机器学习研究领域，结果公布后，连获奖者本人杰弗里·E·辛顿（Geoffrey E. Hinton）在接受瑞典皇家科学院的电话采访时，也直呼“没有想到”。2024年，普林斯顿大学的约翰·J·霍普菲尔德（John J. Hopfield）和加拿大多伦多大学的杰弗里·E·辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得诺贝尔物理学奖。获奖者将共享1100万瑞典克朗（约合745万元人民币）奖金。诺贝尔物理学奖为何花落机器学习？机器学习在过去15到20年里爆炸式发展，它利用了一种叫做人工神经网络的结构。所以当我们谈论人工智能时，通常指的是使用人工神经网络的机器学习。虽然计算机不能思考，但机器现在可以模拟记忆和学习等功能。这要得益于今年诺贝尔物理学奖得主的创造性工作。今年的两位诺贝尔物理学奖得主约翰·霍普菲尔德和杰弗里·辛顿从20世纪80年代开始就在人工神经网络方面开展了重要工作。他们使用了物理学的工具来开发方法，这些方法是当今强大的机器学习的基础。霍普菲尔德创造了一种联想记忆，可以存储和重建图像和其他类型的数据模式。当给定一个不完整或稍微扭曲的网络模式时，霍普菲尔德的方法可以找到最相似的存储模式。1980年，霍普菲尔德离开了普林斯顿大学的职位，他的研究兴趣把他带出了物理学同行们工作的领域。他来到加州理工学院担任化学和生物学教授。在那里，他可以使用计算机资源进行免费实验，并发展他关于神经网络的想法。但他并没有放弃自己的物理学基础。磁性材料由于原子自旋而使得每个原子都能成为一个微小的磁铁，相邻原子的自旋相互影响。得益于对磁性材料的了解，霍普菲尔德利用描述自旋相互影响时材料如何发展的物理学原理，建立了一个具有节点和连接的模型网络。霍普菲尔德等人继续发展霍普菲尔德网络的运作细节，例如可以存储任何值的节点，而不仅仅是0或1。如果把节点想象成图片中的像素，它们可以有不同的颜色，而不仅仅是黑色或白色。改进的方法使保存更多的图片成为可能，即使它们非常相似，也可以区分它们。图片来自诺奖官网。记住一幅图像是一回事，但要解释它所描绘的内容需要更多的东西。辛顿曾在英格兰和苏格兰研究实验心理学和人工智能，他想知道机器是否能像人类一样学会处理模式，分类和解释信息。当霍普菲尔德1982年发表关于联想记忆的文章时，辛顿正在卡内基梅隆大学工作。辛顿将霍普菲尔德发明的网络作为一个新网络的基础，这种新网络使用另一种方法是玻尔兹曼机，可以学习识别给定类型数据中的特征元素。这一方法发表于1985年。辛顿使用了统计物理学的工具，通过给机器输入案例来训练机器。玻尔兹曼机不是从指令中学习，而是从给定的例子中学习，它可对图像进行分类，或者为它所训练的模式类型创建新的案例。玻尔兹曼机每次更新一个节点的值，最终机器将进入一种状态，在这种状态下，节点的模式可以改变，但整个网络的属性保持不变。根据玻尔兹曼方程，每个可能的模式都有一个特定的概率，这个概率由网络的能量决定。当机器停止时，它创造了一个新的模式，这使得玻尔兹曼机成为了生成模型的早期例子。约翰·J·霍普菲尔德和杰弗里·E·辛顿因“通过人工神经网络实现机器学习的基础性发现和发明”，获得2024年诺贝尔物理学奖。20世纪90年代，许多研究人员对人工神经网络失去了兴趣，但辛顿是继续在该领域探索的科学家之一，他还在这项工作的基础上帮助启动了当前机器学习的爆炸性发展。2006年，他和同事开发了一种预训练网络的方法，该网络由一系列分层的波尔兹曼机组成。这种预训练为网络中的连接提供了一个更好的起点，从而优化了识别图像元素的训练。玻尔兹曼机常被用作一个大网络的一部分，可以用来根据观众的喜好推荐电影或电视剧。值得一提的是，辛顿因在深度学习方面的贡献与约书亚·本希奥和杨立昆一同被授予了2018年的图灵奖。今天的人工神经网络通常是巨大的，由更多层组成。它们被称为深度神经网络，它们的训练方式被称为深度学习。人工智能越来越深入各行各业、帮助科学研究。诺奖官方评价称，物理学为机器学习的发展提供了工具，物理学作为一个研究领域如何也从人工神经网络中受益将是有趣的。 -电报频道- #娟姐新闻:@juanjienews