诺贝尔物理学奖授予机器学习之父

对约翰·霍普菲尔德 (John Hopfield) 和杰弗里·E.Hinton，第一个“训练”神经网络，为人工智能铺平道路

罗马——瑞典科学院将 2024 年诺贝尔物理学奖授予研究人员 约翰·霍普菲尔德和杰弗里·E.Hinton，第一个“训练”神经网络，为“强大的自动机器学习”铺平了道路, ，因此转向人工智能。

正如我们在笔记中读到的那样，美国人约翰·霍普菲尔德“创建了一种能够存档和重建数据中的图像和其他类型模型的联想存储器”。至于英国人杰弗里·辛顿（Geoffrey Hinton），“他发明了一种方法，可以独立地查找数据中的属性，然后执行识别图像中特定元素等任务。”

“获奖者的工作已经带来了巨大的效益。在物理学中，我们在广泛的领域中使用人工神经网络，例如开发具有特定性能的新材料。”诺贝尔物理学委员会主席 Ellen Moons 说道。

瑞典学院继续说道：“当我们谈论人工智能时，我们通常指的是通过人工神经网络进行机器学习。 这项技术最初的灵感来自于大脑的结构. 。在人工神经网络中，大脑中的神经元由具有不同值的节点表示。这些节点通过类似于突触的连接相互影响，并且可以加强或削弱。例如，通过在同时具有高值的节点之间建立更强的连接来训练网络。今年的获奖者从 20 世纪 80 年代起就在人工神经网络方面开展了重要工作。”

学院继续：“约翰·霍普菲尔德发明了一种网络，它使用一种方法来保存和重新创建模式。我们可以将节点视为像素。霍普菲尔德网络利用物理学来描述材料的原子自旋特性，这种特性使每个原子都成为一个小磁铁。整个网络以相当于物理学中自旋系统能量的方式进行描述，并通过查找节点之间的连接值进行训练，以便保存的图像具有较低的能量。当 Hopfield 网络被给予扭曲或不完整的图像时，它会系统地通过节点进行工作并更新它们的值，从而使网络的能量减少。然后，网络分阶段工作，找到与输入的不完美图像最相似的保存图像。”

至于 Geoffrey Hinton，“他使用 Hopfield 的网络作为使用不同方法的新网络的基础：玻尔兹曼机。这可以学习识别给定类型数据中的特征元素。Hinton 使用了统计物理学中的工具，统计物理学是由许多相似组件构建的系统科学。通过给机器提供示例来训练机器，这些示例很可能在机器开始运行时出现。玻尔兹曼机可用于对图像进行分类或创建其所训练的模式类型的新示例。Hinton 以这项工作为基础，帮助推动了当前机器学习的爆炸性发展。”