瑞典皇家科学院当地时间10月8日宣布，将2024年诺贝尔物理学奖授予约翰·J·霍普菲尔德和杰弗里·E·辛顿，表彰他们在使用人工神经网络进行机器学习的基础性发现和发明。
他们利用物理学训练人工神经网络
今年的两位诺贝尔物理学奖得主利用物理学工具开发出的方法，为当今强大的机器学习奠定了基础。约翰·J·霍普菲尔德 (John Hopfield) 发明了一种联想记忆，可以存储和重建图像和其他类型的数据模式。杰弗里·E·辛顿 (Geoffrey Hinton) 发明了一种可以自主查找数据属性的方法，从而执行诸如识别图片中特定元素等任务。
当我们谈论人工智能时，我们通常指的是使用人工神经网络的机器学习。这项技术最初的灵感来自大脑的结构。在人工神经网络中，大脑的神经元由具有不同值的节点表示。这些节点通过可以比作突触的连接相互影响，这些连接可以变得更强或更弱。网络的训练方式是，例如通过在同时具有高值的节点之间建立更强的连接。今年的获奖者从 1980 年代开始就对人工神经网络进行了重要的研究。
约翰·霍普菲尔德发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。霍普菲尔德网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。当霍普菲尔德网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量。因此，网络逐步找到与输入的不完美图像最相似的保存图像。
杰弗里·E·辛顿 (Geoffrey Hinton)以霍普菲尔德网络为基础，创建了一个采用不同方法的新网络：玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。辛顿使用了统计物理学的工具，统计物理学是一门由许多相似组件构建的系统科学。通过输入机器运行时很可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类，或创建训练模式类型的新示例。辛顿在此基础上继续发展，帮助开启了机器学习的爆炸式发展。
“获奖者的工作已经产生了巨大的效益。在物理学领域，我们将人工神经网络应用于广泛的领域，例如开发具有特定属性的新材料，”诺贝尔物理学奖委员会主席 Ellen Moons 说道。
插图：2024 年诺贝尔物理学奖
插图：自然和人工神经元
插图：记忆存储在风景中
插图：不同类型的网络
约翰·J·霍普菲尔德 (John J. Hopfield ) 1933 年出生于美国伊利诺伊州芝加哥。 1958 年获得美国纽约州伊萨卡康奈尔大学博士学位。美国新泽西州普林斯顿大学教授。
杰弗里·E·辛顿，1947 年出生于英国伦敦。1978 年在英国爱丁堡大学获得博士学位。加拿大多伦多大学教授。
