بیگ بنگ: جان هاپفیلد و جفری هینتون برای کشفیات و ابداعات‌شان در زمینه شبکه‌های عصبی مصنوعی برنده جایزه نوبل فیزیک سال ۲۰۲۴ شدند.

به گزارش بیگ بنگ به نقل از بی‌بی‌سی، آکادمی سلطنتی علوم سوئد در استکهلم که برندگان نوبل فیزیک را انتخاب می‌کند با اعلام اسامی آنها، گفت کشفیات این دو پژوهشگر در توسعه «یادگیری ماشین» با استفاده از شبکه‌های عصبی مصنوعی بسیار تاثیرگذار بوده است.

در بیانیه کمیته نوبل آمده که برندگان امسال از ابزارهای فیزیک برای توسعه روش‌هایی استفاده کرده‌اند که پایه و اساس توانمند‌سازی یادگیری ماشین در دوران کنونی است. پروفسور هینتون، پژوهشگر بریتانیایی-کانادایی که در مواردی از او به عنوان «پدر هوش مصنوعی» نام برده شده، گفته است از شنیدن این خبر «مات و مبهوت» شده است.

او که قبلاً در مورد خطرات ماشین‌هایی که ممکن است از انسان‌ها پیشی بگیرند هشدار داده بود، در سال ۲۰۲۳ میلادی از شرکت گوگل استعفا داد. جان هاپفیلد، پژوهشگر آمریکایی ۹۱ سال دارد و استاد دانشگاه پرینستون است. او در شبکه عصبی مصنوعی یک «تداعی حافظه» ایجاد کرده است که می‌تواند تصاویر و انواع دیگر الگوها را ذخیره و بازسازی کند.

جفری هینتون، ۷۶ ساله و استاد دانشگاه تورنتو در کانادا، روشی را ابداع کرد که می‌تواند مستقلا ویژگی‌های مشخصی را در داده‌ها تشخیص دهد و کارهایی مانند شناسایی عناصر خاص در تصاویر را انجام دهد. ارزش نقدی این جایزه ۱۱ میلیون کرون سوئد (حدود یک میلیون و ۶۰ هزار دلار) است که بین این دو نفر تقسیم می‌شود.

وقتی سخن از هوش مصنوعی به میان می‌آید، اغلب منظورمان یادگیری ماشینی با استفاده از شبکه‌های عصبی مصنوعی است. این فناوری در اصل از ساختار مغز الهام گرفته شده است. در یک شبکه عصبی مصنوعی، نورون‌های مغز با گره‌هایی نشان داده می‌شوند که ارزش‌های متفاوتی دارند. این گره‌ها از طریق اتصالاتی که می‌توانند به سیناپس‌ها متصل شوند، روی یکدیگر تاثیر می‌گذارند و می‌توانند قوی‌تر یا ضعیف‌تر شوند. شبکه به طور مثال با ایجاد ارتباطات قوی‌تر بین گره‌ها به طور همزمان آموزش داده می‌شود. برندگان امسال کارهای مهمی را با شبکه‌های عصبی مصنوعی از دهه ۱۹۸۰ به بعد انجام داده‌اند.

“جان هاپفیلد” شبکه‌ای اختراع کرد که از روشی برای ذخیره و بازآفرینی الگوها استفاده می‌کند. می‌توانیم گره‌ها را به صورت پیکسل تصور کنیم. شبکه هاپفیلد از فیزیک استفاده می‌کند که ویژگی‌های یک ماده را از روی اسپین اتمی آن توصیف می‌کند. اسپین از خاصیت‌های بنیادی ذرات زیراتمی است که هر اتم را به یک آهنربای کوچک تبدیل می‌کند. شبکه به طور کلی به روشی معادل انرژی در سیستم اسپین موجود در فیزیک توصیف می‌شود و با یافتن مقادیری برای اتصالات بین گره‌ها آموزش داده می‌شود تا تصاویر ذخیره‌شده انرژی کمی داشته باشند.

هنگامی که شبکه هاپفیلد با یک تصویر تحریف شده یا ناقص مواجه می‌شود، به طور روشمند از طریق گره‌ها کار می‌کند و مقادیر آنها را به روز می‌کند تا انرژی شبکه کاهش یابد. بنابراین شبکه به صورت گام به گام کار می‌کند تا تصویر ذخیره شده‌ای را پیدا کند که شبیه تصویر ناقصی است که به آن داده شده است.

“جفری هینتون” از شبکه هاپفیلد به عنوان پایه و اساس شبکه جدیدی استفاده کرد که از روش متفاوتی استفاده می‌کند و آن ماشین بولتزمن Boltzmann machine است. این شبکه می‌تواند یاد بگیرد که عناصر مشخص را در یک نوع داده خاص تشخیص دهد. هینتون از ابزارهای فیزیک آماری که علم سیستم‌هایی است که از بسیاری از اجزای مشابه ساخته شده بودند، استفاده کرد.

با قرار دادن نمونه‌ها در اختیار ماشین، به آن آموزش داده می‌شود. ماشین بولتزمن می‌تواند برای طبقه‌بندی تصاویر یا ایجاد نمونه‌های جدید از روی الگوهایی که با آنها آموزش دیده، مورد استفاده قرار گیرد. هینتون به شروع توسعه محیرالعقول حوزه یادگیری ماشین کنونی کمک کرده است.

سایت علمی بیگ بنگ / منابع: BBC , nobelprize.org/