La Real Academia Sueca de las Ciencias ha premiado a los investigadores John Hopfield, de la Universidad de Princeton (EE UU), y Geoffrey Hinton, de la Universidad de Toronto (Canadá), por sus descubrimientos e inventos que permiten el aprendizaje automático con las redes neuronales artificiales.
Los dos Premios Nobel de Física de este año han utilizado herramientas de la física para desarrollar métodos que son la base del potente aprendizaje automático actual, una de las ramas de la inteligencia artificial (IA).
La Real Academia Sueca de las Ciencias ha dado a conocer este martes sus nombres: John Hopfield, que creó una memoria asociativa capaz de almacenar y reconstruir imágenes y otros tipos de patrones en los datos, y Geoffrey Hinton, quien inventó un método capaz de encontrar de forma autónoma propiedades en los datos y realizar así tareas como identificar elementos concretos en imágenes.
Se premia a ambos “por descubrimientos e invenciones fundacionales que permiten el aprendizaje automático con redes neuronales artificiales”, según el Comité Nobel de Física.
Los dos Premios Nobel de Física de este año han utilizado herramientas de la física para desarrollar métodos que son la base del potente aprendizaje automático actual
Cuando hablamos de IA solemos referirnos al aprendizaje automático mediante redes neuronales artificiales. Esta tecnología se inspiró originalmente en la estructura del cerebro. En una red neuronal artificial, las neuronas del cerebro están representadas por nodos que tienen valores diferentes.
Estos nodos se influyen mutuamente a través de conexiones que pueden compararse a sinapsis y que pueden reforzarse o debilitarse. La red se entrena, por ejemplo, desarrollando conexiones más fuertes entre nodos con valores simultáneamente altos. Los galardonados de este año han realizado importantes trabajos con redes neuronales artificiales desde la década de 1980.
La red de Hopfield
John Hopfield, de la Universidad de Princeton (EE UU), inventó una red que utiliza un método para guardar y recrear patrones. Podemos imaginar los nodos como píxeles. La llamada red de Hopfield utiliza la física que describe las características de un material debido a su espín atómico, una propiedad que convierte a cada átomo en un pequeño imán.
La red en su conjunto se describe de forma equivalente a la energía en el sistema de espín que se encuentra en la física, y se entrena encontrando valores para las conexiones entre los nodos de forma que las imágenes guardadas tengan una energía baja.
Cuando la red de Hopfield recibe una imagen distorsionada o incompleta, recorre metódicamente los nodos y actualiza sus valores para que la energía de la red disminuya. De este modo, la red trabaja paso a paso para encontrar la imagen guardada que más se parece a la imperfecta con la que se alimentó.
This year’s #NobelPrize laureate in physics John Hopfield created an associative memory that can store and reconstruct images and other types of patterns in data.
— The Nobel Prize (@NobelPrize) October 8, 2024
The Hopfield network can store patterns and has a method for recreating them. When the network is given an… pic.twitter.com/QDDKymJCaF
Hinton usa la máquina de Boltzmann
Geoffrey Hinton, de la Universidad de Toronto (Canadá), utilizó la red de Hopfield como base para una nueva red que utiliza un método diferente: la máquina de Boltzmann. Esta puede aprender a reconocer elementos característicos en un determinado tipo de datos. Hinton utilizó herramientas de la física estadística, la ciencia de los sistemas construidos a partir de muchos componentes similares.
La máquina se entrena alimentándola con ejemplos que tienen muchas probabilidades de aparecer cuando se pone en marcha. La máquina de Boltzmann puede utilizarse para clasificar imágenes o crear nuevos ejemplos del tipo de patrón sobre el que se ha entrenado. Hinton se ha basado en este trabajo, ayudando a iniciar el explosivo desarrollo actual del aprendizaje automático.
2024 physics laureate Geoffrey Hinton used a network developed by his co-laureate John Hopfield as the foundation for a new network: the Boltzmann machine. This can learn to recognise characteristic elements in a given type of data.
— The Nobel Prize (@NobelPrize) October 8, 2024
The Boltzmann machine can be used to classify… pic.twitter.com/LMinR0vA0n
“El trabajo de los galardonados ya ha sido de lo más beneficioso. En física utilizamos redes neuronales artificiales en una amplia gama de áreas, como el desarrollo de nuevos materiales con propiedades específicas”, ha subrayado Ellen Moons, presidenta del Comité Nobel de Física.
Fuente: SINC
Esta entrada fue modificada por última vez en 08/10/2024 13:15