La Real Academia Sueca de Ciencias ha decidido conceder el Premio Nobel de Física 2024 a John J. Hopfield (Universidad de Princeton, Nueva Jersey, EE. UU.) y Jeffrey E. Hinton (Universidad de Toronto, Canadá), “por sus descubrimientos e invenciones fundamentales que permitieron el aprendizaje automático utilizando redes neuronales artificiales”.
Entrenamiento de redes neuronales artificiales utilizando la física.
Los premios Nobel de física de este año utilizaron herramientas físicas para desarrollar métodos que forman la base del poderoso aprendizaje automático actual. John Hopfield creó la memoria asociativa que puede almacenar y reconstruir imágenes y otros tipos de patrones en los datos. Geoffrey Hinton inventó un método capaz de encontrar propiedades de datos de forma independiente y así realizar tareas como identificar elementos específicos en imágenes.
Cuando hablamos de inteligencia artificial, solemos referirnos al aprendizaje automático a través de 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 entre sí a través de conexiones que pueden compararse con las sinapsis y que pueden fortalecerse o debilitarse. La red se entrena, por ejemplo, desarrollando simultáneamente conexiones más fuertes entre nodos con valores altos. Los ganadores de este año han realizado importantes trabajos con redes neuronales artificiales desde los años 80.
John Hopfield inventó una cuadrícula que utiliza un método para guardar y recrear patrones. Podemos imaginar los nodos como píxeles. La cuadrícula de Hopfield utiliza la física que describe las propiedades de la materia debido a su giro atómico, la propiedad que convierte a cada átomo en un pequeño imán. La red en su conjunto se describe de una manera equivalente a la energía de un sistema rotacional que se encuentra en la física, y se entrena encontrando valores para las conexiones entre nodos, de modo que las imágenes guardadas sean de baja energía. Cuando una red Hopfield se alimenta de forma distorsionada o de forma incompleta, recorre sistemáticamente los nodos y actualiza sus valores para que la energía de la red disminuya. Luego, la red trabaja paso a paso para encontrar la imagen almacenada que sea más similar a la imagen incompleta que recibió.
Geoffrey Hinton utilizó la red Hopfield como base para una nueva red que utilizaba un método diferente: la máquina de Boltzmann. Puede aprender a reconocer distintos elementos en un tipo particular de datos. Hinton utilizó herramientas de la física estadística, que es la ciencia de los sistemas construidos a partir de muchos componentes similares. La máquina se entrena a través de ejemplos que es más probable que aparezcan cuando la máquina está funcionando. Se puede utilizar una máquina Boltzmann para clasificar imágenes o crear nuevos ejemplos del tipo de patrón en el que se entrenó. Hinton se basó en este trabajo y ayudó a lanzar el actual desarrollo exponencial del aprendizaje automático.
«El trabajo de los galardonados ya ha aportado grandes beneficios. En física utilizamos redes neuronales artificiales en una amplia gama de campos, como en el desarrollo de nuevos materiales con propiedades específicas», afirma Elaine Munz, presidenta del Comité del Nobel de Física.
antonio piedad
comunicación científica
Compartir en las redes sociales:
