Nobelin fysiikan palkinto 2024 koneoppimisesta

Tämän vuoden Nobel-palkitut käyttivät fysiikan työkaluja rakentaakseen menetelmiä, jotka auttoivat luomaan perustan nykypäivän tehokkaalle koneoppimiselle.

John Hopfield loi rakenteen, joka voi tallentaa ja rekonstruoida informaatiota.

Geoffrey Hinton keksi menetelmän, jolla voidaan itsenäisesti löytää ominaisuuksia datasta ja josta on tullut tärkeä nykyään käytössä oleville suurille keinotekoisille neuroverkoille.

Vaikka tietokoneet eivät osaa ajatella palkitut ovat luoneet koneellisia menetelmiä ajattelua ja päättelyä muistuttaviin tehtäviin. Ja perustana ovat olleet fysiikan käsitteet ja menetelmät sekä kiinnostus ihmisaivojen toimintaan.

Keinotekoinen neuroverkko käsittelee informaatiota verkkorakenteella joka muistuttaa aivojen neuronien ja synapsien verkostoa. Seuraava vaihe tukeutui psykologiaan siitä, kuinka oppiminen tapahtuu, kun neuronien väliset yhteydet vahvistuvat näiden toimiessa yhdessä.

Ihmisen tiedon haku aivojen muistista muistuttaa assosiatiivista muistia, jonka John Hopfield löysi vuonna 1982. Hopfield pystyi tekemään malliverkoston solmuilla ja yhteyksillä hyödyntämällä fyysiikon tietämystään siitä kuinka materiaalit kehittyvät, kun spinit vaikuttavat toisiinsa.

Hopfield-verkkoa voidaan käyttää esimerkiksi kohinaa sisältävän tai osittain pyyhkineen datan uudelleenluomiseen.

Toinen palkittu Geoffrey Hinton oli aiemmin opiskellut kokeellista psykologiaa ja tekoälyä ja pohti, voisivatko koneet oppia käsittelemään kuvioita samalla tavalla kuin ihmiset, löytämällä omat kategoriansa tiedon lajitteluun ja tulkintaan.

Yhdessä kollegansa Terrence Sejnowskin kanssa Hinton aloitti Hopfield-verkoston käytön ja laajensi sitä rakentaakseen jotain uutta käyttämällä tilastollisen fysiikan ideoita. Sieltä löytyy muun muassa 1800-luvun fyysikko Ludwig Boltzmannin kehittämä yhtälö. Hintonin verkko käytti tätä yhtälöä, ja menetelmä julkaistiin vuonna 1985 Boltzmann-koneen nimellä.

Koulutettu Boltzmann-kone pystyy tunnistamaan tuttuja piirteitä informaatiosta, joita se ei ole aiemmin tavannut. Boltzmann-konetta käytetään nykyään usein osana suurempaa verkkoa.

John Hopfield ja Geoffrey Hinton ovat työnsä ansiosta auttaneet luomaan pohjan noin vuonna 2010 alkaneelle koneoppimisen vallankumoukselle.

Koska fysiikka on tuonut työkaluja koneoppimisen kehittämiseen, on hauskaa nähdä, kuinka fysiikka myös tutkimusalana hyötyy keinotekoisista neuroverkoista.

Koneoppimista on käytetty jo pitkään aloilla, jotka ovat tuottaneet fysiikan Nobel-palkintoja. Näitä ovat muun muassa koneoppimisen käyttö Higgs-hiukkasen löytämiseen tarvittavien valtavien datamäärien seulomiseen ja käsittelyyn. Muita sovelluksia ovat kohina vähentäminen mustien aukkojen törmäysten aiheuttamien gravitaatioaaltojen mittauksissa tai eksoplaneettojen etsiminen.

Viime vuosina tätä tekniikkaa on alettu käyttää myös molekyylien ja materiaalien ominaisuuksien laskennassa ja ennustamisessa – kuten proteiinimolekyylien rakenteen laskemisessa, joka määrää niiden toiminnan - tai selvitettäessä, millä materiaalin uusilla versioilla voi olla parhaat ominaisuudet luoda tehokkaampia aurinkokennoja.

Aiheesta aiemmin:

Mikrosiru yhdistää kaksi Nobel-palkittua tekniikkaa