新華社斯德哥爾摩10月8日電（記者郭爽）瑞典皇家科學(xué)院8日宣布，將2024年諾貝爾物理學(xué)獎授予美國科學(xué)家約翰·霍普菲爾德和英國裔加拿大科學(xué)家杰弗里·欣頓，以表彰他們在使用人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)方面的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明。
10月8日，在瑞典斯德哥爾摩舉行的2024年諾貝爾物理學(xué)獎公布現(xiàn)場，屏幕顯示獎項得主美國普林斯頓大學(xué)的約翰·霍普菲爾德和加拿大多倫多大學(xué)的杰弗里·欣頓。新華社記者 彭子洋 攝
瑞典皇家科學(xué)院當(dāng)天發(fā)表公報說，今年的兩位諾貝爾物理學(xué)獎得主使用物理學(xué)工具，為當(dāng)今強大的機器學(xué)習(xí)技術(shù)奠定了基礎(chǔ)。約翰·霍普菲爾德創(chuàng)建了一種聯(lián)想記憶方法，可以存儲和重構(gòu)圖像或其他類型的數(shù)據(jù)模式。杰弗里·欣頓發(fā)明了一種可以自動發(fā)現(xiàn)數(shù)據(jù)中屬性的方法，可用于識別圖片中的特定元素等任務(wù)。
諾貝爾物理學(xué)委員會主席埃倫·穆恩斯在當(dāng)天的新聞發(fā)布會上表示，兩名獲獎?wù)呃媒y(tǒng)計物理的基本概念設(shè)計了人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建了機器學(xué)習(xí)的基礎(chǔ)。相關(guān)技術(shù)已被用于推動多個領(lǐng)域的研究，包括粒子物理、材料科學(xué)和天體物理等，也已用于日常生活中的人臉識別和語言翻譯等。她同時警告說，機器學(xué)習(xí)的快速發(fā)展也引發(fā)了人們對未來的擔(dān)憂，人類有責(zé)任以安全且道德的方式使用這項新技術(shù)。
10月8日，在瑞典斯德哥爾摩舉行的2024年諾貝爾物理學(xué)獎公布現(xiàn)場，屏幕顯示獎項得主美國普林斯頓大學(xué)的約翰·霍普菲爾德和加拿大多倫多大學(xué)的杰弗里·欣頓。新華社記者 彭子洋 攝
約翰·霍普菲爾德1933年出生于美國芝加哥，1958年獲得美國康奈爾大學(xué)博士學(xué)位，現(xiàn)任美國普林斯頓大學(xué)教授。
杰弗里·欣頓1947年出生于英國倫敦，1978年獲得英國愛丁堡大學(xué)博士學(xué)位，現(xiàn)任加拿大多倫多大學(xué)教授。
欣頓當(dāng)天在接受電話連線時表示，獲得諾獎對他來說“完全沒想到”。他指出，相關(guān)技術(shù)將對社會產(chǎn)生巨大影響，但也必須警惕技術(shù)可能造成的威脅。
對于今年的諾貝爾物理學(xué)獎結(jié)果，不少人認為有些出乎意料。諾貝爾物理學(xué)委員會秘書烏爾夫·丹尼爾松當(dāng)天在接受新華社記者采訪時表示，物理學(xué)獎可以授予理論上、實驗上或者觀測上的發(fā)現(xiàn)，也可以授予發(fā)明，今年的獲獎成果從某種意義上講也是一種發(fā)明，一種可以多種方式應(yīng)用的發(fā)明。
今年的獲獎?wù)呤褂梦锢韺W(xué)工具構(gòu)建了為當(dāng)今強大的機器學(xué)習(xí)奠定基礎(chǔ)的方法。約翰·霍普菲爾德（John Hopfield）創(chuàng)建了一種可以存儲和重建信息的結(jié)構(gòu)。Geoffrey Hinton發(fā)明了一種可以獨立發(fā)現(xiàn)數(shù)據(jù)屬性的方法，這對于現(xiàn)在使用的大型人工神經(jīng)網(wǎng)絡(luò)來說已經(jīng)變得很重要。
© Johan Jarnestad/瑞典皇家科學(xué)院
許多人都體驗過計算機如何在語言之間進行翻譯、解釋圖像甚至進行合理的對話。也許不太為人所知的是，這種技術(shù)長期以來對研究很重要，包括對大量數(shù)據(jù)的排序和分析。機器學(xué)習(xí)的發(fā)展在過去十五到二十年中呈爆炸式增長，并利用了一種稱為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。如今，當(dāng)我們談?wù)?/span>人工智能時，我們通常指的是這種技術(shù)。
盡管計算機無法思考，但機器現(xiàn)在可以模仿記憶和學(xué)習(xí)等功能。今年的物理學(xué)獎得主幫助實現(xiàn)了這一目標(biāo)。他們利用物理學(xué)的基本概念和方法，開發(fā)了利用網(wǎng)絡(luò)結(jié)構(gòu)來處理信息的技術(shù)。
機器學(xué)習(xí)與傳統(tǒng)軟件不同，傳統(tǒng)軟件的工作原理就像一種菜譜。該軟件接收數(shù)據(jù)，根據(jù)清晰的描述進行處理并產(chǎn)生結(jié)果，就像有人收集原料并按照食譜進行處理以生產(chǎn)蛋糕一樣。相反，在機器學(xué)習(xí)中，計算機通過示例進行學(xué)習(xí)，使其能夠解決過于模糊和復(fù)雜而無法通過逐步指令進行管理的問題。一個例子是解釋一張圖片以識別其中的對象。
人工神經(jīng)網(wǎng)絡(luò)使用整個網(wǎng)絡(luò)結(jié)構(gòu)來處理信息。靈感最初來自于了解大腦如何運作的愿望。 20 世紀(jì) 40 年代，研究人員開始圍繞大腦神經(jīng)元和突觸網(wǎng)絡(luò)背后的數(shù)學(xué)進行推理。另一個難題來自心理學(xué)，這要歸功于神經(jīng)科學(xué)家唐納德·赫布（Donald Hebb）的假設(shè)，即學(xué)習(xí)是如何發(fā)生的，因為當(dāng)神經(jīng)元一起工作時，它們之間的聯(lián)系會得到加強。
后來，這些想法被嘗試通過構(gòu)建人工神經(jīng)網(wǎng)絡(luò)作為計算機模擬來重建大腦網(wǎng)絡(luò)的功能。在這些模型中，大腦的神經(jīng)元被賦予不同值的節(jié)點所模仿，而突觸則由節(jié)點之間的連接來表示，這些連接可以變得更強或更弱。唐納德·赫布的假設(shè)仍然被用作通過稱為訓(xùn)練的過程更新人工網(wǎng)絡(luò)的基本規(guī)則之一。
© Johan Jarnestad/瑞典皇家科學(xué)院
20 世紀(jì) 60 年代末，一些令人沮喪的理論結(jié)果導(dǎo)致許多研究人員懷疑這些神經(jīng)網(wǎng)絡(luò)永遠不會有任何實際用途。然而，人們對人工神經(jīng)網(wǎng)絡(luò)的興趣在 20 世紀(jì) 80 年代重新被喚醒，當(dāng)時幾個重要的想法產(chǎn)生了影響，其中包括今年獲獎?wù)叩墓ぷ鳌?/span>
想象一下，您正在嘗試記住一個您很少使用的相當(dāng)不尋常的單詞，例如用于電影院和演講廳中常見的傾斜地板的單詞。你搜索你的記憶。有點像斜坡……也許是徑向……徑向？不，不是那樣。耙子，就是這樣！
這種搜索相似單詞以找到正確單詞的過程讓人想起物理學(xué)家約翰·霍普菲爾德 (John Hopfield) 在 1982 年發(fā)現(xiàn)的聯(lián)想記憶。Hopfield網(wǎng)絡(luò)可以存儲模式，并有一種重新創(chuàng)建它們的方法。當(dāng)給網(wǎng)絡(luò)一個不完整或輕微扭曲的模式時，該方法可以找到最相似的存儲模式。
霍普菲爾德此前曾利用他的物理學(xué)背景來探索分子生物學(xué)的理論問題。當(dāng)他受邀參加一個有關(guān)神經(jīng)科學(xué)的會議時，他遇到了有關(guān)大腦結(jié)構(gòu)的研究。他對所學(xué)到的東西很著迷，并開始思考簡單神經(jīng)網(wǎng)絡(luò)的動力學(xué)。當(dāng)神經(jīng)元一起行動時，它們可以產(chǎn)生新的、強大的特征，而這些特征對于只關(guān)注網(wǎng)絡(luò)獨立組件的人來說是不明顯的。
1980 年，霍普菲爾德離開了他在普林斯頓大學(xué)的職位，他的研究興趣使他離開了物理學(xué)同事們工作的領(lǐng)域，并搬到了整個非洲大陸。他接受了南加州帕薩迪納市加州理工學(xué)院化學(xué)和生物學(xué)教授職位的邀請。在那里，他可以使用計算機資源進行免費實驗并發(fā)展他關(guān)于神經(jīng)網(wǎng)絡(luò)的想法。
然而，他并沒有放棄自己的物理學(xué)基礎(chǔ)，在那里他找到了靈感，理解了具有許多小組件協(xié)同工作的系統(tǒng)如何產(chǎn)生新的有趣的現(xiàn)象。他特別受益于了解磁性材料，這些材料由于原子自旋而具有特殊特性，這種特性使每個原子都成為微小的磁鐵。相鄰原子的自旋相互影響；這可以允許形成具有相同方向自旋的域。他能夠利用物理學(xué)描述材料在自旋相互影響時如何發(fā)展，從而建立一個具有節(jié)點和連接的模型網(wǎng)絡(luò)。
霍普菲爾德構(gòu)建的網(wǎng)絡(luò)具有通過不同強度的連接連接在一起的節(jié)點。每個節(jié)點都可以存儲一個單獨的值——在 Hopfield 的第一個作品中，這個值可以是 0 也可以是 1，就像黑白圖片中的像素一樣。
霍普菲爾德描述了網(wǎng)絡(luò)的整體狀態(tài)，其屬性相當(dāng)于物理學(xué)中自旋系統(tǒng)中的能量；能量是使用一個公式計算的，該公式使用節(jié)點的所有值以及它們之間的所有連接強度。 Hopfield 網(wǎng)絡(luò)通過饋送到節(jié)點的圖像進行編程，節(jié)點被賦予黑色 (0) 或白色 (1) 值。然后使用能量公式調(diào)整網(wǎng)絡(luò)的連接，以便保存的圖像獲得低能量。當(dāng)另一種模式被輸入網(wǎng)絡(luò)時，有一個規(guī)則會逐個遍歷節(jié)點，并檢查如果該節(jié)點的值發(fā)生變化，網(wǎng)絡(luò)是否具有較低的能量。如果事實證明，如果黑色像素變成白色，能量就會減少，它就會改變顏色。這個過程一直持續(xù)到不可能找到任何進一步的改進為止。當(dāng)達到這一點時，網(wǎng)絡(luò)通常會再現(xiàn)其訓(xùn)練時所用的原始圖像。
如果您只保存一種模式，這可能不會顯得那么引人注目。也許您想知道為什么不直接保存圖像本身并將其與正在測試的另一張圖像進行比較，但 Hopfield 的方法很特殊，因為可以同時保存多張圖片，并且網(wǎng)絡(luò)通?？梢詤^(qū)分它們。
霍普菲爾德將在網(wǎng)絡(luò)中搜索已保存的狀態(tài)比作在山峰和山谷中滾動一個球，摩擦力會減慢其運動速度。如果球掉落在特定位置，它會滾入最近的山谷并停在那里。如果給網(wǎng)絡(luò)一個接近已保存模式之一的模式，它將以同樣的方式繼續(xù)前進，直到到達能量景觀中的山谷底部，從而找到其記憶中最接近的模式。
Hopfield 網(wǎng)絡(luò)可用于重新創(chuàng)建包含噪聲或已部分擦除的數(shù)據(jù)。
© Johan Jarnestad/瑞典皇家科學(xué)院
Hopfield 和其他人繼續(xù)開發(fā) Hopfield 網(wǎng)絡(luò)功能的細節(jié)，包括可以存儲任何值的節(jié)點，而不僅僅是零或一。如果您將節(jié)點視為圖片中的像素，那么它們可以具有不同的顏色，而不僅僅是黑色或白色。改進的方法使得保存更多圖片成為可能，并且即使它們非常相似也能夠區(qū)分它們。識別或重建任何信息都是可能的，只要它是由許多數(shù)據(jù)點構(gòu)建的。
記住圖像是一回事，但解釋它所描繪的內(nèi)容則需要更多。
即使很小的孩子也可以指著不同的動物并自信地說出它是狗、貓還是松鼠。他們偶爾可能會出錯，但很快他們幾乎總是正確的。即使沒有看到任何圖表或物種或哺乳動物等概念的解釋，孩子也可以學(xué)到這一點。在遇到每種動物的一些例子后，不同的類別就會在孩子的頭腦中就位。人們通過體驗周圍的環(huán)境來學(xué)習(xí)識別一只貓，或者理解一個單詞，或者進入一個房間并注意到某些東西發(fā)生了變化。
當(dāng)霍普菲爾德發(fā)表有關(guān)聯(lián)想記憶的文章時，杰弗里·辛頓正在美國匹茲堡的卡內(nèi)基梅隆大學(xué)工作。他之前曾在英格蘭和蘇格蘭研究過實驗心理學(xué)和人工智能，并且想知道機器是否可以學(xué)習(xí)以與人類類似的方式處理模式，找到自己的類別來排序和解釋信息。 Hinton 與他的同事 Terrence Sejnowski 一起從 Hopfield 網(wǎng)絡(luò)開始，并利用統(tǒng)計物理學(xué)的思想將其擴展以構(gòu)建新的東西。
統(tǒng)計物理學(xué)描述由許多相似元素組成的系統(tǒng)，例如氣體中的分子。追蹤氣體中的所有單獨分子是困難或不可能的，但可以將它們集中考慮以確定氣體的總體特性，例如壓力或溫度。氣體分子有許多潛在的方式以各自的速度在其體積中擴散，但仍然產(chǎn)生相同的集體特性。
可以使用統(tǒng)計物理學(xué)來分析各個組件可以共同存在的狀態(tài)，并計算它們發(fā)生的概率。有些狀態(tài)比其他狀態(tài)更有可能發(fā)生；這取決于可用能量的大小，十九世紀(jì)物理學(xué)家路德維?！げ柶澛梅匠堂枋隽诉@一點。 Hinton 的網(wǎng)絡(luò)利用了該方程，該方法于 1985 年以引人注目的玻爾茲曼機名稱發(fā)布。
玻爾茲曼機通常與兩種不同類型的節(jié)點一起使用。信息被饋送到一組，稱為可見節(jié)點。其他節(jié)點形成隱藏層。隱藏節(jié)點的值和連接也為整個網(wǎng)絡(luò)的能量做出了貢獻。
該機器通過應(yīng)用一種規(guī)則來運行，一次更新一個節(jié)點的值。最終，機器將進入一種狀態(tài)，其中節(jié)點的模式可以改變，但整個網(wǎng)絡(luò)的屬性保持不變。然后，每種可能的模式都將具有特定的概率，該概率由網(wǎng)絡(luò)能量根據(jù)玻爾茲曼方程確定。當(dāng)機器停止時，它會創(chuàng)建一個新的模式，這使得玻爾茲曼機成為生成模型的早期例子。
© Johan Jarnestad/瑞典皇家科學(xué)院
玻爾茲曼機可以學(xué)習(xí)——不是從指令中學(xué)習(xí)，而是從給出的例子中學(xué)習(xí)。它通過更新網(wǎng)絡(luò)連接中的值來進行訓(xùn)練，以便在訓(xùn)練時饋送到可見節(jié)點的示例模式在機器運行時具有最高的可能出現(xiàn)概率。如果在訓(xùn)練過程中多次重復(fù)相同的模式，則出現(xiàn)該模式的概率會更高。訓(xùn)練還會影響輸出與機器訓(xùn)練示例類似的新模式的概率。
經(jīng)過訓(xùn)練的玻爾茲曼機可以識別以前從未見過的信息中的熟悉特征。想象一下，見到一個朋友的兄弟姐妹，你立刻就能看出他們一定有親戚關(guān)系。以類似的方式，玻爾茲曼機可以識別一個全新的例子，如果它屬于訓(xùn)練材料中找到的類別，并將其與不相似的材料區(qū)分開來。
在其原始形式中，玻爾茲曼機效率相當(dāng)?shù)?，并且需要很長時間才能找到解決方案。當(dāng)事物以多種方式發(fā)展時，它會變得更加有趣，這是 Hinton 不斷探索的。后來的版本已被精簡，因為某些單元之間的連接已被刪除。事實證明，這可能會使機器更加高效。
During the 1990s, many researchers lost interest in artificial neural networks, but Hinton was one of those who continued to work in the field. He also helped start the new explosion of exciting results; in 2006 he and his colleagues Simon Osindero, Yee Whye Teh and Ruslan Salakhutdinov developed a method for pretraining a network with a series of Boltzmann machines in layers, one on top of the other. This pretraining gave the connections in the network a better starting point, which optimised its training to recognise elements in pictures.
The Boltzmann machine is often used as part of a larger network. For example, it can be used to recommend films or television series based on the viewer’s preferences.
憑借 20 世紀(jì) 80 年代及以后的工作，John Hopfield 和 Geoffrey Hinton 為 2010 年左右開始的機器學(xué)習(xí)革命奠定了基礎(chǔ)。
我們現(xiàn)在所見證的發(fā)展是通過訪問可用于訓(xùn)練網(wǎng)絡(luò)的大量數(shù)據(jù)以及通過計算能力的巨大增長而實現(xiàn)的。當(dāng)今的人工神經(jīng)網(wǎng)絡(luò)通常非常龐大并且由許多層構(gòu)成。這些被稱為深度神經(jīng)網(wǎng)絡(luò)，它們的訓(xùn)練方式被稱為深度學(xué)習(xí)。
快速瀏覽一下 Hopfield 1982 年關(guān)于聯(lián)想記憶的文章，可以對這一發(fā)展提供一些視角。在其中，他使用了一個有 30 個節(jié)點的網(wǎng)絡(luò)。如果所有節(jié)點都相互連接，則有 435 個連接。節(jié)點有其值，連接有不同的強度，總共需要跟蹤的參數(shù)不到 500 個。他還嘗試了一個有 100 個節(jié)點的網(wǎng)絡(luò)，但考慮到他當(dāng)時使用的計算機，這太復(fù)雜了。我們可以將其與當(dāng)今的大型語言模型進行比較，這些模型被構(gòu)建為可以包含超過一萬億個參數(shù)（一百萬個）的網(wǎng)絡(luò)。
許多研究人員現(xiàn)在正在開發(fā)機器學(xué)習(xí)的應(yīng)用領(lǐng)域。哪一個最可行還有待觀察，同時圍繞這項技術(shù)的開發(fā)和使用的道德問題也存在廣泛的討論。
由于物理學(xué)為機器學(xué)習(xí)的發(fā)展提供了工具，因此觀察物理學(xué)作為一個研究領(lǐng)域如何從人工神經(jīng)網(wǎng)絡(luò)中受益是很有趣的。機器學(xué)習(xí)早已應(yīng)用于我們之前諾貝爾物理學(xué)獎所熟悉的領(lǐng)域。其中包括使用機器學(xué)習(xí)來篩選和處理發(fā)現(xiàn)希格斯粒子所需的大量數(shù)據(jù)。其他應(yīng)用包括減少黑洞碰撞引力波測量中的噪音，或?qū)ふ蚁低庑行恰?/span>
近年來，這項技術(shù)也開始用于計算和預(yù)測分子和材料的特性，例如計算蛋白質(zhì)分子的結(jié)構(gòu)，這決定了它們的功能，或者計算出材料的哪些新版本可能具有最佳特性用于更高效的太陽能電池。
有關(guān)今年獎項的更多信息，包括英語科學(xué)背景，請訪問瑞典皇家科學(xué)院網(wǎng)站www.kva.se和www.nobelprize.org，您可以在其中觀看新聞發(fā)布會的視頻、諾貝爾講座等等。有關(guān)諾貝爾獎和經(jīng)濟科學(xué)獎相關(guān)展覽和活動的信息，請訪問www.nobelprizemuseum.se。
約翰·J·霍普菲爾德 (JOHN J. HOPFIELD)
1933 年出生于美國伊利諾伊州芝加哥。 1958 年獲得美國紐約州伊薩卡康奈爾大學(xué)博士學(xué)位。美國新澤西州普林斯頓大學(xué)教授。
GEOFFREY E. HINTON
1947 年出生于英國倫敦。 1978年獲英國愛丁堡大學(xué)博士學(xué)位。加拿大多倫多大學(xué)教授。
“通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學(xué)習(xí)的基礎(chǔ)發(fā)現(xiàn)和發(fā)明”
科學(xué)編輯：Ulf Danielsson、Olle Eriksson、Anders Irb?ck 和 Ellen Moons，諾貝爾物理學(xué)獎
文本：Anna Davour
譯者：Clare Barnes
插圖：Johan Jarnestad
編輯：Sara Gustavsson
© 瑞典皇家科學(xué)院
2024 年 10 月 8 日
瑞典皇家科學(xué)院決定將2024年諾貝爾物理學(xué)獎授予
約翰·霍普菲爾德
普林斯頓大學(xué)，新澤西州，美國
杰弗里·辛頓 (Geoffrey E. Hinton)
加拿大多倫多大學(xué)
“通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學(xué)習(xí)的基礎(chǔ)發(fā)現(xiàn)和發(fā)明”
今年的兩位諾貝爾物理學(xué)獎獲得者使用物理學(xué)工具開發(fā)了為當(dāng)今強大的機器學(xué)習(xí)奠定基礎(chǔ)的方法。約翰·霍普菲爾德（John Hopfield）創(chuàng)建了一種聯(lián)想存儲器，可以存儲和重建圖像以及數(shù)據(jù)中其他類型的模式。 Geoffrey Hinton 發(fā)明了一種方法，可以自動查找數(shù)據(jù)中的屬性，從而執(zhí)行識別圖片中特定元素等任務(wù)。
當(dāng)我們談?wù)撊斯ぶ悄軙r，我們通常指的是使用人工神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)。這項技術(shù)最初的靈感來自于大腦的結(jié)構(gòu)。在人工神經(jīng)網(wǎng)絡(luò)中，大腦的神經(jīng)元由具有不同值的節(jié)點表示。這些節(jié)點通過類似于突觸的連接相互影響，并且可以變得更強或更弱。例如，通過在同時具有高值的節(jié)點之間建立更強的連接來訓(xùn)練網(wǎng)絡(luò)。今年的獲獎?wù)邚?20 世紀(jì) 80 年代起就在人工神經(jīng)網(wǎng)絡(luò)方面開展了重要工作。
約翰·霍普菲爾德發(fā)明了一種網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用一種保存和重新創(chuàng)建模式的方法。我們可以將節(jié)點想象為像素。Hopfield 網(wǎng)絡(luò)利用物理學(xué)來描述材料因原子自旋而產(chǎn)生的特性，這種特性使每個原子都成為微小的磁鐵。整個網(wǎng)絡(luò)以相當(dāng)于物理學(xué)中自旋系統(tǒng)能量的方式進行描述，并通過查找節(jié)點之間的連接值進行訓(xùn)練，以便保存的圖像具有低能量。當(dāng) Hopfield 網(wǎng)絡(luò)輸入扭曲或不完整的圖像時，它會系統(tǒng)地通過節(jié)點工作并更新它們的值，從而使網(wǎng)絡(luò)的能量下降。因此，網(wǎng)絡(luò)逐步工作，找到最接近其輸入的不完美圖像的已保存圖像。
Geoffrey Hinton使用 Hopfield 網(wǎng)絡(luò)作為使用不同方法的新網(wǎng)絡(luò)的基礎(chǔ)：玻爾茲曼機。這可以學(xué)習(xí)識別給定類型數(shù)據(jù)中的特征元素。 Hinton 使用了統(tǒng)計物理學(xué)中的工具，統(tǒng)計物理學(xué)是由許多相似組件構(gòu)建的系統(tǒng)科學(xué)。通過向機器提供運行時很可能出現(xiàn)的示例來訓(xùn)練機器。玻爾茲曼機可用于對圖像進行分類或創(chuàng)建其所訓(xùn)練的模式類型的新示例。 Hinton 在這項工作的基礎(chǔ)上，幫助啟動了當(dāng)前機器學(xué)習(xí)的爆炸性發(fā)展。
“獲獎?wù)叩墓ぷ饕呀?jīng)帶來了最大的效益。在物理學(xué)中，我們在廣泛的領(lǐng)域中使用人工神經(jīng)網(wǎng)絡(luò)，例如開發(fā)具有特定屬性的新材料。”諾貝爾物理學(xué)委員會主席 Ellen Moons 說道。
這些插圖可免費用于非商業(yè)目的。屬性“©Johan Jarnestad/瑞典皇家科學(xué)院”。
插圖：2024 年諾貝爾物理學(xué)獎 (pdf)
插圖：自然和人工神經(jīng)元 (pdf)
插圖：記憶存儲在風(fēng)景中 (pdf)
插圖：不同類型的網(wǎng)絡(luò) (pdf)
科普背景：他們利用物理學(xué)來尋找信息模式 (pdf)
科學(xué)背景：“通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器學(xué)習(xí)的基礎(chǔ)發(fā)現(xiàn)和發(fā)明”(pdf)
約翰·J·霍普菲爾德 (John J. Hopfield ) 1933 年出生于美國伊利諾伊州芝加哥。 1958 年獲得美國紐約州伊薩卡康奈爾大學(xué)博士學(xué)位。美國新澤西州普林斯頓大學(xué)教授。
Geoffrey E. Hinton，1947 年出生于英國倫敦。 1978年獲英國愛丁堡大學(xué)博士學(xué)位。加拿大多倫多大學(xué)教授。
獎金金額：1100萬瑞典克朗，由獲獎?wù)咂椒帧?/span>
更多信息：www.kva.se 和 www.nobelprize.org
媒體聯(lián)系人：Eva Nevelius，新聞秘書，+46 70 878 67 63，eva.nevelius@kva.se
專家：Olle Eriksson，+46 18 471 36 25，olle .eriksson@physicals.uu.se和 Anders Irb?ck，+46 46 222 34 93，anders.irback@cec.lu.se ，諾貝爾物理學(xué)委員會成員。
瑞典皇家科學(xué)院成立于 1739 年，是一個獨立組織，其總體目標(biāo)是促進科學(xué)發(fā)展并加強科學(xué)在社會中的影響力。該學(xué)院對自然科學(xué)和數(shù)學(xué)負有特殊責(zé)任，但致力于促進各學(xué)科之間的思想交流。
Nobel Prize® 是諾貝爾基金會的注冊商標(biāo)。
引用本節(jié)
MLA 風(fēng)格：新聞稿。 NobelPrize.org。諾貝爾獎外展 AB 2024。 周二。 2024 年 10 月 8 日。
