“por descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales”

Del THE NOBEL PRIZE https://www.nobelprize.org/prizes/physics/2024/press-release/

Geoffrey E. Hinton
Universidad de Toronto, Canadá

John J. Hopfield
Universidad de Princeton, NJ, EE. UU.

Entrenaron redes neuronales artificiales utilizando la física
Los dos Premios Nobel de Física de este año han utilizado herramientas de la física para desarrollar métodos que son la base del poderoso aprendizaje automático actual.
John Hopfield creó una memoria asociativa que puede almacenar y reconstruir imágenes y otros tipos de patrones en datos.
Geoffrey Hinton inventó un método que puede e
Cuando hablamos de inteligencia artificial, a menudo nos referimos 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 diferentes valores. Estos nodos se influyen entre sí a través de conexiones que pueden compararse con sinapsis y que pueden fortalecerse o debilitarse. La red se entrena, por ejemplo, desarrollando conexiones más fuertes entre nodos con valores altos al mismo tiempo.
Los galardonados de este año han realizado un importante trabajo con redes neuronales artificiales desde la década de 1980 en adelante.
John Hopfield inventó una red que utiliza un método para guardar y recrear patrones.
Podemos imaginar los nodos como píxeles.
La red de Hopfield utiliza la física que describe las características de un material debido a su “atomic spin” (Ver nota del Traductor) , una propiedad que convierte a cada átomo en un pequeño imán.
La red en su conjunto se describe de una manera 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 modo que las imágenes guardadas tengan baja energía.
Cuando la red de Hopfield recibe una imagen distorsionada o incompleta, trabaja metódicamente a través de 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 se parezca más a la imperfecta con la que se la alimentó.
Geoffrey Hinton utilizó la red de Hopfield como base para una nueva red que utiliza un método diferente: la máquina de Boltzmann.
Este sistema puede aprender a reconocer elementos característicos en un tipo determinado 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 proporcionándole ejemplos que es muy probable que surjan cuando se la ejecuta.
La máquina de Boltzmann se puede utilizar para clasificar imágenes o crear nuevos ejemplos del tipo de patrón con el que se la entrenó.
Hinton se ha basado en este trabajo, ayudando a iniciar el explosivo desarrollo actual del aprendizaje automático.
“El trabajo de los galardonados ya ha sido de gran beneficio. En física, utilizamos redes neuronales artificiales en una amplia gama de áreas, como el desarrollo de nuevos materiales con propiedades específicas”, afirma Ellen Moons, presidenta del Comité Nobel de Física.

(Nota del traductor: “espín atómico”. Se refiere a una propiedad cuántica fundamental de las partículas subatómicas, como los electrones, protones y neutrones. El espín no debe interpretarse literalmente como una rotación física, sino más bien como un tipo de momento angular intrínseco de las partículas, que tiene implicaciones importantes en la física cuántica, especialmente en el comportamiento de los átomos y las interacciones entre partículas. Esta propiedad afecta fenómenos como el magnetismo y es esencial en el estudio de la mecánica cuántica y la física de partículas.

Ver nota original en https://www.nobelprize.org/prizes/physics/2024/press-release/

Texto