Die Entdeckungen der diesjährigen Physik-Gewinner, des Amerikaners John Hopfield und des Kanadiers Geoffrey Hinton, basieren auf den Grundlagen der Physik. Sie zeigten eine völlig neue Art und Weise auf, Computer zu nutzen, um uns bei der Lösung vieler Herausforderungen zu helfen, vor denen unsere Gesellschaft steht.
Dank ihrer Arbeit verfügt die Menschheit nun über ein neues Werkzeug. Maschinelles Lernen auf Basis künstlicher neuronaler Netze revolutioniert derzeit Wissenschaft, Technik und Alltag. Dieser Bereich steht bereits kurz davor, entscheidende Fortschritte beim Aufbau einer nachhaltigen Gesellschaft zu ermöglichen, beispielsweise die Identifizierung neuer Funktionsmaterialien. Wie Deep Learning durch künstliche neuronale Netze in Zukunft eingesetzt wird, hängt davon ab, wie wir Menschen diese unglaublich leistungsstarken Werkzeuge nutzen, die bereits in vielen Aspekten unseres Lebens vorhanden sind.
Die beiden Nobelpreisträger für Physik entwickelten Methoden, die die Grundlage des heutigen maschinellen Lernens bilden. John Hopfield schuf ein assoziatives Gedächtnis, das Bilder und andere Arten von Mustern in Daten speichern und rekonstruieren kann. Geoffrey Hinton hat eine Methode erfunden, die selbstständig Eigenschaften in Daten finden und so Aufgaben wie die Identifizierung bestimmter Elemente in Bildern ausführen kann.
Wenn wir über künstliche Intelligenz sprechen, denken wir oft an maschinelles Lernen durch künstliche neuronale Netze. Diese Technologie wurde ursprünglich von der Struktur des Gehirns inspiriert. In einem künstlichen neuronalen Netzwerk werden Neuronen im Gehirn durch Knoten mit unterschiedlichen Werten dargestellt. Diese Knoten beeinflussen sich gegenseitig durch Verbindungen, die mit Synapsen vergleichbar sind und gestärkt oder geschwächt werden können. Das Netzwerk wird trainiert, indem beispielsweise stärkere Verbindungen zwischen Knoten aufgebaut werden, die gleichzeitig hohe Werte aufweisen. Die diesjährigen Gewinner haben seit den 1980er Jahren wichtige Arbeiten zu künstlichen neuronalen Netzen durchgeführt.
John Hopfield hat ein Netzwerk erfunden, das eine Methode zum Speichern und Neuerstellen von Mustern verwendet. Wir können uns Knoten als Pixel vorstellen. Das Hopfield-Netzwerk nutzt die Physik, die die Eigenschaften eines Materials aufgrund seines Atomspins beschreibt, einer Eigenschaft, die jedes Atom zu einem winzigen Magneten macht. Das Netzwerk als Ganzes wird auf eine Weise beschrieben, die der in der Physik vorkommenden Spinsystemenergie entspricht, und wird trainiert, indem Werte für die Verbindungen zwischen Knoten ermittelt werden, sodass die gespeicherten Bilder eine niedrige Energie aufweisen. Wenn das Hopfield-Netzwerk ein verzerrtes oder unvollständiges Bild empfängt, arbeitet es methodisch an den Knoten und aktualisiert deren Werte, sodass die Netzwerkenergie abnimmt. Das Netzwerk arbeitet daher schrittweise daran, das gespeicherte Bild zu finden, das dem bereitgestellten unvollkommenen Bild am ähnlichsten ist.
Geoffrey Hinton nutzte das Hopfield-Netzwerk als Grundlage für ein neues Netzwerk, das eine andere Methode verwendet: die Boltzmann-Maschine. Dadurch kann gelernt werden, charakteristische Elemente in einem bestimmten Datentyp zu erkennen. Hinton verwendete Werkzeuge aus der statistischen Physik, der Wissenschaft von Systemen, die aus vielen ähnlichen Komponenten aufgebaut sind. Die Maschine wird trainiert, indem ihr Beispiele gegeben werden, die während ihres Betriebs mit hoher Wahrscheinlichkeit auftreten. Mit der Boltzmann-Maschine können Bilder klassifiziert oder neue Beispiele für den Mustertyp erstellt werden, auf den sie trainiert wurde. Hinton nutzte diese Arbeit und trug dazu bei, die heutige explosive Entwicklung des maschinellen Lernens einzuleiten.
„Die Arbeit der Gewinner war bereits von großem Nutzen. In der Physik nutzen wir künstliche neuronale Netze in vielen Bereichen, etwa bei der Entwicklung neuer Materialien mit spezifischen Eigenschaften“, erklärt Ellen Moons, Präsidentin des Nobelkomitees für Physik.
