Künstliche Intelligenz ist eine aktuelle Technologie, die jedoch eine lange Geschichte zurückreicht. Die Senioren John Hopfield, geboren 1933 (91 Jahre alt), von der Princeton University in den Vereinigten Staaten und Geoffrey Hinton, geboren 1947 (77 Jahre alt), von der University of Toronto in Kanada, erhielten am 8. Oktober den Nobelpreis für Physik 2024 « für grundlegende Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen “. Sie trainierten künstliche neuronale Netze mithilfe der Physik.
Entwicklung neuer Materialien
« 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 Nobel-Physikkomitees.
Die beiden Gewinner des diesjährigen Nobelpreises für Physik nutzten Werkzeuge der Physik, um Methoden zu entwickeln, 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.
Arbeiten Sie an künstlichen neuronalen Netzen
Die Schwedische Akademie der Wissenschaften weist darauf hin, dass wir, wenn wir über künstliche Intelligenz sprechen, oft an maschinelles Lernen durch künstliche neuronale Netze denken. 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 wichtige Arbeiten zu künstlichen neuronalen Netzen durchgeführt, seit John Hopfield in den 1980er Jahren ein Netzwerk erfunden hat, das eine Methode zum Speichern und Wiederherstellen von Mustern verwendet. Wir können uns die 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.
Finden Sie ein gespeichertes Bild aus einem unvollständigen Bild
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 wiederum 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.
Geoffrey 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. Geoffrey Hinton baute auf dieser Arbeit auf und trug dazu bei, die heutige Entwicklung des maschinellen Lernens voranzutreiben.
