Letošnja Nobelova nagrajenca za fiziko sta "uporabila orodja iz fizike za razvoj metod, ki so temelj današnjega zmogljivega strojnega učenja", so v obrazložitvi zapisali pri Švedski kraljevi akademiji znanosti. Njuno delo je bilo ključno za razvoj umetne inteligence.

"Računalniki ne morejo misliti, vendar lahko posnemajo funkcije, kot sta spomin in učenje. Letošnja nagrajenca na področju fizike sta to omogočila. Z uporabo konceptov in metod iz fizike sta razvila tehnologije, ki za obdelavo informacij uporabljajo mrežne strukture. Razvoj strojnega učenja se je v zadnjih letih močno razmahnil in uporablja strukturo, imenovano umetna nevronska mreža. Ko govorimo o umetni inteligenci, pogosto mislimo na to vrsto tehnologije," so pojasnili.

John Hopfield je ustvaril strukturo, ki posnema asociativni spomin in lahko shranjuje in rekonstruira vzorce v podatkih. Geoffrey Hinton pa je nato s pomočjo t. i. Hopfieldove mreže izumil metodo, ki neodvisno odkriva lastnosti v podatkih in tako opravlja naloge, kot je denimo prepoznavanje določenih elementov na slikah. Ta metoda je postala pomembna za velike umetne nevronske mreže, ki se danes uporabljajo na številnih področjih.

Oba sta s svojim delom od 80. let prejšnjega stoletja dalje pomagala postaviti temelje za revolucijo strojnega učenja, ki se je začela okrog leta 2010.

John J. Hopfield se je rodil leta 1933 v Chicagu v ZDA in leta 1958 doktoriral iz fizike na Univerzi Cornell, danes pa je profesor za molekularno biologijo na Univerzi Princeton. Poučeval je tudi na drugih uglednih ameriških univerzah, večji del svoje kariere pa sodeluje tudi z ameriškim podjetjem Bell Labs.

Geoffrey E. Hinton pa je bil rojen leta 1947 v Londonu in je leta 1978 doktoriral na Univerzi v Edinburgu, danes pa je profesor za računalništvo in informatiko na univerzi v Torontu v Kanadi. Ob strojnem učenju se ukvarja zlasti s psihologijo, umetno inteligenco in kognitivno znanostjo.

Dobrišek: Nagrada potrjuje pomembnost strojnega učenja

Z Nobelovo nagrado za fiziko na področju strojnega učenja se bo v javnosti vzpostavilo večje zavedanje pomembne povezave med strojnim učenjem in fizikalnimi načeli, ki so v ozadju delovanja naših možganov in uma, gre pa tudi za priznanje naraščajoče pomembnosti strojnega učenja in umetne inteligence, je za STA ocenil profesor Simon Dobrišek. "Povezava med metodami strojnega učenja in fiziko v bistvu temelji na povezavi med informacijsko entropijo in termodinamično entropijo," je dejal izredni profesor in predstojnik Laboratorija za strojno inteligenco (LMI) na Fakulteti za elektrotehniko na Univerzi v Ljubljani.

"Čeprav omenjeni entropiji na prvi pogled delujeta kot koncepta iz popolnoma različnih znanstvenih disciplin, sta v svojih temeljih povezana," je dodal v razlagi povezave med fiziko in strojnim učenjem.

Z Nobelovo nagrado za fiziko na področju strojnega učenja se bo po njegovi oceni v širši javnosti "vzpostavilo večje zavedanje te pomembne povezave in fizikalnih načel, ki so tudi v ozadju delovanja naših možganov in našega uma". Dobrišek je pojasnil, da je omenjena povezava med informacijsko in termodinamično entropijo tudi v ozadju konceptov modeliranja umetnih nevronskih omrežij, pri razvoju katerih so bila ključna odkritja letošnjih Nobelovih nagrajencev za fiziko, Geoffreyja E. Hintona in Johna J. Hopfielda.

"S pomočjo nevronskih omrežij se lahko modelirajo odnosi med različnimi čutilnimi zaznavanji stanj, posledično pa tudi različne zmožnosti naših možganov pri vzpostavljanju teh odnosov. To omogoča strojno razpoznavanje številnih različnih vrst vzorcev, ki smo jih ljudje na podlagi našega vida, sluha in drugih čutil zmožni razpoznati in se nanje potem tudi smiselno odzivati," je dodal.

Po njegovem mnenju so odkritja obeh nagrajencev prispevala tudi k razvoju sodobnih orodij, kot so denimo strojni prevajalniki in sistemi za prepoznavanje obrazov. "S povečevanjem zmogljivosti današnjih računalniških sistemov in operacij, ki se nanašajo na vse bolj kompleksne modele nevronskih omrežij, je mogoče izvajati vse zahtevnejša razpoznavanja vzorcev v slikah, zvočnih posnetkih in drugih podatkih. Ti se lahko potem navezujejo tudi na jezikovne opise," je pojasnil.

Dodal je še, da je razpoznavalnike vzorcev mogoče uporabljati tudi generativno, tovrstne vse zmogljivejše sisteme pa imenujemo tudi generativna umetna inteligenca. Dobrišek je ocenil tudi, da Nobelova nagrada za fiziko za odkritja na področju strojnega učenja pomeni "priznanje naraščajoče pomembnosti strojnega učenja in umetne inteligence, kjer zmožnosti tovrstnih sistemov vse bolj dosegajo in presegajo človeške zmožnosti pri razpoznavanju in tvorjenju različnih vrst vzorcev".

"Nobelova nagrada tako potrjuje vse večji vpliv teh tehnologij na različna področja človekovega delovanja, od industrije do zdravstva in izobraževanja, kjer strojna inteligenca že prispeva k izboljšanju učinkovitosti in kakovosti storitev," je sklenil Dobrišek.

Lani nagrada za raziskovanje dinamike elektronov

Lani so nagrado prejeli francoski znanstvenik Pierre Agostini, madžarsko-avstrijski znanstvenik Ferenc Krausz in francosko-švedska znanstvenica Anne L'Huillier za prispevek k raziskovanju dinamike elektronov v atomih in molekulah.

Letošnje razglasitve nobelovcev so se začele v ponedeljek z razglasitvijo dobitnikov za medicino in fiziologijo. V sredo bo na sporedu razglasitev dobitnikov nagrade za kemijo, za literaturo v četrtek, v petek pa še za mir. Dobitniki nagrade za ekonomijo bodo razglašeni v ponedeljek, 14. oktobra.

Podelitev nagrad bo 10. decembra v Oslu in Stockholmu, na obletnico smrti Alfreda Nobela. Vsaka nagrada prinaša ček v vrednosti 11 milijonov švedskih kron oziroma nekaj več kot 900.000 evrov. Če je dobitnikov več, se znesek med njimi razdeli.