Der Nobelpreis für Physik 2024 wurde an John J Hopfield und Geoffrey E Hinton „für grundlegende Entdeckungen und Erfindungen verliehen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen“. trug wesentlich zur Grundlage des modernen maschinellen Lernens bei. John Hopfield schuf ein Framework, mit dem Informationen gespeichert und rekonstruiert werden können, während Geoffrey Hinton eine Technik entwickelte, die die unabhängige Entdeckung von Eigenschaften in Daten ermöglicht, was für die heutigen großen künstlichen neuronalen Netze von entscheidender Bedeutung ist.
Wer sind die Preisträger und was haben sie entwickelt?
John Hopfield: Er entwickelte ein Netzwerk, das eine Methode zum Speichern und Rekonstruieren von Mustern verwendet, wobei die Knoten als Pixel visualisiert werden können. Das Hopfield-Netzwerk basiert auf physikalischen Prinzipien im Zusammenhang mit den Eigenschaften eines Materials, die durch den atomaren Spin beeinflusst werden, der es jedem Atom ermöglicht, als winziger Magnet zu wirken. Dieses Netzwerk wird mit ähnlichen Begriffen wie die Energie in einem Spinsystem beschrieben und durch Anpassen der trainiert Verbindungswerte zwischen Knoten, um sicherzustellen, dass die gespeicherten Bilder ein niedriges Energieniveau beibehalten. Wenn ein verzerrtes oder unvollständiges Bild angezeigt wird, aktualisiert das Hopfield-Netzwerk systematisch die Werte seiner Knoten und reduziert dabei seine Energie, um das gespeicherte Bild zu finden, das der Eingabe am ähnlichsten ist.Geoffrey Hinton: Er baute auf dem Hopfield-Netzwerk auf, um ein neues Modell namens Boltzmann-Maschine zu entwickeln, das eine andere Lernmethode verwendet, um Schlüsselmerkmale in bestimmten Datentypen zu erkennen. Hinton nutzte Konzepte aus der statistischen Physik, die Systeme untersucht, die aus vielen ähnlichen Komponenten bestehen. Die Boltzmann-Maschine wird trainiert, indem man ihr Beispiele liefert, die beim Ausführen der Maschine sehr wahrscheinlich sind. Es kann Bilder klassifizieren und neue Instanzen der gelernten Muster generieren.
