首頁 > 科技要聞 > 科技> 正文

諾貝爾物理學(xué)獎?lì)C給AI教父

量子位 整合編輯：太平洋科技 發(fā)布于：2024-10-09 17:06

諾貝爾物理學(xué)獎，今年頒給AI！

機(jī)器學(xué)習(xí)先驅(qū)Hinton、Hopfield共同獲獎，出乎所有人意料。

沒錯(cuò)，不是事前預(yù)測中熱門的凝聚態(tài)或量子物理等方向，就是AI，是機(jī)器學(xué)習(xí)，更具體來說，神經(jīng)網(wǎng)絡(luò)。

以表彰他們?yōu)槔萌斯ど窠?jīng)網(wǎng)絡(luò)進(jìn)行機(jī)器學(xué)習(xí)做出的基礎(chǔ)性發(fā)現(xiàn)和發(fā)明”。

那么，他們的貢獻(xiàn)與物理關(guān)聯(lián)何在呢？

諾貝爾獎委員會揭秘：

他們利用了物理學(xué)方法來尋找信息的特征，構(gòu)建了為當(dāng)今強(qiáng)大的機(jī)器學(xué)習(xí)奠定基礎(chǔ)的方法。

Hopfield提出的“Hopfield神經(jīng)網(wǎng)絡(luò)”，以相當(dāng)于物理學(xué)中自旋系統(tǒng)能量的方式進(jìn)行描述。

Hinton提出的“玻爾茲曼機(jī)”，則使用了統(tǒng)計(jì)物理學(xué)中的工具。

后來Hinton在這項(xiàng)工作的基礎(chǔ)上，幫助啟動了當(dāng)前機(jī)器學(xué)習(xí)的爆炸性發(fā)展，也就是我們熟知的深度學(xué)習(xí)革命了。

人工神經(jīng)網(wǎng)絡(luò)的第一塊重要基石

約翰·霍普菲爾德（John Joseph Hopfield）出生于1933年7月15日。

1954年獲得斯沃斯莫爾學(xué)院物理學(xué)學(xué)士學(xué)位。1958年在康奈爾大學(xué)獲得博士學(xué)位。

他早期聚焦于物理化學(xué)和凝聚態(tài)領(lǐng)域研究。后來在貝爾實(shí)驗(yàn)室工作期間，對分子生物學(xué)產(chǎn)生了濃厚興趣。

從20世紀(jì)40年代起，研究人員開始推理大腦神經(jīng)元和突觸網(wǎng)絡(luò)背后的數(shù)學(xué)邏輯。

后來，人們便開始嘗試?yán)糜?jì)算機(jī)來模擬大腦網(wǎng)絡(luò)功能。也就是開始構(gòu)建人工神經(jīng)網(wǎng)絡(luò)。

在這些網(wǎng)絡(luò)中，大腦的神經(jīng)元被賦予不同值的節(jié)點(diǎn)所模仿，突觸由節(jié)點(diǎn)之間的連接表示，這些連接可以變得更強(qiáng)或更弱。唐納德·赫布的假設(shè)仍然被用作通過稱為訓(xùn)練的過程更新人工網(wǎng)絡(luò)的基本規(guī)則之一。

之后很長一段時(shí)間里，學(xué)界都在嘗試用數(shù)學(xué)、物理的方法來探索生物神經(jīng)學(xué)。

比如Hopfield，他曾利用他在物理學(xué)的背景來探索分子生物學(xué)的理論問題。

當(dāng)他被邀請參加一個(gè)關(guān)于神經(jīng)科學(xué)的會議時(shí)，他遇到了關(guān)于大腦結(jié)構(gòu)的研究。他對所學(xué)到的東西感到著迷，并開始思考簡單神經(jīng)網(wǎng)絡(luò)的動態(tài)。

當(dāng)神經(jīng)元一起作用時(shí)，它們可以產(chǎn)生新的和強(qiáng)大的特性，這些特性對于只觀察網(wǎng)絡(luò)單獨(dú)組件的人來說并不明顯。

1980年，Hopfield離開了他在普林斯頓大學(xué)的職位，他的研究興趣已經(jīng)超出了他在物理學(xué)的同事們工作的領(lǐng)域，他跨越大陸搬到了加利福尼亞州帕薩迪納的加州理工學(xué)院（Caltech），那里他可以免費(fèi)使用計(jì)算機(jī)資源進(jìn)行實(shí)驗(yàn)，并發(fā)展他對神經(jīng)網(wǎng)絡(luò)的想法。

然而，他并沒有放棄他在物理學(xué)方面的基礎(chǔ)，并在其中找到了靈感，理解了如何系統(tǒng)地使用許多小組件一起工作可以產(chǎn)生新的和有趣的現(xiàn)象。

他特別受益于對磁性材料的學(xué)習(xí)，這些材料由于它們的原子自旋——一種使每個(gè)原子成為微小磁鐵的屬性——具有特殊特性。

鄰近原子的自旋相互影響；這可以允許形成自旋方向相同的域。他能夠通過使用描述材料如何發(fā)展的物理學(xué)來構(gòu)建一個(gè)具有節(jié)點(diǎn)和連接的模型網(wǎng)絡(luò)，當(dāng)自旋相互影響時(shí)。

大腦的神經(jīng)網(wǎng)絡(luò)是由具有先進(jìn)內(nèi)部機(jī)制的活細(xì)胞神經(jīng)元構(gòu)成的。它們可以通過突觸向彼此發(fā)送信號。當(dāng)我們學(xué)習(xí)事物時(shí)，一些神經(jīng)元之間的連接變得更強(qiáng)，而其他連接變得更弱。

人工神經(jīng)網(wǎng)絡(luò)是由編碼有值的節(jié)點(diǎn)構(gòu)建的。節(jié)點(diǎn)相互連接，當(dāng)網(wǎng)絡(luò)被訓(xùn)練時(shí)，同時(shí)活躍的節(jié)點(diǎn)之間的連接變得更強(qiáng)，否則它們變得更弱。

Hopfield構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)通過不同強(qiáng)度的連接相互連接。

每個(gè)節(jié)點(diǎn)可以存儲一個(gè)單獨(dú)的值——在Hopfield的第一次工作中，這可以是0或1，就像黑白圖片中的像素格一樣。

Hopfield用一個(gè)屬性來描述網(wǎng)絡(luò)的總體狀態(tài)，這相當(dāng)于物理學(xué)中自旋系統(tǒng)中的能量；能量是使用一個(gè)公式計(jì)算的，該公式使用所有節(jié)點(diǎn)的值和它們之間所有連接的強(qiáng)度�；羝辗茽柕戮W(wǎng)絡(luò)通過將圖像輸入到節(jié)點(diǎn)，賦予它們黑色（0）或白色（1）的值來編程。

然后，網(wǎng)絡(luò)的連接使用能量公式進(jìn)行調(diào)整，以便保存的圖像獲得低能量。當(dāng)另一個(gè)模式輸入到網(wǎng)絡(luò)時(shí)，有一個(gè)規(guī)則是逐個(gè)檢查節(jié)點(diǎn)，看看如果改變該節(jié)點(diǎn)的值，網(wǎng)絡(luò)的能量是否會降低。

如果發(fā)現(xiàn)如果黑色像素是白色，能量會降低，它就會改變顏色。這個(gè)過程繼續(xù)進(jìn)行，直到無法找到進(jìn)一步的改進(jìn)。

當(dāng)達(dá)到這一點(diǎn)時(shí)，網(wǎng)絡(luò)通常已經(jīng)在它被訓(xùn)練的原始圖像上復(fù)制了自己。

如果只保存一個(gè)模式，這可能看起來并不那么引人注目。

也許你想知道為什么你不只是保存圖像本身并與正在測試的另一個(gè)圖像進(jìn)行比較，但Hopfield的方法之所以特別，是因?yàn)榭梢酝瑫r(shí)保存多張圖片，網(wǎng)絡(luò)通�？梢栽谒鼈冎g進(jìn)行區(qū)分。

Hopfield將搜索網(wǎng)絡(luò)以尋找保存的狀態(tài)比作在有摩擦減緩其運(yùn)動的山峰和山谷景觀中滾動一個(gè)球。

如果球被放在一個(gè)特定的位置，它會滾進(jìn)最近的山谷并在那里停止。如果網(wǎng)絡(luò)被給予一個(gè)接近保存模式之一的模式，它將以同樣的方式繼續(xù)前進(jìn)，直到它最終到達(dá)能量景觀中的山谷底部，從而找到記憶中最接近的模式。

Hopfield等人之后更進(jìn)一步深入研究霍普菲爾德網(wǎng)絡(luò)，包括可以存儲任何值的節(jié)點(diǎn)，不僅僅是0或1。

如果將節(jié)點(diǎn)視為圖片中的像素，它們可以有不同的顏色，不僅僅是黑色或白色。

改進(jìn)的方法使得保存更多圖片成為可能，并且即使它們非常相似，也能區(qū)分它們。同樣可以識別或重建任何信息，只要它由許多數(shù)據(jù)點(diǎn)構(gòu)建。

不過記住一個(gè)圖像是一回事，解釋它所代表的內(nèi)容是另一回事。

即使是非常小的孩子也可以指向不同的動物，并自信地說它是狗、貓還是松鼠。

他們可能偶爾出錯(cuò)，但是能很快正確分辨。孩子甚至可以在沒有看到任何圖表或解釋物種或哺乳動物等概念的情況下學(xué)習(xí)這一點(diǎn)。在遇到每種動物的幾個(gè)例子后，不同的類別在孩子的腦海中形成了。人們通過體驗(yàn)周圍的環(huán)境來學(xué)習(xí)識別貓，或理解一個(gè)詞，或進(jìn)入一個(gè)房間并注意到有些事情已經(jīng)改變。

當(dāng)Hopfield發(fā)表他的聯(lián)想記憶文章時(shí)，Hinton正在卡內(nèi)基梅隆大學(xué)工作。

他之前在英國和蘇格蘭學(xué)習(xí)實(shí)驗(yàn)心理學(xué)和人工智能，并想知道機(jī)器是否能夠以類似于人類的方式學(xué)習(xí)處理模式，為排序和解釋信息找到自己的類別。

Hinton：現(xiàn)在是圖靈諾貝爾雙料得主

Hinton的研究正是建立在霍普菲爾德神經(jīng)網(wǎng)絡(luò)之上。

當(dāng)時(shí)Hinton在卡內(nèi)基梅隆大學(xué)工作，他之前曾在英國研究過實(shí)驗(yàn)心理學(xué)和人工智能，想知道機(jī)器是否可以學(xué)習(xí)，是否可以與人類類似的方式處理信息。

他與同事Terrence Sejnowski一起，利用統(tǒng)計(jì)物理學(xué)的思想擴(kuò)展霍普菲爾德網(wǎng)絡(luò)。

統(tǒng)計(jì)物理學(xué)描述由許多相似元素組成的系統(tǒng)，例如氣體中的分子。

追蹤氣體中的所有單獨(dú)分子是困難或不可能的，但可以將它們集中考慮以確定氣體的壓力或溫度等總體特性。

氣體分子有許多潛在的方式以各自的速度在其體積中擴(kuò)散，可以使用統(tǒng)計(jì)物理學(xué)來分析各個(gè)組件可以共同存在的狀態(tài)，并計(jì)算它們發(fā)生的概率。

十九世紀(jì)物理學(xué)家路德維�！げ柶澛梅匠堂枋隽擞行顟B(tài)比其他狀態(tài)更有可能發(fā)生。

Hinton利用了該方程，提出玻爾茲曼機(jī)。

玻爾茲曼機(jī)與今天的深度神經(jīng)網(wǎng)絡(luò)一樣，可以從例子中學(xué)習(xí)，通過更新網(wǎng)絡(luò)連接中的值來進(jìn)行訓(xùn)練。

最初版本的玻爾茲曼機(jī)效率相當(dāng)?shù)停?span style="color:rgb(0,153,127);">到20世紀(jì)90年代，許多研究人員對人工神經(jīng)網(wǎng)絡(luò)失去了興趣，Hinton是少數(shù)堅(jiān)持下來的人。

到2006年，他和同事們一起在玻爾茲曼機(jī)的基礎(chǔ)上開發(fā)了“深度信念網(wǎng)絡(luò)”（Deep Belief Nets），其中提出了無監(jiān)督的逐層訓(xùn)練方法，后來成為深度學(xué)習(xí)的基礎(chǔ)。

在最后，諾貝爾獎委員會提到，Hopfield和Hinton兩人在80年代的工作為2010年左右開始的機(jī)器學(xué)習(xí)革命奠定了基礎(chǔ)。

物理學(xué)為機(jī)器學(xué)習(xí)的發(fā)展貢獻(xiàn)了工具，相應(yīng)的，現(xiàn)在機(jī)器學(xué)習(xí)也惠及了物理研究。

例如，機(jī)器學(xué)習(xí)長期應(yīng)用于希格斯粒子發(fā)現(xiàn)等諾獎?lì)I(lǐng)域，用于處理海量數(shù)據(jù);它還可用于減少引力波測量中的噪聲，或搜尋系外行星。

近年來，這項(xiàng)技術(shù)還開始被用于計(jì)算和預(yù)測分子及材料的性質(zhì)，如計(jì)算決定蛋白質(zhì)功能的分子結(jié)構(gòu)，或設(shè)計(jì)性能更佳、可用于高效太陽能電池的新型材料。

One More Thing

眾所周知，作為深度學(xué)習(xí)三巨頭之一的Hinton，也是2018年圖靈獎得主。

往前看，在Hinton之前，同樣一手諾貝爾獎一手圖靈獎的科學(xué)家，有且僅有一位。

赫伯特·亞歷山大·西蒙（Herbert Alexander Simon，中文名司馬賀）。

與Hinton一樣，西蒙也是先拿圖靈獎，再拿諾貝爾獎——

1975年，西蒙和艾倫·紐厄爾（Allen Newell）因在人工智能、人類心理識別和列表處理等方面進(jìn)行的基礎(chǔ)研究，榮獲圖靈獎。

（他倆是符號主義的創(chuàng)始人和代表人物，提出了物理符號系統(tǒng)假說）

1978年，西蒙因?yàn)椤坝邢蘩硇哉f”和“決策理論”獲諾貝爾經(jīng)濟(jì)學(xué)獎。

本文來源：量子位

網(wǎng)友評論

聚超值•精選

推薦 手機(jī) 筆記本 影像 硬件 家居 商用 企業(yè) 出行 未來
    • 二維碼 回到頂部