A Asemblea Nobel outorga o Premio Nobel na categoría de Física desde 2024 a John Hopfield e Geoffrey Hinton polos seus “descubrimentos que permiten a aprendizaxe automática con redes neuronais artificiais”.
Segundo a Academia, ambos investigadores desenvolveron ferramentas da física claves para crear métodos que constitúen a base da potente aprendizaxe automática. John Hopfield mediante o deseño dunha memoria asociativa que pode almacenar e reconstruír e outros tipos de patróns nos datos e, no caso de Geoffrey Hinton, grazas á invención dun método capaz de atopar propiedades nos datos e realizar tarefas como identificar elementos concretos en imaxes.
Todo o mundo coñece a capacidade das computadoras para traducir entre idiomas, interpretar imaxes e mesmo manter conversacións razoables. O que se coñece moito menos é a importancia deste tipo de tecnoloxía para a investigación, incluída a análise de inmensas cantidades de datos. O desenvolvemento da aprendizaxe automática disparouse nos últimos vinte anos e utiliza unha estrutura chamada rede neuronal artificial, a cal coñecemos por outro nome: trátase da intelixencia artificial e, aínda que os ordenadores non poden pensar, si demostran que poden imitar funcións como a memoria e a aprendizaxe.
Segundo a Asemblea dos Nobel, os galardoados deste ano na categoría de Física contribuíron a facer isto posible: “Empregando conceptos e métodos da física, desenvolveron tecnoloxías que utilizan estruturas en redes para procesar a información”. O seu traballo pioneiro é a base de todo o que coñecemos hoxe en día como IA.
Copiando a estrutura do cerebro
Cando falamos de intelixencia artificial, a miúdo referímonos a aprendizaxe automática mediante redes neuronais artificiais. Esta tecnoloxía inspirouse orixinalmente na estrutura do cerebro. Nunha rede neuronal artificial, as neuronas do cerebro están representadas por nodos que teñen diferentes valores. Estes nodos inflúense mutuamente a través de conexións que poden asimilarse á sinapse e que poden fortalecerse ou debilitarse.
A rede adéstrase, por exemplo, desenvolvendo conexións máis fortes entre nodos con valores simultaneamente altos. Ambos investigadores realizaron importantes traballos con redes neuronais artificiais desde a década de 1980.
Un legado imprescindible
John Hopfeld inventou unha rede que utiliza un método para gardar e recrear patróns. Podemos imaxinar os
nodos como píxeles. A rede de Hopfeld emprega a física que describe as características dun material debido ao seu espín atómico, unha propiedade que fai de cada átomo un pequeno imán. A rede no seu conxunto descríbese dun xeito equivalente á enerxía do sistema de espín que se atopa na física, e adéstrase atopando valores para as conexións entre os nodos para que as imaxes gardadas teñan pouca enerxía. Cando a rede Hopfeld atopa unha imaxe distorsionada ou incompleta, percorre metodicamente os nodos e actualiza os seus valores para que a enerxía da rede diminúa. Deste xeito, a rede vai paso a paso para atopar a imaxe gardada máis parecida á imaxe imperfecta.
Geoffrey Hinton empregou a rede deseñada por Hopfeld como base para unha nova rede: a máquina de Boltzmann. Esta pode aprender a recoñecer elementos característicos nun determinado tipo de datos. Hinton utilizou ferramentas da física estatística, a ciencia dos sistemas construídos a partir de moitos compoñentes similares. A máquina aliméntase con exemplos que é moi probable que xurdan cando se pon en marcha o seu funcionamento. Esta rede pode empregarse para clasificar imaxes ou crear novos exemplos do tipo de patrón para o que foi adestrada. Dende a Asemblea subliñan a importancia destes traballos pioneiros, a base da actual intelixencia artificial: «En física usamos redes neuronais artificiais nunha ampla gama de áreas, como o desenvolvemento de novos materiais con propiedades específicas», destaca Ellen Moons, Presidenta do Comité Nobel de Física.