Объявлены лауреаты Нобелевской премии по физике 2024 года На этой неделе проходит объявление лауреатов Нобелевской премии этого года. Вчера, 8 октября, были объявлены лауреаты Нобелевской премии по физике. Ими стали американский ученый Джон Хопфилд и британско-канадский ученый Джеффри Хинтон за "основополагающие открытия и изобретения, которые сделали возможным машинное обучение с использованием искусственных нейросетей". Джон Дж. Хопфилд родился в 1933 году в Чикаго, штат Иллинойс, США. PhD 1958 года, Корнельский университет, Итака, штат Нью-Йорк, США. Профессор Принстонского университета, штат Нью-Джерси, США. Джеффри Э. Хинтон, родился в 1947 году в Лондоне, Великобритания. PhD 1978 года, Эдинбургский университет, Великобритания. Профессор Университета Торонто, Канада. "Работа лауреатов уже принесла огромную пользу. В физике мы используем искусственные нейросети в широком спектре областей, таких как разработка новых материалов с определенными свойствами", - отметила Эллен Мунс, председатель Нобелевского комитета по физике. На пресс-конференции после сообщения о присуждении премии Хинтон назвал свою работу над нейронными сетями революционной, но также выразил беспокойство по поводу ее возможного применения в будущем. Он сказал, что не сожалеет о своих открытиях и готов сделать их снова. «Но меня беспокоит, что в результате этого могут появиться системы, более интеллектуальные, чем мы, которые в конечном итоге возьмут управление в свои руки», — отметил ученый. Заметим, что Нобелевский комитет сопровождает свои объявления двумя подробными текстами с обоснованием сделанного выбора. Один текст (popular information) предназначен для широкой публики, другой (advanced information/scientific background) для научного сообщества (хотя он тоже написан в популярном стиле). Соответствующие два текста с обоснованием премии по физике можно прочитать, перейдя по следующим ссылкам: Popular science background: They used physics to find patterns in information, Scientific background: “For foundational discoveries and inventions that enable machine learning with artificial neural networks”. Упрощенный краткий вариант сути исследований ученых можно почитать в официальном пресс-релизе Нобелевского комитета. Следует отметить, что в этом году Нобелевскому комитету пришлось решать непростую задачу: показать, что эти безусловно выдающиеся работы относятся к физике, а не к прикладной математике. Свое обоснование комитет строит на неоднократном упоминании того, что идеи развиваемых методов лауреаты почерпнули именно из аналогий с процессами в реальном физическом мире. Насколько это удалось сделать, судите сами. Ниже (в Подробнее) приведем также статью научного корреспондента русской службы Би-би-си Николая Воронина "Что такое нейросети и как им помогли нобелевские лауреаты". Download:
"Что такое нейросети и как им помогли нобелевские лауреаты" Вам наверняка доводилось пользоваться автоматическим компьютерным переводом, распознавать текст документа или даже вести относительно связную беседу с машиной. Все это — примеры повседневного применения технологии, которая уже давно играет важную роль в научных исследованиях, беря на себя анализ огромных объемов данных и их сортировку в соответствии с заданными параметрами. За последние 15-20 лет отрасль машинного обучения переживает бурный рост, в особенности в том, что касается технологий, работающих на основе искусственно созданных человеком нейронных сетей. Именно их чаще всего имеют в виду, говоря об искусственном интеллекте. Хотя мыслить самостоятельно компьютер, конечно же, не может, на сегодняшний день нейросеть уже вполне способна имитировать такие функции человеческого мозга, как память и обучение. В значительной степени это стало возможно благодаря новоиспеченным нобелевским лауреатам. Взяв за основу фундаментальные принципы физики, Хинтон и Хопфилд разработали алгоритмы, позволяющие использовать структуру машинных сетей для обработки информации, что позволяет программе обучаться и совершенствоваться самостоятельно, уже без помощи человека. Привычное нам программное обеспечение использует набор уже готовых алгоритмов, которые можно сравнить с кулинарным рецептом: это инструкция о том, как смешать заданный набор ингредиентов в заданных же количествах, чтобы получить необходимый результат. Нейросети учатся не на конкретных рецептах, а на обобщенных примерах (допустим, взятых из разных кулинарных книг), что делает их значительно более гибкими, позволяя решать задачи, которые для пошаговых инструкций могут быть слишком сложны и расплывчаты. Например, проанализировать фотографию и определить, что именно на ней изображено. |
Belarusian Nuclear Education and Training Portal - BelNET
