შვედეთის მეცნიერებათა სამეფო აკადემიის გადაწყვეტილებით, 2024 წლის ნობელის პრემია ფიზიკაში გადაეცემათ ამერიკელ ჯონ ჰოპფილდს და კანადელ ჯეფრი ჰინტონს „იმ ფუნდამენტური აღმოჩენებისა და გამოგონებებისთვის, რომლებმაც შესაძლებელი გახადა მანქანური სწავლება ხელოვნური ნერვული ქსელებით“.

ფიზიკაში ნობელის პრემიის წლევანდელმა ლაურეატებმა ფიზიკის გამოყენებით შექმნეს მეთოდები, რომლებიც დღევანდელი უმძლავრესი მანქანური სწავლების საფუძველს წარმოადგენს.

ჯონ ჰოპფილდმა შექმნა ასოციაციური მეხსიერება, რომელსაც შეუძლია სურათებისა და სხვა ტიპის შაბლონების შენახვა და რეკონსტრუქცია მონაცემებში.

ჯეფრი ჰინტონმა გამოიგონა მეთოდი, რომელსაც შეუძლია, დამოუკიდებლად იპოვოს თავისებურებები მონაცემებში და შესაბამისად, შეასრულოს ისეთი დავალებები, როგორიც არის თუნდაც კონკრეტული ელემენტების გამოვლენა სურათებში.

როდესაც ხელოვნურ ინტელექტზე ვსაუბრობთ, ხშირად ეს ნიშნავს მანქანურ სწავლებას ხელოვნური ნერვული ქსელების გამოყენებით. ამ ტექნოლოგიის თავდაპირველი შთაგონების წყარო გახდა თავის ტვინის სტრუქტურა. ხელოვნურ ნერვულ ქსელში, ტვინის ნეირონებს განასახიერებს სხვადასხვა მნიშვნელობის მქონე კვანძები. ეს კვანძები ერთმანეთზე ზემოქმედებს კავშირების მეშვეობით, რომლებიც შეიძლება შევადაროთ სინაფსებს და რომლებიც შეიძლება იყოს სუსტი ან ძლიერი.

მაგალითად, ქსელი „იწვრთნება“ ერთდროულად მაღალი მნიშვნელობის კვანძებს შორის უფრო ძლიერი კავშირების შექმნით. ამ წლის ნობელიანტებმა, 1980-ანი წლებიდან მოყოლებული, მნიშვნელოვანი სამუშაოები ჩაატარეს ხელოვნურ ნერვულ ქსელებთან.

ჯონ ჰოპფილდმა გამოიგონა ქსელი, რომელიც იყენებს მახასიათებელთა შენახვისა ხელახლა შექმნის მეთოდს. კვანძი შეგვიძლია პიქსელის სახით წარმოვიდგინოთ. ჰოპფილდის ქსელი იყენებს ფიზიკას, რომელიც აღწერს მასალის ატომური ბრუნვით გამოწვეულ მახასიათებლებს — ეს სწორედ ის თვისებაა, რომელიც ყოველ ატომს ციცქნა მაგნიტად აქცევს. მთლიანად ქსელი აღიწერება ფორმით, რომელიც ფიზიკაში ბრუნვის სისტემის ენერგიის ეკვივალენტია; და იწვრთნება კვანძებს შორის კავშირების მნიშვნელობათა პოვნით ისე, რომ შენახულ სურათებს დაბალი ენერგია აქვთ. როდესაც ჰოპფილდის ქსელში დამახინჯებულ ან არასრულ სურათს შევიტანთ, ის მეთოდოლოგიურად მუშაობს კვანძებში და აახლებს მათ მნიშვნელობებს ისე, რომ ქსელის ენერგია ეცემა. ამრიგად, ქსელი ეტაპობრივად მუშაობს, რათა იპოვოს ის შენახული სურათი, რომელიც ყველაზე მეტად ჰგავს მასში შეტანილ არასრულყოფილ სურათს.

ჯეფრი ჰინტონმა ჰოპფილდის ქსელი გამოიყენა საფუძვლად ქსელისა, რომელიც სხვანაირ მეთოდს იყენებს — მას ბოლცმანის მანქანას უწოდებენ. შეუძლია ისწავლოს დამახასიათებელი ელემენტების ამოცნობა მოცემული ტიპის მონაცემებში. ჰინტონმა სტატისტიკური ფიზიკის ხელსაწყოები გამოიყენა — სისტემების მეცნიერების, რომელიც მრავალი მსგავსი კომპონენტისგანაა აგებული. მანქანა იწვრთნება მასში ისეთი მაგალითების შეყვანით, რომლებიც ყველაზე დიდი ალბათობით გაჩნდება, როცა მანქანა მუშაობს. ბოლცმანის მანქანის გამოყენება შესაძლებელია სურათების კლასიფიცირების ან იმ შაბლონის ტიპის ახალ მაგალითთა შესაქმნელად, რომლითაც ის გაიწვრთნა. ჰინტონის ეს შრომა მანქანური სწავლების ამჟამინდელი ბუმის დაწყებას დაეხმარა.

მომზადებულია nobelprize.org-ის მიხედვით.