W tym roku uhonorowano Johna J. Hopfielda (USA) i Geoffreya E. Hintona (Kanada), którzy wykorzystali podstawowe koncepcje i metody fizyki do opracowania metod, będących obecnie podstawą uczenia maszynowego. John Hopfield stworzył pamięć asocjacyjną, która może przechowywać i rekonstruować obrazy i inne typy wzorów w danych. Geoffrey Hinton wynalazł metodę, która może autonomicznie znaleźć właściwości w danych, a tym samym wykonywać zadania, takie jak identyfikowanie określonych elementów na zdjęciach.

Przyznanie nagrody komentuje dr Tomasz Stebel z Zakładu Teorii Cząstek Instytutu Fizyki Teoretycznej Wydziału Fizyki, Astronomii i Informatyki Stosowanej UJ, który na co dzień zajmuje się m.in. zastosowaniami uczenia maszynowego w fizyce teoretycznej.

W ramach komentarza do Nagrody Nobla z fizyki w 2024 roku oddamy głos ChatGPT, który jest dzieckiem badań, które doprowadziły do jej przyznania:

"Prace Johna Hopfielda i Geoffreya Hintona były kluczowe dla rozwoju sztucznej inteligencji i sieci neuronowych, kształtując współczesne technologie oparte na deep learningu. Warto dodać, że John Joseph Hopfield jest synem polsko-amerykańskiego fizyka o tym samym imieniu, który urodził się jako Jan Józef Chmielewski w Płocku w 1891 roku.

W 1982 roku Hopfield zaproponował sieć Hopfielda, będącą rodzajem rekurencyjnej sieci neuronowej. Jego model umożliwia zapamiętywanie i rozpoznawanie wzorców na zasadzie minimalizacji funkcji energii. Sieci te można wykorzystywać do pamięci asocjacyjnej i rozwiązywania problemów optymalizacyjnych, jak problem komiwojażera. Hopfield zrewolucjonizował myślenie o sztucznych sieciach neuronowych, łącząc je z fizyką (mechanika statystyczna), co pozwoliło symulować działanie pamięci w sposób zbliżony do biologicznych mózgów.

Geoffrey Hinton wniósł fundamentalny wkład w rozwój głębokich sieci neuronowych. Jego praca nad algorytmem wstecznej propagacji błędów w latach 80. umożliwiła trenowanie wielowarstwowych sieci, co otworzyło drogę do rozwoju głębokiego uczenia. Hinton wniósł również znaczący wkład w rozwój ograniczonych maszyn Boltzmanna (RBM), wykorzystywanych do redukcji wymiarowości danych. Przełom nastąpił w 2012 roku, kiedy Hinton z zespołem opracował model AlexNet, który znacznie poprawił wyniki w konkursach rozpoznawania obrazów (np. ImageNet), zapoczątkowując erę głębokiego uczenia i jego szerokich zastosowań.

Prace obu naukowców są kamieniami milowymi w rozwoju sztucznej inteligencji, a ich modele mają dziś zastosowanie w różnych dziedzinach technologii, od robotyki po autonomiczne pojazdy i przetwarzanie języka".

Obecnie na Uniwersytecie Jagiellońskim prowadzone są badania zarówno nad rozwojem sztucznej inteligencji, jak i zastosowaniem jej w różnych dziedzinach nauki. Grupa badawcza, której jestem częścią, prowadzi badania nad zastosowaniem głębokich sieci neuronowych w fizyce statystycznej oraz fizyce kwantowej. Nowoczesne technologie sieci neuronowych, rozwijane w celach komercyjnych, nierzadko okazują się przełomowym narzędziem również w nauce. Czas pokaże, jak wielką rewolucję obecnie obserwujemy.