Nobel z fizyki 2024 z polskim akcentem (WIDEO)

Od 1901 roku do dzisiaj Szwedzka Królewska Akademia Nauk wyróżniła Nagrodą Nobla z fizyki 224 wybitnych naukowców i odkrywców. Do tego znamienitego grona dołączyli w tym roku dwaj badacze: emerytowany profesor Uniwersytetu w Princeton, 91-letni amerykański fizyk John Joseph Hopfield oraz związany z Uniwersytetem w Toronto, 77-letni kanadyjsko-brytyjski informatyk Geoffrey Everest Hinton. Wartą odnotowania ciekawostką jest, że emerytowany profesor John J. Hopfield jest synem pochodzącego z Płocka amerykańskiego fizyka polskiego pochodzenia Johna Josepha Hopfielda i fizyczki Helen Hopfield. We wszystkich materiałach biograficznych ojciec tegorocznego laureata Nagrody Nobla z Fizyki jest przedstawiany jako polski naukowiec.

Na początku lat 80. XX wieku John J. Hopfield rozpoczął pracę nad analizą ludzkiego procesu myślenia i zapamiętywania. W 1982 roku wydał swoją pierwszą pracę z zakresu neurologii pt. „Sieci neuronowe i systemy fizyczne z wschodzącymi zbiorowymi zdolnościami obliczeniowymi”. Pioniersko przedstawił projekt sztucznej inteligencji, którą dzisiaj nazywamy siecią Hopfielda. Jest to przykład sieci ze sprzężeniem zwrotnym (tzw. sieć rekurencyjna), którą sam opisał jako: „rodzaj sztucznej sieci, która może służyć jako pamięć adresowalna treściowo, stworzona z neuronów binarnych, które mogą być włączone lub wyłączone”.

Rodzina zasłużona dla nauki

Z kolei Geoffrey Everest Hinton pochodzi z Wielkiej Brytanii. Urodził się 6 grudnia 1947 roku w Wimbledonie. On także pochodzi z rodziny o długich tradycjach naukowych. Jego ojciec był znanym entomologiem. Jest także prawnukiem wybitnego angielskiego matematyka George’a Boole’a, który w swojej słynnej rozprawie naukowej z 1954 roku rozważał czy arystotelesowskie prawa logiki mogą być przedmiotem rachunków oraz był twórcą teorii algebr Boole’a, czyli działu matematyki łączącego w sobie logikę, teorię porządku i algebrę abstrakcyjną. Geoffrey Everest Hinton jest krewnym Sir George’a Everesta, głównego geodety Indii w czasach panowania królowej Wiktorii, na którego cześć nadano najwyższej górze na naszej planecie nazwę Mount Everest. Na jego cześć rodzice nadali Geoffreyowi drugie imię Everest.

Wartą odnotowania ciekawostką jest, że emerytowany profesor John J. Hopfield jest synem pochodzącego z Płocka amerykańskiego fizyka polskiego pochodzenia Johna Josepha Hopfielda i fizyczki Helen Hopfield.

Co ciekawe zainteresowanie Geoffreya E. Hintona informatyką połączoną z psychologią poznawczą wywodzi się ze studiowania fizyki i fizjologii na Uniwersytecie Cambridge. Przez całe życie profesor Hinton nieustannie łączy różne dziedziny nauki, poszukując źródeł i mechanizmów procesu głębokiego uczenia. Pod koniec lat 80. ubiegłego wieku próbował rozwinąć badania nad komputerowymi sieciami neuronowymi w USA. Brak zainteresowania amerykańskich środowisk naukowych tym dziewiczym obszarem nauki spowodował, że w 1987 roku przyjął ofertę pracy w Canadian Institute of Advanced Research, gdzie pokierował programem Learning in Machines and Brain.

Cel: stworzyć program samouczący

Geoffreya E. Hintona zawsze fascynował problem tzw. głębokiego uczenia się, czyli tworzenia głębokich sieci neuronowych w maszynach. Uczenie głębokie, które w zależności od publikacji jest nazywane po angielsku „deep learning” lub „machine learning”, jest punktem wyjścia do tworzenia modeli i programów informatycznych symulujących zachowania częściowo inteligentne. W 1956 roku, na konferencji naukowej w Dartmouth, amerykański informatyk John McCarthy jako pierwszy nazwał nieco na wyrost takie programy mianem sztucznej inteligencji. Hinton skupił się na tworzeniu takich sieci neuronowych dla których myślenie maszynowe może się stać procesem samodzielnym. Oznacza to, że taka sieć neuronowa nie jest projektowana do konkretnych zadań, ale sama może „rozwijać” się do wyższego poziomu, który pozwoli jej na podstawie analizy odpowiedniego zbioru danych wykrywać skomplikowane wzorce danych wejściowych.

Uczenie głębokie, które w zależności od publikacji jest nazywane po angielsku „deep learning” lub „machine learning”, jest punktem wyjścia do tworzenia modeli i programów informatycznych symulujących zachowania częściowo inteligentne.

Geoffrey E. Hinton opublikował 200 prac dotyczących różnych sposobów wykorzystania sieci neuronowych w celu samodzielnego rozpoznawania, zapamiętywania i przetwarzania różnych symboli. Jest współtwórcą algorytmu „Forward-Forward” (FF), który wzorując się na zachowaniu ludzkich sieci neuronowych ułatwia maszynowym sieciom neuronowym proces samouczenia.

Maszyny myślące lepiej i szybciej od ludzi

Obaj tegoroczni laureaci Nagrody Nobla z fizyki od dziesięcioleci próbują zgłębić mechanizm zapamiętywania i przetwarzania informacji przez ludzki mózg. Ludzie uczą się bowiem w sposób ciągły, dostosowując te procesy do czasu rzeczywistego. Ale nie jest to wcale proces doskonały, bowiem propagacja wsteczna wymaga zapętlenia, co utrudnia nam zdolność do uczenia się w locie. Zaproponowany przez noblistów algorytm FF bezpośrednio eliminuje te ograniczenia w programach informatycznych. Jak zauważa informatyk Simone Giordani: „Działa nawet wtedy, gdy dokładne szczegóły obliczeń w przód są nieuchwytne”. FF umożliwia zatem bardziej wydajne niż u ludzi ciągłe uczenie się podczas przesyłania danych sekwencyjnych przez sieci neuronowe. Proces ten odbywa się bez konieczności zatrzymywania w celu propagacji pochodnej błędu lub zachowywania aktywności neuronowych. W ten sposób dążymy ku stworzeniu sztucznych układów zdolnych do myślenia, które śmiało możemy nazwać inteligentnymi, bowiem są zdolne samodzielnie postrzegać, analizować i adaptować się do zmian swojego otoczenia.

Fizyka Technologie Sztuczna Inteligencja IT algorytmy Informatyka

Pozostało 88% artykułu