Il Premio Nobel per la fisica ai padri dell’apprendimento automatico: il riconoscimento a John Hopfield e Geoffrey E. Hinton, che per la prima volta hanno “addestrato” le reti neuronali
Il premio Nobel per la Fisica del 2024 è stato assegnato dall’Accademia svedese ai ricercatori John Hopfield e Geoffrey E. Hinton, i quali per la prima volta hanno “addestrato” le reti neuronali, aprendo la strada al “potente apprendimento automatico delle macchine”, quindi all’intelligenza artificiale.
L’americano John Hopfield, come si legge nella nota, “ha creato una memoria associativa in grado di archiviare e ricostruire immagini e altri tipi di modelli nei dati”. Quanto al britannico Geoffrey Hinton, “ha inventato un metodo in grado di trovare autonomamente proprietà nei dati e quindi eseguire attività come l’identificazione di elementi specifici nelle immagini”.
“Il lavoro dei premiati ha già portato grande beneficio. In fisica utilizziamo reti neurali artificiali in una vasta gamma di aree, come lo sviluppo di nuovi materiali con proprietà specifiche”, afferma Ellen Moons, presidente del Comitato Nobel per la Fisica.
L’Accademia di Svezia prosegue: “Quando parliamo di intelligenza artificiale, spesso intendiamo l’apprendimento automatico tramite reti neurali artificiali. Questa tecnologia è stata originariamente ispirata dalla struttura del cervello. In una rete neurale artificiale, i neuroni del cervello sono rappresentati da nodi che hanno valori diversi. Questi nodi si influenzano a vicenda attraverso connessioni che possono essere paragonate alle sinapsi e che possono essere rafforzate o indebolite. La rete viene addestrata, ad esempio sviluppando connessioni più forti tra nodi con valori simultaneamente elevati. I vincitori di quest’anno hanno condotto importanti lavori con reti neurali artificiali dagli anni ’80 in poi”.
L’Accademia continua: “John Hopfield ha inventato una rete che utilizza un metodo per salvare e ricreare pattern. Possiamo immaginare i nodi come pixel. La rete di Hopfield utilizza la fisica che descrive le caratteristiche di un materiale grazie al suo spin atomico, una proprietà che rende ogni atomo un piccolo magnete. La rete nel suo insieme è descritta in un modo equivalente all’energia nel sistema di spin trovato in fisica, ed è addestrata trovando valori per le connessioni tra i nodi in modo che le immagini salvate abbiano bassa energia. Quando alla rete di Hopfield viene fornita un’immagine distorta o incompleta, lavora metodicamente attraverso i nodi e aggiorna i loro valori in modo che l’energia della rete diminuisca. La rete lavora quindi a tappe per trovare l’immagine salvata che è più simile a quella imperfetta con cui è stata alimentata”.
Quanto a Geoffrey Hinton, “ha utilizzato la rete di Hopfield come base per una nuova rete che utilizza un metodo diverso: la macchina di Boltzmann. Questa può imparare a riconoscere elementi caratteristici in un dato tipo di dati. Hinton ha utilizzato strumenti della fisica statistica, la scienza dei sistemi costruiti da molti componenti simili. La macchina viene addestrata fornendole esempi che molto probabilmente si presenteranno quando la macchina viene lanciata in esecuzione. La macchina di Boltzmann può essere utilizzata per classificare immagini o creare nuovi esempi del tipo di pattern su cui è stata addestrata. Hinton ha sviluppato questo lavoro, contribuendo ad avviare l’attuale sviluppo esplosivo dell’apprendimento automatico”.