حصل العالمان "جون جيه هوبفيلد"، الأستاذ بجامعة برينستون بنيوجيرسي، الولايات المتحدة الأمريكية، و"جيفري إى هينتون"، الأستاذ بجامعة تورنتو بكندا على جائزة نوبل في الفيزياء لعام 2024 بسبب اكتشافاتهم واختراعاتهم فى مجال التعلم الآلي باستخدام الشبكات العصبية الاصطناعية، حيث استخدم الحائزان على جائزة نوبل في الفيزياء لهذا العام أدوات من الفيزياء لتطوير أساليب تشكل الأساس للتعلم الآلي القوي اليوم.
وابتكر جون هوبفيلد ذاكرة ارتباطية يمكنها تخزين وإعادة بناء الصور وأنواع أخرى من الأنماط في البيانات، فيما اخترع جيفري هينتون طريقة يمكنها العثور بشكل مستقل على خصائص في البيانات، وبالتالي أداء مهام مثل تحديد عناصر معينة في الصور.
أجرى الحائزون على جائزة نوبل لهذا العام أعمالًا مهمة مع الشبكات العصبية الاصطناعية منذ الثمانينيات فصاعدًا، حيث يتم تمثيل الخلايا العصبية في الدماغ بواسطة عقد لها قيم مختلفة، تؤثر هذه العقد على بعضها البعض من خلال الاتصالات التي يمكن تشبيهها بالمشابك والتي يمكن جعلها أقوى أو أضعف، حيث يتم تدريب الشبكة من خلال تطوير اتصالات أقوى بين العقد ذات القيم العالية في نفس الوقت.
اخترع جون هوبفيلد شبكة تستخدم طريقة لحفظ وإعادة إنشاء الأنماط، وتستخدم شبكة هوبفيلد الفيزياء التي تصف خصائص المادة بسبب دورانها الذري، وهي الخاصية التي تجعل كل ذرة مغناطيسًا صغيرًا.
يتم وصف الشبكة ككل بطريقة تعادل الطاقة في نظام الدوران الموجود في الفيزياء، ويتم تدريبها من خلال إيجاد قيم للاتصالات بين العقد بحيث تكون الصور المحفوظة منخفضة الطاقة.
عندما يتم تغذية شبكة هوبفيلد بصورة مشوهة أو غير كاملة، فإنها تعمل بشكل منهجي من خلال العقد وتحديث قيمها بحيث تنخفض طاقة الشبكة.
وبالتالي تعمل الشبكة على مراحل للعثور على الصورة المحفوظة التي تشبه إلى حد كبير الصورة غير الكاملة التي تم تغذيتها بها.
فيما استخدم جيفري هينتون شبكة هوبفيلد كأساس لشبكة جديدة تستخدم طريقة مختلفة: آلة بولتزمان، ويمكن لهذه الشبكة أن تتعلم التعرف على العناصر المميزة في نوع معين من البيانات.
واستخدم هينتون أدوات من الفيزياء الإحصائية، وهو علم الأنظمة المبنية من العديد من المكونات المتشابهة، ويتم تدريب الآلة عن طريق تزويدها بأمثلة من المرجح جدًا أن تنشأ عند تشغيل الآلة.
ويمكن استخدام آلة بولتزمان لتصنيف الصور أو إنشاء أمثلة جديدة لنوع النمط الذي تم تدريبها عليه، وبنى هينتون على هذا العمل، مما ساعد في بدء التطوير الهائل الحالي للتعلم الآلي.
