Nobel de Física para os que desenvolveron a base de sistemas de intelixencia artificial
John J. Hopfield e Geoffrey E. Os investigadores Hinton recibirán o Premio Nobel de Física polos seus descubrimentos baseados en redes neuronais artificiais, esenciais para o desenvolvemento de sistemas de aprendizaxe automática.
Segundo a Academia Nobel, os premiados deste ano utilizaron as ferramentas da física para desenvolver métodos que son a base dos poderosos estudos automáticos actuais. John Hopfield creou unha memoria asociativa que pode almacenar e reconstruír imaxes e outros tipos de patróns a modo de datos. Geoffrey Hinton, pola súa banda, inventou un método que pode atopar propiedades nos datos de forma autónoma, o que lle permite, por exemplo, identificar elementos específicos nas imaxes.
Detrás do que se denomina intelixencia artificial, normalmente atópase a aprendizaxe automática a través de redes neuronais artificiais. Nos seus inicios, esta tecnoloxía inspirouse na estrutura do cerebro. Dalgunha maneira, nunha rede de neuronas artificiais, as neuronas cerebrais represéntanse mediante nodos e as sinapsis represéntanse mediante conexións débiles ou fortes. Así mesmo, a rede adéstrase, creando conexións máis fortes entre uns nodos e, entre outros, máis débiles.
En realidade, esta analogía viña de antes, desde a década de 1940. Na década de 1960, con todo, algúns traballos teóricos suxeriron que esta vía non tería éxito. Con todo, a física tamén deu a clave para entender e utilizar os novos fenómenos.
Rede de Hopfield e máquina Boltzmann
En concreto, John Hopfield creou en 1982 unha rede baseada na memoria asociativa. En concreto, creou un método para gardar e recrear patróns. De feito, observou que os sistemas que teñen moitos elementos pequenos que interactúan entre si poden xerar novos fenómenos. En particular, aproveitou o apreso cos materiais magnéticos, que grazas ao seu spin atómico teñen características especiais. Hopfield creou o seu método a partir da interacción dos espines dos átomos circundantes. Así, cando a rede de Hopfield aliméntase dunha imaxe incompleta, a rede actualiza os seus valores e é capaz de atopar a imaxe gardada e crear unha imaxe completa.
Cando Hopfeld publicou un artigo sobre a memoria asociativa, Geofrey Hinton estaba a traballar na Universidade de Mellon, en Carnegie Pittsburgh (EE.UU.). Anteriormente estudara psicoloxía experimental e artificial e quería saber se as máquinas, como as persoas, podían aprender a procesar patróns. Xunto ao seu compañeiro Terrence Sejnowski, comezou a traballar coa rede de Hopfeld, e a partir de aí, creou un novo método utilizando as ideas da física estadística. Este método foi publicado en 1985 baixo o nome de Máquina Boltzmann.
A máquina Boltzmann utilízase habitualmente con dous tipos de nodos. Un deles (nodos espectaculares) aliméntase de información e o outro forma unha capa secreta. Os valores e conexións dos nodos ocultos participan na enerxía de toda a rede. A máquina funciona establecendo unha regra de actualización simultánea dos valores dos nodos. De feito, Boltzmann é o antecedente dos modelos de máquinas creativas. E aínda que na década de 1990 os investigadores perderon interese nas redes neuronais artificiais, Hinton seguiu mellorando o seu método e outros investigadores tomaron como base. Mediante o pre-adestramento, conseguiron que sexa moito máis eficiente.
Hopfeld e Hinton puxeron os alicerces sobre os que sustentar o desenvolvemento sorprendente dos sistemas de aprendizaxe automática na actualidade, e por iso o Comité Nobel de Física decidiu premiar aos mesmos. Entre os exemplos citados pola Comisión atópanse, por exemplo, o prognóstico da estrutura molecular das proteínas ou o desenvolvemento de materiais para a creación de células solares máis eficientes.
Zu idazle
Zientzia aldizkaria
