Spaudos centras
Spaudos centras
Antradienį Švedijos karališkoji mokslų akademija Stokholme 2024 m. Nobelio fizikos premiją skyrė Prinstono (JAV) universiteto profesoriui Johnui Hopfieldui ir Toronto universiteto (Kanada) profesoriui Geoffrey Hintonui už fundamentalius atradimus, leidžiančius atlikti mašininio mokymosi užduotis naudojant dirbtinius neuronų tinklus. Pasak Vilniaus universiteto (VU) Fizikos fakulteto Cheminės fizikos instituto docento dr. Stepo Toliauto, apdovanoti mokslininkai pritaikė fizikos mokslo principus, kurie išpopuliarino dirbtinių neuronų tinklų panaudojimą sudėtingų duomenų (pvz., vaizdų) analizei; dėl minėtų atradimų šiandien neuronų tinklai yra esminė dirbtinio intelekto sistemų dalis.
„Dirbtiniai neuronų tinklai yra matematiniai algoritmai, kurių idėja paimta iš biologijos, tiksliau, gyvūnų nervų sistemos ir smegenų sandaros; dirbtinius neuronų tinklus galima įsivaizduoti kaip daugelio sujungtų neuronų rinkinį. Kad tinklas teisingai atliktų jam skirtą užduotį, jį reikia apmokyti – rasti tinkamiausią tinklo struktūrą, t. y. neuronų skaičių, jų jungtis ir šių jungčių stiprumą. Prof. J. Hopfieldo ir prof. G. Hintono darbai leido efektyviai optimizuoti neuronų tinklų struktūrą, už ką jiems šiemet ir buvo suteikta Nobelio fizikos premija“, – aiškina dr. S. Toliautas.
„Prof. J. Hopfieldas pasiūlė neuronų tinklo struktūrą, kurios mazgai sujungti tarpusavyje taip, kad tinklas veiktų kaip žmogaus asociatyvioji atmintis, t. y. atpažintų pageidaujamą objektą iš dalinės informacijos. Be to, jis panaudojo fizikoje plačiai vartojamą energijos sąvoką tinklo parametrų rinkiniui įvertinti; kuo geriau tinklas atlieka jam skirtą užduotį, tuo mažesnė yra jo energija. Hopfieldo tinklai leidžia, pvz., atkurti iš dalies pažeistą paveikslą pataisant prarastas detales“, – pasakoja ekspertas.
„Kitas Nobelio premijos laureatas, prof. G. Hintonas, dirbo su Boltzmanno mašinos tipo neuronų tinklais ir taip pat vertino jų energiją. Šiuo atveju geriausi tinklo parametrai randami atkartojant iš medžiagų mokslo ir statistinės fizikos žinomą atkaitinimo procesą; esant aukštai temperatūrai, tinklo struktūra gali keistis gana laisvai, o ją mažinant, parametrai – ir mažiausia energija – nusistovi pagal pateiktų mokymo duomenų reikšmes. Šio principo privalumas tas, kad galima rasti gerai veikiantį neuronų tinklą su daugybe parametrų, neieškant geriausios reikšmės kiekvienam atskiram elementui“, – pabrėžia dr. S. Toliautas.
Pasak VU mokslininko, prof. J. Hopfieldas jo vardu pavadintus tinklus tobulino iki šiol: jo 2016–2020 m. tyrimais yra pagrįsti vadinamieji šiuolaikiniai Hopfieldo tinklai, kuriuose galima saugoti didelius informacijos kiekius. Nors Boltzmanno mašinos šiandien tiesiogiai naudojamos retai, prof. G. Hintono darbai svarbūs tuo, kad jie išpopuliarino energija paremtus neuronų tinklų sandaros ir apmokymo modelius. Šiuo principu pagrįsti tinklai gali generuoti ir naują informaciją, pvz., kurti naujus paveikslus iš jų aprašymų.
„Šiuolaikiniai didelės apimties neuronų tinklai naudojami visur: nuo pokalbių robotų, tokių kaip „ChatGPT“, iki vaizdams analizuoti ar atpažinti skirtų specifinių įrankių. Pvz., medicinoje neuronų tinklai pasitarnauja magnetinio rezonanso tomografijos vaizduose ieškant reikšmingų dėsningumų“, – teigia dr. S. Toliautas.
Kaip tvirtina VU mokslininkas, automatinis duomenų analizės užduočių sprendimas atrodytų visai kitaip arba apskritai nebūtų įmanomas, jei prieš maždaug 40 metų prof. J. Hopfieldas ir prof. G. Hintonas nebūtų radę būdų, kaip optimizuoti dirbtinių neuronų tinklų koeficientus.
Laureatai gaus po aukso medalį, diplomą ir pasidalins 11 mln. Švedijos kronų (beveik 952 tūkst. eurų) piniginę premiją.