Ученый рассказал, что лежит в основах нейросетей нобелевских лауреатов

Их основами стали физические принципы, сообщил директор центра когнитивного моделирования МФТИ Александр Панов

МОСКВА, 8 октября. /ТАСС/. Вручение Нобелевской премии по физике за создание нейросетей можно объяснить тем, что основой и вдохновением для систем машинного обучения Джеффри Хинтона и Джона Хопфилда послужили те принципы, которые отвечают за минимизацию энергии в сложно устроенных физических системах. Об этом ТАСС сообщил директор центра когнитивного моделирования МФТИ Александр Панов.

"Мое объяснение данной неожиданной Нобелевской премии заключается в том, что те методы, которые разрабатывали Хинтон и Хопфилд, используют базовые физические принципы по минимизации энергии. Они смогли математически описать этот процесс через взаимодействия множества простейших элементов и связать процесс хранения и запоминания информации с данными базовыми физическими понятиями", - пояснил Панов, занимающий также должность директора лаборатории Института искусственного интеллекта AIRI.

Наличие подобной подоплеки в исследованиях Хинтона и Хопфилда, как считает исследователь, позволило Нобелевскому комитету связать с физикой одно из важнейших достижений в области прикладной математики и компьютерных наук и вручить за нее премию. При этом Панов отметил, что биологи часто не соглашаются с подобной трактовкой и считают, что разработки нобелевских лауреатов повторяют то, как устроены некоторые отделы мозга и протекают многие процессы в нервной системе.

В беседе с ТАСС руководитель научной группы РКЦ "Квантовые информационные технологии", директор Института физики и квантовой инженерии Университета МИСИС Алексей Федоров заявил, что достижения лауреатов этого года действительно связаны с физикой. "С одной стороны, предложенные модели машинного обучения, например, ограниченные машины Больцмана тесно связаны со статистической физикой, а на следующем этапе своего развития - с квантовыми компьютерами, которые могут быть использованы для их обучения. С другой стороны, сегодня машинное обучение является важным инструментом физических исследований. Например, мы используем машинное обучение при разработке квантового компьютера - для решения задач калибровки и управления квантовой системой", - прокомментировал Федоров.

По словам научного директора Российского квантового центра (РКЦ), руководителя группы "Квантовые симуляторы и интегрированная фотоника" РКЦ Алексея Акимова, сегодня машинное обучение находит массу полезных применений, и даже простейшие методы машинного обучения могут существенно помогать исследователям в их работе. "Сегодня машинное обучение находит массу полезных применений. В том числе в науке, где всегда много сложных, пока еще нерешенных задач. Даже простейшие методы машинного обучения могут существенно помогать исследователям в их работе. Например, в Российском квантовом центре исследователи использовали машинное обучение для получения первого в мире конденсата Бозе-Энштейна атомов тулия", - рассказал ученый. Конденсат Бозе-Эйнштейна - первый шаг на пути к созданию квантового симулятора на холодных атомах, напомнил он. "Позже, оптимизируя число атомов в полученном конденсате, исследователи уже сами начали учиться у машины и обнаружили неизвестный эффект, исходя из действий машины", - рассказал Акимов.

О Нобелевской премии по физике

Нобелевская премия в области физики за 2024 год присуждена американцу Хопфилду и канадскому ученому британского происхождения Хинтону за открытия в сфере машинного обучения. Ученые стали лауреатами премии за фундаментальные открытия и изобретения, обеспечивающие обучение машин с помощью искусственных нейронных сетей, говорится в мотивировочной части решения комитета.