Новини

Всього : Фотографія :

Триває Нобелівський тиждень у КНУ. 8 жовтня 2024 року Шведська королівська академія наук нагородила Нобелівською премією з фізики Джона Гопфілда та Джеффрі Гінтон за фундаментальні відкриття та винаходи, що уможливлюють машинне навчання за допомогою штучних нейронних мереж.

На сайті нобелівської комісії зазначається, що двоє цьогорічних лавреатів Нобелівської премії з фізики використали інструменти фізики для розробки методів, які є основою сучасного потужного машинного навчання. Джон Гопфілд створив асоціативну пам'ять, яка може зберігати та реконструювати зображення та інші типи шаблонів у даних. Джеффрі Гінтон винайшов метод, який може автономно знаходити властивості в даних і виконувати такі завдання, як визначення конкретних елементів на зображеннях.

Що про цьогорічну премію з фізики говорять експерти Фізичного факультету КНУ? Ми поспілкувалися з в.о. завідувача та доцентом кафедри ядерної фізики та високих енергій, кандидатом фізико-математичних наук Русланом Єрмоленком:

Тема штучного інтелекту є досить популярною сьогодні, та, вживаючи цей термін, зазвичай мають на увазі машинне навчання, де системи самостійно вдосконалюються на основі даних, та глибоке навчання (анг. Deep Learning), що використовує багаторівневі нейронні мережі для складного аналізу даних.

Нейронна мережа, представлена Джоном Хопфілдом у 1982 році, є різновидом рекурентної нейронної мережі, яка стала основою для розуміння асоціативної пам’яті та оптимізаційних задач. Її структура, що складається з бінарних або безперервних елементів із симетричними ваговими зв’язками, дозволяє зберігати кілька шаблонів та ефективно відновлювати їх навіть з часткових або зашумлених вхідних даних. Ця здатність робить Хопфілдові мережі важливим інструментом для вивчення мінімізації енергії, фазових переходів та колективної поведінки в складних системах, що поєднує концепції фізики та обчислювальної нейронауки. Математична основа цих мереж, яка перегукується з моделями статистичної механіки, значно вплинула на дослідження у фізиці конденсованих середовищ та навіть в міждисциплінарних галузях, таких як оптимізація, а також в комерційному застосуванні. Їх важливість виходить за межі традиційної фізики, надаючи нові уявлення про обробку інформації та закладаючи основи для сучасних нейронних архітектур, що включають пам’ять та розпізнавання шаблонів.

Больцманівська машина, запропонована Джеффрі Гінтоном у 1985 році, є стохастичною рекурентною нейронною мережею, яка здатна вивчати складні розподіли ймовірностей завдяки своїй архітектурі та принципу енергетичної мінімізації. Важливість Больцманівських машин полягає в їх здатності моделювати складні системи, що мають багатокомпонентні залежності, роблячи їх корисними для задач узагальнення та відновлення прихованих структур у даних. Вони відіграють ключову роль у дослідженнях фізики нерівноважних систем, теорії статистичної механіки та слугують основою для сучасних моделей глибокого навчання (анг. Deep Learning), таких як генеративні мережі. Завдяки своїй здатності адаптуватися до різноманітних комбінацій вхідних даних, Больцманівські машини є важливим інструментом для дослідження когнітивних процесів та створення моделей, що здатні навчатися складним патернам і зв’язкам.

У фізиці високих енергій Хопфілдова мережа та машина Больцмана знаходять своє застосування для аналізу складних даних, отриманих у процесі експериментів, таких як зіткнення частинок. Хопфілдова мережа допомагає відновлювати інформацію з неповних даних, що є корисним у випадках із шумом або втратами даних, в той час, як машина Больцмана, завдяки ймовірнісним підходам сприяє пошуку прихованих закономірностей у величезних обсягах даних експериментів.

У своєму звіті, Нобелівський Комітет підкреслює важливість цього відкриття для розвитку фізики, зазначаючи що нейронні мережі покращили чутливість пошуку бозона Хігса у експериментах на Великому Електрон-Позитронному Колайдері (LEP) у 1990-х та були використані для аналізу даних що призвели до наукових відкриттів на Великому Адронному Колайдері (LHC). Також нейронні мережі були використані для досліджень топ кварку у Фермілабі в колаборації D0.

Варто зазначити, що членами колаборації D0 також є викладачі, науковці та колишні студенти й аспіранти кафедри ядерної фізики та високих енергій КНУ, а методи машинного навчання активно використовуються як в науковій діяльності, так і в навчальному процесі. На кафедрі ядерної фізики та високих енергій вже тривалий час викладаються методи машинного навчання в курсах «Програмно апаратні комплекси для фізики високих енергій» та «Сучасні комп’ютерні технології». Цього року колективом викладачів кафедри опубліковано навчальний посібник «Застосування технологій штучного інтелекту у фізиці високих енергій», студенти в наукових роботах активно використовують методи машинного навчання для обробки та аналізу даних у фізиці високих енергій та ядерній енергетиці, беруть участь у наукових конференціях, студентських конкурсах та мають публікації в рецензованих фахових виданнях (у тому числі рівня Q1) за тематикою використання методів машинного навчання в обробці експериментальних даних і цим гідно представляють наш Університет.

Щиро вітаємо колег з важливими відкриттями, які вже сьогодні приносять користь нашому суспільству та мають величезні перспективи для розвитку та застосування.

Нобелівський тиждень у КНУ – це серія коментарів КНУ-експертів про цьогорічні премії з фізіології та медицини, фізики, хімії, літератури, миру та економіки.

За матеріалами Фізичного факультету

Ілюстрації: Центр комунікацій КНУ, Нобелівський комітет

Центр комунікацій