Premio Nobel per la Fisica a Hopfield e Hinton, precursori degli studi sull’Intelligenza artificiale

L’Accademia Reale Svedese delle Scienze ha assegnato il premio Nobel per la Fisica a John J. Hopfield e Geoffrey E. Hinton per le scoperte e le invenzioni fondamentali che consentono l’apprendimento automatico con reti neurali artificiali.

I due premi Nobel per la fisica di quest’anno hanno utilizzato strumenti della fisica per sviluppare metodi che costituiscono le fondamenta dell’attuale e potente machine learning. John Hopfield ha creato una memoria associativa in grado di archiviare e ricostruire immagini e altri tipi di modelli nei dati. Geoffrey Hinton ha inventato un metodo in grado di trovare autonomamente proprietà nei dati e quindi eseguire compiti come identificare elementi specifici nelle immagini.

Quando parliamo di intelligenza artificiale, spesso intendiamo l’apprendimento automatico tramite reti neurali artificiali. Questa tecnologia è stata originariamente ispirata alla struttura del cervello. In una rete neurale artificiale, i neuroni del cervello sono rappresentati da nodi che hanno valori diversi. Questi nodi si influenzano a vicenda attraverso connessioni che possono essere paragonate alle sinapsi e che possono essere rese più forti o più deboli. La rete viene addestrata, ad esempio sviluppando connessioni più forti tra nodi con valori contemporaneamente elevati. I vincitori del premio Nobel per la Fisica di quest’anno hanno condotto un lavoro importante con le reti neurali artificiali dagli anni ’80 in poi.

John Hopfield ha inventato una rete neurale che utilizza un metodo per salvare e ricreare modelli. Possiamo immaginare i nodi come pixel. La rete Hopfield utilizza la fisica che descrive le caratteristiche di un materiale dovute alla sua rotazione atomica, una proprietà che rende ogni atomo un minuscolo magnete. La rete nel suo insieme è descritta in modo equivalente all’energia nel sistema di spin trovato in fisica, ed è ‘allenata’ trovando valori per le connessioni tra i nodi in modo che le immagini salvate abbiano bassa energia. Quando alla rete Hopfield viene fornita un’immagine distorta o incompleta, funziona metodicamente attraverso i nodi e aggiorna i loro valori in modo che l’energia della rete diminuisca. La rete lavora così per gradi per trovare l’immagine salvata che più somiglia a quella imperfetta con cui è stata alimentata.

Geoffrey Hinton ha utilizzato la rete Hopfield come base per una nuova rete che utilizza un metodo diverso: la macchina Boltzmann. Questa può imparare a riconoscere elementi caratteristici in un dato tipo di dati. Hinton ha utilizzato strumenti della fisica statistica, la scienza dei sistemi costruiti da molti componenti simili. La macchina viene addestrata fornendole esempi che è molto probabile che si verifichino quando la macchina è in funzione. La macchina Boltzmann può essere utilizzata per classificare immagini o creare nuovi esempi del tipo di modello su cui è stata addestrata. Hinton si è basato su questo lavoro, contribuendo ad avviare l’attuale sviluppo esplosivo dell’apprendimento automatico.

“Il lavoro dei vincitori è già stato di grande beneficio. In fisica utilizziamo reti neurali artificiali in una vasta gamma di settori, come lo sviluppo di nuovi materiali con proprietà specifiche”, afferma Ellen Moons, presidente del Comitato Nobel per la fisica.

John J. Hopfield, nato nel 1933 a Chicago, IL, USA. PhD 1958 presso la Cornell University, Ithaca, NY, USA. Professore alla Princeton University, NJ, USA.

Geoffrey E. Hinton, nato nel 1947 a Londra, UK. PhD 1978 presso University of Edinburgh, UK. Professore all’ University of Toronto, Canada.