Nëse ju ra nofulla ndërsa shikoni videon më të fundit të gjeneruar nga AI, bilanci juaj bankar shpëtoi nga kriminelët nga një sistem zbulimi i mashtrimit, ose dita juaj u bë pak më e lehtë sepse keni qenë në gjendje të diktoni një mesazh me tekst në arrati, ju keni shumë shkencëtarë, matematikanë dhe inxhinierë për të falënderuar.
Por dy emra dallohen për kontributet themelore në teknologjinë e të mësuarit të thellë që i bën ato përvoja të mundshme: fizikani i Universitetit Princeton John Hopfield dhe shkencëtar kompjuteri në Universitetin e Torontos Xhefri Hinton.
Dy studiuesit ishin dha çmimin Nobel në Fizika më 8 tetor 2024, për punën e tyre pioniere në fushën e rrjeteve nervore artificiale. Megjithëse rrjetet nervore artificiale janë modeluar në rrjetet nervore biologjike, puna e të dy studiuesve u tërhoq nga fizika statistikore, pra çmimi në fizikë.
(Atila Altuntas/Anadolu via Getty Images) Komiteti Nobel shpall Çmimin 2024 në Fizikë.
Si llogarit një neuron
Rrjetet nervore artificiale i detyrohen origjinës së tyre studimeve të neuroneve biologjike në trurin e gjallë. Në vitin 1943, neurofiziologu Warren McCulloch dhe logjikani Walter Pitts propozuan një model i thjeshtë se si funksionon një neuron. Në modelin McCulloch-Pitts, një neuron është i lidhur me neuronet fqinje dhe mund të marrë sinjale prej tyre. Më pas mund t'i kombinojë ato sinjale për të dërguar sinjale te neuronet e tjera.
Por ka një kthesë: Mund të peshojë ndryshe sinjalet që vijnë nga fqinjë të ndryshëm. Imagjinoni që po përpiqeni të vendosni nëse do të blini një telefon të ri më të shitur. Ju flisni me miqtë tuaj dhe kërkoni nga ata rekomandimet e tyre. Një strategji e thjeshtë është të mblidhni të gjitha rekomandimet e miqve dhe të vendosni të vazhdoni me çdo gjë që thotë shumica. Për shembull, ju pyesni tre miq, Alice, Bob dhe Charlie, dhe ata thonë respektivisht jay, jay dhe jo. Kjo ju çon në një vendim për të blerë telefonin sepse keni dy yjet dhe një jo.
Megjithatë, ju mund t'u besoni më shumë disa miqve sepse ata kanë njohuri të thella për pajisjet teknike. Kështu që ju mund të vendosni t'i jepni më shumë peshë rekomandimeve të tyre. Për shembull, nëse Charlie është shumë i ditur, ju mund t'i numëroni jo tri herë dhe tani vendimi juaj është të mos e blini telefonin – dy po dhe tre jo. Nëse jeni për të ardhur keq që keni një mik të cilit nuk i besoni plotësisht në çështjet e pajisjeve teknike, mund t'i caktoni edhe një peshë negative. Pra, jay i tyre llogaritet si jo dhe jo i tyre llogaritet si jay.
Pasi të keni marrë vendimin tuaj nëse telefoni i ri është një zgjedhje e mirë, miqtë e tjerë mund t'ju kërkojnë rekomandimin tuaj. Në mënyrë të ngjashme, në rrjetet nervore artificiale dhe biologjike, neuronet mund të grumbullojnë sinjale nga fqinjët e tyre dhe të dërgojnë një sinjal te neuronet e tjerë. Kjo aftësi çon në një dallim kyç: A ka një cikël në rrjet? Për shembull, nëse unë pyes Alice, Bob dhe Charlie sot, dhe nesër Alice më kërkon rekomandimin tim, atëherë ka një cikël: nga Alice tek unë dhe nga unë përsëri te Alice.
Nëse lidhjet midis neuroneve nuk kanë një cikël, atëherë shkencëtarët e kompjuterave e quajnë atë një rrjet nervor feedforward. Neuronet në një rrjet përpara mund të organizohen në shtresa. Shtresa e parë përbëhet nga hyrjet. Shtresa e dytë merr sinjalet e saj nga shtresa e parë dhe kështu me radhë. Shtresa e fundit paraqet daljet e rrjetit.
Megjithatë, nëse ka një cikël në rrjet, shkencëtarët e kompjuterave e quajnë atë një rrjet nervor të përsëritur, dhe rregullimet e neuroneve mund të jenë më të komplikuara sesa në rrjetet nervore përpara.
Në rrjetet nervore të përsëritura, neuronet komunikojnë mbrapa dhe mbrapa dhe jo vetëm në një drejtim. Zawersh/Wikimedia, CC BY-SA
Rrjeti Hopfield
Frymëzimi fillestar për rrjetet nervore artificiale erdhi nga biologjia, por së shpejti fusha të tjera filluan të formësojnë zhvillimin e tyre. Këto përfshinin logjikën, matematikën dhe fizikën. Fizikani John Hopfield përdori ide nga fizika për të studiuar një të veçantë lloji i rrjetit nervor të përsëriturqë tani quhet rrjeti Hopfield. Në veçanti, ai studioi dinamikën e tyre: Çfarë ndodh me rrjetin me kalimin e kohës?
Një dinamikë e tillë është gjithashtu e rëndësishme kur informacioni përhapet përmes rrjeteve sociale. Të gjithë janë të vetëdijshëm për memet që bëhen virale dhe jehonë që formohen në rrjetet sociale në internet. Këto janë të gjitha dukuri kolektive që lindin në fund të fundit nga shkëmbimet e thjeshta të informacionit midis njerëzve në rrjet.
Hopfield ishte një pionier në duke përdorur modele nga fizikaveçanërisht ato të zhvilluara për të studiuar magnetizmin, për të kuptuar dinamikën e rrjeteve nervore të përsëritura. Ai gjithashtu tregoi se dinamika e tyre mund u japin rrjeteve të tilla nervore një formë memorie.
Makinat Boltzmann dhe përhapja e pasme
Gjatë viteve 1980, Geoffrey Hinton, neurobiologu kompjuterik Terrence Sejnowski dhe të tjerë zgjeruan idetë e Hopfield për të krijuar një klasë të re modelesh të quajtura Makinat Boltzmannemërtuar për fizikanin e shekullit të 19-të Ludwig Boltzmann. Siç nënkupton edhe emri, dizajni i këtyre modeleve është i rrënjosur në fizikën statistikore të nisur nga Boltzmann. Ndryshe nga rrjetet Hopfield që mund të ruajnë modele dhe të korrigjojnë gabimet në modele – siç bën një kontrollues drejtshkrimi – makinat Boltzmann mund të gjenerojnë modele të reja, duke mbjellë kështu farat e revolucionit modern gjenerues të AI.
Nëse dëshironi që rrjetet nervore artificiale të bëjnë detyra interesante, duhet të zgjidhni disi peshat e duhura për lidhjet midis neuroneve artificiale. Përhapja prapa është një algoritëm kyç që bën të mundur përzgjedhjen e peshave bazuar në performancën e rrjetit në një grup të dhënash trajnimi. Shpërndarja prapa ishte zhvilluar së pari në fushën e teorisë së kontrollit dhe ishte aplikuar në rrjetet nervore nga Paul Werbosnë vitin 1974. Në vitet 1980, Hinton dhe bashkëpunëtorët e tij treguan se përhapja e pasme mund të ndihmojë shtresat e ndërmjetme të një rrjeti nervor mësoni veçori të rëndësishme të hyrjes. Për shembull, një neuron që mëson të zbulojë sytë në një imazh ka mësuar një veçori të rëndësishme që është e dobishme për zbulimin e fytyrës.
Megjithatë, mbeti sfiduese të trajnohen rrjetet nervore artificiale me shumë shtresa. Në vitet 2000, Hinton dhe bashkëpunëtorët e tij me zgjuarsi përdori makina Boltzmann për të trajnuar rrjetet me shumë shtresa duke e trajnuar fillimisht shtresën pas shtresës së rrjetit dhe më pas duke përdorur një tjetër algoritëm rregullimi të imët në krye të rrjetit të paratrajnuar për të rregulluar më tej peshat. Rrjetet me shumë shtresa u ripagëzuan rrjete të thella dhe revolucioni i të mësuarit të thellë kishte filluar.
Një shkencëtar kompjuteri i shpjegon mësimin e makinerive një fëmije, një studenti të shkollës së mesme, një studenti, një studenti të diplomuar dhe më pas një kolegu ekspert.
AI ia kthen atë në fizikë
Çmimi Nobel në fizikë tregon se si idetë nga fizika kontribuan në ngritjen e të mësuarit të thellë. Tani mësimi i thellë ka filluar t'i paguajë detyrimet e tij fizikës duke mundësuar simulime të sakta dhe të shpejta të sistemeve që variojnë nga molekulat dhe materialet deri në të gjithë klimën e Tokës.
Duke i dhënë çmimin Nobel në fizikë Hopfield dhe Hinton, komiteti i çmimit ka sinjalizuar shpresën e tij në potencialin e njerëzimit për të përdorur këto përparime për të promovuar mirëqenien njerëzore dhe për të ndërtuar një botë të qëndrueshme.
Kjo histori është përditësuar për të bërë të qartë se Hinton ndihmoi përpara, por nuk shpiku përhapjen e pasme.
Ambuj Tewari është profesor i statistikave në Universitetin e Miçiganit. Ky artikull është ribotuar nga Biseda nën një Licenca Creative Commons. Lexoni artikull origjinal.
