John Hopfield de l’Université de Princeton aux États-Unis et Geoffrey Hinton de l’Université de Toronto au Canada ont reçu le 8 octobre le prix Nobel de physique 2024. pour les découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux de neurones artificiels « . Ils ont formé des réseaux de neurones artificiels en utilisant la physique.
Développement de nouveaux matériaux
« Le travail des lauréats a déjà été d’une grande utilité. En physique, nous utilisons les réseaux de neurones artificiels dans de nombreux domaines, comme le développement de nouveaux matériaux aux propriétés spécifiques. » explique Ellen Moons, présidente du comité Nobel de physique.
Les deux lauréats du prix Nobel de physique de cette année ont utilisé des outils issus de la physique pour développer des méthodes qui constituent la base de l’apprentissage automatique actuel. John Hopfield a créé une mémoire associative capable de stocker et de reconstruire des images et d’autres types de modèles dans les données. Geoffrey Hinton a inventé une méthode capable de trouver de manière autonome des propriétés dans les données et ainsi d’effectuer des tâches telles que l’identification d’éléments spécifiques dans des images.
Travailler sur les réseaux de neurones artificiels
L’Académie suédoise des sciences souligne que lorsqu’on parle d’intelligence artificielle, on pense souvent à l’apprentissage automatique via des réseaux de neurones artificiels. Cette technologie s’inspire à l’origine de la structure du cerveau. Dans un réseau neuronal artificiel, les neurones du cerveau sont représentés par des nœuds qui ont des valeurs différentes. Ces nœuds s’influencent mutuellement via des connexions qui peuvent être comparées à des synapses et peuvent être renforcées ou affaiblies. Le réseau est entraîné, par exemple en développant des connexions plus fortes entre des nœuds qui ont simultanément des valeurs élevées.
Les lauréats de cette année ont mené d’importants travaux sur les réseaux de neurones artificiels depuis les années 1980. John Hopfield a inventé un réseau qui utilise une méthode pour enregistrer et recréer des modèles. Nous pouvons imaginer les nœuds sous forme de pixels. Le réseau Hopfield utilise la physique qui décrit les caractéristiques d’un matériau en raison de son spin atomique, propriété qui fait de chaque atome un minuscule aimant. Le réseau dans son ensemble est décrit d’une manière équivalente à l’énergie du système de spin trouvée en physique, et est entraîné en trouvant des valeurs pour les connexions entre les nœuds afin que les images enregistrées aient une faible énergie.
Rechercher une image enregistrée à partir d’une image imparfaite
Lorsque le réseau Hopfield reçoit une image déformée ou incomplète, il travaille méthodiquement sur les nœuds et met à jour leurs valeurs afin que l’énergie du réseau diminue. Le réseau travaille ainsi par étapes pour trouver l’image enregistrée qui ressemble le plus à celle imparfaite qui lui est fournie.
Geoffrey Hinton a quant à lui utilisé le réseau Hopfield comme base pour un nouveau réseau qui utilise une méthode différente : la machine Boltzmann. Celui-ci peut apprendre à reconnaître des éléments caractéristiques dans un type de données donné.
Geoffrey Hinton a utilisé des outils issus de la physique statistique, la science des systèmes construits à partir de nombreux composants similaires. La machine est formée en lui fournissant des exemples très susceptibles de se produire lors de son fonctionnement. La machine Boltzmann peut être utilisée pour classer des images ou créer de nouveaux exemples du type de motif sur lequel elle a été formée. Geoffrey Hinton s’est appuyé sur ces travaux et a contribué au lancement du développement actuel de l’apprentissage automatique.
Related News :