Prix Nobel de physique pour les découvertes et inventions fondamentales dans le domaine de l'apprentissage automatique

John J. Hopfield et Geoffrey E. Hinton ont formé des réseaux neuronaux artificiels à l'aide de la physique

08.10.2024

L'Académie royale des sciences de Suède a décidé d'attribuer le prix Nobel de physique 2024 à John J. Hopfield (Princeton University, NJ, USA) et Geoffrey E. Hinton (University of Toronto, Canada) "pour des découvertes et inventions fondamentales qui permettent l'apprentissage automatique avec des réseaux de neurones artificiels"

©Johan Jarnestad/The Royal Swedish Academy of Sciences

Ils ont formé des réseaux de neurones artificiels en utilisant la physique

Les deux lauréats du prix Nobel de physique de cette année ont utilisé des outils de la physique pour développer des méthodes qui sont à la base de l'apprentissage automatique puissant d'aujourd'hui. John Hopfield a créé une mémoire associative capable de stocker et de reconstruire des images et d'autres types de motifs dans les données. Geoffrey Hinton a inventé une méthode capable de trouver de manière autonome des propriétés dans les données, et donc d'effectuer des tâches telles que l'identification d'éléments spécifiques dans des images.

Lorsque l'on parle d'intelligence artificielle, on pense souvent à l'apprentissage automatique à l'aide de réseaux neuronaux 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 ayant des valeurs différentes. Ces nœuds s'influencent mutuellement par le biais de connexions qui peuvent être assimilées à des synapses et qui peuvent être renforcées ou affaiblies. Le réseau est entraîné, par exemple en développant des connexions plus fortes entre les nœuds ayant des valeurs élevées simultanées. Les lauréats de cette année ont mené d'importants travaux sur les réseaux neuronaux 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 comme des pixels. Le réseau Hopfield fait appel à la physique qui décrit les caractéristiques d'un matériau en fonction de son spin atomique, une 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 que l'on trouve en physique, et il est entraîné en trouvant des valeurs pour les connexions entre les nœuds de manière à ce que les images enregistrées aient une faible énergie. Lorsque le réseau Hopfield reçoit une image déformée ou incomplète, il passe méthodiquement par 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 sauvegardée qui ressemble le plus à l'image imparfaite qui lui a été fournie.

Geoffrey Hinton a utilisé le réseau Hopfield comme base pour un nouveau réseau qui utilise une méthode différente : la machine de Boltzmann. Celle-ci peut apprendre à reconnaître des éléments caractéristiques dans un type de données donné. Hinton a utilisé des outils issus de la physique statistique, la science des systèmes construits à partir de nombreux composants similaires. La machine est entraînée en lui donnant des exemples qui sont très susceptibles de se produire lorsque la machine est utilisée. La machine de Boltzmann peut être utilisée pour classer des images ou créer de nouveaux exemples du type de modèle sur lequel elle a été entraînée. M. Hinton s'est appuyé sur ces travaux, contribuant ainsi au développement explosif actuel de l'apprentissage automatique.

"Les travaux des lauréats ont déjà été très utiles. En physique, nous utilisons les réseaux de neurones artificiels dans un grand nombre de domaines, tels que le développement de nouveaux matériaux aux propriétés spécifiques", a déclaré Ellen Moons, présidente du comité Nobel de physique.

Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.

Autres actualités du département science

Actualités les plus lues

Plus actualités de nos autres portails

Si près que même
les molécules
deviennent rouges...