Nobel de Física para los que desarrollaron la base de sistemas de inteligencia artificial

2024/10/08 Galarraga Aiestaran, Ana - Elhuyar Zientzia Iturria: Elhuyar aldizkaria

• Sariak
• Fisika
• Adimen artifiziala

John J. Hopfield y Geoffrey E. Los investigadores Hinton recibirán el Premio Nobel de Física por sus descubrimientos basados en redes neuronales artificiales, esenciales para el desarrollo de sistemas de aprendizaje automático.

Según la Academia Nobel, los premiados de este año han utilizado las herramientas de la física para desarrollar métodos que son la base de los poderosos estudios automáticos actuales. John Hopfield creó una memoria asociativa que puede almacenar y reconstruir imágenes y otros tipos de patrones a modo de datos. Geoffrey Hinton, por su parte, inventó un método que puede encontrar propiedades en los datos de forma autónoma, lo que le permite, por ejemplo, identificar elementos específicos en las imágenes.

Detrás de lo que se denomina inteligencia artificial, normalmente se encuentra el aprendizaje automático a través de redes neuronales artificiales. En sus inicios, esta tecnología se inspiró en la estructura del cerebro. De alguna manera, en una red de neuronas artificiales, las neuronas cerebrales se representan mediante nodos y las sinapsis se representan mediante conexiones débiles o fuertes. Asimismo, la red se entrena, creando conexiones más fuertes entre unos nodos y, entre otros, más débiles.

En realidad, esta analogía venía de antes, desde la década de 1940. En la década de 1960, sin embargo, algunos trabajos teóricos sugirieron que esta vía no tendría éxito. Sin embargo, la física también dio la clave para entender y utilizar los nuevos fenómenos.

Red de Hopfield y máquina Boltzmann

En concreto, John Hopfield creó en 1982 una red basada en la memoria asociativa. En concreto, creó un método para guardar y recrear patrones. De hecho, observó que los sistemas que tienen muchos elementos pequeños que interactúan entre sí pueden generar nuevos fenómenos. En particular, aprovechó lo aprendido con los materiales magnéticos, que gracias a su spin atómico tienen características especiales. Hopfield creó su método a partir de la interacción de los espines de los átomos circundantes. Así, cuando la red de Hopfield se alimenta de una imagen incompleta, la red actualiza sus valores y es capaz de encontrar la imagen guardada y crear una imagen completa.

Cuando Hopfeld publicó un artículo sobre la memoria asociativa, Geofrey Hinton estaba trabajando en la Universidad de Mellon, en Carnegie Pittsburgh (EE.UU.). Anteriormente había estudiado psicología experimental y artificial y quería saber si las máquinas, como las personas, podían aprender a procesar patrones. Junto a su compañero Terrence Sejnowski, comenzó a trabajar con la red de Hopfeld, y a partir de ahí, creó un nuevo método utilizando las ideas de la física estadística. Este método fue publicado en 1985 bajo el nombre de Máquina Boltzmann.

La máquina Boltzmann se utiliza habitualmente con dos tipos de nodos. Uno de ellos (nodos espectaculares) se alimenta de información y el otro forma una capa secreta. Los valores y conexiones de los nodos ocultos participan en la energía de toda la red. La máquina funciona estableciendo una regla de actualización simultánea de los valores de los nodos. De hecho, Boltzmann es el antecedente de los modelos de máquinas creativas. Y aunque en la década de 1990 los investigadores perdieron interés en las redes neuronales artificiales, Hinton siguió mejorando su método y otros investigadores tomaron como base. Mediante el pre-entrenamiento, han conseguido que sea mucho más eficiente.

Hopfeld e Hinton pusieron los pilares sobre los que sustentar el desarrollo sorprendente de los sistemas de aprendizaje automático en la actualidad, y por eso el Comité Nobel de Física ha decidido premiar a los mismos. Entre los ejemplos citados por la Comisión se encuentran, por ejemplo, el pronóstico de la estructura molecular de las proteínas o el desarrollo de materiales para la creación de células solares más eficientes.