Premio Nobel de Física 2024

Ya tenemos ganadores del Premio Nobel de Física 2024. La Real Academia Sueca de Ciencias ha decidido otorgárselo a:

• John J. Hopfield, de la Universidad de Princeton (Estados Unidos).
• Geoffrey E. Hinton, de la Universidad de Toronto (Canadá).

El motivo por el que lo han logrado ha sido «por descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales».

¿Qué son las redes neuronales artificiales?

Los dos ganadores del Premio Nobel de Física 2024 han usado herramientas tomadas desde la Física para desarrollar potentes métodos que son la base de lo que hoy conocemos «Machine Learning» o «aprendizaje automático en máquinas». Por un lado, John Hopfield creó una memoria asociativa que puede almacenar y reconstruir no solo imágenes, sino también otros tipos de patrones. Por otro lado, Geoffrey Hinton inventó un método que puede, de manera autónoma, encontrar propiedades en datos, y realizar tareas como identificación específica de elementos en imágenes.

Cuando hablamos de inteligencia artificial, frecuentemente lo hacemos refiriéndonos a técnicas de Machine Learning usando redes neuronales artificiales. Esta tecnología estuvo inspirada originalmente en la estructura del cerebro ya que, en una red neuronal artificial, las neuronas cerebrales son representadas por nodos que tienen diferentes valores. Estos nodos influyen en otros a través de conexiones que están unidas en una especie de sinapsis y las cuales pueden ser fuertes o débiles. La red es entrenada, por ejemplo, desarrollando los nodos que están unidos por conexiones fuertes en un mismo instante de tiempo. Este año, los ganadores han llevado a cabo un importante trabajo con redes neuronales artificiales desde la década de 1980 en adelante.

Los ganadores del Premio Nobel de Física 2024

John Hopfield

Hopfield inventó una red que usa un método para guardar y recrear patrones donde podemos imaginar los nodos como píxeles. La denominada «red Hopfield» utiliza la física que describe las características de un material en base a su spin atómico. La red en su conjunto se describe de una manera equivalente a la energía en el sistema de spin y se entrena encontrando valores para las conexiones de nodos ligados mediante una sinapsis artificial de baja energía. De este modo, cuando a la red Hopfield le llega una imagen incompleta o distorsionada, se trabaja metódicamente a través de los nodos y se actualizan esos valores hasta que la red logre un estado de baja energía. En ese momento, la red de Hopfield trabaja para encontrar la imagen original.

John J. Hopfield nació en 1933 en Chicago (Estados Unidos). Se doctoró en 1958 en la Universidad de Cornell (Estados Unidos) y es profesor en la Universidad de Princeton (Estados Unidos).

Geoffrey Hinton (Wimbledon, U.K., 1947)

Hinton utilizó la red Hopfield como base de una nueva red que usa diferentes métodos: la máquina Boltzmann o «Boltzmann Machine». Esta máquina es capaz de aprender a reconocer elementos característicos en un tipo dado de datos. Hinton usó herramientas de física estadística para entrenarla con estados que es probable que surjan cuando la máquina se está ejecutando. La máquina Boltzmann puede usarse para clasificar imágenes o crear nuevos ejemplos de patrones similares a los que se usaron para el entrenamiento. Hinton se basó en este trabajo y contribuyó a iniciar el desarrollo explosivo actual del Machine Learning.

Geoffrey E. Hinton nació en 1947 en Londres (Reino Unido). Se doctoró en 1978 en la Universidad de Edimburgo (Reino Unido) y es profesor en la Universidad de Toronto (Canadá).

Una herramienta muy potente en la actualidad

Según Ellen Moons, presidenta del comité para el Nobel de Física, «los ganadores del Premio Nobel de Física 2024 han realizado un trabajo que está siendo de gran utilidad. En Física se utilizan las redes neuronales artificiales en un gran cantidad de áreas, como son el desarrollo de nuevos materiales con propiedades específicas».

Referencias

• The Nobel Prize in Physics 2024. The Nobel Prize (Ver).