物理学界的人是如何看待今年诺贝尔物理学奖的颁奖结果的?
很意外,真的很意外!学物理和学计算机的人都给干沉默了。我们所理解的“物理”都很传统,往年的诺贝尔物理学奖大都比较符合预期。在奖没出来前,都觉得今年的物理学奖应该是自旋电子、反常霍尔效应、拓扑绝缘体等等当中的一个。人工神经网络好像不是我们所理解的“物理”。今年的物理学奖更像是补了个诺贝尔数学奖,感觉未来诺贝尔可能要出个计算机奖了。
怎么看,都觉得官方的理由有点牵强!物理学传统的定义是研究物质最一般的运动规律和物质基本结构的学科。或许是物理学的概念也在与时俱进的发生着变化,而我们对“物理学”的理解过于狭隘和传统。我觉得更重要的原因是:机器学习太重要了,尤其是这几年发展迅猛,诺贝尔这种顶级奖项不想错过这种划时代的发明,但诺贝尔又没有数学和计算机奖,组委会思来想去,决定打个擦边!
为了紧跟诺奖风向,我觉得知乎也可以考虑给以下机器学习的优秀答主颁一个物理学优秀答主的头衔。 @白小鱼 @王喆 @覃含章 @周博磊 @Naiyan Wang @王赟 Maigo @贾扬清 @吴海波 @Dr.Wu @杨军 @郭小天 @陈然 @莫烦 @Young @俞扬 @严林 @夕小瑶 @天津包子馅儿 @zibuyu9 @YJango @李文哲 @周开拓 @苔执 @史博 @lau phunter @li Eta @谢澎涛 @豆豆豆豆豆豆豆叶 @熊辰炎 @齐鹏 @李rumor @石塔西 @王晋东不在家
组很会给出的理由
今年两位诺贝尔物理学奖获得者利用物理学工具发展了现今强大机器学习的基础方法。约翰·霍普菲尔德(John Hopfield)创造了一种关联记忆,能够存储和重构图像以及数据中的其他类型模式。杰弗里·辛顿(Geoffrey Hinton)发明了一种能够自主发现数据属性的方法,从而执行诸如识别图片中特定元素的任务。
当我们谈论人工智能时,我们通常指的是使用人工神经网络的机器学习。这项技术最初受到了大脑结构的启发。在人工神经网络中,大脑的神经元由具有不同值的节点表示。这些节点通过可以类比为突触的连接相互影响,并且这些连接可以被加强或减弱。例如,通过加强同时具有高值的节点之间的连接来训练网络。今年的获奖者从1980年代起就在人工神经网络领域进行了重要工作。
约翰·霍普菲尔德发明了一个利用方法保存和重建模式的网络。我们可以将节点想象为像素。霍普菲尔德网络利用描述物质特性的物理学,这些物理学基于其原子自旋——使每个原子成为一个微小磁体的属性。整个网络的描述等同于物理学中发现的自旋系统中的能量,并通过找到节点之间连接的值来训练,以使保存的图像具有低能量。当霍普菲尔德网络输入一个扭曲或不完整的图像时,它会有条不紊地通过节点工作,并更新它们的值,使网络的能量下降。因此,网络逐步找到最接近它所接收的不完美图像的保存图像。
杰弗里·辛顿使用霍普菲尔德网络作为一个新网络的基础,这个新网络使用一种不同的方法:玻尔兹曼机。这种机器能够学习识别给定数据类型中的特征元素。辛顿利用来自统计物理学的工具,这是由许多相似组件构成的系统的科学。通过向机器输入在运行时很可能出现的示例来训练这台机器。玻尔兹曼机可用于分类图像或创建其训练模式类型的新示例。辛顿在此基础上进行了拓展,帮助启动了机器学习的当前爆炸性发展。
“获奖者的工作已经带来了最大的益处。在物理学中,我们使用人工神经网络涵盖了广泛的领域,如开发具有特定属性的新材料,”诺贝尔物理学奖委员会主席埃伦·穆恩斯(Ellen Moons)表示。