علم فیزیک در خدمت تکنولوژی جدید
جان هاپفیلد شبکه‌ای را اختراع کرد که از روشی برای ذخیره و بازآفرینی الگوها استفاده می‌کند. می‌توانیم گره‌های عصبی را به صورت پیکسل تصور کنیم. شبکه هاپفیلد از فیزیک استفاده می‌کند که ویژگی‌های یک ماده را به دلیل چرخش اتمی آن توصیف می‌کند؛ خاصیتی که هر اتم را به یک آهنربای کوچک تبدیل می‌کند. این شبکه به‌طور کلی با روشی معادل انرژی در سیستم چرخش اتم موجود در فیزیک توصیف و با یافتن مقادیری برای اتصالات بین گره‌ها آموزش داده می‌شود تا تصاویر ذخیره‌شده انرژی کمی داشته باشند. وقتی یک تصویر تحریف شده یا ناقص به شبکه هاپفیلد داده می‌شود، این شبکه به‌طور روشمندی از طریق گره‌ها کار می‌کند و مقادیر آنها را به‌روز می‌کند تا انرژی شبکه کاهش یابد. بنابراین این شبکه به صورت پلکانی کار می‌کند تا تصویر ذخیره شده‌ای را پیدا کند که شبیه همین تصویر ناقصی است که به آن داده شده. جفری هینتون از شبکه هاپفیلد به عنوان پایه و اساس شبکه جدیدی استفاده کرد که از روش متفاوتی موسوم به ماشین بولتزمن بهره می‌گیرد. این شبکه می‌تواند یاد بگیرد که عناصر مشخصی در یک نوع داده خاص را تشخیص دهد. هینتون از ابزارهای فیزیک آماری و علم سیستم‌هایی استفاده کرد که از بسیاری از اجزای مشابه ساخته شده بودند. این ماشین با دادن نمونه‌هایی به آن آموزش داده می‌شود که احتمال به وجود آمدن آنها در هنگام راه‌اندازی دستگاه بسیار زیاد است. ماشین بولتزمن می‌تواند برای دسته‌بندی تصاویر یا ایجاد نمونه‌های جدید از همان نوع الگو مورد استفاده قرار بگیرد. هینتون برای این کار ساخته شده و به شروع جریان فعلی رشد انفجاری یادگیری ماشین کمک کرده است. بسیاری از مردم این را تجربه کرده‌اند که کامپیوترها چطور می‌توانند زبان‌ها را ترجمه کنند، تصاویر را تفسیر کنند و حتی گفت‌وگوهای منطقی را انجام دهند. چیزی که شاید کمتر شناخته شده باشد، این است که این تکنولوژی از سال‌ها پیش برای انجام تحقیقات، از جمله مرتب‌سازی و تجزیه و تحلیل حجم وسیعی از داده‌ها اهمیت داشته است. توسعه یادگیری ماشینی در طول پانزده تا بیست سال گذشته رشد انفجاری داشته و مبتنی بر ساختاری به نام شبکه عصبی مصنوعی است. امروزه وقتی از هوش مصنوعی صحبت می‌کنیم، اغلب منظور ما از همین تکنولوژی یادگیری ماشینی مدرن است. اگرچه کامپیوترها توانایی فکر کردن ندارند، اما حالا ماشین‌ها می‌توانند عملکردهایی مانند حافظه و یادگیری را تقلید کنند. برندگان امسال جایزه نوبل فیزیک به این امکان کمک کرده‌اند. آنها با استفاده از مفاهیم و روش‌های اساسی فیزیک، تکنولوژی‌هایی را توسعه داده‌اند که از ساختارهایی در شبکه‌ها برای پردازش اطلاعات استفاده می‌کنند.
یادگیری ماشینی با نرم‌افزار قدیمی که مثل یک نوع دستور پخت عمل می‌کند، متفاوت است. این نرم‌افزار داده‌هایی را دریافت می‌کند که بر اساس یک توصیف واضح پردازش می‌شوند و نتایج را تولید می‌کنند؛ دقیقا مانند زمانی که یک فرد مواد تشکیل‌دهنده را جمع‌آوری کرده و با پیروی از یک دستور پخت، غذا را پردازش و به‌عنوان مثال یک کیک را تولید می‌کند. به جای این، در یادگیری ماشینی، کامپیوتر با مثال یاد می‌گیرد و این توانایی را به دست می‌آورد تا مشکلاتی را حل کند که بسیار مبهم و پیچیده هستند و نمی‌توان آنها را با دستورالعمل‌های گام به گام معمولی مدیریت کرد. یک مثال در این زمینه، تفسیر یک تصویر برای شناسایی اجزای موجود در آن است.
دغدغه‌های انسانی برای هوش مصنوعی
وقتی درباره هوش مصنوعی صحبت می‌کنیم، اغلب منظور ما همان یادگیری ماشینی است که از شبکه‌های عصبی مصنوعی استفاده می‌کند. این تکنولوژی در اصل از ساختار مغز انسان الهام گرفته شده است. در یک شبکه عصبی مصنوعی، نورون‌ها یا سلول‌های عصبی مغز با گره‌هایی نشان داده می‌شوند که مقادیر متفاوتی دارند. این گره‌ها از طریق ارتباطات و اتصالاتی که می‌توانند به سیناپس‌ها تشبیه شوند و می‌توانند قوی‌تر یا ضعیف‌تر شوند، بر یکدیگر تاثیر می‌گذارند. این شبکه عصبی، آموزش داده می‌شود؛ به عنوان مثال از طریق توسعه و ایجاد ارتباطات قوی‌تر بین گره‌هایی با مقادیر بالا به‌طور همزمان. برندگان امسال جایزه نوبل فیزیک از دهه 1980 به بعد کارهای مهمی را در زمینه شبکه‌های عصبی مصنوعی انجام داده‌اند.
الن مونز، رئیس کمیته نوبل فیزیک، در بیانیه این کمیته آورده است: «دو برنده جایزه نوبل فیزیک امسال از ابزارهای فیزیک برای توسعه روش‌هایی بهره گرفته‌اند که اساس یادگیری ماشینی قدرتمند امروزی به حساب می‌آیند. یادگیری ماشینی بر مبنای شبکه‌های عصبی مصنوعی در حال متحول کردن علوم، مهندسی و زندگی روزمره است. در حالی که یادگیری ماشینی مزایای بسیار مهم و بزرگی دارد، همزمان رشد سریع آن هم نگرانی‌هایی را درباره آینده‌مان به همراه می‌آورد. در مجموع انسان‌ها مسوولیت استفاده از این تکنولوژی جدید به شکلی امن و اخلاقی و برای بهره‌گیری حداکثری در جهت انسانیت را به عهده دارند.»
کمیته نوبل فیزیک همچنین در حساب کاربری خود در شبکه اجتماعی ایکس نوشته است: «پیشرفت‌های برندگان جایزه نوبل فیزیک امسال بر مبنای علوم فیزیک اتفاق افتاده است. آنها یک روش کاملا تازه برای استفاده از کامپیوترها را به ما نشان داده‌اند که برای مقابل با بسیاری از چالش‌هایی که جامعه‌مان با آنها مواجه است، ما را کمک و راهنمایی می‌کند.» از طرفی در زمان اعلام این جایزه، کمیته نوبل فیزیک به این موضوع اشاره کرد که یادگیری ماشینی مدت‌هاست که برای انجام تحقیقات از جمله برای دسته‌بندی و تحلیل مقادیر بسیار زیادی از داده و اطلاعات، اهمیت داشته است.
جایزه نوبل فیزیک سال 2024 همراه با مبلغی معادل 11 میلیون کرون سوئد (برابر 1.1 میلیون دلار) است که بین برندگان تقسیم می‌شود. صرف‌نظر از انتخاب‌های جایزه نوبل صلح و ادبیات که گاهی بحث‌برانگیز بوده‌اند، اما جایزه نوبل فیزیک اغلب بیش از بقیه جوایز نوبل سروصدا ایجاد می‌کند؛ آن هم با فهرست جالبی از برندگان گذشته این جایزه که شامل فوق ستاره‌های علمی مانند آلبرت انیشتین، نیلز بور و انریکو فرمی است. بد نیست بدانید که جایزه نوبل فیزیک سال گذشته به پیر اوتینی، فرنک کراوس و آن لهویلیر برای اقداماتشان در زمینه ایجاد پالس‌های نور بسیار کوتاهی اعطا شد که می‌توانند تصویری فوری از تغییرات درون اتم‌ها ارائه دهند و به‌طور چشمگیری تشخیص بیماری‌ها را بهبود ببخشند. جالب آنکه جایزه نوبل فیزیک، دومین جایزه نوبلی است که در هفته جاری اعطا می‌شود و پیش از آن دانشمندان آمریکایی، یعنی ویکتور آمبروس و گری روکون، برای کشف میکروRNA و نقش آن در تنظیم ژن و روشن کردن چگونگی تخصیص سلولی، جایزه نوبل پزشکی امسال را دریافت کردند.
نوبلیست‌های فیزیک امسال چه کسانی هستند؟
جفری هینتون، ملقب به پدرخوانده هوش مصنوعی، دانشمند بریتانیایی-کانادایی 76 ساله علوم کامپیوتری و استاد دانشگاه تورنتو است که از سال 2013 تا ماه مه سال 2023 در پروژه اولیه هوش مصنوعی شرکت گوگل، موسوم به مغز گوگل (Google Brain)، مشغول به فعالیت بود. او به خاطر آنکه بتواند آزادانه درباره خطرات توسعه سریع هوش مصنوعی صحبت کند، گوگل را ترک کرد تا به عنوان هم‌بنیان‌گذار و مشاور علمی ارشد موسسه غیرانتفاعی وکتور که در زمینه هوش مصنوعی تحقیق می‌کند، مشغول به کار شود.
جان هاپفیلد، دانشمند آمریکایی 91 ساله علوم کامپیوتری و استاد دانشگاه پرینستون است که به خاطر مطالعاتش در زمینه شبکه عصبی پیوندی در سال 1982، شهرت زیادی دارد. او تا حالا جوایز علمی مهمی دریافت کرده و همچنین به خاطر توسعه شبکه هاپفیلد هم مشهور است که نوعی شبکه عصبی مصنوعی بازگشتی است که به عنوان سیستم حافظه قابل ردیابی حافظه تداعی‌گر عمل می‌کند و الگویی برای درک حافظه انسانی به حساب می‌آید.
