El comité del Nobel de Física dio el premio de este año a John Hopfield y Geoffrey E. Hinton por utilizar herramientas de la física para desarrollar métodos que son la base del potente aprendizaje automático actual. En concreto, Hopfield creó una memoria asociativa que puede almacenar y reconstruir imágenes y otros tipos de patrones en los datos, mientras que Hinton inventó un método que puede encontrar propiedades de forma autónoma en los datos y, por lo tanto, realizar tareas como identificar elementos específicos en imágenes.

“El trabajo de los galardonados ya ha sido de gran utilidad. En física, utilizamos redes neuronales artificiales en una amplia gama de áreas, como por ejemplo en el desarrollo de nuevos materiales con propiedades específicas”, afirma Ellen Moons, presidenta del comité que ha concedido el premio y que considera auqe ambos han ayudado a sentar las bases para la revolución del aprendizaje automático que comenzó alrededor de 2010.

John Hopfield creó una estructura que puede almacenar y reconstruir información. Geoffrey Hinton inventó un método que puede descubrir de forma independiente propiedades en los datos y que se ha vuelto importante para las grandes redes neuronales artificiales que se utilizan actualmente.

En la rueda de prensa de presentación del premio, Hinton ha reconocido que uso la herramienta ChatGPT y la encuentra “muy útil”, aunque no se fía de sus respuestas al cien por cien porque puede tener “alucinaciones”. La presidenta del comité encuentra difícil de imaginar que herramientas como ChatGPT se hubieran podido desarrollar si no hubiera sido por el trabajo pionero de los premiados.

Las redes que “piensan”

Aunque los ordenadores no pueden pensar, las máquinas pueden imitar funciones como la memoria y el aprendizaje. Los laureados de este año en física han contribuido a que esto sea posible. Utilizando conceptos y métodos fundamentales de la física, han desarrollado tecnologías que utilizan estructuras en redes para procesar información.

El aprendizaje automático se diferencia del software tradicional, que funciona como una especie de receta. El software recibe datos, los procesa según una descripción clara y produce los resultados, de forma similar a cuando alguien recoge ingredientes y los procesa siguiendo una receta para producir un pastel. En cambio, en el aprendizaje automático, el ordenador aprende con ejemplos, lo que le permite abordar problemas que son demasiado vagos y complicados para ser gestionados con instrucciones paso a paso.

Una red neuronal artificial procesa información utilizando toda la estructura de la red. La inspiración surgió inicialmente del deseo de comprender cómo funciona el cerebro. En la década de 1940, los investigadores habían comenzado a razonar sobre las matemáticas que subyacen a la red de neuronas y sinapsis del cerebro. Otra pieza del rompecabezas provino de la psicología, gracias a la hipótesis del neurocientífico Donald Hebb sobre cómo se produce el aprendizaje porque las conexiones entre neuronas se refuerzan cuando trabajan juntas.

Más tarde, a estas ideas les siguieron intentos de recrear el funcionamiento de la red cerebral mediante la construcción de redes neuronales artificiales como simulaciones por ordenador. En ellas, las neuronas del cerebro se imitan mediante nodos a los que se les asignan valores diferentes, y las sinapsis se representan mediante conexiones entre los nodos que pueden hacerse más fuertes o más débiles. La hipótesis de Donald Hebb todavía se utiliza como una de las reglas básicas para actualizar las redes artificiales mediante un proceso llamado entrenamiento.

A partir de la biología

A finales de los años 60, Hopfield ya había utilizado su formación en física para explorar problemas teóricos de biología molecular. Cuando lo invitaron a una reunión sobre neurociencia, se topó con una investigación sobre la estructura del cerebro. Lo que aprendió le fascinó y empezó a pensar en la dinámica de las redes neuronales simples. Cuando las neuronas actúan juntas, pueden dar lugar a características nuevas y poderosas que no son evidentes para alguien que solo observa los componentes separados de la red.

En 1980, Hopfield dejó su puesto en la Universidad de Princeton y aceptó una cátedra de química y biología en Caltech (Instituto Tecnológico de California) donde encontró inspiración para su comprensión de cómo los sistemas con muchos componentes pequeños que trabajan juntos pueden dar lugar a fenómenos nuevos e interesantes. En particular, le benefició haber aprendido sobre materiales magnéticos que tienen características especiales gracias a su espín atómico, una propiedad que convierte a cada átomo en un pequeño imán. 

Cuando Hopfield publicó su artículo sobre la memoria asociativa, Geoffrey Hinton trabajaba en la Universidad Carnegie Mellon de Pittsburgh (Estados Unidos). Hinton utilizó la red de Hopfield como base para una nueva red que utiliza un método diferente: la máquina de Boltzmann, basada en las herramientas de la física estadística. Esta herramienta puede aprender, no a partir de instrucciones, sino de ejemplos. El entrenamiento también afecta la probabilidad de generar nuevos patrones que se asemejen a los ejemplos con los que se entrenó la máquina, de modo que una máquina de Boltzmann entrenada puede reconocer rasgos familiares en información que no ha visto previamente. 

Según el comité del Nobel, el desarrollo que estamos presenciando en la actualidad ha sido posible gracias al acceso a grandes cantidades de datos que se pueden utilizar para entrenar redes y al enorme aumento de la potencia informática. Las redes neuronales artificiales actuales suelen ser enormes y están formadas por muchas capas. Se denominan redes neuronales profundas y la forma en que se entrenan se denomina aprendizaje profundo.

Con información de elDiario.es

IG

El científico francés Pierre Agostini, el austríaco-húngaro Ferenc Krausz y la franco sueca Anne L'Huillier fueron galardonados hoy con el premio Nobel de Física por el desarrollo de métodos que permitieron mejorar el estudio de la dinámica de los electrones en los átomos, lo que abre la puerta a numerosas aplicaciones como así también comprender el comportamiento de los electrones en un material o mejorar la precisión de un diagnóstico médico.

“Pierre Agostini, Ferenc Krausz y Anne L'Huillier han demostrado una manera de crear pulsos de luz extremadamente cortos que pueden usarse para medir los rápidos procesos en los que los electrones se mueven o cambian de energía”, explicó la Real Academia Sueca de Ciencias al hacer el anuncio. Y continuó: “En el mundo de los electrones, los cambios ocurren en unas pocas décimas de attosegundo; un attosegundo es tan corto que hay tantos en un segundo como segundos ha habido desde el nacimiento del universo”.

Los experimentos de los premiados lograron justamente eso: producir pulsos de luz tan cortos que se miden en attosegundos, demostrando así que estos pulsos pueden usarse para proporcionar imágenes de procesos dentro de átomos y moléculas.

La investigación

En 1987, Anne L'Huillier descubrió que surgían muchos matices de luz diferentes cuando transmitía luz láser infrarroja a través de un gas noble; esto sucede porque la luz del láser interactúa con los átomos de gas, proporcionándoles una energía adicional a algunos electrones que luego se emite en forma de luz. L'Huillier ha seguido explorando este fenómeno, sentando las bases para avances posteriores.

Por su parte, Pierre Agostini en 2001 logró producir e investigar una serie de pulsos de luz consecutivos, cada uno de los cuales duraba sólo 250 attosegundos; en tanto que Ferenc Krausz estaba trabajando en otro tipo de experimento, uno que permitía aislar un único pulso de luz que duraba 650 attosegundos.

“Ahora podemos abrir la puerta al mundo de los electrones. La física de attosegundos nos brinda la oportunidad de comprender los mecanismos que se rigen por los electrones. El siguiente paso será utilizarlos”, afirmó Eva Olsson, presidenta del Comité del Nobel de Física.

Pierre Agostini se doctoró en 1968 en la Universidad de Aix-Marseille (Francia), actualmente es profesor de la Universidad Estatal de Ohio, Columbus (Estados Unidos).

Ferenc Krausz nació en 1962 en Mór (Hungría) y se doctoró en 1991 en la Universidad Tecnológica de Viena (Austria); en la actualidad es director del Instituto Max Planck de Óptica Cuántica y profesor de la Ludwig-Maximilians-Universität München (Alemania).

Por su parte, Anne L'Huillier nació en 1958 en París (Francia) y se doctoró 1986 en la Universidad Pierre y Marie Curie (París); en la actualidad es profesora de la Universidad de Lund, Suecia.

MM con información de agencias.

Los meteorólogos japonés Syukuro Manabe y alemán Klaus Hasselmann, y el físico italiano Giorgio Parisi ganaron este martes el Premio Nobel de Física por “por sus innovadoras contribuciones a nuestra comprensión de los sistemas físicos complejos”, informó la Real Academia Sueca de Ciencias.

La mitad del premio será compartida por Manabe y Hasselmann “por el modelado físico del clima de la Tierra, cuantificando la variabilidad y prediciendo de manera confiable el calentamiento global”, según la Real Academia Sueca.

En tanto que Parisi fue galardonado “por el descubrimiento de la interacción del desorden y las fluctuaciones en los sistemas físicos desde la escala atómica hasta la planetaria”.

Los sistemas complejos son aquellos que se caracterizan por la aleatoriedad y el desorden y son difíciles de entender.

“El premio de este año reconoce nuevos métodos para describirlos y predecir su comportamiento a largo plazo”, explicaron en un comunicado.

Syukuro Manabe demostró cómo el aumento de los niveles de dióxido de carbono en la atmósfera conduce a un aumento de las temperaturas en la superficie de la Tierra.

Nacido en 1931 en Shingu, Japón, Manabe se doctoró en 1957 en la Universidad de Tokio y luego se graduó de Meteorólogo senior en la Universidad de Princeton, Estados Unidos.

En la década de 1960, dirigió el desarrollo de modelos físicos del clima de la Tierra y fue la primera persona en explorar la interacción entre el balance de radiación y el transporte vertical de masas de aire.

Su trabajo sentó las bases para el desarrollo de modelos climáticos actuales.

Aproximadamente diez años después, Klaus Hasselmann creó un modelo que vincula el tiempo y el clima, respondiendo así a la pregunta de por qué los modelos climáticos pueden ser fiables a pesar de que el tiempo es cambiante y caótico.

Hasselmann nació en 1931 en Hamburgo, Alemania, se doctoró también en 1957 de la Universidad de Göttingen y actualmente es profesor en el Instituto Max Planck de Meteorología.

También desarrolló métodos para identificar señales específicas, huellas dactilares, que tanto los fenómenos naturales como las actividades humanas imprimen en el clima.

Sus métodos se han utilizado para demostrar que el aumento de temperatura en la atmósfera se debe a las emisiones humanas de dióxido de carbono.

Alrededor de 1980, Giorgio Parisi descubrió patrones ocultos en materiales complejos desordenados.

Giorgio Parisi nació en 1948 en Roma, Italia y se doctoró en 1970 en la Universidad Sapienza de Roma donde actualmente es profesor.

Sus descubrimientos se encuentran entre las contribuciones más importantes a la teoría de sistemas complejos y permiten comprender y describir muchos materiales y fenómenos diferentes y aparentemente completamente aleatorios, no solo en la física sino también en otras áreas muy diferentes, como las matemáticas, la biología, la neurociencia y el aprendizaje automático.

Con información de agencia Télam.

AB