Physik – KI – Nobelpreis 2024

Das Nobelkomitee hat für den Physiknobelpreis 2024 für Physik John J. Hopfield (Princeton Universität, NJ, USA) und Geoffrey E. Hinton (University of Toronto, Kanada) für das Jahr 2024 ausgezeichnet.

Die Auszeichnung erfolgt „für grundlegende Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzwerken ermöglichen“. Weiter führt das Nobelkomitee aus:

Sie trainierten künstliche neuronale Netze mithilfe der Physik

„Die beiden diesjährigen Nobelpreisträger für Physik haben mithilfe physikalischer Methoden die Grundlage für leistungsfähiges maschinelles Lernen entwickelt. John Hopfield schuf ein assoziatives Gedächtnis, das Bilder und andere Muster in Daten speichern und rekonstruieren kann. Geoffrey Hinton erfand eine Methode, die selbstständig Eigenschaften in Daten finden und so Aufgaben wie das Identifizieren bestimmter Elemente in Bildern ausführen kann.

©Johan Jarnestad/Königlich Schwedische Akademie der Wissenschaften
©Johan Jarnestad/Königlich Schwedische Akademie der Wissenschaften

Wenn wir von künstlicher Intelligenz sprechen, meinen wir oft maschinelles Lernen mithilfe künstlicher neuronaler Netze. Diese Technologie wurde ursprünglich von der Struktur des Gehirns inspiriert. In einem künstlichen neuronalen Netz werden die Neuronen des Gehirns durch Knoten mit unterschiedlichen Werten dargestellt. Diese Knoten beeinflussen sich gegenseitig durch Verbindungen, die mit Synapsen vergleichbar sind und die stärker oder schwächer gemacht werden können. Das Netz wird trainiert , indem zum Beispiel stärkere Verbindungen zwischen Knoten mit gleichzeitig hohen Werten entwickelt werden. Die diesjährigen Preisträger haben seit den 1980er Jahren wichtige Arbeiten mit künstlichen neuronalen Netzen durchgeführt.

John Hopfield hat ein Netzwerk erfunden, das eine Methode zum Speichern und Neuerstellen von Mustern verwendet. Wir können uns die Knoten als Pixel vorstellen. Das Hopfield-Netzwerk nutzt physikalische Gesetze, die die Eigenschaften eines Materials aufgrund seines Atomspins beschreiben – eine Eigenschaft, die jedes Atom zu einem winzigen Magneten macht. Das Netzwerk als Ganzes wird auf eine Weise beschrieben, die der Energie im Spinsystem in der Physik entspricht, und wird trainiert, indem Werte für die Verbindungen zwischen den Knoten gefunden werden, sodass die gespeicherten Bilder eine niedrige Energie haben. Wenn dem Hopfield-Netzwerk ein verzerrtes oder unvollständiges Bild zugeführt wird, arbeitet es methodisch die Knoten durch und aktualisiert ihre Werte, sodass die Energie des Netzwerks sinkt. Das Netzwerk arbeitet also schrittweise, um das gespeicherte Bild zu finden, das dem unvollständigen Bild, mit dem es zugeführt wurde, am ähnlichsten ist.

Geoffrey Hinton verwendete das Hopfield-Netz als Grundlage für ein neues Netz, das eine andere Methode verwendet: die Boltzmann-Maschine . Dieses kann lernen, charakteristische Elemente in einem bestimmten Datentyp zu erkennen. Hinton verwendete Werkzeuge aus der statistischen Physik, der Wissenschaft von Systemen, die aus vielen ähnlichen Komponenten aufgebaut sind. Die Maschine wird trainiert, indem man ihr Beispiele zuführt, die mit hoher Wahrscheinlichkeit auftreten, wenn die Maschine ausgeführt wird. Die Boltzmann-Maschine kann verwendet werden, um Bilder zu klassifizieren oder neue Beispiele des Mustertyps zu erstellen, mit dem sie trainiert wurde. Hinton hat auf dieser Arbeit aufgebaut und dazu beigetragen, die derzeitige explosive Entwicklung des maschinellen Lernens einzuleiten.

„Die Arbeit der Preisträger war bereits von größtem Nutzen. In der Physik nutzen wir künstliche neuronale Netzwerke in den verschiedensten Bereichen, beispielsweise bei der Entwicklung neuer Materialien mit spezifischen Eigenschaften“, sagt Ellen Moons, Vorsitzende des Nobelkomitees für Physik.“ (Quelle: https://www.nobelprize.org/prizes/physics/2024/press-release / Übersetzung mit Google Translate/

Social Media: Facebook | Instagram | LinkedIn | WhatsApp | X (Twitter) | Bei Fragen gerne jederzeit per E-Mail an post@achim-weidner.de

Achim Weidner ist Absolvent des Zertifizierungsprogramms (Certificate of Advanced Studies) „Rechtliche Aspekte der IT- und Internet-Compliance“ an der Carl von Ossietzky Universität Oldenburg. Dieses Programm ist angesiedelt in der Fakultät für Informatik, Wirtschafts- und Rechtswissenschaften und deckt folgende Bereiche ab: Datenschutz, Datensicherheit, Internetrecht sowie Computer- und Internetstrafrecht, ergänzt durch den Aspekt der technischen Datensicherheit sowie zertifizierter Social Media Manager (IHK) und KI-Manager.

Horizonterweiterung bei openHPI: Einführung in das Quantencomputing – Teil 1 +++ Digitale Medizin – Was ist ethisch verantwortbar? +++ Digitale Privatsphäre: Wie schütze ich meine persönlichen Daten im Netz? +++ Künstliche Intelligenz und maschinelles Lernen in der Praxis +++ Blick hinter den Hype: Aktuelle Entwicklungen rund um KI, Blockchain und IoT +++ ChatGPT: Was bedeutet generative KI für unsere Gesellschaft? +++ KI und Datenqualität – Perspektiven aus Data Science, Ethik, Normung und Recht +++ Blockchain: Hype oder Innovation? +++ Künstliche Intelligenz und maschinelles Lernen für Einsteiger +++ Blockchain – Sicherheit auch ohne Trust Center