John Hopfield e Geoffrey Hinton hanno vinto il Nobel per la Fisica 2024 per i loro studi sulle reti neurali artificiali, alla base dei sistemi di AI attuali
L’8 ottobre 2024 l’Accademia Reale Svedese delle Scienze ha annunciato i vincitori del Premio Nobel per la Fisica 2024. Il riconoscimento è stato assegnato a John J. Hopfield e Geoffrey E. Hinton “per scoperte e invenzioni fondamentali che hanno reso possibile l’apprendimento automatico con reti neurali artificiali”. Hopfield e Hinton sono considerati pionieri nel campo dell’intelligenza artificiale: i loro lavori, svoltisi dagli anni Ottanta in poi, hanno infatti posto le basi teoriche e pratiche per molte delle tecnologie di IA che utilizziamo oggi, dalle auto a guida autonoma ai sistemi di riconoscimento vocale.
Leggi anche: Gli scienziati che Einstein propose per il Nobel
Le basi dell’intelligenza artificiale moderna
Le ricerche di Hopfield e Hinton si sono concentrate sullo sviluppo di modelli matematici ispirati al funzionamento del cervello umano. Questi modelli, noti come reti neurali artificiali, sono ora al centro della cosiddetta “rivoluzione dell’intelligenza artificiale” a cui stiamo assistendo. Le loro scoperte hanno aperto la strada a numerose applicazioni pratiche che stanno trasformando diversi settori, dall’industria alla medicina, passando per la ricerca scientifica e la vita quotidiana.
L’intelligenza artificiale moderna si basa principalmente sull’apprendimento automatico attraverso reti neurali artificiali. Questa tecnologia trae ispirazione dalla struttura del cervello umano, utilizzando strumenti provenienti dalla fisica per implementare modelli computazionali in grado di apprendere dai dati.
Nelle reti neurali artificiali, i neuroni del cervello sono rappresentati da nodi con diversi valori, collegati tra loro da connessioni che possono essere rafforzate o indebolite, in modo simile alle sinapsi biologiche. Il processo di apprendimento della rete avviene modificando la forza di queste connessioni in base ai dati su cui viene addestrata.
La rete di Hopfield: memorie associate
John Hopfield, professore all’Università di Princeton, ha inventato una rete in grado di memorizzare e ricreare pattern di dati, come immagini. Il suo approccio innovativo è stato quello di utilizzare principi della fisica dei materiali per descrivere il funzionamento della rete neurale.
La rete di Hopfield può essere immaginata come un insieme di nodi simili ai pixel di un’immagine. Il sistema nel suo complesso viene descritto in modo equivalente all’energia di un sistema di spin atomici, una proprietà che rende ogni atomo un minuscolo magnete.
La rete viene addestrata trovando i valori delle connessioni tra i nodi che minimizzano l’energia del sistema quando vengono presentate le immagini da memorizzare. Quando alla rete viene presentata un’immagine distorta o incompleta, essa aggiorna metodicamente i valori dei nodi per ridurre l’energia complessiva, riuscendo così a ricostruire l’immagine memorizzata più simile all’input imperfetto ricevuto.
La macchina di Boltzmann: riconoscere i pattern
Geoffrey Hinton, professore all’Università di Toronto, ha utilizzato la rete di Hopfield come base per sviluppare un nuovo tipo di rete chiamata macchina di Boltzmann. Questo sistema utilizza strumenti della fisica statistica per implementare un metodo di apprendimento differente.
La macchina di Boltzmann viene addestrata fornendole esempi che hanno un’alta probabilità di verificarsi quando il sistema è in funzione. In questo modo, la rete impara a riconoscere elementi caratteristici in un determinato tipo di dati. Una volta addestrata, può essere utilizzata per classificare immagini o per generare nuovi esempi del tipo di pattern su cui è stata allenata.
Hinton ha continuato a sviluppare queste idee negli anni successivi, contribuendo in modo decisivo all’attuale esplosione delle tecnologie di apprendimento automatico. Nel 2006, insieme ai suoi colleghi, ha sviluppato un metodo per il pre-addestramento di reti neurali profonde utilizzando una serie di macchine di Boltzmann sovrapposte, ottimizzando così l’addestramento per il riconoscimento di elementi nelle immagini.
L’impatto sulla ricerca scientifica
Le scoperte di Hopfield e Hinton hanno avuto un impatto profondo non solo sullo sviluppo dell’intelligenza artificiale, ma anche sulla ricerca scientifica in molti campi. Le applicazioni spaziano dalla fisica delle particelle all’astrofisica, passando per la scienza dei materiali. Ellen Moons, presidente del Comitato Nobel per la Fisica, ha sottolineato: “Il lavoro dei vincitori ha già portato enormi benefici. In fisica utilizziamo le reti neurali artificiali in una vasta gamma di aree, come lo sviluppo di nuovi materiali con proprietà specifiche”.
Mentre i giganti tech investono miliardi nell’intelligenza artificiale, il premio a Hopfield e Hinton ci ricorda che alla base di chatbot e filtri fotografici c’è della seria fisica teorica. Le loro intuizioni degli anni ’80 hanno trasformato neuroni artificiali in potenti strumenti di calcolo, aprendo la strada a rivoluzioni inaspettate. La prossima volta che il vostro smartphone completerà una frase o riconoscerà un volto, ricordatevi che dietro c’è un po’ di Premio Nobel.
Per saperne di più:
- Leggi il comunicato stampa “They trained artificial neural networks using physics” su The Nobel Prize.
- Leggi l’articolo “The Nobel Prize in Physics 2024” su The Nobel Prize.
- Leggi la notizia su “Physics Nobel scooped by machine-learning pioneers” su Nature.
- Leggi l’articolo “Nobel Prize in Physics Awarded for Breakthroughs in Machine Learning” su Scientific American.
