SMC 資料庫

台灣科技媒體中心／翻譯

本文特此感謝國立屏東大學科學傳播學系鄭宜帆助理教授協助校對

諾貝爾獎官方新聞稿全文：
https://www.nobelprize.org/prizes/physics/2024/press-release/
https://www.nobelprize.org/uploads/2024/10/press-physicsprize2024.pdf

2024年諾貝爾物理獎要表揚２位得主

約翰．霍普菲爾（John J. Hopfield）和傑佛瑞．辛頓（Geoffrey E. Hinton）

「因為他們的基礎性發現與發明，讓人工神經網路能夠應用於機器學習」

他們利用物理學訓練人工神經網路

今年的兩位諾貝爾物理學獎得主使用物理學工具發展出方法，成為現今強大的機器學習的基礎。約翰．霍普菲爾（John J. Hopfield）創建了一種關聯式記憶，可以儲存與重建資料中的圖像和其他類型的模式（pattern）。傑佛瑞．辛頓（Geoffrey E. Hinton）發明了一種能自動發掘資料屬性的方法，因而能執行像是辨識圖像中特定元素的任務。

當我們談到人工智慧，通常指的是使用人工神經網路的機器學習。這項技術最初的靈感來自於大腦結構。在人工神經網路中，以不同數值的節點來表示大腦的神經元。這些節點通過連接影響彼此，類似於突觸，而且這些連接還能加強或減弱。例如，當不同節點同時都具有高數值，就能在節點之間創造更強的連接來訓練網路。今年的獲獎者從 1980年代起，就在人工神經網路領域開展了重要工作。

約翰．霍普菲爾發明了一種網路，該網路使用了某種方法來儲存和再現模式。 我們可以將節點想像為像素。霍普菲爾網路（The Hopfield network）運用了物理學：可描述某個材料因其原子自旋而來的特性（自旋是讓每個原子都變成微小磁鐵的物理性質）。把這個網路作為一個整體來描述，就如同物理學中自旋系統的能量那樣，以尋找節點之間連接的數值來訓練，這使得儲存下來的圖像具有低能量。當有扭曲或不完整的圖像被輸入到霍普菲爾網路中，它會有序地透過節點運作並更新它們的數值，從而使網路的能量下降。因此，該網路一步一步地運作，以找到被儲存下來的圖像，且會最接近原本輸入的不完整圖像。

傑佛瑞．辛頓以霍普菲爾網路作為基礎，發展出使用不同方法的新網路：波茲曼機（Boltzmann machine），它可以學習辨識給定類型資料中的特徵元素。辛頓使用了統計物理學的工具（統計物理學是研究由許多相似組件建構而成的系統的科學），藉由輸入很多機器在運作時很有可能會出現的範本來訓練它。波茲曼機可用於分類圖像，或根據它被訓練的模式類型來建立新的範本。辛頓的這項基礎研究，協助展開了當前機器學習的爆炸性發展。

諾貝爾物理學獎委員會主席艾倫．穆恩斯（Ellen Moons）表示：「這兩位得獎者的工作已然產生了極大益處。在物理學領域，我們已經非常廣泛地應用人工神經網路，例如開發具有特定性質的新材料。」