Årets pris handler om maskiner som lærer, sa Hans Ellegren ved Kungliga Vetenskapsakademien da årets nobelpris i fysikk ble kunngjort.
Vinnerne er John J. Hopfield ved Princeton University i USA og Geoffrey E. Hinton ved University of Toronto i Canada.
De får prisen for grunnleggende oppdagelser innen maskinlæring og nevrale nettverk.
Språkmodeller som ChatGPT og lignende KI-verktøy har spredt seg voldsomt i verden de siste årene, men grunnlaget ble altså lagt av prisvinnernes kunstige nevrale nettverk for flere tiår siden.
Programmene bruker store datasett for å trene opp seg selv. Det skaper selvforsterkende prosesser, hvor noen koblinger blir sterkere og sterkere, mens andre, mindre brukte koblinger forsvinner av seg selv.
Dette er datasystemer som hermer etter hvordan menneskehjernen er bygget opp med massevis av koblinger mellom nerveceller – eller nevroner. Ideen om kunstige nevrale nettverk strekker seg tilbake til 1960-tallet, men det var inspirert av den nye forståelsen av hjernen og nerveceller som kom på 1940-tallet.
Men er dette en fysikkpris? Vanligvis gis prisen til for eksempel eksperimentelle bekreftelser av teori, som for eksempel i 2022. Da dreide det seg om kvantesammenfiltring, som du kan lese mer om her.
Om Nobelprisen i fysikk
Nobelprisen i fysikk er en av de fem Nobelprisene som deles ut av Kungliga Vetenskapsakademien.
Ivar Giæver er den eneste nordmannen som har mottatt Nobelprisen i fysikk. Han vant den i 1973 sammen med japanske Leo Esaki og britiske Brian David Josephson for deres arbeid innen kvantemekanikk.
(Kilde: SNL.no)
– Overraskende
– Jeg har snakket med flere fysikere som først synes det var rart at fysikk-prisen gikk til noe kunstig intelligens-greier, sier Inga Strümke til forskning.no.
Hun er kunstig intelligens-forsker ved NTNU og har skrevet boka Maskiner som tenker.
– Jeg ble litt overrasket sjøl, men hvis man leser begrunnelsen, så vil jeg si at det gir mening.
John Hopfield får prisen for å ha laget et nettverk som kan lagre og kjenne igjen mønstre, heter det i juryens begrunnelse.
Dette nettverket var basert på grunnleggende fysikk, og det var bygget for å være et selvlærende nettverk som kunne analysere bilder.
Inga Strümke er forsker ved Institutt for datateknologi og informatikk ved NTNU.(Foto: Beate Oma Dahle, NTB)
Grunnleggende fysikk
– Hopfield-nettverket bruker metoder fra statistisk mekanikk til å det hele tatt fungere, sier Strümke.
Statistisk mekanikk handler om å beskrive store systemer med veldig mange partikler eller små deler, som skyer av gass, utviklet av Ludwig Boltzmann på 1870-tallet. Dette er svært viktig grunnleggende fysikk, som blant annet beskriver hvordan for eksempel en motor kan utføre arbeid.
Geoffrey Hinton bygde videre på arbeidet til Hopfield for å lage et annet type nettverk, som skulle lete etter mønstre i store datamengder. Hinton brukte statistisk mekanikk rett fra kilden, Ludwig Boltzmann, som utviklet denne grenen av fysikk på 1870-tallet.
Denne typen statistikk ble altså overført til å drive forløperen til nevrale nettverk av prisvinnerne.
Annonse
– Dette er bruk av teori og modeller fra grunnleggende fysikk og så har det lagt grunnlaget for moderne nevrale nettverk.
Selv om moderne bruk av nevrale nettverk i store KI-modeller ikke dreier seg direkte om fysikk, så bygger teknikkene på fysikk.
– Det finnes heller ikke en egen Nobelpris for kunstig intelligens, sier hun.
Ny fysikk
– Nå er nevrale nettverk veldig nyttig i fysikkforskning, sier hun.
Nå brukes slike nevrale nettverk nemlig mye til å forske på datasett fra fysikkeksperimenter. Partikkelkollisjonene på LHC produserer for eksempel ekstremt mye data som må sorteres, analyseres og letes gjennom.
Nevrale nettverk kan gjøre denne jobben mye letter og fortere, og kanskje se nye sammenhenger.
– Jeg har brukt nevrale nettverk i min fysikkforskning, og jeg er veldig glad for at de finnes, sier Strümke, som har doktorgrad i partikkelfysikk.
At det er et nyttig verktøy, er ikke god nok grunn til å gi prisen, men hun mener den er vel fortjent.
– Det viser at modeller fra fysikk kan brukes til å lage nyttige greier som ikke nødvendigvis er modellering av fysiske systemer.
– En helt opplagt pris for i år
– Dette er en helt opplagt pris for i år, sier fysiker Bjørn Samset til forskning.no. Han er utdannet partikkelfysiker og jobber nå med klimaforskning ved Cicero Senter for klimaforskning.
Annonse
Han peker på at de to forskerne får Nobelprisen i fysikk fordi maskinlæringen også ble utviklet for å løse fundamentale problemer i fysikk ved å sortere i store datasett.
Men nå er dette blitt grunnlaget for mye annen viktig teknologi.
– Dette er egentlig en beregningspris, sier Bjørn Samset.(Foto: Elise Kjørstad)
– På vei til å revolusjonere forskning
– Det er på vei til å revolusjonere forskning, på samme måte som datamaskiner gjorde, mener Samset.
– Det handler om hvordan vi kan få en maskin til å lære noe av seg selv, sier Samset.
Han forteller at det allerede er mye brukt innen klimaforskning, blant annet for å nettopp lete etter mønstre eller nye sammenhenger.
– Vi kan gjøre mange alternative klimasimuleringer i de store modellene.
– Da ender du opp med et veldig stort datasett som må gjennomgås.
Dette kan slike KI-modeller gjøre bedre og raskere, og for eksempel utforske spørsmål om ekstremvær i Norge, sier han.
– KI kan brukes til å grave i alle datasettene, og de kan lære av noen få simuleringer med de store modellene.
KI er mye mer effektivt enn de store modellene, og etter treningen er de effektive selv med mye mindre datakraft enn store klimamodeller.
