Nobel de Física 2024 para creadores del aprendizaje automático de máquinas
Tiempo de lectura: 3 minutos Los galardonados de este año son John J. Hopfield y Geoffrey E. Hinton, quienes utilizaron herramientas de la física para construir métodos que ayudaron a sentar las bases del potente aprendizaje automático actual de redes neuronales artificiales.
Los computadores pueden traducir entre idiomas, interpretar imágenes e incluso mantener conversaciones razonables. La base para lograr este tipo de tecnología está en el aprendizaje automático, que usa una estructura llamada red neuronal artificial.
Dicha estructura es un símil del cerebro humano. En término prácticos, trata de simular el funcionamiento de una neurona natural, que puede establecer conexiones a medida que aprendemos cosas nuevas.
Uno de los científicos pioneros en el desarrollo de este campo ha sido John Hopfield, quien se ha convertido en el nuevo Premio Nobel de Física 2024.
Uno de sus primeros estudios se remonta a 1982, cuando estudió las redes neuronales y descubrió la memoria asociativa. Este es el proceso que busca palabras similares para encontrar la correcta.
Memoria asociativa
El físico identificó que la memoria puede almacenar patrones y tiene un método para recrearlos. Cuando se le proporciona a la red un patrón incompleto o ligeramente distorsionado, el método puede encontrar el patrón almacenado que sea más similar.
Aprovechando su formación en física, Hopfield logró construir una red neuronal modelo con nodos y conexiones que explica el funcionamiento de la memoria asociativa.
En su propuesta, el científico compara la búsqueda de un estado guardado en la red con la de una pelota que rueda por un paisaje de montes y valles, con una fricción que ralentiza su movimiento.
Si se deja caer la pelota en un lugar determinado, la pelota rodará hasta el valle más cercano y se detendrá allí. Si se le da a la red un patrón cercano a uno de los patrones guardados, seguirá avanzando de la misma manera hasta que termine en el fondo de un valle en el paisaje energético, encontrando así el patrón más cercano en su memoria.
De esta forma, la red de Hopfeld se puede utilizar para recrear datos que contienen ruido o que se han borrado parcialmente.
El encuentro entre dos físicos
Cuando Hopfeld publicó su artículo sobre la memoria asociativa, Geofrey Hinton trabajaba en la Universidad Carnegie Mellon de Pittsburgh (Estados Unidos). Había estudiado psicología experimental e inteligencia artificial en Inglaterra y Escocia y se preguntaba si las máquinas podrían aprender a procesar patrones de forma similar a los humanos, encontrando sus propias categorías para clasificar e interpretar la información.
Junto con su colega Terrence Sejnowski, Hinton partió de la red de Hopfeld y la amplió para construir algo nuevo, utilizando ideas de la física estadística.
Gracias a su trabajo desde la década de 1980 en adelante, John Hopfeld y Geofrey Hinton han ayudado a sentar las bases para la revolución del aprendizaje automático que comenzó alrededor de 2010, y que hoy es la clave para el desarrollo de la inteligencia artificial.
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.
Campos de aplicación
Actualmente, muchos investigadores están desarrollando áreas de aplicación del aprendizaje automático. Aún queda por ver cuáles serán las más viables. Asimismo, también existe un amplio debate sobre las cuestiones éticas que rodean el desarrollo y el uso de esta tecnologías.
Dado que la física ha aportado herramientas para el desarrollo del aprendizaje automático, es interesante ver cómo este campo de investigación también se beneficia de las redes neuronales artificiales.
El aprendizaje automático se ha utilizado durante mucho tiempo en áreas con las que quizás estemos familiarizados por premios Nobel de Física anteriores. Entre ellas, el uso del aprendizaje automático para examinar y procesar las enormes cantidades de datos necesarios para descubrir la partícula de Higgs.
Otras aplicaciones incluyen la reducción del ruido en las mediciones de las ondas gravitacionales de los agujeros negros en colisión o la búsqueda de exoplaneta
En los últimos años, esta tecnología también ha empezado a utilizarse para calcular y predecir las propiedades de moléculas y materiales: por ejemplo, para calcular la estructura de las moléculas de proteínas, que determina su función, o para determinar qué nuevas versiones de un material pueden tener las mejores propiedades para su uso en células solares más eficient
