حصل جون جيه هوبفيلد وجيفري إي هينتون على جائزة نوبل في الفيزياء في 8 أكتوبر 2024، لأبحاثهما حول خوارزميات التعلم الآلي والشبكات العصبية التي تساعد أجهزة الكمبيوتر على التعلم. لقد كان عملهم أساسيًا في تطوير نظريات الشبكة العصبية التي تدعم الذكاء الاصطناعي التوليدي.
الشبكة العصبية هي نموذج حسابي يتكون من طبقات من الخلايا العصبية المترابطة. مثل الخلايا العصبية في دماغك، تقوم هذه الخلايا العصبية بمعالجة وإرسال جزء من المعلومات. تتلقى كل طبقة عصبية جزءًا من البيانات، وتقوم بمعالجتها وتمرير النتيجة إلى الطبقة التالية. وبحلول نهاية التسلسل، تكون الشبكة قد قامت بمعالجة البيانات وتحسينها إلى شيء أكثر فائدة.
في حين أنه قد يبدو من المفاجئ أن يحصل هوبفيلد وهينتون على جائزة الفيزياء لإسهاماتهما في الشبكات العصبية المستخدمة في علوم الكمبيوتر، فإن عملهما متجذر بعمق في مبادئ الفيزياء، وخاصة في مجال فرعي يسمى الميكانيكا الإحصائية.
باعتباري عالمًا في المواد الحاسوبية، كنت متحمسًا لرؤية هذا المجال البحثي يحظى بالجائزة. لقد سمح لي عمل هوبفيلد وهينتون وزملائي بدراسة عملية تسمى التعلم التوليدي لعلوم المواد، وهي الطريقة التي تقف وراء العديد من التقنيات الشائعة مثل ChatGPT.
ما هي الميكانيكا الإحصائية؟
الميكانيكا الإحصائية هي فرع من فروع الفيزياء يستخدم الأساليب الإحصائية لشرح سلوك الأنظمة المكونة من عدد كبير من الجسيمات.
بدلًا من التركيز على الجسيمات الفردية، يبحث الباحثون الذين يستخدمون الميكانيكا الإحصائية في السلوك الجماعي للعديد من الجسيمات. إن رؤية كيفية عملهم جميعًا معًا يساعد الباحثين على فهم الخصائص العيانية واسعة النطاق للنظام مثل درجة الحرارة والضغط والمغنطة.
على سبيل المثال، طور الفيزيائي إرنست إيسينج نموذجًا ميكانيكًا إحصائيًا للمغناطيسية في عشرينيات القرن العشرين. يتخيل إيسينج المغناطيسية على أنها سلوك جماعي للسفينات الذرية التي تتفاعل مع جيرانها.
في نموذج إيسينج، هناك حالات طاقة أعلى وأدنى للنظام، ومن المرجح أن توجد المادة في حالة الطاقة الأدنى.
إحدى الأفكار الرئيسية في الميكانيكا الإحصائية هي توزيع بولتزمان، الذي يحدد مدى احتمالية حدوث حالة معينة. يصف هذا التوزيع احتمالية وجود النظام في حالة معينة – مثل الحالة الصلبة أو السائلة أو الغازية – بناءً على طاقته ودرجة حرارته.
تنبأ Ising تمامًا بمرحلة انتقال المغناطيس باستخدام توزيع بولتزمان. لقد اكتشف درجة الحرارة التي تتغير عندها المادة من كونها مغناطيسية إلى غير مغناطيسية.
تحدث تغيرات الطور عند درجات حرارة يمكن التنبؤ بها. يذوب الجليد إلى الماء عند درجة حرارة معينة لأن توزيع بولتزمان يتنبأ أنه عندما يصبح الجو دافئًا، من المرجح أن تتخذ جزيئات الماء حالة مضطربة – أو سائلة.
في المواد، ترتب الذرات نفسها في هياكل بلورية محددة تستخدم أقل كمية من الطاقة. عندما يكون الجو باردًا، تتجمد جزيئات الماء إلى بلورات ثلجية ذات حالات طاقة منخفضة.
وبالمثل، في علم الأحياء، تطوى البروتينات إلى أشكال منخفضة الطاقة، مما يسمح لها بالعمل كأجسام مضادة محددة – مثل القفل والمفتاح – تستهدف الفيروس.
الشبكات العصبية والميكانيكا الإحصائية
في الأساس، تعمل جميع الشبكات العصبية على مبدأ مماثل – لتقليل الطاقة. تستخدم الشبكات العصبية هذا المبدأ لحل مشاكل الحوسبة.
على سبيل المثال، تخيل صورة مكونة من وحدات بكسل حيث يمكنك فقط رؤية جزء من الصورة. تكون بعض وحدات البكسل مرئية، بينما يكون الباقي مخفيًا. لتحديد ماهية الصورة، عليك أن تفكر في كل الطرق الممكنة التي يمكن أن تتناسب بها وحدات البكسل المخفية مع القطع المرئية. ومن هناك، يمكنك الاختيار من بين ما قد يقول الميكانيكيون الإحصائيون إنها الحالات الأكثر احتمالية من بين جميع الخيارات الممكنة.
طور هوبفيلد وهينتون نظرية للشبكات العصبية بناءً على فكرة الميكانيكا الإحصائية. تمامًا مثل إيسينج من قبلهم، الذي وضع نموذجًا للتفاعل الجماعي للدوران الذري لحل مشكلة الصورة مع الشبكة العصبية، تخيل هوبفيلد وهينتون التفاعلات الجماعية للبكسلات. لقد مثلوا هذه البكسلات على شكل خلايا عصبية.
كما هو الحال في الفيزياء الإحصائية، تشير طاقة الصورة إلى مدى احتمال تكوين معين من وحدات البكسل. يمكن لشبكة هوبفيلد أن تحل هذه المشكلة من خلال إيجاد ترتيبات الطاقة الأقل للبكسلات المخفية.
ومع ذلك، على عكس الميكانيكا الإحصائية – حيث يتم تحديد الطاقة من خلال التفاعلات الذرية المعروفة – تتعلم الشبكات العصبية هذه الطاقات من البيانات.
شاع هينتون تطوير تقنية تسمى الانتشار العكسي. تساعد هذه التقنية النموذج على اكتشاف طاقات التفاعل بين هذه الخلايا العصبية، وتدعم هذه الخوارزمية الكثير من تعلم الذكاء الاصطناعي الحديث.
آلة بولتزمان
بناءً على عمل هوبفيلد، تخيل هينتون شبكة عصبية أخرى تسمى آلة بولتزمان. وهي تتكون من خلايا عصبية مرئية يمكننا ملاحظتها، وخلايا عصبية مخفية تساعد الشبكة على تعلم الأنماط المعقدة.
في آلة بولتزمان، يمكنك تحديد احتمال ظهور الصورة بطريقة معينة. لمعرفة هذا الاحتمال، يمكنك تلخيص جميع الحالات المحتملة التي يمكن أن تكون فيها وحدات البكسل المخفية. ويمنحك هذا الاحتمال الإجمالي لوجود وحدات البكسل المرئية في ترتيب معين.
عملت مجموعتي على تطبيق آلات بولتزمان في أجهزة الكمبيوتر الكمومية من أجل التعلم التوليدي.
في التعلم التوليدي، تتعلم الشبكة كيفية إنشاء عينات بيانات جديدة تشبه البيانات التي قام الباحثون بتغذيتها للشبكة لتدريبها. على سبيل المثال، قد يقوم بإنشاء صور جديدة لأرقام مكتوبة بخط اليد بعد تدريبه على صور مماثلة. يمكن للشبكة توليدها عن طريق أخذ عينات من توزيع الاحتمالات المستفادة.
يدعم التعلم التوليدي الذكاء الاصطناعي الحديث، وهو ما يسمح بإنتاج أعمال فنية ومقاطع فيديو ونصوص تعتمد على الذكاء الاصطناعي.
لقد أثر هوبفيلد وهينتون بشكل كبير على أبحاث الذكاء الاصطناعي من خلال الاستفادة من أدوات الفيزياء الإحصائية. يقارن عملهم بين كيفية تحديد الطبيعة للحالات الفيزيائية للمادة وكيف تتنبأ الشبكات العصبية باحتمالية إيجاد حلول لمشاكل علوم الكمبيوتر المعقدة.
تم إعادة نشر هذا المقال من The Conversation، وهي منظمة إخبارية مستقلة غير ربحية تقدم لك حقائق وتحليلات جديرة بالثقة لمساعدتك على فهم عالمنا المعقد. كتب بواسطة: فيرا سونداراراغافان، جامعة ميشيغان
اقرأ المزيد:
تتلقى Veera Sundararaghavan تمويلًا خارجيًا لأبحاث لا علاقة لها بمحتوى هذه المقالة.