Este año, los Premios Nobel de Física han sido otorgados a dos científicos que han utilizado herramientas de la física para desarrollar métodos fundamentales en el aprendizaje automático.
 
Créditos: Nobel Foundation.


John Hopfield creó una memoria asociativa que permite almacenar y reconstruir imágenes, además de otros tipos de patrones en los datos. Geoffrey Hinton inventó un método que puede identificar propiedades en los datos de manera autónoma, realizando tareas como reconocer elementos específicos en imágenes.

Cuando hablamos de inteligencia artificial, a menudo nos referimos al aprendizaje automático mediante redes neuronales artificiales, tecnología inspirada en la estructura del cerebro. En una red neuronal artificial, las neuronas están representadas por nodos con distintos valores, que influyen entre sí a través de conexiones comparables a las sinapsis, pudiendo fortalecerse o debilitarse. La red se entrena desarrollando conexiones más fuertes entre nodos con valores altos al mismo tiempo. Los galardonados de este año han hecho contribuciones significativas al desarrollo de redes neuronales artificiales desde la década de 1980.

John Hopfield inventó una red capaz de guardar y recrear patrones, imaginando los nodos como píxeles. La red de Hopfield utiliza principios físicos que describen las características de un material debido a su espín atómico, similar a como cada átomo actúa como un pequeño imán. La red se describe de manera equivalente a la energía en el sistema de espín en física y se entrena encontrando valores para las conexiones entre los nodos para que las imágenes almacenadas tengan baja energía. Al alimentar la red con una imagen distorsionada o incompleta, ésta actualiza metódicamente sus valores para reducir la energía y encontrar la imagen guardada que más se asemeje a la imperfecta.

Geoffrey Hinton desarrolló la máquina de Boltzmann basada en la red de Hopfield, capaz de aprender a reconocer características en tipos específicos de datos. Esta máquina se entrena con ejemplos probables, pudiendo clasificar imágenes o crear nuevos ejemplos basados en patrones proporcionados. Hinton, basándose en este trabajo, contribuyó al desarrollo explosivo del aprendizaje automático.

Aprendizaje Automático: Hoy y Mañana

Gracias a su labor desde la década de 1980, John Hopfield y Geoffrey Hinton sentaron las bases para la revolución del aprendizaje automático que comenzó alrededor de 2010. Este avance ha sido posible gracias al acceso a grandes volúmenes de datos para entrenar redes y al incremento significativo de la potencia informática. Las redes neuronales actuales, a menudo construidas con muchas capas, se denominan redes neuronales profundas y su entrenamiento se conoce como aprendizaje profundo.

En su artículo de 1982 sobre la memoria asociativa, Hopfield utilizó una red con 30 nodos, resultando en 435 conexiones y menos de 500 parámetros en total. Comparado con los modelos de lenguaje actuales, que contienen más de mil millones de parámetros, muestra el vasto desarrollo del campo.

Actualmente, muchos investigadores están explorando aplicaciones del aprendizaje automático. Queda por ver cuáles serán las más viables, pero también existe un amplio debate sobre las cuestiones éticas en el desarrollo y uso de esta tecnología.

La física ha sido instrumental en el desarrollo del aprendizaje automático y también se beneficia de estas tecnologías. Se ha usado aprendizaje automático en la búsqueda de la partícula de Higgs, la reducción de ruido en mediciones de ondas gravitacionales de agujeros negros en colisión y la búsqueda de exoplanetas.

Más recientemente, esta tecnología se ha aplicado para calcular y predecir propiedades de moléculas y materiales, como la estructura de proteínas, determinando su función o identificando las mejores propiedades de materiales para celdas solares más eficientes.

Créditos: