John J. Hopfield della Princeton University e Geoffrey E. Hinton della University of Toronto hanno ricevuto il premio Nobel 2024 per la fisica. E così l’intelligenza artificiale diventa protagonista anche dei Nobel: sono stati infatti premiati i pionieri dell’apprendimento automatico alla base dell’AI per le loro “scoperte e invenzioni fondamentali che rendono possibile l’apprendimento automatico con reti neurali artificiali”.

“Il lavoro dei premiati ha già portato enormi benefici. Nella fisica utilizziamo le reti neurali artificiali in una vasta gamma di aree, come lo sviluppo di nuovi materiali con proprietà specifiche”, afferma Ellen Moons, Presidente del Comitato Nobel per la Fisica.

La spiegazione della Royal swedish Academy of sciences

“Quando parliamo di intelligenza artificiale, spesso ci riferiamo all’apprendimento automatico che utilizza reti neurali artificiali. Questa tecnologia è stata originariamente ispirata dalla struttura del cervello. In una rete neurale artificiale, i neuroni del cervello sono rappresentati da nodi che hanno diversi valori”, spiega la nota che accompagna la decisione della Royal swedish Academy of sciences, che assegna i premi Nobel. “Questi nodi si influenzano reciprocamente attraverso connessioni che possono essere paragonate alle sinapsi e che possono diventare più forti o più deboli. La rete viene addestrata, ad esempio, rafforzando le connessioni tra nodi con valori simultaneamente elevati. I premiati di quest’anno hanno svolto un lavoro importante con le reti neurali artificiali a partire dagli anni ’80”.

Anche quel lavoro ha portato alle tecnologie che usiamo oggi – grazie all’accelerata degli ultimi anni 15 anni – basate sul machine learning, che ci permettono di tradurre da una lingua all’altra in automatico o addirittura conversare con una macchina. Quelle stesse tecnologie vengono usate da tempo nel mondo della ricerca per selezionare ed analizzare grandissime quantità di dati. L’apprendimento automatico differisce dal software tradizionale, che funziona come un tipo di ricetta, secondo l’Accademia svedese. “Il software riporta i dati, che viene elaborato secondo una chiara descrizione e produce i risultati, come quando qualcuno raccoglie gli ingredienti e li elabora seguendo una ricetta”. Invece nell’apprendimento automatico il computer impara grazie a degli esempi. Permette di affrontare problemi troppo complicati, come interpretare un’immagine.

I computer non possono anche veramente pensare, ricorda l’Accademia, ma possono imitare le nostre capacità, come memoria e apprendimento, sempre meglio. “I laureati di quest’anno in fisica hanno contribuito a rendere possibile tutto ciò. Utilizzando concetti e metodi fondamentali della fisica, hanno sviluppato tecnologie che utilizzano strutture in rete per elaborare l’informazione”.

La memoria associativa e le proprietà dei dati

Hopfield e Hinton hanno utilizzato strumenti della fisica per sviluppare metodi che sono alla base dell’attuale apprendimento automatico delle intelligenze artificiali:

• John Hopfield, americano classe 1933, ha creato una memoria associativa che può memorizzare e ricostruire immagini e altri tipi di schemi nei dati. “Possiamo immaginare i nodi come pixel”, dice l’accademia svedese. “La rete di Hopfield sfrutta la fisica che descrive le caratteristiche di un materiale dovute allo spin atomico, una proprietà che rende ogni atomo un minuscolo magnete. L’intera rete viene descritta in modo equivalente all’energia nel sistema di spin che si trova nella fisica, e viene addestrata trovando i valori delle connessioni tra i nodi in modo che le immagini salvate abbiano bassa energia. Quando alla rete di Hopfield viene fornita un’immagine distorta o incompleta, essa lavora sistematicamente attraverso i nodi, aggiornando i loro valori in modo che l’energia della rete diminuisca. La rete lavora quindi passo dopo passo per trovare l’immagine salvata che è più simile a quella imperfetta che le è stata data”.

• Geoffrey Hinton, londinese nato nel 1947 ha usato proprio il lavoro di Hopfield e ha inventato un metodo in grado di individuare autonomamente proprietà nei dati, permettendo così di svolgere compiti come identificare elementi specifici nelle immagini. “Hinton ha utilizzato la rete di Hopfield come base per una nuova rete che impiega un metodo diverso: la macchina di Boltzmann”, dice l’accademia. “Questa può imparare a riconoscere elementi caratteristici in un tipo di dati specifico. Hinton ha utilizzato strumenti della fisica statistica, la scienza dei sistemi costituiti da molti componenti simili. La macchina viene addestrata fornendole esempi che sono molto probabili quando la macchina è in funzione. La macchina di Boltzmann può essere utilizzata per classificare immagini o creare nuovi esempi del tipo di schema su cui è stata addestrata. Hinton ha sviluppato ulteriormente questo lavoro, contribuendo all’attuale esplosiva crescita dell’apprendimento automatico”.

Immagine in evidenza: Niklas Elmehed © Nobel Prize Outreach