Nobel Vật lý cho những người tiên phong về máy học

John Hopfield và Geoffrey Hinton đã đi đầu trong các phương pháp tính toán để tăng cường các mạng lưới thần kinh.

Hai nhà khoa học đã phát triển các công cụ để đem lại hiểu biết về các mạng lưới thần kinh đặt nền tảng cho sự bùng nổ AI đã giành giải Nobel Vật lý 2024.

John Hopfield tại ĐH Princeton ở New Jersey, và Geoffrey Hinton tại ĐH Toronto, Canada, chia sẻ giải thưởng 11 triệu kronor (1 triệu USD), do Viện Hàn lâm Khoa học Thụy Điển vào ngày 8/10.

Cả hai đã sử dụng các công cụ vật lý để kết hợp với các phương pháp khác để tăng cường sức mạnh cho các mạng thần kinh nhân tạo, vốn được truyền cảm hứng từ các lớp cấu trúc trong não bộ con người để học hỏi các khái niệm trừu tượng. Các khám phá của họ “hình thành các khối cơ bản của học máy, có thể hỗ trợ con người trong việc ra quyết định nhanh hơn và đáng tin cậy hơn”, thành viên Ủy ban Nobel Ellen Moons, một nhà vật lý tại ĐH Karlstad, Thụy Điển, cho biết trong buổi họp báo. “Các mạng lưới nhân tạo đã được sử dụng cho các nghiên cứu tiên tiến khắp các chủ đề vật lý như vật lý hạt, khoa học vật liệu và vật lý thiên văn”.

Trí nhớ của máy

Vào năm 1982, Hopfield, một nhà sinh học lý thuyết với một nền tảng hiểu biết về vật lý, đã miêu tả những kết nối giữa các thần kinh ảo như những lực vật lý. Bằng việc lưu trữ các mẫu hình như trạng thái năng lượng thấp của mạng lưới, hệ thống này có thể tự tái tạo mẫu hình này khi gợi ý với những điều tương tự, và được biết đến như trí nhớ liên kết, bởi vì cách này tương tự với việc bộ não cố gắng nhớ lại một từ hoặc khái niệm dựa trên thông tin liên quan.

Hinton, một nhà khoa học máy tính, sử dụng những nguyên lý từ vật lý thống kê, miêu tả các hệ có quá nhiều phần tử để dò, qua đó phát triển thêm “mạng Hopfield’. Bằng việc xây dựng những xác suất vào một phiên bản nhiều lớp của mạng lưới này, ông đã tạo ra một công cụ có thể ghi nhận và phân loại hình ảnh, hoặc tái tạo cac ví dụ về dạng đã được tập huấn.

Các quá trình đó khác với những dạng ban đầu của tính toán, trong các mạng lưới có thể học từ các ví dụ, bao gồm dữ liệu phức hợp. Điều này có thể thách thức với các phần mềm thông thường do phải dựa vào các tính toán theo từng bước một.

Các mạng lưới này là “những mô hình vô cùng lý tưởng phân biệt các mạng thần kinh sinh học thực như các quả táo với các hành tinh”, Hinton viết trong bài báo xuất bản trên Nature Neuroscience vào năm 2000. Chúng được sử dụng rộng rãi. Các mạng thần kinh bắt chước hình thức học hỏi của con người trên cơ sở của những công cụ AI tiên tiến bậc nhất, từ các mô hình ngôn ngữ lớn (LLMs) đến các thuật toán máy học có năng lực phân tích lượng dữ liệu lớn, bao gồm mô hình dự đoán cấu trúc protein AlphaFold.

Qua điện thoại, Hinton nói rằng việc ông giành giải Nobel là một “điều ông không mong đợi”. “Tôi lặng đi vì kinh ngạc, tôi không nghĩ điều này có thể xảy ra”, ông nói và cho biết thêm là những tiên tiến trong học máy “sẽ có ảnh hưởng rất lớn, nó sẽ cạnh tranh với cuộc cách mạng công nghiệp nhưng thay vì xếp hạng con người theo sức mạnh vật lý thì sẽ xếp hạng con người theo năng lực trí tuệ”.

Trong những năm gần đây, Hinton là một trong những người lên tiếng quyết liệt nhất về các biện pháp bảo vệ quanh AI. Ông cho rằng ông được thuyết phục từ năm ngoái là tính toán số đã trở nên tốt hơn bộ não con người là nhờ năng lực chia sẻ sự học hỏi từ nhiều bản sao của một thuật toán và được vận hành một cách song song. “Tôi nghĩ rằng các hệ thống này đang trở nên thông minh hơn chúng ta nhanh hơn tôi nghĩ, ông nói trong một Hội nghị thượng đỉnh toàn cầu về AI ở Geneva, Thụy Sĩ vào tháng 5/2024. “Tôi đã dành 50 năm để suy nghĩ về việc liệu chúng ta có thể làm như bộ não không thì cuối cùng nó đã trở nên tốt hơn”.

Được các nhà vật lý thúc đẩy

Hinton đã giành giải thưởng Alan Turing vào năm 2018 cũng như nhiều giải thưởng vật lý danh giá như huy chương Dirac.

“Động lực của Hopfield thực sự là từ vật lý và ông ấy đã phát minh ra mô hinh vật lý để hiểu các pha của vật chất”, Karl Jansen, một nhà vật lý của Phòng thí nghiệm Electron Synchrotron Đức (DESY) ở Zeuthen, cho biết và đánh giá công việc của ông mang tính đột phá. Sau hàng thập kỷ phát triển, các mạng thần kinh đã trở thành công cụ quan trọng để phân tích data từ các thực nghiệm vật lý và hiểu các dạng chuyển pha của vật lý mà Hopfield đã thiết lập đế nghiên cứu, Jansen cho biết thêm.

Lenka Zdeborová, một chuyên gia về vật lý thống kê tại Viện Công nghệ liên bang Thụy Sĩ (EPFL), cho rằng mình đã rất ngạc nhiên một cách hài lòng khi thấy Ủy ban Nobel ghi nhận tầm quan trọng của các ý tưởng vật lý để hiểu các hệ phức hợp. “Đó là một ý tưởng bao quát, bao gồm cả các phân tử hay con người trong xã hội.”

Trong năm năm qua, giải Abel và Fields đã vinh danh sự kết hợp chéo giữa toán học, vật lý và khoa học máy tính, bao gồm các đóng góp với vật lý thống kê.

Cả hai nhà khoa học giành giải Nobel Vật lý “đã mang đến những ý tưởng quan trọng một cách đáng kinh ngạc từ vật lý vào AI”, theo Yoshua Bengio, nhà khoa học máy tính từng chia sẻ giải Turing 2018 với Hinton và nhà tiên phong về mạng thần kinh Yann LeCun. Buổi seminar và sự nồng nhiệt của Hinton đã khiến ông có một vai trò lớn lao với Bengio và những người khác. “Tôi được truyền cảm hứng khi tôi còn là một sinh viên”, Bengio nói, giờ ông là giám đốc Viện nghiên cứu các thuật toán Montreal, Canada. Trong nhiều thập kỷ, nhiều nhà khoa học máy tính coi mạng thần kinh này là thất bại, Bengio nói – một bước ngoặt đến khi Hinton và người khác dùng nó để giành chiến thắng trong cuộc thi ghi nhận hình ảnh năm 2012.

Lợi ích mô hình não

Sinh học có được lợi ích từ những mạng thần kinh nhân tạo của não. May-Britt Moser, nhà thần kinh học tại ĐH KH&CN Nauy ở Trondheim và giành giải Nobel Y sinh năm 2014, cho biết mình “rất hạnh phúc” khi thấy người thắng giải được loan báo. Các phiên bản mô hình mạng lưới của Hopfield đều hữu dụng với các nhà thần kinh học, bà nói, khi tìm hiểu cách các neuron hoạt động trong quá trình ghi nhớ và định vị. Mô hình của ông, mô tả các ký ức như các điểm thấp trên một mặt phẳng, giúp cho các nhà nghiên cứu hình dung cách ý nghĩa hay sự căng thẳng có thể được phục hồi hoặc khắc phục trong bộ não, bà cho biết thêm. “Tôi yêu cách sử dụng điều này như một biến hể để nói với mọi người khi họ gặp khó khăn.”

Ngày nay, khoa học thần kinh nhận ra các lý thuyết mạng lưới và các công cụ học máy, được bắt nguồn từ công trình của Hopfield và Hinton, để hiểu và xử lý dữ liệu từ hàng ngàn tế bào mô phỏng, Moser nói. “Nó giống như nhiên liệu nạp vào để hiểu những điều mà chúng ta không thể có, ngay cả trong mơ, khi chúng ta bắt đầu nghiên cứu trong lĩnh vực này”.

“Sử dụng các công cụ máy học đã có tác động to lớn lên phân tích dữ liệu và hiểu biết tiềm năng của chúng ta về cách các mạch não có thể tính toán,” theo Eve Marder, nhà khoa học thần kinh tại ĐH Brandeis ở Waltham, Massachusetts. “Nhưng những tác động đó còn bị hạn chế bởi nhiều tác động mà máy học và AI đang gây ra ở từng khía cạnh của cuộc sống hằng ngày.”

Nguyễn Nhàn tổng hợp

Nguồn: https://www.nature.com/articles/d41586-024-03213-8