پرینت

نگاهی به نوبل فیزیک 2024 و اهمیت آن

on .

نگاهی به نوبل فیزیک 2024 و اهمیت آن

حسن فتاحی: در میانه جنگ‌های خونینی که در جهان در جریان است کمیته نوبل فیزیک‌ امسال در اقدامی فراتر از انتظار اما بسیار درست، جایزه نوبل را به دو فیزیک‌دانی داد که از پایه‌گذاران یادگیری ماشین یا یادگیری ماشینی هستند. این نخستین‌ بار نیست که در میانه جنگ و تهدیدهای بزرگ، کمیته نوبل دانشمندانی را به جهان معرفی می‌کند که گام‌های بزرگی برداشته‌اند، اما نام‌شان در هیاهوی جهان و در میان نام‌های آتش‌زنندگان زمین دیده نشده است. در این یادداشت کوتاه بدون ورود به ژرفای کار دو دانشمندی که امسال نوبل فیزیک گرفتند، کمی درباره این جایزه خواهم گفت.

 یادگیری ماشین چیست؟

یادگیری ماشین که به آن ماشین لرنینگ هم می‌گویند، از دو واژه ساخته‌ شده است: ماشین و یادگیری. ماشین در اینجا به معنای پدیده‌ای است که انسان نیست اما بناست کارهای انسانی از جمله اندیشیدن و دریافتن و تصمیم‌سازی را انجام دهد. یادگیری نیز به معنای آموختن توسط ماشین است. اجازه دهید کمی از موضوع دور شویم و درباره یادگیری بیشتر بیاموزیم. انسان تجربه آموختن به حیواناتی همچون سگ‌ها را دارد. همچنین تجربه آموزش‌دادن به کودکان. گاهی یادگیری مبتنی‌بر روندی است که از صفر تا صد چگونگی تصمیم‌گیری و نتیجه‌گیری را شامل می‌شود و گاهی دادن ابزارهایی به انسان یا ماشین است که درنهایت خودش بتواند تصمیم‌سازی کند. مثال ملموس این است که شما می‌توانید به سگ‌ها بیاموزید که خودش دریابد اگر از محیط اطراف داده‌هایی را دریافت کرد که حس کند صاحبش در خطر است، واکنش نشان دهد. به سگ شرایط مختلف را می‌آموزید و انتظار دارید سگ خودش بتواند در دیگر موارد بفهمد که الان موقعیت برای صاحبش خطرناک است یا نه. یا به کودک آن‌قدر الگوهای حل مسئله می‌دهید تا او بیاموزد چطور مسائل جدید را حل کند. به زبان ساده، با ساختن شبکه‌ای از داده‌ها و الگوریتم‌ها به ماشین یاد می‌دهید که چگونه خودش بدون گرفتن دستور واضح برای انجام کاری، آن کار را به شکل بهینه انجام دهد. در یادگیری ماشین بخش‌هایی از فیزیک همچون آمار و تحلیل داده، دینامیک سامانه‌ها و بخش‌های دیگر بسیار کمک‌رسان هستند. این دو برنده جایزه نوبل که کارشان را از دهه 80 میلادی آغاز کردند (همان دهه‌ای که ایران درگیر جنگ هشت‌ساله بود)، درواقع پایه‌گذار انقلابی بودند که بعد از سال 2010 به شکل نمایی رشد کرد. توسعه‌ای که امروز شاهد آن هستیم به دلیل دسترسی به کلان‌داده‌هاست که برای شبکه و افزایش قدرت محاسباتی امکان‌پذیر شده است. شبکه‌های عصبی امروزی بسیار بزرگ و چندلایه‌اند که به آن شبکه عصبی ژرف می‌گویند. فیزیک در این میان ابزارهای توانمندش را در اختیار این فراروند می‌گذارد. استفاده از یادگیری ماشین برای پالایش و پردازش حجم یا گنجای وسیعی از داده‌ها لازم است. از کشف بوزون هیگز گرفته تا بررسی امواج ناشی از برخورد سیاهچاله‌ها و کشف سیارات فراخورشیدی یا اُسترخورشیدی. همچنین برای بخش‌هایی که با مولکول‌ها سروکار دارند و در ساخت دارو یا مواد جدید یادگیری ماشین ضروری است.

بیانیه کمیته نوبل

سر‌تیتر کمیته نوبل درباره این جایزه چنین است: آنها [هوپفیلد و هینتون] با استفاده از فیزیک شبکه‌های عصبی مصنوعی یا انسان‌ساز را گسترش داده‌اند. در ادامه نیز چنین آمده است: دو برنده جایزه نوبل فیزیک امسال از ابزارهای فیزیک برای توسعه روش‌هایی استفاده کرده‌اند که پایه و اساس یادگیری ماشینی توانمند امروزی است. هوپفیلد یک حافظه تداعی‌گر ایجاد کرده است که می‌تواند تصاویر و انواع دیگر الگوها را به شکل داده ذخیره و بازسازی کند. هینتون هم روشی را اختراع کرده که می‌تواند به‌ طور مستقل ویژگی‌ها را در داده‌ها بیابد و بنابراین کارهایی مانند شناسایی چیزی خاص را در تصویرهای زیاد انجام دهد. کار این دو برنده جایزه نوبل بسیار پرکاربرد و پرفایده است.

چرا کمیته نوبل به یادگیری ماشین جایزه داد؟

شاید این پرسش برای بسیاری پیش بیاید که چرا کمیته جایزه نوبل جایزه امسال را به روش‌های نوآورانه مبتنی‌بر فیزیک در یادگیری ماشین داد؟ بسیاری در کشورهای توسعه‌نیافته هنوز با فضای جدید فیزیک در جهان خو نگرفته‌اند و برایشان عجیب است که چرا به کیهان‌شناسی یا فیزیک ذرات یا حالت‌ جامد یا بخش‌های کلاسیک فیزیک جایزه تعلق نگرفت! اما کمیته نوبل حقیقتی را دریافته است که جهان دانش درحال دگرگونی است و یادگیری ماشین و هوش مصنوعی، چنان قدرتمند است که نه‌تنها به پیشبرد خودش کمک می‌کند، بلکه به پیشبرد آن بخش‌هایی که از آن بهره‌مند شده هم کمک خواهد کرد. همچنین کمیته نوبل نشان داد که جهان به سمت همگرایی دانش‌ها و موضوع‌های میان‌رشته‌ای می‌رود. 30 سال پیش در کتاب‌های درسی فیزیک کلاسیک همچون فیزیک هلیدی، نشانی از پرسش‌های برنامه‌نویسی و استفاده از نرم‌افزار نبود؛ اما حالا در کتاب‌های درسی در کنار پرسش‌های کلاسیک، بنا‌بر ضرورت پرسش‌های یادگیری ماشین، محاسباتی و برنامه‌نویسی هم وجود دارد. جهان امروز را باید جهان هوش مصنوعی بنامیم که یادگیری ماشین بخش جدایی‌ناپذیر آن است. از سامانه پدافندی گنبد آهنین برخی کشورها گرفته تا صنعت نفت و هسته‌ای، تا جراحی‌های بدون دخالت انسان و حتی حل بحران‌ها را شامل می‌شود. دور نیست که در آینده ماشین‌ها بهتر از انسان‌ها بیندیشند و تصمیم‌سازی کنند.

درباره برندگان جایزه نوبل

جایزه نوبل امسال به دو فیزیک‌دان با نام‌های جان هوپفیلد و جفری هینتون رسید. جان هوپفیلد که هم‌اکنون 90سالگی را هم پشت سر گذاشته، 15 جولای 1933‌ در شیکاگوی آمریکا به دنیا آمد و در زمان دریافت جایزه‌اش استاد بازنشسته-افتخاری دانشگاه پرینستون آمریکا بود. جفری هینتون، دیگر برنده جایزه، به تاریخ 6 دسامبر 1947‌ در لندن، یعنی دو سال پس از پایان جنگ جهانی دوم به دنیا آمد. او هم به هنگام دریافت جایزه استاد دانشگاه تورنتو در کانادا بود. مبلغ جایزه نوبل هم 11 میلیون کرون سوئد است که بین دو برنده به میزان برابر بخش شده است. هوپفیلد شبکه‌ای را اختراع کرد که به‌ وسیله آن می‌توان الگوها را ذخیره و بازتولید کرد. هوپفیلد از فیزیک بهره گرفت تا ویژگی‌های مواد را بر‌اساس اسپین اتمی‌شان توصیف کند؛ خاصیتی که گویی هر اتم را به آهن‌ربای کوچکی تبدیل می‌کند. شبکه به‌ عنوان یک کل، هم‌سنگ انرژی در سامانه‌های اسپینی در فیزیک توصیف می‌شود. توصیف کار هوپفیلد پیچیده و فراتر از این نوشتار کوتاه است؛ اما باید بگویم دستاورد او با تمام کاربردهایی که همین امروز دارد‌ هنوز راه زیادی دارد تا قابلیت‌های آن عیان شود. جفری هینتون از شبکه هوپفیلد به‌ عنوان پایه و اساس شبکه جدیدی استفاده کرد که از روش متفاوتی استفاده می‌کند: ماشین بولتزمان. این ماشین می‌تواند بیاموزد که عنصرهای مشخص را در یک نوع داده خاص تشخیص دهد. هینتون برای این کار از ابزارهای فیزیک آماری بهره جست. توضیح کارهای این دو دانشمند به درازا می‌کشد‌ اما نکته پایانی که از هر‌چیز مهم‌تر است، این است که این جایزه برآمده از تلاشی چند‌ دهه‌ای است. این دو دانشمند برای کاری جایزه دریافت کرده‌اند که عمری را در خدمت به دانش سپری کردند.

 

Authors: صاحب‌خبران - جدیدترین و آخرین اخبار ایران و جهان - علمی-فناوری

آخرین اخبار چند رسانه ای

پیشنهادات امروزمون چیه؟

ads
ads2