Hai nhà khoa học đoạt Giải Nobel Vật lý năm nay đã sử dụng các công cụ từ vật lý để phát triển các phương pháp nền tảng của học máy ngày nay. John J. Hopfield đã tạo ra một bộ nhớ liên kết có thể lưu trữ, tái tạo hình ảnh và các loại mẫu khác trong dữ liệu. Geoffrey E. Hinton phát triển một phương pháp có thể tự động tìm các thuộc tính trong dữ liệu, từ đó, thực hiện các nhiệm vụ như xác định các thành phần cụ thể trong hình ảnh.
Khi nói về trí tuệ nhân tạo, chúng ta thường ám chỉ đến học máy sử dụng mạng nơ-ron nhân tạo. Công nghệ này được lấy cảm hứng từ cấu trúc của não bộ. Trong mạng nơ-ron nhân tạo, các nơ-ron được biểu diễn bằng các nút có giá trị khác nhau. Các nút này ảnh hưởng lẫn nhau thông qua các kết nối, có thể được ví như các khớp thần kinh, có thể mạnh lên hoặc yếu đi. Mạng nơ-ron có thể được đào tạo bằng cách phát triển các kết nối mạnh hơn giữa các nút có giá trị cao đồng thời.
GS John J. Hopfield đã phát triển một mạng lưới sử dụng các phương pháp để lưu trữ và tái tạo dạng mẫu. Chúng ta có thể tưởng tượng các nút như các điểm ảnh (pixel). Mạng Hopfield sử dụng vật lý mô tả các đặc tính của vật liệu dựa trên sự xoay vòng của các nguyên tử - một đặc tính khiến mỗi nguyên tử trở thành một nam châm nhỏ. Mạng lưới nói chung được mô tả theo cách tương đương với năng lượng trong hệ thống xoay vòng được tìm thấy trong vật lý, được huấn luyện bằng cách tìm ra giá trị cho các kết nối giữa các nút sao cho các hình ảnh đã lưu có năng lượng thấp. Khi mạng Hopfield nhận một hình ảnh bị biến dạng hoặc không hoàn chỉnh, nó sẽ tuần tự xử lý qua các nút và cập nhật giá trị của chúng để năng lượng của mạng lưới giảm xuống. Như vậy, mạng lưới hoạt động theo từng bước để tìm hình ảnh đã lưu trữ giống nhất với hình ảnh không hoàn hảo mà nó nhận được.
GS Geoffrey E. Hinton đã sử dụng mạng Hopfield làm nền tảng cho một mạng mới sử dụng một phương pháp khác là máy Boltzmann. Máy Boltzmann có khả năng học cách nhận diện các yếu tố đặc trưng trong một loại dữ liệu nhất định. Máy này được huấn luyện bằng cách cung cấp cho nó những ví dụ rất có khả năng xảy ra khi máy được vận hành. Máy Boltzmann có thể được sử dụng để phân loại hình ảnh hoặc tạo ra các ví dụ mới về loại mẫu mà nó đã được huấn luyện.
Nhờ công trình nghiên cứu của 2 nhà khoa học John J. Hopfield và Geoffrey E. Hinton từ những năm 1980 đã giúp đặt nền móng cho cuộc cách mạng học máy bắt đầu vào khoảng năm 2010. Sự phát triển mà chúng ta đang chứng kiến ngày nay đã trở nên khả thi thông qua việc tiếp cận lượng dữ liệu khổng lồ có thể được sử dụng để đào tạo mạng lưới và thông qua sự gia tăng đáng kể về sức mạnh tính toán. Các mạng nơ-ron nhân tạo ngày nay thường rất lớn và được xây dựng từ nhiều lớp. Chúng được gọi là mạng nơ-ron sâu và cách chúng được đào tạo được gọi là học sâu.
Vật lý đã đóng góp các công cụ cho sự phát triển của học máy, nên cũng được hưởng lợi từ các mạng nơ-ron nhân tạo. Học máy từ lâu đã được sử dụng trong các lĩnh vực mà chúng ta có thể quen thuộc từ các Giải Nobel Vật lý trước đây. Chúng bao gồm việc sử dụng học máy để sàng lọc và xử lý lượng dữ liệu khổng lồ cần thiết để khám phá hạt Higgs. Các ứng dụng khác bao gồm giảm nhiễu trong các phép đo sóng hấp dẫn từ các lỗ đen va chạm hoặc tìm kiếm các ngoại hành tinh. Trong những năm gần đây, công nghệ này cũng bắt đầu được sử dụng để tính toán và dự đoán các đặc tính của phân tử và vật liệu, chẳng hạn như tính toán cấu trúc phân tử protein - yếu tố quyết định chức năng của chúng hoặc tìm ra các phiên bản mới của vật liệu có các đặc tính tốt nhất để sử dụng trong các tấm pin năng lượng mặt trời hiệu quả hơn.
BL (theo The Nobel Prize)