Le prix Nobel de physique 2024 vient d’être décerné à John J. Hopfield (Université de Princeton) et Geoffrey E. Hinton (Université de Toronto) pour leurs découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux neuronaux artificiels.
Les nouveaux lauréats de physique
Après la médecine hier, place à la physique. Il y a trois ans, le comité avait récompensé plusieurs études portant sur les phénomènes chaotiques et apparemment aléatoires notoirement difficiles à appréhender. En 2022, le Nobel était cette fois revenu à trois lauréats pour leurs expériences utilisant des états quantiques intriqués. Enfin l’année dernière, le comité avait récompensé trois chercheurs pour avoir démontré un moyen de créer des impulsions lumineuses extrêmement courtes pouvant être utilisées pour mesurer les processus rapides.
Pour cette édition 2024, le comité a décidé de récompenser John J. Hopfield et Geoffrey E. Hinton pour avoir utilisé des outils issus de la physique dans le but de développer des méthodes qui sont à la base de l’apprentissage automatique actuel.
Les travaux de Hopfield
Lorsque l’on évoque l’intelligence artificielle (IA), les réseaux de neurones artificiels viennent souvent à l’esprit. Cette technologie révolutionnaire s’inspire du fonctionnement du cerveau humain. Dans ce type de réseau, les neurones sont représentés par des nœuds, chacun ayant une valeur qui peut changer en fonction des stimuli. Ces nœuds sont par ailleurs interconnectés comme les synapses dans le cerveau, ce qui permet aux informations de circuler et d’influencer les valeurs des autres nœuds. Grâce à un processus appelé apprentissage, les connexions entre ces nœuds peuvent être renforcées ou affaiblies, favorisant ainsi l’émergence de modèles significatifs.
Depuis les années 1980, des chercheurs ont joué un rôle fondamental dans l’évolution des réseaux de neurones artificiels. Parmi eux figure John Hopfield, le concepteur d’un type de réseau qui permet de sauvegarder et de restaurer des motifs visuels. Dans ce modèle, les nœuds peuvent être comparés à des pixels d’une image. Le réseau Hopfield fonctionne en utilisant des principes de la physique liés aux spins atomiques, ce qui fait de chaque atome un petit aimant. En trouvant des valeurs appropriées pour les connexions entre les nœuds, le réseau peut alors minimiser l’énergie du système tout en préservant les images sauvegardées.
Plus précisément, lorsqu’on lui présente une image déformée ou incomplète, le réseau Hopfield s’active et ajuste progressivement les valeurs des nœuds pour réduire l’énergie totale et, par conséquent, retrouver l’image d’origine la plus proche possible de celle qui lui a été fournie. Ce processus itératif lui permet ainsi de travailler de manière systématique pour restaurer l’image déformée.
Les travaux de Hinton
Un autre pionnier dans ce domaine, Geoffrey Hinton, a su capitaliser sur les travaux de Hopfield en développant un nouveau type de réseau : la machine de Boltzmann. Contrairement aux réseaux traditionnels, cette machine apprend à identifier des caractéristiques spécifiques dans un ensemble de données. En s’appuyant sur des outils de la physique statistique, Hinton a conçu une méthode où la machine est entraînée avec des exemples représentatifs, ce qui lui permet ainsi de reconnaître des motifs dans des images ou même de générer de nouveaux exemples basés sur ce qu’elle a appris.
Cette avancée a été cruciale dans le développement actuel de l’apprentissage automatique qui a pris une ampleur considérable. En effet, de nos jours l’utilisation de l’intelligence artificielle et des réseaux de neurones ne se limite pas à la seule informatique ; elle s’étend à des domaines variés comme la physique des matériaux, la biologie, et même la climatologie. Grâce à ces avancées, la science moderne est ainsi en mesure d’explorer des horizons inédits, ce qui ouvre la voie à des découvertes qui auraient été inimaginables il y a quelques décennies.
