Нобель з фізики 2024 року: Вплив машинного навчання на наукові дослідження

8 жовтня 2024 року Шведська королівська академія наук ухвалила рішення присудити Нобелівську премію з фізики 2024 року науковцям Джону Гопфілду та Джефрі Гінтону за їхні дослідження в галузі машинного навчання та нейронних мереж.

Про те, чому машинне навчання набуває міждисциплінарного характеру і який вплив це має на науку, розповідає Ігор Крашений, викладач факультету прикладних наук УКУ та Applied Scientist у SQUAD.

Присудження Нобелівської премії з фізики 2024 року: Вплив машинного навчання на наукові дослідження

У 2024 році Нобелівська премія з фізики відзначає прорив у науці, пов’язаний із розвитком машинного навчання та нейронних мереж. Внесок Джона Гопфілда та Джефрі Гінтона став визначальним у цьому напрямку. Гопфілд був одним із перших, хто запропонував новаторську концепцію нейронних мереж, надихаючись біологічною природою роботи мозку та нейронних зв’язків. Його дослідження показали, як енергетичні процеси формують структуру нейронних систем. Гінтон, у свою чергу, розробив алгоритм тренування цих мереж, що стало проривом у прикладній математиці.

Еволюція машинного навчання: від інструменту до науки

Машинне навчання, яке спочатку розглядалося лише як частина комп’ютерних наук, нині має колосальний вплив на різні галузі науки та техніки. В тому числі завдяки генеративним і мультимодальним моделям, ця технологія стала фундаментальною дисципліною з міжгалузевим впливом. Її застосування розширилося далеко за межі комп’ютерних наук, охопивши фізику, біологію, медицину та інші сфери, де дані дозволяють тренувати моделі для розв’язання складних проблем.

Таке розширення сфери застосування машинного навчання створює унікальний прецедент у науці. Якщо раніше Нобелівську премію з фізики присуджували за досягнення у квантовій механіці або астрономії, то зараз нагорода може відзначати внески в ширші галузі природничих наук. Це свідчить про трансформацію премії, що починає визнавати значимість досліджень із більш прикладною спрямованістю.

Міждисциплінарний характер сучасних відкриттів

Застосування машинного навчання має все більш міждисциплінарний характер і сьогодні воно дозволяє не лише моделювати фізичні процеси, але й скажімо моделювати роботу мозку. Хоча скажімо людська нервова система значно складніша, сучасні методи машинного навчання все ще надихаються її роботою, що дозволяє наближати штучні нейронні мережі за своїми принципами роботи до біологічних нервових систем. За своїми властивостями штучний нейрон подібний до реального і має ті самі активації (функції активації в термінології нейромереж) і синапси (входи та виходи в термінології нейромереж). Нові міждисциплінарні застосування штучних нейронних мереж спричиняють виникненню нових підходів і рішень.

Раніше для роботи з машинним навчанням не завжди вимагалася глибока доменна експертиза. Проте сьогодні ситуація змінюється. Фахівці вузького профілю активно освоюють інструменти машинного навчання, адже вони стають дедалі доступнішими, завдяки розвитку інструментів та науки, публікації статей і дослідницьких звітів, а також частій відкритості вихідного коду алгоритмів і методів. Наприклад, радіологи вивчають програмування та машинне навчання для автоматизації процесів обробки медичних зображень, створення систем підтвердження рішень лікаря та автоматизованої діагностики, що значно підвищує ефективність їхньої роботи. Подібні процеси відбуваються в багатьох інших дисциплінах.

Демократизація інструментів і важливість доменної експертизи

Демократизація інструментів машинного навчання знизила планку для входу в цю сферу. Наприклад, багато спеціалістів у військово-технологічному секторі України користуються відкритими бібліотеками машинного навчання та компʼютерного зору для виявлення об’єктів та стеження, які можуть використовувати навіть ті, хто не розуміється на машинному навчанні. Проте, коли завдання ускладнюються, виникає необхідність у глибоких знаннях у цій сфері. Важливо знаходити баланс між доменними експертами та фахівцями з машинного навчання. За наявності глибокого розуміння специфіки галузі, зʼявляється можливість досягти кращих результатів швидше.

Тому в сучасному світі зростає необхідність поєднання знань у сфері машинного навчання з глибокою експертизою у конкретних дисциплінах.