ხელოვნური ინტელექტი ჩვენს ყოველდღიურობას მნიშვნელოვნად აუმჯობესებს და ამისთვის ბევრ მეცნიერს უნდა ვუმადლოდეთ.

და მაინც, მანქანური დასწავლის შესაძლებლობისთვის ორ ადამიანს განსაკუთრებით დიდი წვლილი მიუძღვის. ესენი არიან პრინსტონის უნივერსიტეტის ფიზიკოსი ჯონ ჰოპფილდი და ტორონტოს უნივერსიტეტის კომპიუტერული მეცნიერი ჯეფრი ჰინტონი.

2024 წლის 8 ოქტომბერს ფიზიკის დარგში ნობელი ამ ორ მეცნიერს მიენიჭა. მათ ეს აღიარება ფუნდამენტური აღმოჩენებისა და გამოგონებებისთვის მიიღეს, რომლებმაც ხელოვნური ნეირონული ქსელის გამოყენებით მანქანური დასწავლა გახადა შესაძლებელი.

ასევე: ვინ არიან ფიზიკის დარგში 2024 წლის ნობელიანტები — ფიზიკა მანქანური დასწავლის მიღმა

მიუხედავად იმისა, რომ ხელოვნური ნერვული ქსელები მოდელირებულია ბიოლოგიურ ნერვულ ქსელებზე, ორივე მკვლევრის ნამუშევარი სტატისტიკურ ფიზიკას ეყრდნობა — შესაბამისად, ჯილდო ფიზიკაში გაიცა.

როგორ ითვლის ნეირონი

ხელოვნური ნერვული ქსელების წარმოშობა ტვინში ბიოლოგიური ნეირონების შესწავლამ განაპირობა. 1943 წელს ნეიროფიზიოლოგებმა უორენ მაკკალოხმა და უოლტერ პიტსმა შემოგვთავაზეს მარტივი მოდელი, თუ როგორ მუშაობს ნეირონი.

მაკკალოხ-პიტსის მოდელში ნეირონი დაკავშირებულია მეზობელ ნეირონებთან და შეუძლია მათგან სიგნალების მიღება. უკვე ამის შემდეგ ნეირონს ამ სიგნალების დაკავშირება სხვა ნეირონებთან შეუძლია.

თუმცა, არსებობს ერთი ფაქტორი: მას შეუძლია სხვადასხვა მეზობლებისგან მოსულ სიგნალებს განსხვავებული "წონა" მიანიჭოს. წარმოიდგინეთ, რომ ცდილობთ გადაწყვიტოთ, იყიდოთ თუ არა ახალი სმარტფონი. ამისთვის ესაუბრებით თქვენს მეგობრებს და იღებთ მათგან რეკომენდაციებს.

ასეთ დროს მარტივი სტრატეგია შემდეგია: დაიჯეროთ ის, რასაც უმრავლესობა გირჩევთ. მაგალითად, სამი მეგობრიდან ორი თუ გეუბნებათ კის და ერთი არას, ეს მიგიყვანთ ახალი სმარტფონის ყიდვის გადაწყვეტილებამდე.

თუმცა, შეიძლება ერთ მეგობარს უფრო ენდობოდეთ, ვიდრე მეორეს. ეს კი ნიშნავს, რომ შეიძლება უპირატესობა იმ მეგობრის აზრს მიანიჭოთ, რომელიც გაჯეტებში უკეთ ერკვევა. ამ შემთხვევაში, შესაძლოა, ერთმა ორი გადაწონოს.

პირობითად — თუ ჩარლი ამ საქმის მცოდნეა, მის ერთ არას შეიძლება სამი ქულა მიანიჭოთ. ასეთ შემთხვევაში, სამი არა ორი კის წინააღმდეგ იქნება.

თუ გყავთ მეგობარი, რომელსაც საერთოდ არ ენდობით (გაჯეტების მხრივ), მის "კის" შეიძლება სულაც უარყოფითი ქულა მიანიჭოთ.

ანალოგიურად, ხელოვნურ და ბიოლოგიურ ნერვულ ქსელებში, ნეირონებს შეუძლია თავიანთი მეზობლების სიგნალების აგრეგაცია და სხვა ნეირონებისთვის სიგნალის გაგზავნა.

ეს იწვევს ძირითად განსხვავებას: არის თუ არა ციკლი ქსელში? მაგალითად, თუ დღეს მე ვკითხავ რჩევას ალისას, ბობს და ჩარლის, ხვალ კი ალისა რეკომენდაციას მე მთხოვს, ეს წარმოქმნის ციკლს — ალისადან ჩემამდე და ჩემგან უკან ალისამდე.

თუ ნეირონებს შორის კავშირებს არ აქვს ციკლი, მაშინ მეცნიერები მას უწოდებენ უკუკავშირის ნერვულ ქსელს. უკუკავშირის ქსელის ნეირონები შეიძლება განლაგდეს ფენებად.

თუმცა, თუ ქსელში არის ციკლი, კომპიუტერული მეცნიერები მას უწოდებენ მორეციდივე ნერვულ ქსელს. ასეთ დროს ნეირონების განლაგება შეიძლება უფრო რთული იყოს, ვიდრე წინა ნერვულ ქსელებში.

ჰოპფილდის ქსელი

ხელოვნური ნერვული ქსელების პირველი შთაგონება ბიოლოგიიდან მოვიდა, მაგრამ მალე სხვა სფეროებმა დაიწყო მათი განვითარების ფორმირება. მათ შორის არის ლოგიკა, მათემატიკა და ფიზიკა.

ფიზიკოსმა ჯონ ჰოპფილდმა გამოიყენა ფიზიკის იდეები ნერვული ქსელის კონკრეტული ტიპის შესასწავლად, რომელსაც ახლა ჰოპფილდის ქსელს უწოდებენ. კერძოდ, მან შეისწავლა მათი დინამიკა: რა ხდება ქსელში დროთა განმავლობაში?

ასეთი დინამიკა ასევე მნიშვნელოვანია, როდესაც ინფორმაცია ვრცელდება სოციალური ქსელებით. ეს ყველაფერი კოლექტიური ფენომენია, რომელიც წარმოიქმნება ქსელში მყოფ ადამიანებს შორის ინფორმაციის გაცვლის შედეგად.

ჰოპფილდი პიონერი იყო ფიზიკის მოდელების გამოყენებაში, განსაკუთრებით მაგნეტიზმის შესასწავლად, განმეორებადი ნერვული ქსელების დინამიკის გასაგებად. მან ასევე აჩვენა, რომ ასეთ დინამიკას შეუძლია ნერვულ ქსელებს მეხსიერების ფორმა მისცეს.

ბოლცმანის მანქანები და უკუგატარება

1980-იან წლებში ჯეფრი ჰინტონმა, გამოთვლითი ნეირობიოლოგმა ტერენს სეინოვსკიმ და სხვებმა გააფართოვეს ჰოპფილდის იდეები. მათ შექმნეს მოდელების ახალი კლასი, სახელად ბოლცმანის მანქანები — სახელწოდება მე-19 საუკუნის ფიზიკოსისგან, ლუდვიგ ბოლცმანიდან მოდის.

როგორც სახელი გვეუბნება, ამ მოდელების დიზაინი დაფუძნებულია სტატისტიკურ ფიზიკაზე, რომელიც ბოლცმანის წამოწყებულია.

ჰოპფილდის ქსელებისგან განსხვავებით, რომლებსაც შაბლონების შენახვა და შეცდომების გამოსწორება შეუძლია — როგორც ამას მართლწერის შემმოწმებელი აკეთებს — ბოლცმანის მანქანას ახალი შაბლონების გენერირება შეუძლია.

ჰიტონს ასევე დიდი წვლილი მიუძღვის სხვა მიმართულებით — ეს არის უკუგატარება. თუ გსურთ ხელოვნურმა ნერვულმა ქსელებმა რთული ამოცანები შეასრულოს, ხელოვნური ნეირონები ერთმანეთს სწორად უნდა უკავშირდებოდეს.

2000-იან წლებში ჰინტონმა და მისმა კოლეგებმა ჭკვიანურად გამოიყენეს ბოლცმანის მანქანები მრავალშრიანი ქსელების შესამუშავებლად. მრავალშრიანი ქსელები გარდაისახა ღრმა ქსელებად და მანქანური სწავლების მხრივ რევოლუცია დაიწყო.

დასასრულს, შეგვიძლია ვთქვათ, რომ ჰოპფილდმა შექმნა ასოციაციური მეხსიერება, რომელსაც მონაცემთა შენახვა და რეკონსტრუქცია შეუძლია. ჯოფრი ჰინტონმა კი შეიმუშავა მეთოდი, რომელიც მონაცემებში კონკრეტული მახასიათებლების ავტომატურად გამოვლენის საშუალებას იძლევა (ასეთია სურათებში სპეციფიკური ელემენტის იდენტიფიცირება).

ხელოვნური ინტელექტი ფიზიკას ცვლის

ნობელის ჯილდო ფიზიკაში გვიჩვენებს, თუ როგორ შეუწყო ხელი ფიზიკამ მანქანური დასწავლის განვითარებას. ახლა თავად მანქანური დასწავლა ცვლის ფიზიკას. კომპიუტერული სიმულაციები და მოდელები ფიზიკოსებს მნიშვნელოვანი და კომპლექსური კვლევების ჩატარებას უადვილებს.

ჰოპფილდსა და ჰინტონს ფიზიკაში ნობელის პრემია ტყუილად არ გადაეცათ. ეს ნიშნავს, რომ დღეს ხელოვნური ინტელექტი ყველგანაა და ის ცვლის როგორც ჩვენს ყოველდღიურობას, ისე მეცნიერებას.