L’intelligence artificielle est une technologie d’actualité mais elle remonte loin. Ce sont ainsi les seniors John Hopfield, né en 1933 (91 ans), de l’Université de Princeton aux États-Unis et Geoffrey Hinton, né en 1947 (77 ans), de l’Université de Toronto au Canada qui ont reçu le 8 octobre le prix Nobel de physique 2024 « pour les découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux neuronaux artificiels ». Ils ont formé des réseaux neuronaux artificiels en utilisant la physique.
Développement de nouveaux matériaux
« Les travaux des lauréats ont déjà été d’une grande utilité. En physique, nous utilisons les réseaux neuronaux artificiels dans de nombreux domaines, comme le développement de nouveaux matériaux dotés de propriétés spécifiques » justifie Ellen Moons, Présidente du Comité Nobel de physique.
Les deux lauréats du prix Nobel de physique de cette année ont utilisé des outils issus de la physique pour développer des méthodes qui sont à la base de l’apprentissage automatique actuel (Machine Learning). John Hopfield a créé une mémoire associative capable de stocker et de reconstruire des images et d’autres types de motifs dans des données. Geoffrey Hinton a inventé une méthode capable de trouver de manière autonome des propriétés dans des données et d’effectuer ainsi des tâches telles que l’identification d’éléments spécifiques dans des images.
Travaux sur les réseaux de neurones artificiels
L’Académie des sciences de Suède rappelle que lorsque l’on parle d’intelligence artificielle, on pense souvent à l’apprentissage automatique par le biais de réseaux de neurones artificiels. Cette technologie s’inspire à l’origine de la structure du cerveau. Dans un réseau de neurones artificiels, les neurones du cerveau sont représentés par des nœuds qui ont des valeurs différentes. Ces nœuds s’influencent mutuellement par le biais de connexions qui peuvent être comparées à des synapses et qui peuvent être renforcées ou affaiblies. Le réseau est entraîné, par exemple en développant des connexions plus fortes entre des nœuds ayant simultanément des valeurs élevées.
Les lauréats de cette année ont mené d’importants travaux sur les réseaux de neurones artificiels depuis les années 1980. John Hopfield a inventé un réseau qui utilise une méthode pour sauvegarder et recréer des motifs. On peut imaginer les nœuds comme des pixels. Le réseau Hopfield utilise la physique qui décrit les caractéristiques d’un matériau en raison de son spin atomique, une propriété qui fait de chaque atome un minuscule aimant. Le réseau dans son ensemble est décrit d’une manière équivalente à l’énergie du système de spin trouvée en physique, et est formé en trouvant des valeurs pour les connexions entre les nœuds de sorte que les images sauvegardées aient une faible énergie.
Retrouver une image sauvegardée à partir d’une image imparfaite
Lorsque le réseau Hopfield reçoit une image déformée ou incomplète, il travaille méthodiquement sur les nœuds et met à jour leurs valeurs de sorte que l’énergie du réseau diminue. Le réseau fonctionne ainsi par étapes pour trouver l’image sauvegardée qui ressemble le plus à celle imparfaite qui lui a été fournie.
Geoffrey Hinton pour sa part a utilisé le réseau Hopfield comme base pour un nouveau réseau qui utilise une méthode différente : la machine de Boltzmann. Celle-ci peut apprendre à reconnaître des éléments caractéristiques dans un type de données donné.
Geoffrey Hinton a utilisé des outils de la physique statistique, la science des systèmes construits à partir de nombreux composants similaires. La machine est entraînée en lui fournissant des exemples qui sont très susceptibles de se produire lors de son fonctionnement. La machine de Boltzmann peut être utilisée pour classer des images ou créer de nouveaux exemples du type de motif sur lequel elle a été entraînée. Geoffrey Hinton a exploité ce travail, contribuant ainsi à lancer le développement actuel de l’apprentissage automatique.
