Nobelprijs voor de natuurkunde gaat naar pioniers van kunstmatige neurale netwerken

STOCKHOLM, OKTOBER 2024 - De Nobelprijs voor de natuurkunde gaat dit jaar naar twee onderzoekers die de basis legden voor het huidige machinaal leren. De Koninklijke Zweedse Academie van Wetenschappen maakte op 8 oktober bekend dat de prijs gaat naar John Hopfield van de Amerikaanse Princeton University en Geoffrey Hinton van de Canadese University of Toronto. Ze krijgen hem voor "fundamentele ontdekkingen en uitvindingen die machinaal leren met kunstmatige neurale netwerken mogelijk maken". De prijs bedraagt 11 miljoen Zweedse kronen, ongeveer 1 miljoen dollar, en wordt gelijk verdeeld.

Een computer die zich iets herinnert

Een kunstmatig neuraal netwerk is een programma dat losjes lijkt op de hersenen. Het bestaat uit veel kleine knooppunten die met elkaar verbonden zijn. De sterkte van die verbindingen bepaalt wat het netwerk doet, en die sterkte kan veranderen. Zo leert het.

Hopfield bedacht in 1982 een netwerk dat patronen kan onthouden, bijvoorbeeld een plaatje. Je kunt de knooppunten zien als de pixels van dat plaatje. De verbindingen stel je zo in dat het opgeslagen plaatje een toestand met een lage energie krijgt. Dat begrip leende hij van de natuurkunde, waar het hoort bij magnetische atomen: elk atoom gedraagt zich als een heel klein magneetje, en het geheel streeft naar een toestand met zo weinig energie mogelijk.

Geef je dit netwerk een beschadigd of half plaatje, dan werkt het stap voor stap. Telkens past één knooppunt zichzelf aan, zodat de energie van het geheel daalt. Dat gaat door tot het netwerk een rustpunt bereikt, en dat rustpunt is het opgeslagen plaatje dat het meest op het beschadigde lijkt. Je kunt dat vergelijken met een bal die in een heuvelachtig landschap naar het laagste punt in zijn dal rolt. Elk opgeslagen patroon is een dal, het beschadigde plaatje is de plek waar de bal begint. Het netwerk "herinnert" zich zo het hele plaatje vanuit een stukje ervan.

Van onthouden naar leren

Hinton bouwde in de jaren tachtig verder op dit idee, samen met onder anderen David Ackley en Terrence Sejnowski. Zijn Boltzmann-machine gebruikt ook ideeën uit de statistische natuurkunde, de tak van de natuurkunde die systemen van veel gelijke deeltjes beschrijft. De machine slaat niet alleen een plaatje op. Ze leert wat voor soort kenmerken in een bepaald soort gegevens vaak voorkomen. De knooppunten staan daarvoor niet vast aan of uit, maar schakelen met een kans: toestanden met een lage energie zijn waarschijnlijker. Door de verbindingen te trainen, krijgen toestanden die op de trainingsgegevens lijken een lage energie. Zo'n netwerk kan nieuwe plaatjes indelen en nieuwe voorbeelden maken die lijken op wat het heeft gezien.

Later stapelde Hinton zulke netwerken op elkaar, in lagen, een van de bekendste werkwijzen in het deep learning. In 1986 publiceerde hij met collega's een methode om netwerken met meerdere lagen te trainen, en in 2012 won een netwerk dat hij met zijn studenten Alex Krizhevsky en Ilya Sutskever bouwde een grote wedstrijd in het herkennen van beelden.

Waarom natuurkunde?

Ellen Moons, voorzitter van het Nobelcomité voor natuurkunde, wijst erop dat natuurkundigen kunstmatige neurale netwerken nu in veel vakgebieden gebruiken, bijvoorbeeld om nieuwe materialen met bepaalde eigenschappen te ontwikkelen.

Hinton werkte van 2013 tot 2023 bij Google en stopte, om vrijuit te kunnen praten over de gevaren van AI. Na de prijs riep hij op tot snel onderzoek naar hoe we AI-systemen kunnen beheersen die slimmer zijn dan wij.

Teruggeblikt vanuit 2026

De prijs kwam op een moment dat neurale netwerken door ChatGPT bij het grote publiek bekend waren geworden. De volgende dag, op 9 oktober, ging ook de Nobelprijs voor de scheikunde naar onderzoek met AI, het werk aan eiwitten van Baker, Hassabis en Jumper.

Voor de weg naar de AI van nu is dit het begin: netwerken die leren van voorbeelden in plaats van vaste regels. Dat dit werk met een Nobelprijs werd erkend, laat zien hoe belangrijk het is geworden voor de wetenschap.