A 2024-es fizikai Nobel-díjat John J. Hopfield amerikai fizikus és Geoffrey E. Hinton brit-kanadai informatikus kapták, a mesterséges neurális hálókkal történő gépi tanulást elősegítő felfedezéseikért. 

 

Ellentmondásosnak tűnhet a hír, hiszen a gépi tanulás inkább az informatika területéhez tartozik, mint a fizikához. Ezt az ellentmondást feloldja, hogy a díjat érdemlő mesterséges neurális hálókat statisztikus fizikai modellek inspirálták. Hopfield az egyik legegyszerűbb, legtöbbet vizsgált statisztikus fizikai modellre, az ún. Ising-modellre alapozva alkotta meg saját memória-modelljét, melynek alaposabb megértését a spinüvegek elméletében alkalmazott módszerek tették lehetővé. Hinton pedig Hopfield modelljének egy sztochasztikus kiterjesztését dolgozta ki, amiben a statisztikus fizika egy másik sarokköve, a Boltzmann-eloszlás játszik kulcsszerepet. 

 

A fizika nem csak inspirációként szolgált a gépi tanulás modelljeihez, de alkalmazza is azokat. “A díjazottak munkája mára sok hasznot hajtott. Fizikusként számos területen alkalmazzuk a mesterséges neurális hálókat, például speciális tulajdonságú új anyagok kifejlesztésére” — nyilatkozta Ellen Moons, a fizikai Nobel-díj-bizottság elnöke.

 

A BME Fizikai Intézet fizika BSc, fizikus-mérnök BSc, és fizikus MSc képzésein hangsúlyos szerepet kap a statisztikus fizika (kurzusok: Statisztikus fizika 1, Statisztikus fizika 2, Rendezetlen rendszerek fizikája) és a gépi tanulás (kurzusok: Bevezetés a gépi tanulásba, Mesterséges intelligencia az adattudományban) is. A BME Fizikai Intézet munkatársai kutatásaikban alkalmazzák és fejlesztik is a gépi tanulás módszereit: alkalmazásra példa egy neurális hálón alapuló malária-diagnosztikai eljárás kidolgozása, fejlesztésre pedig egy hardver-szinten, memrisztorokkal megvalósított Hopfield-féle neurális háló realisztikus szimulációja.