Стали известны лауреаты Нобелевской премии по физике 2024 года. Ученые Джон Хопфилд (США) и Джеффри Хинтон (Канада) отмечены «за основополагающие открытия и изобретения», которые позволяют осуществлять машинное обучение с помощью искусственных нейронных сетей.

Разработанные ими методы легли в основу создания алгоритмов машинного обучения.

«Присуждение Нобелевской премии по физике в этом году является яркой демонстрацией роли фундаментальной физики в создании и развитии современных технологий, – отмечает первый проректор – проректор по научной деятельности КФУ Дмитрий Таюрский. – Используя концепции и методы статистической физики, лауреаты практически показали, что компьютеры могут имитировать такие функции, как память и обучение».

Ученые Казанского федерального университета рассказали о том, какие исследования  они проводят с использованием нейронных сетей.

«Джон Хопфилд предложил нейронную сеть, которая впоследствии получила название "сеть Хопфилда". Здесь используется одна из моделей статистической физики, а именно: каждому узлу нейросети соответствует спин. В целом мы имеем некоторую спиновую систему. Эта система развивается таким образом, чтобы в конце концов она приходила в искомое состояние с минимальной энергией, – сообщил заведующий кафедрой вычислительной физики и моделирования физических процессов Института физики КФУ Анатолий Мокшин. – В свою очередь Джеффри Хинтон на основе сети Хопфилда развивает другой метод, который впоследствии  получает название "машина Больцмана". Она представляет собой разновидность сети Хопфилда, куда добавляются стохастические  уравнения».

По словам ученого, в Казанском федеральном университете проводятся различные исследования с искусственными нейронными сетями, которые используются в качестве инструмента, позволяющего решать самые разнообразные задачи.

«На кафедре вычислительной физики ведутся исследования фундаментального и прикладного характера. Если говорить о прикладных исследованиях, то у нас занимаются решением задач, связанных с поиском материалов с необходимыми физико-химическими свойствами. Фундаментальные исследования направлены, в частности, на определение свойств материалов в экстремальных условиях, например, при сверхвысоких давлениях и температурах. Кроме того, у нас выполняются исследования, связанные с решением так называемых обратных задач в физике. Это, в частности, поиск энергии взаимодействия между молекулами и атомами на основе экспериментальных данных по нейтронной или рентгеновской дифракции. Кроме того, мы занимаемся так называемым компьютерным дизайном материалов, который предполагает определение равновесной кристаллической структуры материала лишь по его известному составу».

В Институте геологии и нефтегазовых технологий активно применяется искусственный интеллект для автоматизации задач в нефтегазовой индустрии, сообщил заместитель директора по маркетингу ИГиНГТ Владислав Судаков.

«К примеру, система, основанная на машинном обучении, используется для обнаружения сейсмических событий, которые могут быть связаны с разработкой месторождений. Она предупреждает население о возможных колебаниях земной коры, – рассказывает В. Судаков. – В Татарстане на протяжении 50 лет разработки нефтяных месторождений накоплен большой массив информации о скважинах. Это позволяет нам создавать такие нейронные сети, которые способны предсказывать, где и какая нефть локализовалась, и планировать эффективные технологии выработки этих запасов нефти».

Система принятия решений, которая основана на машинном обучении и нейронных сетях, считает ученый, позволяет эффективно и очень быстро получать самую разную информацию о каждой скважине. Когнитивные технологии подсказывают геологам, какие решения нужно принимать при исследовании керна, шлама и цифровых изображений шлифов.

Ведущий научный сотрудник НИЛ «Компьютерный дизайн новых материалов и машинное обучение» Института физики КФУ Хади Мохаммади (Иран) считает, что машинное обучение сегодня играет важную роль в исследованиях, особенно в организации и анализе огромных объемов данных.

«Предсказание свойств новых материалов посредством быстрых и дешевых расчетов стало возможным благодаря подобным алгоритмам. – говорит он. – Сегодня на основе большого набора данных типа "кристаллическая структура – свойство" можно прогнозировать, какими будут новые, пока не существующие материалы. Или, имея набор данных о структурах с нужными свойствами, с помощью алгоритмов машинного обучения можно предсказывать структуры новых материалов с заранее заданными свойствами. Возможности такого подхода практически безграничны. Отмечу, что в основе алгоритмов машинного обучения лежат фундаментальные принципы статистической физики и математический аппарат».

Руководитель НИЛ «Компьютерный дизайн новых материалов и машинное обучение» Ирина Гумарова рассказала, что в лаборатории ведутся исследования с использованием алгоритмов машинного обучения в рамках создания потенциалов межатомного взаимодействия для различных веществ.

«В этом году сотрудниками нашей лаборатории была опубликована статья в журнале Computational Materials Science о создании потенциала нейронной сети для алюминия. Сейчас мы занимаемся апробацией алгоритма для построения потенциала для наночастиц золота. Такие потенциалы важны для моделирования свойств этих материалов в рамках алгоритмов молекулярной динамики с целью предсказания широкого диапазона прикладных свойств».

По словам председателя Нобелевского комитета по физике Эллен Мунс, работа лауреатов уже принесла огромную пользу. 

«В физике мы используем искусственные нейронные сети в самых разных областях, например, для разработки новых материалов с определенными свойствами», – подчеркнула она.