今天小編分享的科學經驗:物理諾獎得主最新演講,Hinton帶傷飛到瑞典,LSTM之父:都是剽竊,歡迎閱讀。
2024 年諾貝爾物理學獎的兩位獲獎者 John Hopfield 和 Geoffrey Hinton 最近在斯德哥爾摩大學發表了最新的演講。
現場的氛圍非常熱烈!
看到 Hopfield 教授即使借助拐杖也親自到達現場發表了演講,Hinton 教授也忍着腰痛專程飛到瑞典,讓觀眾們非常敬佩。
在這次活動中,John Hopfield 教授的演講主題是 "物理學是一種觀點",講述他個人的科研經歷和做科研的思考模式。
他坦白了很多關于科研和對物理的想法:
如何選擇問題是科研成果的關鍵因素
大腦是如何產生思想的,這對我來說是人類最深奧的問題
我認為物理學有助于理解人類和世界
Geoffrey Hinton 教授則用通俗易懂的方式講述了Hopfield 網絡和玻爾茲曼機器的原理與發展,全程沒有用一個方程式。
當我們最終了解了大腦是如何學習的時候,我相信睡眠的作用一定是非常重要的,對此我非常樂觀
兩位教授結束演講時,台下的觀眾也是忍不住都站起來向他們鼓掌致敬。
以下是現場演講内容,在不改變原意的情況下,量子位對部分篇幅做了調整。
John Hopfield:物理學是一種觀點
約翰 · 霍普菲爾德于 1933 年出生于芝加哥,1954 年在威廉 · 莫爾學院獲得第一個學位,1958 年在康奈爾大學獲得博士學位。1964 年,他被任命為普林斯頓大學物理學教授,1980 年成為加州理工學院化學和生物學教授,之後他回到普林斯頓大學,目前是分子生物學名譽教授。
(以下為 John Hopfield 教授發言)
我的第一份全職工作是在比爾電話公司發明晶體管的實驗室,我加入了一個六人小組。初入實驗室時,我在新辦公室打開書籍期刊,參觀庫存室獲取文具後,思考着下一步工作。
在科研中,多數人常按部就班,很少深入思考研究方向的選擇,而這恰是科研成果的關鍵因素。我在科研中撰寫了 40 餘篇論文,幾年前形成的工作基礎最終發展成霍普菲爾德模型,相關觀點源于對随機事件的分析。
我成長于物理學家家庭,自幼受物理學觀念熏陶,喜歡探索事物原理,如拆解自行車、進行化學實驗等,這讓我能夠理解復雜系統運作。上高中時,化學老非老師常出色,物理老師卻對電磁學原理理解不足,這影響了我大學專業選擇,但最終我決定在斯沃斯莫爾學院專注物理。
進入物理學研究生院後,我在康奈爾大學學習,期間與 Albert Overhauser 合作,從他的研究列表中選定晶體中激子輻射壽命相關問題,開啟研究。獲得博士學位後,我在理論小組任職,後結識化學家 David G. Thomas,成立理論實驗聯盟,取得成果并獲奧利弗裡 · 巴克利固體物理學獎。
之後,我在研究中遇到瓶頸,前往劍橋大學尋找新方向,回普林斯頓後擔任半導體組顧問,接觸到血紅蛋白相關實驗,為我從凝聚态物理轉向生物物理提供契機,我也受 Linus Pauling 觀點啟發研究蛋白質合成問題并取得成果。
1974 年論文影響我對生物學問題的研究思路,促使我思考神經元網絡特性等。1977 年在哥本哈根舉辦研讨會後,我尋求跨學科突破,受邀參加神經科學會議,雖然當時一無所知,後來加入項目獲得神經生物學靈感。
1979 年,我轉任化學和生物學教授,發現了學科聯系,提出新計算見解并撰寫論文,該論文推動了相關領網域發展。
後來,我發現霍普菲爾德模型網絡問題,2015 年與他人合作提出密集聯想記憶模型,期望推動人工智能發展。
我非常尊重各個領網域的專家,積極參與跨學科互動,我認為物理學有助于理解人類與宇宙。
Hinton:Hopfield 網絡與 Boltzmann 機的發展
傑弗裡 · 辛頓,1947 年生于英國倫敦,獲劍橋大學實驗心理學博士學位,曾在愛丁堡大學從事人工智能博士後研究,在多所大學任職,現從事學術研究,并在谷歌公司任職。
(以下為 Geoffrey Hinton 教授發言)
今天我将不用任何方程式,向普通觀眾講解 Hopfield 網絡。
先來看一個二元神經元版本的小霍普菲爾德網絡,其神經元間有對稱加權連接,網絡全局狀态是配置,配置有優良性(單元對權重總和),能量是優良性相反數,網絡會穩定于能量最小值。
霍普菲爾德提出用能量最小值對應記憶,通過二元決策規則清理不完整記憶,實現内容可尋址内存。
特裡 · 西諾斯基和我提出用網絡構建感官輸入解釋,網絡含可見和隐藏神經元,可見接收感官輸入(如二進制影像),隐藏構建解釋,能量代表解釋好壞程度,我們需要低能量解釋。
以線條畫為例,有不同三維解釋,我們要讓網絡給出解釋。
先将線條轉化為線條神經元激活,線條神經元與三維邊緣神經元連接,考慮感知光學因素讓邊緣神經元相互抑制,還要依據影像線條連接原則建立連接,希望通過設定連接強度使網絡解決兩種替代解釋。
這產生兩個問題:一是避免陷入局部最優的搜索問題;二是神經網絡自動學習連接的問題。
對于搜索問題,我們通過使神經元有噪聲解決,有噪聲神經元狀态是二元的但決策具有概率性。
用隐藏神經元解釋二進制影像時,在可見單元固定影像,随機選隐藏神經元根據輸入決定其狀态,持續操作使系統達熱平衡,此時隐藏神經元狀态是平衡解釋,網絡學習正确權重使低能量狀态對應更好的解釋,熱平衡是系統穩定于概率分布(波爾茲曼分布),低能量配置概率大。
玻爾茲曼機學習目的是使網絡生成的影像類似它感知到的真實影像,有簡單學習算法,含喚醒和睡眠階段。
喚醒階段固定影像于可見單元,讓隐藏單元達熱平衡後調整連接權重,睡眠階段類似做夢更新神經元達熱平衡後反向調整權重,該算法平均上能讓網絡生成影像過程類似感知影像,涉及對數似然梯度概念,通過改變權重使網絡關注 wake 階段看到的數據。
但玻爾茲曼機存在問題,權重變大時熱平衡過程慢,雖然想法很好但算法太簡單,可以做復雜的事情但速度受限。
後來我發現了受限玻爾茲曼機(RBM),其隐藏單元不相互連接,喚醒階段更新隐藏神經元更簡單,睡眠階段有捷徑雖不完全正确但實踐有效。Netflix 公司就是用受限玻爾茲曼機結合其他方法推薦電影。
為構建特征檢測器層可堆疊 RBM,将前一個 RBM 隐藏單元活動模式當數據給下一個 RBM,以此捕捉復雜相關性學習多組權重,堆疊後視為前饋網絡可進行監督學習,這樣初始化網絡學習更快。因為網絡已學習了數據結構,後面用于學事物名稱相對容易,如識别物體方面。
One More Thing
就在演講視頻發布不久後,你懂的,LSTM之父又來搞事情了。
知名計算機科學家J ü rgen Schmidhuber發表推文稱,Hopfield & Hinton 的 2024 年諾貝爾物理學獎是抄襲得來的。
J ü rgen 聲稱,這兩位教授重新發表了烏克蘭研究者 Ivakhnenko 和日本研究者 Amari 在 20 世紀 60 年代和 1970 年代開發的方法以及其他技術,且沒有引用原作者。
目前這一帖子在 X 上已經獲得了 2.1k 點贊、超過 44 萬次浏覽。
有網友表示如果事情是真的,那将比剽竊更糟糕:
不過也有網友覺得這是 J ü rgen 吃不到葡萄就說葡萄酸的心理:
J ü rgen 還發表了一個詳細的技術報告,列出了兩位諾貝爾獲獎者工作的存疑之處,感興趣的朋友可以點擊參考鏈接 2 進一步閱讀。
參考鏈接:
[ 1 ] https://www.youtube.com/watch?v=lPIVl5eBPh8
[ 2 ] https://people.idsia.ch/~juergen/physics-nobel-2024-plagiarism.html#DLP
— 完 —
點這裡關注我,記得标星哦~
一鍵三連「分享」、「點贊」和「在看」
科技前沿進展日日相見 ~
>