Нобелевская Премия по Физике 2024. Как так вышло? Это вообще физика?

В этом видео я рассказываю про Нобелевскую премию по физике 2024го года “За фундаментальные открытия и изобретения, обеспечивающие машинное обучение с помощью искусственных нейронных сетей.”, которую дали Джефри Хинтону и Джону Хопфилду. Многие считают эту тему спорной, но я поясняю своё мнение на этот счёт. Почему нобелевскую премию дали физикам, почему я считаю, что даже эта тема привнесла в физику не меньше, чем прошлые нобелевские премии и уж бесспорно изменила наши с вами жизни.

Таймкоды

Нобелевская Премия по Физике 2024. Как так вышло? Это вообще физика?

00:00 Введение в тему

  • Нобелевскую премию по физике дали за машинное обучение и нейросети.
  • Автор рассказывает, как это произошло и как физики используют нейросети.
  • Обещает обсудить актуальные применения нейросетей.

00:47 Что такое искусственная нейронная сеть

  • Искусственная нейронная сеть имитирует работу мозга.
  • Она учится на данных и может их распознавать или генерировать.
  • История нейросетей началась в 1950-х с изучения нейронов.

01:34 История и развитие нейросетей

  • В 1960-х начали изучать искусственные нейроны.
  • Искусственный нейрон имеет несколько входов и один выход.
  • В 1970-х наступила “зима искусственного интеллекта”.

03:30 Современные нейросети

  • Нейросети научились распознавать паттерны, а не конкретные объекты.
  • Пример: нейросеть может распознавать собак по их изображениям.
  • Хопфилд и Хинтон внесли значительный вклад в развитие нейросетей.

06:10 Применение нейросетей в физике

  • Нейросети облегчили работу физиков, особенно астрофизиков.
  • Они помогают находить зависимости в больших объемах данных.
  • В 2010-х нейросети стали широко использоваться в физике.

08:45 Современные задачи и применение нейросетей

  • Нейросети решают дифференциальные уравнения, что важно для физики.
  • Они позволяют быстро находить оптимальные решения сложных задач.
  • Нейросети используются в различных областях, включая производство и дизайн.

11:23 Обратная задача в нейросетях

  • Нейросети могут решать обратные задачи, например, создание дизайна по характеристикам.
  • Пример: создание гитары по ее звуковой характеристике.
  • Обратная задача часто решается с помощью нейросетей.

13:09 Обратный дизайн в физике

  • Обратный дизайн открывает новые возможности для физиков.
  • Примеры включают необычные конструкции, которые звучат лучше традиционных.
  • Приборы для разделения поляризации в волноводах выглядят странно, но выполняют свою функцию.

14:07 Нобелевская премия по физике для нейросетей

  • Нейросети получили премию за вклад физиков-теоретиков.
  • Нейросети улучшили состояние физики, особенно в астрофизике и физике частиц.
  • Они помогают распознавать паттерны и экономят энергию.

14:44 Влияние нейросетей на повседневную жизнь

  • Нейросети меняют нашу жизнь, делая задачи более оптимальными.
  • Они экономят энергию, несмотря на затраты на обучение.
  • Нейросети заслуживают Нобелевскую премию не меньше, чем гравитационные волны.

15:37 Заключение и приглашение подписаться на телеграм-канал

  • Нобелевскую премию по физике дали двум физикам, что необычно.
  • Автор рассказывает о своей работе физиком в телеграм-канале.
  • Призывает подписаться, лайкать видео и делиться мнениями.

таймкоды сделал https://browser.yandex.ru

Расшифровка видео

Поиск по видео
0:00
в этом году Нобелевскую премию по физике
0:02
дали за машинное обучение Ну практически
0:04
за нейросети в чате моего Telegram
0:07
канала сразу поднялось большое
0:09
обсуждение как так вообще вышло где там
0:12
нейросети и где физика Нобелевская
0:15
премия говорят уже не та к счастью Я
0:18
занимаюсь физикой и люблю нейросети
0:20
поэтому мне есть что вам рассказать я
0:23
приветствую вас мои дорогие друзья
0:25
Сегодня я расскажу вам как так вышло что
0:28
Нобелевскую премию по физике дали за
0:30
машинное обучение Почему её получили на
0:33
самом деле два Физика и как физики
0:36
давным-давно использовали машинное
0:38
обучение в своей работе и как они
0:40
используют Сейчас Какие актуальные
0:44
интересные применения у этого всего есть
0:47
самое интересное применение нейросетей
0:49
будет конечно в конце видео и я к нему
0:51
Так постепенно подведу А что же вообще
0:54
такое искусственная нейронная сеть это
0:57
такая программа которая имитирует работу
1:00
нашего мозга у неё есть две основные
1:03
задачи во-первых она сперва учится на
1:06
каких-то данных а потом она может их
1:09
распознавать или даже генерировать То
1:12
есть если мы покажем искусственно
1:14
нейронной сети достаточное число капибар
1:17
она сможет отличать капибару от
1:19
какого-то другого животного или даже
1:22
создавать изображение этой самой
1:24
капибары она вычленять
1:27
паттерны всё началось Давным давно годах
1:30
так в пятидесятых когда люди поняли как
1:33
устроен Нейрон примерно в то же время
1:36
появилась идея а давайте сделаем
1:38
математическую модель нейрона и
1:40
воссоздам мозг человека при помощи вот
1:43
такой математики на каких-то уже
1:46
существующих в то время компьютера в
1:49
анонсе Нобелевской премии пишут что
1:51
большое участие в ранних исследованиях
1:54
этих самых нейронов искусственных
1:56
нейронов принимал некий хеп насколько Я
2:00
знаю там был Ещё некий розенблат и вот
2:03
это было всё примерно в шестидесятых
2:05
годах когда начали изучать в первые вот
2:09
эти искусственные нейроны искусственный
2:12
Нейрон выглядит Так у нас есть несколько
2:15
входов и есть один выход если суммарное
2:19
возбуждение которое к ним через эти
2:21
входы придёт превысит какой-то порог он
2:24
сработает и передаст информацию в
2:27
следующий Нейрон из этих нейронов можно
2:29
составлять нейронные сети использовали
2:32
они тогда самую-самую простую модель и
2:35
из-за этого у них не выходило решить
2:37
даже самые Элементарные задачи которые
2:40
сейчас могут решаться самыми простейшими
2:44
нейросетями Но между сегодняшним
2:47
положением дел и тем что было в
2:49
шестидесятых было Простите 60 лет после
2:53
примерно 10 лет исследований наступила
2:56
так называемая зима искусственного
2:58
интеллекта поначалу все были очень
3:03
воодушевления но очень быстро
3:05
разочаровались отчасти из-за того что
3:08
были какие-то действительно проблемы
3:10
отчасти из-за того что большие нейронные
3:13
сети на тех компьютерах в шестидесятых
3:16
было просто не потянуть чат gpt тогда
3:19
нельзя было сделать просто принципиально
3:22
но были некоторые люди которые в этой
3:24
теме остались и они продолжили
3:27
исследование что они собственно К чему
3:30
они привели
3:32
нейросети они привели нейросети от вот
3:34
этого одного нейрона у которого есть
3:37
вход и который выдаёт какой-то ответ к
3:41
системе которая берёт в себя информацию
3:44
и распознаёт там паттерны То есть если
3:49
мы покажем нейросети какое-то большое
3:52
количество собак Она постепенно научится
3:55
и она сможет распознавать собак тут
3:58
очень важ вопрос а почему бы нам не
4:01
взять фото собаки и просто не сравнивать
4:04
каждый раз это собака или нет Дело в том
4:08
что если мы будем сравнивать фото
4:10
конкретного там животного с конкретной
4:13
собакой то у нас будет большая проблема
4:17
Это же какая-то конкретная собака и если
4:20
та собака окажется другой то Ну это
4:22
разные животные Извините а нейросеть
4:26
можно обучить точно так же как мы берём
4:28
ребёнка и говорим это собака и вон та
4:30
тоже собака и вот это тоже собака и со
4:34
временем У ребёнка в голове образуется
4:36
образ собаки Вот точно так же в
4:40
нейросети можно сформировать образ
4:43
какого-то объекта какого-то паттерна и
4:46
вот она этот самый паттерн начинает
4:49
распознавать везде в этом-то собственно
4:52
и плюс мы показываем Нейро сети тысячи
4:55
изображений собак и у неё формируется
4:58
какое-то усреднённый
4:59
изображение собаки внутри не в нашем вот
5:03
обычном понимании А вот там в её особом
5:06
виде и она может распознавать собаку
5:09
могу поспорить даже у вас не всегда
5:11
выходит распознавать собаку А нейросеть
5:14
в этом очень хорошо преуспела собственно
5:17
получатель Нобелевской премии в этом
5:19
году хопфилда
5:30
нейронных сетей они придумали Как
5:33
сделать из вот этих вот
5:43
нейрончик чтобы потом распознавать эту
5:47
самую собаку в частности хинтон привнёс
5:50
очень много из термодинамики которой он
5:53
хорошо Успешно занимался до этого он же
5:56
вс-таки физик-теоретик и собственно они
5:59
дали базу на основе которой в 2010
6:03
выстрелил весь этот нейросетевой бум и у
6:06
нас появились смешные нейросетевые
6:09
фильтры чаты gpt крутые переводчики Да
6:12
вообще всё что мы сейчас видим оно
6:14
работает на нейросетях Ну не всё но
6:17
огромнейшее количество необходимость
6:20
распознавать паттерны была давно Но в
6:23
мире когда не у всех есть вычислительная
6:26
мощность когда эти данные собрать и
6:29
просто хранить очень тяжело это не могло
6:32
стать массовым явлением для того чтобы
6:36
это вообще произошло нужны были
6:38
во-первых люди которым это реально надо
6:41
во-вторых у них должны быть какие-то
6:43
навыки чтобы с нуля просто создать эту
6:46
самую искусственную нейронную сеть
6:48
в-третьих у них должны быть доступы к
6:51
вычислительным мощностям которые
6:52
вообще-то годах так восьмидесятых далеко
6:55
не у всех были и на пересечении этих
6:58
множеств оказались всякие астрофизики и
7:00
физики занимающиеся элементарными
7:03
частицами потому что в течение каждого
7:06
своего эксперимента они набирали очень
7:08
много данных им в этих данных нужно было
7:11
искать зависимость Ну вот вы запустили
7:14
коллайдер он у вас там 3 часа работает и
7:16
у вас получился какой-то терабайт данных
7:18
в них же Чёрт ногу сломит и вот вы
7:21
обучается специальную нейросеть которая
7:23
особые паттерны там находят и вы уже не
7:26
ройте в этих терабайтах А смотрите
7:28
именно на те те события которые вам
7:31
интересны Так что вот так вот нейросети
7:34
впервые применялись в физике и они очень
7:37
сильно облегчили жизнь учёным того
7:39
времени и Они использовали эти нейросети
7:43
когда это ещё не было мейнстримом годов
7:45
так начиная с девяностых и поэтому в
7:49
2010 годах когда нейросети стали
7:52
появляться повсюду астрофизики которые
7:55
умели всё это делать на тот момент уже
7:58
очень неплохо поднялись они начали
8:00
делать какие-то крутые фирмы стартапы
8:03
Например я знаю что вот в Дортмунде где
8:06
Я учился там очень большое количество
8:09
местных астрофизиков после того как они
8:12
защищают диссертацию они просто уходят
8:14
работать в области искусственного
8:16
интеллекта потому что у них есть
8:18
прекраснейшие навыки работы с большими
8:21
данными и с нейросетями то есть
8:24
нейросети до того как они появились у
8:27
нас и мы начали делать вот эти вот э там
8:30
всё что мы делаем они очень сильно
8:34
вложились в физику они позволили
8:37
использовать нам все эти ускорители мы
8:40
стали распознавать вот эти все частицы
8:42
иначе это была бы большая проблема Ну и
8:44
астрофизика это было тогда А сейчас что
8:48
есть конечно с увеличением
8:50
вычислительных мощностей мы стали решать
8:54
куда больше задач например
8:57
нейросети позволяют нам даже решать
9:00
дифференциальные уравнения
9:01
дифференциальные уравнения если вы не
9:03
знаете это просто основа всего в физике
9:06
уравнение макфол уравнени
9:08
Шрёдингера Что там у нас ещё есть вообще
9:12
всё все уравнения физики они в общем-то
9:15
дифференциальные уравнения их нужно
9:17
как-то решать можно решать их методом
9:21
самым популярным методом конечных
9:23
разностей но он достаточно трудоёмкий
9:26
нам нужны огромные ресурсы и вот
9:29
прикиньте было бы круто если бы мы не
9:32
решали всю эту сложную задачу вот как
9:34
обычно А мы бы решали эту сложную задачу
9:39
при помощи чего-то такого более быстрого
9:41
может менее точного Ну чтобы вот мы
9:43
несколько раз посчитали при там разных
9:46
параметрах нашли самый хороший вариант и
9:49
уже этот хороший вариант в честную
9:51
посчитали наиболее проверенным методом
9:54
вот так вот можно использовать
9:57
нейросетевые вот все эти искусственные
9:59
интеллекта нейросети для решения
10:00
дифференциальных уравнений конечно
10:03
опытные физики всему этому не доверяют
10:05
учёные Они вообще жутко консервативные
10:08
Несмотря на то что они работают прям на
10:11
самой грани того что человечество знает
10:14
они остаются очень консервативными в
10:16
методах и нейросети насколько мне
10:19
известно очень слабо проникают но всё
10:21
равно проникают к всяким
10:24
физикам это что касается прямо решения
10:27
уравнений У нас на работе нейросети тоже
10:30
используют например есть такая задача
10:33
когда мы делаем tmdc про которую У меня
10:37
есть отдельное видео типа графен но
10:39
сильно получше про графен У меня тоже
10:41
есть видео так вот когда мы делаем tmdc
10:44
мы делаем чешуйку размером 25 нанометров
10:48
Примерно там
10:49
10-25 на квадратном сантиметре Креста
10:52
когда мы делаем эти чешуйки их остаётся
10:55
достаточно большое количество и нам
10:57
нужно найти правильно
10:59
чтобы найти правильную в правильные 25
11:02
Микрон на одном квадратном сантиметре
11:05
Нужно либо найти какого-то студента что
11:07
в общем-то не самое хорошее не самое
11:10
точное решение этой задачи А можно
11:13
сделать нейросеть которая будет это всё
11:15
искать вот таким мы этого студента
11:19
заставили делать нейросеть вместо того
11:21
чтобы искать чешуйки вручную очень
11:22
удобно студент уйдёт а нейросеть с нами
11:25
останется навсегда самое крутое что
11:28
Нейро вообще делают это они решают
11:31
обратную задачу Что такое обратная
11:33
задача У нас есть прямая задача прямая
11:36
задача когда мы хотим сделать гитару и
11:40
потом понять какая у неё звуковая
11:42
характеристика Ну давайте такая
11:44
амплитудно
11:45
частотная и тогда мы сперва делаем
11:48
чертёж гитары Потом мы по чертежу гитары
11:52
либо делаем эту самую гитару Либо мы
11:54
симулирует
11:55
звучать и вот у нас появляется такая
11:58
зависимость как эта гитара в общем-то
12:01
звучит что происходит потом мы в
12:04
принципе имеем в голове картинку как она
12:06
должна выглядеть и дальше мы вносим
12:09
изменения в этот самый чертёж А дальше
12:11
нам нужно либо снова сделать гитару либо
12:14
просчитать как она будет И вот этот
12:16
процесс когда мы делаем чертёж вносим
12:19
какие-то изменения – это сложная задача
12:22
нам нужно реально либо сделать либо
12:24
просчитать а прикиньте можно было бы
12:26
сделать так мы рисуем вот эту
12:28
характеристику
12:29
а потом программа выдаёт нам уже дизайн
12:33
это называется обратная задача прямая
12:35
задача когда мы по тому как гитара
12:38
выглядит определяем её характеристику а
12:41
обратное когда мы рисуем характеристику
12:44
которую мы хотим иметь и нам программа
12:47
выдаёт уже чертежи гитары очень часто
12:50
эту обратную задачу без использование
12:53
Нейро сети просто невозможно решить если
12:56
мы сперва покажем Нейро сети чертежи
12:58
всех гитар потом как они звучат тогда мы
13:02
можем нарисовать как же эта гитара
13:03
должна звучать и нейросеть может
13:06
показать нам какой у неё должен быть
13:08
дизайн и вот эта задача обратного
13:11
дизайна открывает просто небывалые
13:14
возможности современным физикам при этом
13:17
этот дизайн оказывается на самом деле
13:19
таким что мы бы в жизни не додумались
13:21
эта гитара если мы говорим в термины
13:24
гитары может выглядеть настолько удоба
13:27
она будет какая-нибудь квадрат
13:29
но её звучание будет настолько крутое
13:32
что ни один мастер гитарного дела Просто
13:35
бы не придумал сделать его вот такой а
13:37
звучит божественно так например делают
13:40
специальные приборы для разделения
13:43
поляризации в волноводах это вот такая
13:46
вот странновато фигня которая на самом
13:49
деле Со стороны выглядит просто как
13:51
какой-то шум выглядит так как будто бы я
13:53
набрал в рот какого-нибудь томатного
13:55
сока чихнул на чертёж и потом вот сделал
13:57
такой прибор а оказывается что эта фигня
14:00
может разделять вертикальную и
14:03
горизонтальную поляризацию на два канала
14:06
удивительно Итак почему же нейросети
14:09
получили Нобелевскую премию по физике Ну
14:12
во-первых это делали физики Потому что
14:14
эти два ребята физики теоретики и они
14:17
привнесли большую большое количество
14:20
своей физики в устройство этих самых
14:23
нейросетей с другой стороны нейросети
14:26
они очень сильно улучшили состояние
14:29
физики в частности астрофизики физики
14:33
частиц всяких физик наверное космических
14:36
лучей и так далее Когда нужно
14:38
распознавать паттерн и они это делали
14:40
пока они ещё не стали мейнстрим
14:43
нами в-третьих нейросети и сейчас очень
14:46
сильно Они во-первых меняют нашу жизнь
14:49
мы можем делать огромное количество дел
14:52
более оптимально то что мы бы делали не
14:54
оптимально экономят огромное количество
14:56
энергии Несмотря на то что мы тратим
14:59
огромное количество энергии на обучение
15:01
этих самых нейросетей и в
15:05
итоге они вкладываются в современную
15:08
физику Ну уж не меньше чем всякие
15:11
гравитационные волны конечно
15:13
гравитационные волны тоже вложились в
15:15
нашу жизнь достаточно сильно потому что
15:17
ну допустим чтобы их найти нам нужно
15:20
было научиться делать сжатый свет без
15:22
сжатого Света никаких гравитационных
15:24
волн мы бы не обнаружили тем не менее
15:27
нейросети мне кажется на нашу
15:29
повседневную жизнь повлияли Ну никак не
15:31
меньше чем эти все гравитационные волны
15:34
и они Вполне себе заслуживают
15:36
Нобелевскую премию Нобелевскую премию по
15:39
физике дали двум физикам
15:42
Необычно но я согласен Есть там какая-то
15:45
всё-таки
15:47
эмоциональная как минимум нестыковочка
15:49
как я уже упоминал У меня есть Telegram
15:53
канал в котором я рассказываю про то как
15:55
я работаю физиком я рассказываю не про
15:58
всю это вот
15:59
физику для презентации на показ А как
16:02
это ВС работает каждый день Вот Прихожу
16:04
я и у меня проблемы которые я решаю и
16:09
про которые я вам частенько рассказываю
16:11
или то что мне вот интересное по работе
16:13
встречается я рассказываю в Telegram
16:15
канале Не забудьте подписаться очень
16:18
интересно лайкайте это видео Расскажите
16:21
Почему я не прав А вы вс-таки знаете
16:24
правильный ответ Так что уж просветите
16:26
нас ну и спасибо тоже писать кому
16:29
понравилось всем Мир До новых встреч

Поделиться: