http://descubriendo.fisica.unlp.edu.ar/descubriendo/index.php?action=history&feed=atom&title=Premio_Nobel_de_F%C3%ADsica_2024 2026-04-21T03:33:46Z Historial de revisiones de esta página en la wiki MediaWiki 1.35.8 http://descubriendo.fisica.unlp.edu.ar/descubriendo/index.php?title=Premio_Nobel_de_F%C3%ADsica_2024&diff=37299&oldid=prev 2024-10-23T00:37:01Z

<p>Página creada con «<a href="/descubriendo/index.php/Archivo:Nobelfisica2024.jpg" title="Archivo:Nobelfisica2024.jpg">420px|center|</a> John Hopfield (izquierda), físico estadounidense y Geoffrey E. Hinton (derecha), científico computacional inglés, fueron g…»</p> <p><b>Página nueva</b></p><div>[[Imagen:Nobelfisica2024.jpg|420px|center|]]<br /> John Hopfield (izquierda), físico estadounidense y Geoffrey E. Hinton (derecha), científico computacional inglés, fueron galardonados con el Premio Nobel de Física 2024 por sus descubrimientos fundamentales e invenciones que han posibilitado el desarrollo del aprendizaje autómatico con redes neuronales artificiales.<br /> <br /> Los científicos premiados este año han desarrollado desde 1980 investigaciones sobre redes neuronales artificiales. Esta área de investigación se inspiró en la estructura del cerebro, donde las neuronas cerebrales son representadas por nodos, conectados entre ellos en una forma similar a las sinapsis, y donde estos nodos pueden influir unos sobre los otros mediante dichas conexiones que pueden ser fuertes o débiles. Estas investigaciones han permitido el desarrollo de la denominada inteligencia artificial que se basa en el aprendizaje automático mediante el empleo de redes neuronales.<br /> <br /> John Hopfield diseñó una red que emplea un método capaz de guardar y recrear patrones. <br /> <br /> En ese modelo se pueden representar los nodos como píxeles. La red propuesta por Hopfield se basa en la física que describe las características de un material debido a su espin atómico (propiedad puramente cuántica), considerando a cada átomo como un pequeñísimo imán. Esto permite describir a la red en su conjunto en forma equivalente a como se describe la energía de un sistema de espínes. La red se entrena buscando los valores para las conexiones entre los nodos que proporcionen la energía más baja del sistema físico asociado. De esta forma la imagen que se guarda es la que corresponde a la energía más baja del sistema. Si la red recibe una imagen distorsionada o incompleta, se trabaja a través de los nodos para que sus valores se modifiquen para lograr que la energía de la red disminuya, pero que a la vez la imagen reconstruida sea lo más parecida a la imagen original.<br /> <br /> A su vez Geoffrey Hinton empleó como base la red de Hopfield para diseñar una nueva red que utiliza un método diferente: la máquina de Boltzmann, llamada así porque emplea la distribución de Boltzmann de la Mecánica Estadística como función de muestreo. Esta máquina fue diseñada en coatoría con los investigadores David Ackley y Terry Sejnowski. Esta red puede aprender a reconocer elementos característicos para un determinado tipo de datos. Y es una clase de red neuronal que consiste en nodos interconectados capaces de tomar decisiones estocásticas, es decir tomar decisiones al azar frente a opciones comparables. Al igual que la red de Hopfield cada nodo posee una energía definida para la red y su energía global posee la misma forma que la de la red de Hopfield. Esta red se entrena dándole ejemplos, y se puede utilizar para clasificar imágenes o crear nuevos ejemplos del tipo de patrón en el que fue entrenada. <br /> <br /> Tanto Hopfield como Hinton han firmado manifiestos en contra del uso de la inteligencia artificial para el desarrollo de armas autónomas letales.</div>

Normac