【速報】ノーベル物理学賞2024を解説【機械学習の基礎】
はいこんにちは今回はつい先ほど発表された ノーベル物理学賞2024の解説をしていきたいとおもいます
普段はですね動画を投稿する前にその内容を入念に入念にチェックしてるんです けど
今回は速報ということでもしですね誤りがあったらこの動画の概要欄の方に 訂正を載せていきますのでぜひですねチェックしてみてください
では早速発表したいと思います2024年のノーベル物理学賞を受賞したのは 人工ニューラルネットワークによる機械学習を可能にする基礎的な発見と発明
ということでホップフィルさんとヒントンさんのお二人に賞が贈られました本当におめでとう ございます
はいというわけでねなんとAI関係での受賞ということで本当に驚いてる人も多いかと 思います
そしてですね個人的には何だかとっても嬉しいです どうしてかというと自分のね別に専門分野が機械学習とか人工知能というわけじゃないんです
けども自分がですね専門にしていた 統計物理そして生物物理にねめちゃくちゃ関係が深いので何だか嬉しいんですよね
その理由もね応用に話すとして今回ですね 受賞されたお二人を紹介してみたいと思います
まずですねホップフィルさんなんですけどもこちらですね 現在クリンストン大学の分子生物学の教授なんですね
そしてかつアメリカ物理学会の会長ということでまさに生物と物理 本当に生物物理学という分野の巨匠なんですね
もう僕のね専門としていた分野の神様みたいな人です なんでねすごく嬉しいんですけども
そしてですねヒントンさんという方は人工知能研究の第一人者と言われる人で本当に その分野にめちゃくちゃ
業績を残されている方ですはい今回ねそんなお二人なんですけども ノーベル賞の前ですね実はホップフィルさんは2022年の
ボルツマン賞っていう熱力学とか統計力学の業績に対して贈られるその分野はね その大きく発展させた人に贈られる賞を受賞していて
ヒントンさんは2018年のチューリング賞ってね 計算機科学の分野ですごく名誉ある賞を受賞されているということで
よくねノーベル賞を受賞する人をね予想するときにそういったね 別の大きい賞で見たりするんですけど今後ですねノーベル物理学者の受賞者をね予想するときに
本当に幅広い分野まで見なきゃいけないなということでね すごくねそういった予想する人にとっては大変なことだなと思います
はいというわけでねこんな感じお二人を紹介したんですが 今回はまず大きいキーワードになるニューランネットワークが何かということを簡単に
紹介しておきたいと思います まずニューロンですね神経細胞
そういったニューロンとニューロンの間のつながり神経回路網というものを 数式でモデル化したものをニューランネットワークって言います
よくね機械学習関係のニュースとかね書籍を目にしていると 自然にね見る単語かなと思うんですけども
これがニューランネットワークというものですね 今回ここにめちゃくちゃ入ってるんですけど
そういった元々はですね人間の脳とかを模したものなのでこれはニューランネットワーク って言ってそういうのね人工的に作ったものを人工ニューランネットワークって言うんですけど
もうねこの単語を使う時にはほとんどね人工のものに機械学習の分野ではなっているので ニューランネットワークと言ったら人工ニューランネットワークのことを指すことになっていますね
はいというわけでこの内容ですねもう少しこの今回の受賞内容に焦点を合わせてですね 神経に
真剣に解説をしていきたいと思います 受けてますねこれもし滑ったら帰ろうもうって思ってました
はいというわけでですねこちら側で詳細を解説していきます では早速解説をしていきましょうまずはホップフィルさんの業績ですね
こちらは連想型ニューランネットワークを提唱したことですね 連想というのはどういうことかというとある事柄を見た時にその他の別の関係性のある事柄を
想起することですねそういったことができるのがこの連想型ニューラルネットワーク 今ではホップフィルのネットワークと言われるものとなんですけど
これはですねまぁそういったニューラルネットワークのモデルの一つになっています 今これちょっと模式的な図を書いたんですけどよくね
ニューラルネットワークの説明をするときに使われた図ですね こういうのがニューロンを表していてこの線がですねニューロンとニューロンの間にの間の繋がりを
ホップフィルのネットワークでは例えばここにね 01っていう数字を割り振る
で例えばじゃあそれが0が白黒が1と変わって考えるとですね こういったものが画像になったりするわけですね
ここの01白黒を決めるときに周りの値によって影響を受けてそれを参照して 数字白黒が変わってくるっていうのはねこの図で表されているんですけど
このホップフィルネットワークができることの例として 例えばノイズがあるような画像からノイズを覗いたようなノイズを覗いたものが出力でき
たりとか あとは部分的に欠けている画像からそれをね復元するような予想された復元された形を
出力できるようなことができたりします これもすごいですねそして大事なのがどこが物理学と関係あるかというと実はですね
このホップフィルネットワークは物理のスピン系からですね 考えられたモデルなんですね
一番今のエッジングモデルというのが物理ではあるんですけど 物質の時勢を考えるときの統計物理学のモデルですね
統計物理学っていう多くの構成要素がたくさん影響を及ぼしたときにどういう真っ黒なものが 出てくるかというのを研究する分野なんですけど
そういった時勢の研究で使えるスピン系の話から 伝送されてまさに伝送されて作られたモデルというのがこのホップフィルド
ネットワークなんですね なんでこういったところがねもともと原理が物理学にあるというのがねあまり知られていない面白い部分かなと
思うんですがこれを図にするとより物理っぽいので説明したいと思います このホップフィルネットワークができることっていうのは今言ったみたいに何か部分的に欠けた画像
例えばリンゴが部分的に欠けている画像があった時にそれは結構もうリンゴっぽいですね なので例えばじゃあここからリンゴっていうところに落ち着く
エネルギーとかだと思うとエネルギーが局所的に小さいところに落ち着く 欠けている部分から復元されたリンゴの部分
リンゴが正解 あるいは他に例えばバナナとか
アボカドとかがあったりするわけですねチョイスは謎なんですけど そういったパターンを記憶できるっていうのがホップフィルネットワークの強さなんですね
そしてここでですねこれを発展させたのがヒントンさんで ヒントンさんが発展させてすいません
ボルツマンマシンというのを提唱しました これがどういうものかというとこれもですね物理学の手法を応用したものなんですけどまさにボルツマンって
そういったものなんですが特徴が何かというとこのホップフィルネットワークの ネットワークを更新するときに何か図を絶えて結合とかね強度を絶えるとき
更新するときに確率的な統計学的な確率的な要素を盛り込んだことですね そうすることによって何ができるようになったかっていうのを図を使って説明したいと思います
今この図を見てほしいんですけど この極地が結構近い部分があったりするんですね
これはあくまで例え話の一つなんですけど リンゴとトマトみたいなものだと思ってください
なんでリンゴが部分的に欠けた画像を渡した時にもしかしたら結構トマトっぽい リンゴの画像だった時にトマトレスってなっちゃう場合があるんですね
本当はリンゴだったのにトマトレスって言ってしまう可能性があると それがホップフィルネットワークの弱点でもあるんですけども
こういったヒントンさんが考えたような確率的な要素を加えることによって何が起こるかというと
今これは例え話ですよ ここがトマトでここはリンゴだとします
そういったパターンを記憶している部分だとすると その時に普通に確定的な動きではどんどん小さい方に行こうとしたらここで止まってしまう
局所的なところで落ち着いてしまうんですが 確率的な要素があればたまにこれを山を超えたりするんですね
そうするとこうやってストーンと正しい正解の方に行ったりとかすると そういったものが確率という揺らぎの要素の強さなんですけども
そういったものを提唱したのがヒントンさんということになります ちなみにこの機械学習の分野でよく重要だとされている
誤差逆電波法というのを開発した その開発に大きく貢献した一人もヒントンさんになります
そしてですねこれは直接2人が考えたというわけじゃないんですが そこから進んでですね今の我々の日常生活を大きく変えている
我々が今ね通常何かAIとかっていう時にその凄さを大きく実感するディープラーニング という手法につながっていきます
なのでまさに今その日常生活を大きく変えた我々の考え方を大きく変えた ディープラーニングというものの元を作っている2人ということで
その業績が大きく評価されて今回受賞ということになっています はいというわけでですね
今今回紹介したものがこういったものなんですけども 少し余談として今直前に言った誤差逆電波法とか
ホップフィールドネットワークをですね独立に考えた日本の研究者もいるので知って おいてもらおうかなと思います
それが天倫俊一先生ということで独立にですねそういったホップフィールドネットワークと 誤差逆電波法をですね提唱したんですけども
今回はね惜しくも受賞に至らなかったということでまさに本当にすごくね 近いところにいる研究者の方なのでぜひですねこの動画見終わったらですね
色々と調べてもらえたら嬉しいなと思います はい本当に我々の分野の人間がすごく大きく尊敬する大先生でございます
というわけでちょっと最後のね締めに向かいたいんですけども このねちょっと図を見てほしいんですね物理学と
機械学習の関係ですね今話したようにもともとはですね 物理学が影響を与えて機械学習を大きくね発展させています
なのでもともとのモチベーション部分になったりとか あるいはその統計物理学とかで使われるたくさんの構成要素を扱うときに
多くね研究されて進んできた手法を用いるとか あるいはこの機械学習がどうしてうまくいってるのかっていうね
ものを考えるときに物理学を使う理解するときに使う方法とか はいというのがありますまあこれがねこういった矢印かなと思うんですけども
昨今は逆側もめちゃくちゃ熱いですね 逆側がどういうものがあるかというと例えば物理学で得られている大量のデータがあるん
ですけどたくさんノイズとかも載っていたりとかね かけてるデータがあったりするんですがそういったものを解析するときに使ったり
例えばノーベル物理学省関係だけでも機械学習をね データの解析に使って大きく研究に発展させたものたくさんありますね
ちょっと例をね思いつく限り上げてみたいんですが例えばヒックス粒子の発見の時にも データ解析に機械学習が使われてますし
あとは何ですかねブラックホールの直接の写真撮影って話があったんですけども それのデータの解析にも使われています
はいそれが今パッと浮かぶところですかねそういったもので機械学習が使われているし あるいは最近ねまだまだよく聞くのが物質を探索するときに機械学習を
使ったりすると これがどういうことかというとある特定の精巣を持っている物質
素材新素材を開発したいという時に通常今まであったらいろんなものですね手を変え品を 変えたくさんその
実験の人たちの長年の経験と感でですね新しい物質新しい素材を作ってきたんですが そういったものを機械学習で効率よく行うという研究の手法ですね
そういうのも最近はすごくポットなのでこういった物理学の機械学習が大きくね いい影響を与えてやってるってことを知ってもらえたら嬉しいかなと思います
はいというわけで今回は2024年のノーベルズ理学賞の内容を解説してみました 本当に誤りがあったら大変申し訳ないんですが冒頭に言ったようにね
概覧の方もぜひチェックしてください というわけで2025年のノーベルズ理学賞の発表もお互いですね楽しみにしていきましょう
ではまた別の授業動画でさよなら