發明類神經網路 教機器學習 美加學者同享諾貝爾物理獎 – 中華日報發布於2024年10月8日
來分享幾則相關的影片：
一、全光學繞射神經網路（Diffractive deep neural network）
有別於經由【攝影機取得影像→影像處理→模式識別→電腦數據處理→輸出】的傳統理解方式，全光學繞射神經網路是採用光子代替電子來進行識別的工作。使用的光源是兆赫輻射（THz波），其可穿透薄層材料，可用於材料的表面形態與內層結構的探查，藉此來取得表層與內層的高解析度圖像。
這是將 THz 波照射到手寫的數字0～9上面，反射的光再穿透5層以3D列印的聚合物薄片，每一片是由數萬個微小凸點所構成，而每個凸點就是一個像素。UCLA研究團隊指出每一個薄片就是一層“光學網路”，透射光包含著非常豐富的物理訊息，因為來自數字圖樣上的光透射後分配到某特定類型的像素上。然後，研究人員利用這些資訊對電腦進行訓練，當數字發出的光線在穿過 D2NN 設備後，藉由學習其產生的繞射圖案，即可識別出前面的數字是什麼。這些訓練就是使用了深度學習，透過重複和隨著時間的推移，學習模式就會出現。這很像一個非常複雜的迷宮，當光線進入繞射網絡並在迷宮周圍反彈，直到最後它穿出來為止，然後系統就能經由光線最後透射出來的位置來確定數字或原始圖像是什麼。
一個利用 THz 波來透視的著名例子是 “Goya’s artwork imaging with Terahertz waves“。西班牙浪漫主義畫派畫家 Francisco Goya 在作品上一定會簽名，但是有一幅畫作《Sacrifice to Vesta》(祭祀灶神星)卻看不到簽名，無論是從風格或是私人信件來判斷，大家都認為這是 Goya 尚未成名前於 1771 年創作的作品 。2013年，使用 Mini-Z THz time-domain system 掃描作品時，發現 Goya 是先在空白畫布上以炭筆簽名，然後才在上面使用油彩來作畫。
二、人工智慧「深度學習」超越人腦倒數中
三、深度學習（Deep learning）
All-Optical Machine Learning Using Diffractive Deep Neural Networks
四、高效能運算與深度學習
五、人工神經網路（Artificial neural network）
可應用於機器視覺 識別等領域
今年的兩位諾貝爾物理學獎得主使用物理學工具開發了為當今強大的機器學習奠定基礎的方法。約翰·霍普菲爾德（John Hopfield）創建了一種聯想記憶體（霍普菲爾德網路），可以儲存和重建圖像以及資料中其他類型的模式。傑佛瑞·辛頓（Geoffrey Hinton）則發明了一種方法，可以自動尋找資料中的屬性，從而執行識別圖片中特定元素等任務。當我們談論人工智慧時，我們通常指的是使用人工神經網路的機器學習，這項技術最初的靈感來自於大腦的結構。在人工神經網路中，大腦的神經元由具有不同值的節點表示。這些節點透過類似於突觸的連接相互影響，並且可以變得更強或更弱。例如，透過在同時具有高值的節點之間建立更強的連接來訓練網路。
約翰·霍普菲爾德發明的神經網路使用一種保存和重新創建模式的方法，我們可以將節點想像為像素。該網路利用物理學來描述材料因原子自旋而產生的特性，這種特性使每個原子都成為微小的磁鐵。整個網路以相當於物理學中自旋系統能量的方式進行描述，並透過尋找節點之間的連接值進行訓練，以便保存的圖像具有低能量。當霍普菲爾德網路輸入扭曲或不完整的圖像時，它會系統地透過節點工作並更新它們的值，因此透過網路逐步運作，能夠從部分或雜訊輸入中恢復完整模式，從而使其在面對不完整或損壞的資料時具有穩健性。它們與統計力學、循環網路和人類認知心理學的聯繫導致它們在各個領域的應用，包括物理學、心理學、神經科學以及機器學習理論和實踐。
被譽為「深度學習教父」的傑佛瑞·辛頓則是在霍普菲爾德網路基礎上發明了玻爾茲曼機（Boltzmann machine），這是隨機神經網路和循環神經網路的一種，這可以學習識別給定類型資料中的特徵元素。 辛頓使用了統計物理學中的工具，統計物理學是由許多相似組件構建的系統科學。透過向機器提供運行時很可能出現的範例來訓練機器。玻爾茲曼機可用於對影像進行分類或建立其所訓練的模式類型的新範例。辛頓在這項工作的基礎上，幫助啟動了當前機器學習的爆炸性發展。
「獲獎者的工作已經帶來了最大的效益。在物理學中，我們在廣泛的領域中使用人工神經網絡，例如開發具有特定屬性的新材料」－瑞典皇家科學院如是說。