主要观点总结
今年诺贝尔物理学奖授予机器学习先驱Hinton和Hopfield，以表彰他们在利用人工神经网络进行机器学习方面的基础性发现和发明。他们的贡献包括发展Hopfield神经网络、玻尔兹曼机和深度信念网络等，为机器学习和人工智能领域奠定基础。同时，文章还介绍了他们在物理学中的应用，包括使用物理方法来寻找信息的特征、构建机器学习的基础方法等。此外，文章还提及了其他相关话题，如人工智能对物理研究的贡献等。
关键观点总结
关键观点1: Hinton和Hopfield的贡献
Hinton和Hopfield在机器学习领域做出了重要贡献，他们的工作包括发展Hopfield神经网络、玻尔兹曼机和深度信念网络等，为当今强大的机器学习奠定基础。
关键观点2: 物理方法在机器学习中的应用
诺贝尔奖委员会提到，Hinton和Hopfield利用物理学方法来寻找信息的特征，构建了为当今强大的机器学习奠定基础的方法。物理学的工具如统计物理学被应用于机器学习领域，为机器学习的发展做出了贡献。
关键观点3: 机器学习在物理研究中的应用
机器学习在物理研究中也有广泛的应用，例如希格斯粒子发现、引力波测量中的噪声减少和系外行星搜索等。近年来，机器学习还被用于计算和预测分子及材料的性质，如计算决定蛋白质功能的分子结构或设计新型材料等。
文章预览
编辑部 发自 凹非寺 量子位 | 公众号 QbitAI 诺贝尔物理学奖，今年颁给 AI ！ 机器学习先驱 Hinton 、 Hopfield 共同获奖，出乎所有人意料。 没错，不是事前预测中热门的凝聚态或量子物理等方向，就是AI，是机器学习，更具体来说，神经网络。 以表彰他们为利用人工神经网络进行机器学习做出的基础性发现和发明”。 那么，他们的贡献与物理关联何在呢？ 诺贝尔奖委员会揭秘： 他们利用了物理学方法来寻找信息的特征 ，构建了为当今强大的机器学习奠定基础的方法。 Hopfield提出的 “Hopfield神经网络” ，以相当于 物理学中自旋系统能量 的方式进行描述。 Hinton提出的 “玻尔兹曼机” ，则使用了 统计物理学 中的工具。 后来Hinton在这项工作的基础上，帮助启动了当前机器学习的爆炸性发展，也就是我们熟知的深度学习革命了。 人工神经网络的第一块
………………………………
