Premio Nobel de Física 2024 distingue los avances en aprendizaje automático como base de la Inteligencia Artificial
La Real Academia de las Ciencias Sueca anunció la entrega del Premio Nobel de Física 2024 para el estadounidense John J. Hopfield y el británico Geoffrey E. Hinton, por sus descubrimientos fundamentales e invenciones que permiten el aprendizaje automático con redes neuronales artificiales, generando una forma completamente nueva de utilizar los computadores para que aprendan de manera similar a como lo hace el cerebro humano, sentando las bases de la Inteligencia Artificial (IA).
John Hopfield es físico y profesor Emérito de la Universidad de Princeton en Estados Unidos. Él utilizó la Física de Spines Atómicos para crear un método que reproduce patrones para mejorar imágenes. A partir de su investigación, creó una memoria asociativa que permite almacenar y reconstruir imágenes a partir de patrones de datos, clave en el desarrollo del aprendizaje automático.
Geoffrey Hinton es informático de la Universidad de Toronto, en Canadá. Él creó la máquina Boltzmann usando Termodinámica y Física Estadística para clasificar imágenes. Su contribución se centra en la creación de métodos que pueden identificar propiedades de los datos de manera autónoma.
Los avances de ambos investigadores han sentado las bases para las redes neuronales modernas, que son esenciales en muchas aplicaciones actuales de la IA en la medicina, la ingeniería, o incluso en nuestra vida cotidiana, como Chat GTP (Inteligencia artificial generativa), y en aplicaciones que usan la detección de imágenes, como Google Lens o los autos que se manejan solos.
“Aunque los computadores no pueden pensar, las máquinas pueden imitar ahora funciones como la memoria y el aprendizaje. Los laureados de este año en Física han ayudado a hacer esto posible. Empleando conceptos y métodos fundamentales de la Física, han desarrollado tecnologías que emplean estructuras en redes para procesar información“, informó La Real Academia de las Ciencias Sueca.
El impacto del Premio Nobel de Física 2024, otorgado a John Hopfield y Geoffrey Hinton, se extiende más allá del campo de la física, afectando directamente el desarrollo de la inteligencia artificial y sus aplicaciones en diversas disciplinas. Los avances de estos científicos han sido esenciales para sentar las bases de las redes neuronales artificiales, que permiten a las máquinas realizar tareas complejas como el reconocimiento de patrones, la clasificación de datos y el aprendizaje autónomo. También, sería bueno mencionar que la inteligencia artificial complementada con la computación cuántica tiene potencial de acelerar considerablemente los tiempos de cómputos en aplicaciones prácticas.
¿Cómo utilizamos el aprendizaje automático en la investigación del Instituto de Física UC?
Si bien el Premio Nobel 2024 distinguió la lógica detrás de los algoritmos de la IA, en el Instituto de Física utilizamos el aprendizaje automatizado como un instrumento de investigación, una herramienta que puede modificarse según la necesidad de las distintas líneas.
Por ejemplo, en Física Médica, la IA ha revolucionado el campo de la radiología y avanza de manera sostenida con nuevas aplicaciones a múltiples áreas de la medicina con la promesa de aportar a la automatización y personalización de las terapias. “Mi investigación en esta área actualmente se enfoca en el uso de herramientas de inteligencia artificial para el soporte de decisiones médicas en diagnóstico y terapia. En particular, analizo información clínica y radiómica (a partir de imágenes médicas) para extraer parámetros que alimenten a modelos de inteligencia artificial, con el objetivo de predecir la respuesta a terapias contra el cáncer. A su vez, estudio también métodos de IA para avanzar hacia una “biopsia virtual”, a través de la identificación de biomarcadores no invasivos de agresividad en tumores de próstata, utilizando imágenes multiparamétricas de resonancia nuclear magnética”, explica la investigadora del Instituto de Física, Paola Caprile.
Otro académico que utiliza el aprendizaje automatizado a partir de datos es Andrea Russomando: “Estamos intentando aplicar estos tipos de algoritmos para predecir la respuesta de las células después de ser sometidas a radiación. Por decenas de años se han irradiado células in vitro con haces de partículas y tenemos datos de cómo ha sido su supervivencia celular. Este tipo de experimentos son difíciles de hacer y tienen altos niveles de incertidumbre. Nos hemos propuesto integrar todos estos datos en un algoritmo de aprendizaje automatizado, entrenándolo, para que pueda predecir, a partir de parámetros de entrada determinados, como el tipo de haces y la célula a tratar, cuál será el resultado ante la exposición a radiación”.
En un área diferente, la investigadora Giovanna Cottin también utiliza esta herramienta: “En Física de Altas Energías usamos bastante el aprendizaje automatizado o machine learning. Por un lado, la Física Experimental de Partículas se utiliza para separar señal del background, o fondo, y así poder hacer una búsqueda de nuevas partículas en el Gran Colisionador de Hadrones. Yo me especializo en Fenomenología, que es parte de la Física Teórica de Partículas, y he aplicado técnicas de machine learning para diferenciar distintos tipos de observables, como, por ejemplo, los jets de partículas. Estos jets son imágenes en los calorímetros. Entonces, he utilizado técnicas de redes neuronales convolucionales, (CNN) para clasificar jets que son iniciados por bosones de Higgs exóticos, con el objetivo de proponer una manera de distinguir jets que provienen de modelos más allá del Modelo Estándar”.
