Hopfield y Hinton ganan el Nobel de Física por revolucionar el aprendizaje automático

La Real Academia Sueca de Ciencias otorgó el Premio Nobel de Física 2024 a dos científicos cuyo trabajo transformó la forma en que las máquinas procesan información: John Hopfield, un estadounidense nacido en Chicago en 1933 que investiga en la Universidad de Princeton, y Geoffrey Hinton, un británico nacido en Londres en 1947 que trabaja en la Universidad de Toronto. El reconocimiento honra sus contribuciones fundamentales al aprendizaje automático y las redes neuronales artificiales, estructuras computacionales que imitan el funcionamiento del cerebro humano y que hoy impulsan la inteligencia artificial tal como la conocemos.

El comité del Nobel fue explícito en su evaluación: aunque las computadoras no pueden pensar, los galardonados de este año demostraron que las máquinas pueden ahora reproducir funciones como la memoria y el aprendizaje. Hopfield, físico teórico, fue el primero en aplicar conceptos de la física a la neurociencia para explicar cómo el cerebro almacena y recupera información. En 1982 desarrolló la red de Hopfield, un modelo de red neuronal artificial que puede guardar patrones de información y recuperarlos incluso cuando están incompletos o alterados. Este concepto, conocido como memoria asociativa, imita la capacidad humana de recordar una palabra que está en la punta de la lengua, procesando otras palabras cercanas en significado hasta encontrar la correcta.

Para crear su red, Hopfield aplicó principios de física que rigen los sistemas de espín atómico. En física, el espín es una propiedad de las partículas subatómicas que genera un campo magnético. Inspirado por este comportamiento, diseñó un sistema en el que las neuronas o nodos se conectaban entre sí con diferentes intensidades, de forma similar a cómo los átomos de un material magnético influyen en las direcciones de los espines vecinos. La red de Hopfield funciona como una bola rodando por un paisaje de picos y valles: cuando se le presenta un patrón incompleto, la red encuentra el más cercano entre los que ya ha memorizado y lo reconstruye. Técnicamente, la red se programa asignando valores binarios a cada nodo (0 para negro, 1 para blanco en una imagen), y luego utiliza una fórmula de energía para ajustar las conexiones entre nodos, permitiendo que la red reduzca la energía total del sistema hasta alcanzar un estado estable donde se ha recreado el patrón original. Este enfoque demostró ser escalable: la red podía almacenar y diferenciar múltiples imágenes, abriendo la puerta a una forma de almacenamiento distribuido de información que más tarde inspiraría los avances en inteligencia artificial.

Mientras Hopfield desarrollaba su red, Geoffrey Hinton exploraba cómo las máquinas podrían aprender a procesar patrones de manera similar a los humanos, encontrando sus propias categorías sin necesidad de instrucciones explícitas. Hinton fue pionero en la máquina de Boltzmann, un tipo de red neuronal que utiliza principios de la física estadística para descubrir estructuras en grandes cantidades de datos. La física estadística se ocupa de sistemas formados por muchos elementos similares, como las moléculas de un gas, cuyos estados individuales son impredecibles pero que colectivamente pueden analizarse para determinar propiedades como la presión y la temperatura. Hinton aprovechó estos conceptos para diseñar una máquina que pudiera analizar la probabilidad de que un conjunto específico de conexiones en una red ocurriera, basándose en la energía de la red en su conjunto. Inspirado por la ecuación de Ludwig Boltzmann, utilizó esta fórmula para calcular la probabilidad de diferentes configuraciones dentro de la red.

La máquina de Boltzmann tiene dos tipos de nodos: visibles, que reciben la información inicial, y ocultos, que generan patrones a partir de esa información. La máquina ajusta las conexiones de la red para que los ejemplos entrenados tengan la mayor probabilidad posible de ocurrir. De este modo, la máquina aprende de ejemplos, no de instrucciones, y puede reconocer patrones incluso cuando la información es nueva pero se asemeja a los ejemplos previamente vistos.

El trabajo de Hopfield y Hinton no solo revitalizó el interés por las redes neuronales, sino que abrió la puerta al desarrollo del aprendizaje profundo, una rama de la inteligencia artificial que hoy impulsa gran parte de las innovaciones tecnológicas, desde los asistentes virtuales hasta los vehículos autónomos. Las redes neuronales profundas, modelos con muchas capas de neuronas, deben su existencia a estos avances tempranos. En la actualidad, estas redes son herramientas fundamentales para analizar grandes cantidades de datos, identificar patrones complejos en imágenes y sonidos, y mejorar la toma de decisiones en sectores que van desde la medicina hasta la astrofísica.

Los impactos prácticos de estos descubrimientos son concretos y medibles. En la física de partículas, las redes neuronales artificiales fueron fundamentales para descubrir la partícula de Higgs, un logro galardonado con el Premio Nobel de Física en 2013. El aprendizaje automático también ha permitido mejorar la detección de ondas gravitacionales, otro hito científico reciente. En biología molecular, las redes neuronales se utilizan para predecir la estructura de proteínas, lo que tiene implicaciones directas en el desarrollo de medicamentos. En energía renovable, las redes se están utilizando para diseñar materiales con mejores propiedades para células solares más eficientes. Gracias a los descubrimientos de Hopfield y Hinton, la inteligencia artificial sigue evolucionando a un ritmo vertiginoso, transformando campos científicos y tecnológicos que apenas hace una década parecían fuera del alcance de las máquinas.