3 грудня 2024 року в Інституті теоретичної фізики ім. М. М. Боголюбова НАН України у змішаному режимі відбувся пʼятий шведсько-український семінар з теоретичної фізики в рамках ініціативи Європейського фізичного товариства, спрямованої на посилення наукових звʼязків з українськими фізиками.
Тематика цього семінару була повʼязана з Нобелівською премією 2024 року в галузі фізики, а саме з проблемами машинного навчання та його застосуваннями до задач теоретичної фізики. Нагадаємо, що Нобелівська премія в галузі фізики у 2024 році була присуджена Джону Гопфілду (США) і Джеффрі Гінтону (Канада) "за фундаментальні відкриття та винаходи, що уможливлюють машинне навчання за допомогою штучних нейронних мереж".
На семінарі з доповідями виступили Шрікант Кіжаккумпурат Манікандан зі шведського університету Нордіта (Sreekanth Kizhakkumpurath Manikandan, Nordita, Stockholm, Sweden), професор Ремі Монассон з університету “Вища нормальна школа” Парижу (Remi Monasson, ENS Paris, France), кандидат фізико-математичних наук Віталій Тимчишин та доктор фізико-математичних наук Олександр Відибіда із Інституту теоретичної фізики ім. М.М. Боголюбова НАН України. Зокрема, Ш.К. Манікандан розповів про застосування технологій штучного інтелекту для керування процесами на рівні біологічних клітин. Він наголосив, що отримання з експериментальних вимірювань якісних та кількісних характеристик, таких як змінні у просторі та часі сили, що діють на клітину, їхня афінність (просторова близькість), енергетичні затрати на процеси поділу клітин та процеси, що відбуваються у них всередині, є дуже важливими і залишаються викликом для сучасної фізики та біофізики. Доповідач наголосив, що значного успіху в цих дослідженнях можна досягти поєднанням принципів стохастичної термодинаміки з технологіями штучного інтелекту. Це було продемонстровано на прикладах експериментів із вимірювання флуктуюючих у часі та просторі параметрів мембран клітин, моделювання самоорганізації мереж актинових волокон та процесах транспорту молекул та іонів у клітинах за участі кінезину.
Ремі Монассон присвятив свою доповідь сорокаріччю так званої машини Больцмана та розповів про досягнення і перспективи застосування штучного інтелекту та машинного навчання до проблем статистичної фізики. Він повідомив, що машина Больцмана – це стохастична модель спінового скла із зовнішнім полем, або, як її ще називають, модель Шеррінгтона — Кіркпатріка. Вона є стохастичною моделлю Ізінга і являє собою марковське випадкове поле. У 1982 році Джон Хопфілд запропонував різновид рекурентної нейронної мережі, яка стала основою для розуміння асоціативної пам’яті та оптимізаційних задач, що лежить в основі так званого машинного навчання. Такі мережі є важливими для задач мінімізації енергії, вивчення фазових переходів та колективної поведінки в складних системах. У 1985 році Джеффрі Гінтон запропонував стохастичну рекурентну нейронну мережу, здатну завдяки своїй архітектурі та принципу мінімізації енергії розраховувати розподіли ймовірностей у складних системах. В останні роки у звʼязку зі значним прогресом обчислювальних можливостей поняття машини Больцмана набуло широкого застосування в статистичній фізиці та когнітивній науці.
Віталій Тимчишин розповів про основні засади (математичні та фізичні), що лежать в основі нейронних мереж, та окреслив їхні типи. Він наочно продемонстрував, як створити машинний код простої мережі, що здатна індентифікувати слухачів семінару на основі наперед створеної бази даних їхніх фотографій, чи розпізнати на фотографіях зображення окулярів або долоні (долоня моделювалася як набір точок, що відповідають анатомічній послідовності її суглобів). Він детально розповів про можливості та перспективи застосування нейронних мереж до широкого кола складних задач теоретичної фізики, особливо тих, що містять великі бази даних, та таких, де додаткові експерименти є надто складними, або і зовсім неможливими (як то задачі космології тощо). Окрім цього, доповідач зазначив, що не лише штучний інтелект та машинне навчання важливі для фізики, а що і власне фізика відкриває для машинного навчання нові можливості. Як приклад, він навів нейронні мережі PINN — Physics Induced Neural Networks.
Олександр Відибіда поділився результатами своїх досліджень реверберативних імпульсних нейронних мереж, у яких внутрішні стани залежать від часу. Зокрема, у біофізичних нейронних мережах звʼязки між нейронами забезпечуються за допомогою часових послідовностей електричних імпульсів, що передаються через аксони зі скінченною швидкістю. Завдяки численним рекурентним звʼязкам між нейронами такі мережі здатні ревербувати, тобто підтримувати власну динаміку після того, як були збуджені зовнішнім стимулом. Він розповів про класифікацію стимулів у таких мережах на основі того, яку періодичну динаміку мережі зумовлюють ці стимули, що лежить в основі утворення концепцій, наприклад, концепції зображення тигра в нейронній мережі, повʼязаній із зором.
Як і на попередніх семінарах, доповіді викликали багато питань та жваві дискусії.
Запис доповідей на семінарі опубліковано на ютуб-каналі Інституту.
Детальніше з програмою семінару можна ознайомитися за посиланням.
За інформацією Інституту теоретичної фізики ім. М. М. Боголюбова НАН України
