Die Königlich Schwedische Akademie der Wissenschaften hat den Nobelpreis für Physik 2024 gemeinsam an John J. Hopfield und Geoffrey E. Hinton vergeben, für Forschungsarbeiten aus den 1980er-Jahren, die die algorithmische Infrastruktur heutiger Systeme des maschinellen Lernens bilden.
Quelle: nobelprize.org
Klartext
Der Physik-Nobelpreis 2024 würdigt zwei Forscher, die sich das Werkzeug der Physik ausgeliehen haben, um Maschinen Informationen verarbeiten zu lassen. John Hopfield ließ sich vom Verhalten atomarer Spins inspirieren: Sein Netz "sinkt" in den Zustand niedrigster Energie, wie eine Kugel, die auf den Grund einer Schale rollt — so kann es ein Bild aus einer beschädigten Fassung zurückgewinnen. Geoffrey Hinton fügte den Zufallsanteil der statistischen Physik hinzu: Seine Boltzmann-Maschine erkennt von selbst Muster, die in großen Datenmengen wiederkehren. Es sind diese beiden Ideen aus den 1980er-Jahren und nicht ein jüngeres Ergebnis, die die erste Schicht dessen bilden, was man heute Deep Learning nennt.
Der Preis auf einen Blick
| Parameter | Wert |
|---|---|
| Auszeichnung | Nobelpreis für Physik 2024 |
| Institution | Königlich Schwedische Akademie der Wissenschaften |
| Vergabe | Gemeinsam |
| Preisträger | John J. Hopfield und Geoffrey E. Hinton |
| Zeitraum der Arbeiten | 1980er-Jahre |
| Begründung | Nutzung der Gesetze der Physik zur Modellierung der Informationsverarbeitung |
| Beitrag von Hopfield | Hopfield-Netz, gestützt auf die Physik atomarer Spins |
| Beitrag von Hinton | Boltzmann-Maschine, gestützt auf probabilistische Physik (statistische Mechanik) |
| Tragweite | Algorithmische Infrastruktur heutiger Systeme des maschinellen Lernens |
| Primärquelle | Offizielle Pressemitteilung, NobelPrize.org |
Die beiden Beiträge
1. Das Hopfield-Netz — Erinnerung als Energieminimierung. John Hopfield entwarf ein Modell, heute Hopfield-Netz genannt, das auf der Physik atomarer Spins beruht und der assoziativen Rekonstruktion von Daten dient. Indem sie die Energieminimierung in komplexen physikalischen Systemen nachbilden, korrigieren diese "neuronalen Netze" Verzerrungen in Bildern.
2. Die Boltzmann-Maschine — probabilistische Physik im Dienst der Merkmale. Auf diesen Arbeiten aufbauend, brachte Geoffrey Hinton die probabilistische Physik (statistische Mechanik) ein und schuf die sogenannte Boltzmann-Maschine. Dieses System ermöglicht die eigenständige Identifikation einzelner struktureller Merkmale innerhalb großer Datenmengen, etwa charakteristischer Elemente in Bildern, und wurde damit zur ersten Schicht, die zur Disziplin des "Deep Learning" (tiefes Lernen) führte, wie sie die moderne Informatik nutzt.
Die beiden Modelle im Vergleich
| Kriterium | Hopfield-Netz | Boltzmann-Maschine |
|---|---|---|
| Urheber | John J. Hopfield | Geoffrey E. Hinton |
| Herangezogene Physik | Physik atomarer Spins | Probabilistische Physik (statistische Mechanik) |
| Prinzip | Energieminimierung in komplexen physikalischen Systemen | Eigenständige Identifikation struktureller Merkmale |
| Nachgewiesene Verwendung | Assoziative Rekonstruktion von Daten, Korrektur von Verzerrungen in Bildern | Aufspüren charakteristischer Elemente in großen Datenmengen, etwa in Bildern |
| Abstammung | Ausgangspunkt | Baut auf Hopfields Arbeiten auf; erste Schicht des "Deep Learning" |
Kausalkette
Physik atomarer Spins und statistische Mechanik → Hopfield-Modell (1980er-Jahre), das die Energieminimierung nachbildet → assoziative Rekonstruktion und Korrektur von Verzerrungen in Bildern → Einbindung der probabilistischen Physik durch Hinton → Boltzmann-Maschine und eigenständige Identifikation von Merkmalen → erste Schicht des "Deep Learning" → algorithmische Infrastruktur heutiger Systeme des maschinellen Lernens → Nobelpreis für Physik 2024, gemeinsam vergeben von der Königlich Schwedischen Akademie der Wissenschaften.
Quellen
Beim Faktencheck im August 2026 geprüfte Referenzen: Dies sind die Seiten,
mit denen die Aussagen dieses Bulletins abgeglichen wurden.