L'Académie royale des sciences de Suède a décerné conjointement le Prix Nobel de Physique 2024 à John J. Hopfield et Geoffrey E. Hinton, pour des recherches menées dans les années 1980 et constituant l'infrastructure algorithmique des systèmes actuels d'apprentissage automatique.
Source : nobelprize.org
En clair
Le Nobel de physique 2024 récompense deux chercheurs qui ont emprunté les outils de la physique pour faire traiter de l'information à des machines. John Hopfield s'est inspiré du comportement des spins atomiques : son réseau « redescend » vers l'état de plus basse énergie, comme une bille qui roule au fond d'une cuvette, ce qui lui permet de retrouver une image à partir d'une version abîmée. Geoffrey Hinton y a ajouté la part de hasard de la physique statistique : sa machine de Boltzmann repère toute seule des motifs qui reviennent dans de grandes quantités de données. Ce sont ces deux idées des années 1980, et non un résultat récent, qui forment la première couche de ce qu'on appelle aujourd'hui l'apprentissage profond.
Le prix en bref
| Paramètre | Valeur |
|---|---|
| Distinction | Prix Nobel de Physique 2024 |
| Institution | Académie royale des sciences de Suède |
| Attribution | Conjointe |
| Lauréats | John J. Hopfield et Geoffrey E. Hinton |
| Période des travaux | Années 1980 |
| Motif | Utilisation des lois de la physique pour modéliser le traitement de l'information |
| Apport de Hopfield | Réseau de Hopfield, fondé sur la physique des spins atomiques |
| Apport de Hinton | Machine de Boltzmann, fondée sur la physique probabiliste (mécanique statistique) |
| Portée | Infrastructure algorithmique des systèmes actuels d'apprentissage automatique |
| Source primaire | Communiqué officiel, NobelPrize.org |
Les deux contributions
1. Le réseau de Hopfield — la mémoire comme minimisation d'énergie. John Hopfield a conçu un modèle, désormais appelé réseau de Hopfield, basé sur la physique des spins atomiques et destiné à la reconstruction associative de données. En simulant la minimisation de l'énergie dans des systèmes physiques complexes, ces "réseaux de neurones" corrigent des distorsions sur des images.
2. La machine de Boltzmann — la physique probabiliste au service des caractéristiques. S'appuyant sur ces travaux, Geoffrey Hinton a intégré la physique probabiliste (mécanique statistique) pour produire ce qu'on appelle la machine de Boltzmann. Ce système permet l'identification autonome de caractéristiques structurelles isolées au sein de gros volumes de données, par exemple des éléments caractéristiques dans des images, devenant la strate initiale conduisant à la discipline du "Deep Learning" (apprentissage profond) tel qu'exploité par l'informatique moderne.
Les deux modèles face à face
| Critère | Réseau de Hopfield | Machine de Boltzmann |
|---|---|---|
| Auteur | John J. Hopfield | Geoffrey E. Hinton |
| Physique mobilisée | Physique des spins atomiques | Physique probabiliste (mécanique statistique) |
| Principe | Minimisation de l'énergie dans des systèmes physiques complexes | Identification autonome de caractéristiques structurelles |
| Usage démontré | Reconstruction associative de données, correction de distorsions sur des images | Repérage d'éléments caractéristiques au sein de gros volumes de données, par exemple dans des images |
| Filiation | Point de départ | S'appuie sur les travaux de Hopfield ; strate initiale du "Deep Learning" |
Chaîne causale
Physique des spins atomiques et mécanique statistique → modèle de Hopfield (années 1980), qui simule la minimisation de l'énergie → reconstruction associative et correction de distorsions sur des images → intégration de la physique probabiliste par Hinton → machine de Boltzmann et identification autonome de caractéristiques → strate initiale du "Deep Learning" → infrastructure algorithmique des systèmes actuels d'apprentissage automatique → Prix Nobel de Physique 2024, décerné conjointement par l'Académie royale des sciences de Suède.
Sources
Références vérifiées lors de l'audit factuel d'août 2026 : ce sont les pages
contre lesquelles les affirmations de ce bulletin ont été confrontées.