Prix Nobel de physique 2024

Le prix Nobel de physique a été décerné, le mardi 8 octobre 2024, au Britanno-canadien Geoffrey Hinton et l’Américain John Hopfield pour leurs travaux dans «l’apprentissage automatique», utilisé dans le développement de l’intelligence artificielle.

Les deux lauréats du prix Nobel de physique de cette année ont utilisé des outils de la physique pour développer des méthodes qui sont à la base de puissants systèmes d’apprentissage automatique aujourd’hui.

L’an dernier, le Nobel de physique avait consacré la franco-suédoise Anne L’Huillier, le Français Pierre Agostini et l’Austro-hongrois Ferenc Krausc pour leur recherche sur les flashs lumineux ayant permis de comprendre les mouvements ultra-rapides des électrons dans les atomes et molécules.

Décernés depuis 1901, les prix Nobel distinguent les personnes qui ont œuvré pour «le bienfait de l’humanité», conformément au souhait de leur créateur, l’inventeur suédois Alfred Nobel.

L’apprentissage automatique joue un rôle majeur dans le développement des réseaux de neurones artificiels, en développant des outils tels que Chat-GPT, Bard ou Midjourney. Le chercheur canado-britannique Geoffrey Hinton, formé aux neurosciences et à la psychologie, a joué un rôle crucial dans la percée des IA utilisant des réseaux de neurones. Cette approche novatrice imite le fonctionnement du cerveau, en battant les meilleurs algorithmes de reconnaissance d’images. Ayant par le passé été récipiendaire du prix Turing en 2019.

Les progrès fulgurants de l’IA sont désormais alimentés par des investissements massifs de Microsoft, qui finance ChatGPT, Google et d’autres géants du numérique, comme Meta.

Fonctionnement des réseaux neuronaux

Les réseaux neuronaux constituent un programme ou un modèle de machine learning qui prend des décisions d’une manière comparable au cerveau humain, en utilisant des processus qui reproduisent la façon dont les neurones biologiques fonctionnent de concert pour identifier des phénomènes, évaluer des options et arriver à des conclusions.

Tous les réseaux neuronaux sont constitués de couches de nœuds, ou neurones artificiels : une couche d’entrée, une ou plusieurs couches cachées et une couche de sortie. Chaque nœud se connecte à un autre et possède un poids et un seuil associés. Si la sortie d’un nœud individuel est supérieure à la valeur de seuil spécifiée, ce nœud est activé, envoyant les données à la couche suivante du réseau. Dans le cas contraire, aucune donnée n’est transmise à la couche suivante.

Les réseaux neuronaux s’appuient sur les données d’entraînement pour apprendre et améliorer leur précision au fil du temps. Une fois qu’ils atteignent un niveau de précision optimal, ce sont de puissants alliés des domaines de l’informatique et de l’intelligence artificielle, qui nous permettent de classer et de regrouper les données à grande vitesse. Une tâche de reconnaissance vocale ou d’image qui demandent des heures de recherche à un expert humain peut être réalisée en quelques minutes. L’algorithme de recherche de Google est l’un des exemples les plus connus des réseaux neuronaux.

Les réseaux neuronaux sont parfois appelés réseaux neuronaux artificiels (RNA) ou réseaux neuronaux simulés (RNS). Il s’agit d’un sous-ensemble du machine learning et une composante des modèles de l’apprentissage profond.