高级搜索

物理学与深度学习：2024年诺贝尔物理学奖介绍

,  , 

downloadPDF

上一篇

下一篇

唐泽宸, 段文晖, 徐勇. 2025: 物理学与深度学习：2024年诺贝尔物理学奖介绍, 物理, 54(1): 1-9. doi: 10.7693/wl20250101
引用本文: 唐泽宸, 段文晖, 徐勇. 2025: 物理学与深度学习：2024年诺贝尔物理学奖介绍, 物理, 54(1): 1-9. doi: 10.7693/wl20250101
shu
TANG Ze-Chen, DUAN Wen-Hui, XU Yong. 2025: Physics and deep learning：an introduction to the 2024 Nobel Prize in Physics, Physics, 54(1): 1-9. doi: 10.7693/wl20250101
Citation: TANG Ze-Chen, DUAN Wen-Hui, XU Yong. 2025: Physics and deep learning：an introduction to the 2024 Nobel Prize in Physics, Physics, 54(1): 1-9. doi: 10.7693/wl20250101
shu

物理学与深度学习：2024年诺贝尔物理学奖介绍

  • 清华大学物理系 北京 100084

    • 通讯作者: 徐勇,email:yongxu@mail.tsinghua.edu.cn
  • 基金项目:

    国家重点研发计划(批准号：2023YFA1406400；2024YFA1409100)、国家自然科学基金基础科学中心(批准号：52388201)、国家自然科学基金(批准号：12334003；12421004；12361141826)、国家科技重大专项(批准号：2023ZD0300500)、国家杰出青年科学基金(批准号：12025405)资助项目

Physics and deep learning：an introduction to the 2024 Nobel Prize in Physics

  • 摘要: 2024年诺贝尔物理学奖授予神经网络相关的研究工作，充分肯定了以人工神经网络为代表的深度学习方法在多学科交叉前沿中的变革性影响。物理学家约翰·霍普菲尔德与“AI教父”杰弗里·辛顿因其在人工神经网络发展史上的杰出贡献荣膺此奖，引发了学术界的广泛关注与深入讨论。文章将从物理学研究者的视角，解读两位诺奖得主的代表性研究成果，探讨物理学与深度学习的紧密联系，分析物理学在推动深度学习发展中的启示性作用。并以深度学习与第一性原理计算方法的结合为例，展望深度学习对物理学未来发展的深远影响。
    Abstract: The 2024 Nobel Prize in Physics was awarded for pioneering research on neural networks, recognizing the transformative impact of deep learning across interdisciplinary fields. Physicist John Hopfield and“Godfather of AI”Geoffrey Hinton were honored for their outstanding contributions to the development of artificial neural networks. This article, written from the perspective of physics researchers, will highlight the representative research achievements of the laureates, and explore the deep connection between physics and deep learning. The essential role of physics in advancing deep learning will be examined, and the profound impact of deep learning on the future development of physics will be envisioned, using its integration with first-principles calculations as a concrete example.
  • 加载中
  • LeCun Y，Bengio Y，Hinton G. Nature，2015，521：436
    McCulloch W S，Pitts W. Bull. Math. Biophys.，1943，5：115
    Rosenblatt F. Psycholog. Rev.，1958，65：386
    Hubel D H，Wiesel T N. J. Physiol.，1959，148：574
    Hopfield J J. Proc. Natl. Acad. Sci. USA，1982，79：2554
    Ackley D H，Hinton G E，Sejnowski T J. Cogn. Sci.，1985，9：147
    Amit D J，Gutfreund H，Sompolinsky H. Phys. Rev. A，1985，32： 1007
    Popular Science Background. the Nobel Prize in Physics 2024. https://www.nobelprize.org/uploads/2024/11/popular-physicsprize2024-3.pdf
    Hebb D. The Organization of Behavior. A Neuropsychological Theory. Wiley，1949
    Amari S I. IEEE Transac. Comput.，1972，100：1197
    Hopfield J J，Tank D W. Biol. Cybern.，1985，52：141
    Ramsauer H，Schäfl B，Lehner J et al. 2020，arXiv：2008.02217
    Nowlan S，Hinton G E. Evaluation of Adaptive Mixtures of Competing Experts. In：Adv. Neural Inf. Process. Syst.3，1990
    Srivastava N，Hinton G，Krizhevsky A et al. J. Mach. Learn. Res.，2014，15：1929
    Hinton G E，Salakhutdinov R R. Science，2006，313：504
    Krizhevsky A，Sutskever I，Hinton G E. Adv. Neural Inf. Process. Syst.，2012，25：1106
    Hinton G E. Neural Comput.，2002，14：1771
    Tierney L. Ann. Statist.，1994，22：1701
    Salakhutdinov R，Hinton G. Deep Boltzmann Machines. In：Artificial intelligence and statistics. PMLR，2009. p.448
    Jaitly N，Hinton G. Learning a Better Representation of Speech Soundwaves using Restricted Boltzmann Machines. In：2011 IEEE International Conference on Acoustics，Speech and Signal Processing (ICASSP). IEEE，2011. p.5884
    Carleo G，Troyer M. Science，2017，355：602
    Silver D，Huang A，Maddison C J et al. Nature，2016，529：484
    Jumper J，Evans R，Pritzel A et al. Nature，2021，596：583
    Abramson J，Adler J，Dunger J et al. Nature，2024，1：
    Udrescu S M，Tegmark M. Sci. Adv.，2020，6：eaay2631
    Burger B，Maffettone P M，Gusev V V et al. Nature，2020，583： 237
    Martin R M. Electronic Structure：Basic Theory and Practical Methods. Cambridge university press，2020
    Kohn W，Sham L J. Phys. Rev.，1965，140：A1133
    Kohn W. Phys. Rev. Lett.，1996，76：3168
    Das S，Kanungo B，Subramanian V et al. Large-scale Materials Modeling at Quantum Accuracy：Ab Initio Simulations of Quasicrystals and Interacting Extended Defects in Metallic Alloys. In： Proceedings of the International Conference for High Performance Computing，Networking，Storage and Analysis. 2023. p.1
    Stocks R，Vallejo J L G，Yu F C et al. Breaking the MillionElectron and 1 EFLOP/s Barriers：Biomolecular-Scale Ab Initio Molecular Dynamics Using MP2 Potentials. In：Proceedings of the International Conference for High Performance Computing， Networking，Storage，and Analysis. 2024. p.1
    Perdew J P，Schmidt K. Jacob’s Ladder of Density Functional Approximations for the Exchange-correlation Energy. In：AIP Conference Proceedings. American Institute of Physics，2001. p.1
    Behler J，Parrinello M. Phys. Rev. Lett.，2007，98：146401
    Zhang L，Han J，Wang H et al. Phys. Rev. Lett.，2018，120： 143001
    Batzner S，Musaelian A，Sun L et al. Nat. Commun.，2022，13： 2453
    Liao Y L，Wood B M，Das A et al. EquiformerV2：Improved Equivariant Transformer for Scaling to Higher-Degree Representations. In：the Twelfth International Conference on Learning Representations
    Merchant A，Batzner S，Schoenholz S S et al. Nature，2023，624：80
    Barroso-Luque L，Shuaibi M，Fu X et al. 2024 ，arXiv ：2410. 12771
    Li H，Wang Z，Zou N et al. Nat. Comput. Sci.，2022，2：367
    Li H，Wang Z，Zou N L et al. 2021，arXiv：2104.03786
    Xie T，Grossman J C. Phys. Rev. Lett.，2018，120：145301
    Geiger M，Smidt T. 2022，arXiv：2207.09453
    Gong X，Li H，Zou N et al. Nat. Commun.，2023，14：2848
    Li H，Tang Z，Gong X et al. Nat. Comput. Sci.，2023，3：321
    Tang Z，Li H，Lin P et al. Nat. Commun.，2024，15：8815
    Li H，Tang Z，Fu J et al. Phys. Rev. Lett.，2024，132：096401
    Mortazavi B. Adv. Energy Mater.，2024，2403876：
    Unke O，Bogojeski M，Gastegger M et al. Adv. Neural Inf. Processing Syst.，2021，34：14434
    Zhong Y，Yu H，Su M et al. npj Comput. Mater.，2023，9：182
    Yu H，Xu Z，Qian X et al. Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian. In：International Conference on Machine Learning. PMLR，2023. p.40412
    Wang Y，Li Y，Tang Z et al. Sci. Bull.，2024，69：30
  • 加载中
计量
  • 文章访问数:  370
  • HTML全文浏览数:  370
  • PDF下载数:  22
  • 施引文献:  0
出版历程
  • 收稿日期:  2024-12-23

物理学与深度学习：2024年诺贝尔物理学奖介绍

    通讯作者: 徐勇,email:yongxu@mail.tsinghua.edu.cn
  • 清华大学物理系 北京 100084
  • 收稿日期:  2024-12-23
基金项目: 

摘要: 2024年诺贝尔物理学奖授予神经网络相关的研究工作，充分肯定了以人工神经网络为代表的深度学习方法在多学科交叉前沿中的变革性影响。物理学家约翰·霍普菲尔德与“AI教父”杰弗里·辛顿因其在人工神经网络发展史上的杰出贡献荣膺此奖，引发了学术界的广泛关注与深入讨论。文章将从物理学研究者的视角，解读两位诺奖得主的代表性研究成果，探讨物理学与深度学习的紧密联系，分析物理学在推动深度学习发展中的启示性作用。并以深度学习与第一性原理计算方法的结合为例，展望深度学习对物理学未来发展的深远影响。

English Abstract

    全文HTML

参考文献 (51)

目录

/

返回文章
返回