학문의 결과엔 항상 풀지 못한 질문(!)이 있었다.
'무엇이 새롭지?'
존 홉필드 : 신경생물학! 1982년, 수학과 생물학이 만나다.... 네트워크 런닝 이론!
제프리 힌튼 : 컴퓨터 프로그래머가 1985년, 인지심리학을 만나다....볼츠만 머신!
그들의 이론에 의하여 뇌 구조가 컴퓨화되고 기계학습을 하며 지식을 스스로 축적한다.
2016년, 인공지능....알파고로 첫 선
2023년, 인공지능 대화....Chatt GPT 3.5 선풍
2024년, 인공지능 Chat GPT 4.0 출시....시장형성
다음엔....?
향후, 인간의 본성마져 인공지능으로 대체된다는 가설을 해본다. 태어날 때는 단백질로 구성된 유기물이었으나, 살아 갈때는 전기신호로 작동하고 재생하는, 즉 영생불멸 하다가....
???
인공지능은....
언어, 문자, 그림, 행동에 의한 학습이 가능하여
모든 분야에 확산되고 각 분야에서 (미지에 접근하는)개발 속도는 빨라지고 있다.
지금은, 문명의 혁신이 가속화하고 있는 세상이다!
노벨상이 증명한다!
노벨물리학상
... John J. Hopfield(1933~)는 미국의 과학자다. 91세
2024년 10월 8일에 머신 러닝 및 인공신경망 연구에 대한 공로를 인정받아 제프리 힌튼 교수와 함께 노벨물리학상 수상자로 발표되었다.
출처 : 나무위키
... 제프리 힌턴, 76세
영국의 컴퓨터과학자이자 인지과학자, 인지심리학자다.
2024년 10월 8일에 인공신경망을 통한 기계학습 연구에 대한 공로를 인정받아 존 홉필드 교수와 함께 노벨물리학상 수상자로 발표되었다. 물리학 자체의 연구가 아니라 인공지능에 관한 연구로 컴퓨터과학자가 노벨물리학상을 받은 것은 이번이 첫 사례로 상당한 파격성을 띈다.
따라서 제프리 힌튼은 튜링상과 노벨물리학상을 모두 수상한 첫 번째 인물이 되었으며 이분야 최고 권위자임을 다시한번 증명했다.
출처 : 나무위키
노벨화학상
... 데미스 허사비스, 컴퓨터프로그래머가 인지신경과학을 만나다 (2009년), 48세
'알파고의 아버지'로 불리는 허사비스는 이날 수상 발표 이후 낸 성명에서 "나는 수십억 명의 삶을 개선할 수 있는 인공지능(AI)의 잠재력을 보고 내 경력을 AI 발전에 바쳐왔다"며 이같이 말했다.
이어 "이미 200만명 이상의 연구자가 효소 설계부터 신약 개발에 이르기까지 중요한 연구를 진전시키는 데 알파폴드를 사용했다"며 "알파폴드가 과학적 발견을 가속할 수 있는 AI의 놀라운 잠재력을 입증한 첫 번째 사례로 기억되길 바란다"고 덧붙였다.
점퍼는 "이는 AI가 과학의 속도를 높이고 궁극적으로 질병을 이해하고 치료법을 개발하는 데 도움이 될 수 있음을 보여주는 중요한 사례"라며 "이 연구는 구글 딥마인드의 뛰어난 팀이 이뤄낸 성과"라고 기뻐했다.
아울러 "우리 앞에는 AI를 과학적 도구로 사용해 얻을 수 있는 새로운 통찰력과 과학적 발견의 세계가 펼쳐져 있다"며 "이 순간과 앞으로 다가올 수많은 발견의 순간을 가능하게 해 준 지난 수년간의 동료들에게 감사하다"고 말했다.
.... 생화학자 데이비드 베이커 인공지능을 활용하여 단백질로 구성하는 신물질개발, 62세
화학상 공동 수상자인 베이커 교수는 두 사람의 연구가 자신에게 큰 힘이 됐다고 공을 돌렸다.
그는 노벨위원회의 발표 후 기자회견장과 연결한 전화 인터뷰에서 "데미스와 존이 단백질 구조 예측 분야에서 이룬 획기적인 성과는 우리에게 AI의 힘을 실감하게 했다"며 그 덕분에 "이런 AI를 이용한 방법을 단백질 설계에 적용했고, 그것은 힘과 정확도를 크게 향상했다"고 말했다.
--- 출처 : 연합뉴스 ---
1. 개요
1982년 물리학자 존 홉필드가 제안한 신경망의 물리적 모델로써 최적화, 연상기억 등에 사용된다.
양극화(bipolarization): 0과 1로 표현된 데이터를 -1과 1로 변환하는 것
자기조직화맵(SOM)이나 인공신경망에서 가장 많이 사용되는 퍼셉트론(perceptron) 등은 연산이나 학습 과정에서 지속적으로 가중치(weight)가 변경되는 알고리즘이다. 다른 알고리즘과 다르게 홉필드 네트워크(Hopfield network)는 고정된 가중치를 이용하여 완전한 정보를 연상하는 차이점이 있다. 홉필드 네트워크는 학습 패턴에 대해 계산된 고정 가중치 행렬을 저장하고, 입력 패턴이 들어올 때마다 가중치 행렬을 이용하여 입력 패턴에 대한 학습 패턴을 연상하면 된다. 홉필드 네트워크 알고리즘은 아래와 같다.
1) 학습 패턴에 양극화 연산을 적용
2) 학습 패턴에 대한 홉필드 네트워크의 가중치 행렬을 계산
3) 계산된 가중치 행렬을 저장
4) 입력 패턴이 들어오면 저장된 가중치 행렬을 이용하여 입력 패턴에 대한 학습 패턴을 연상
학습 패턴의 i번째 입력 값인 ai에 대해 양극화된 값 xi는 아래와 같이 연산된다.
해당 연산을 통해 학습 패턴의 입력 값이 1이면 값이 그대로 유지되고, 0이면 값이 -1로 변경된다.
양극화된 학습 패턴이 xi라고 할 때, 학습 패턴에 대한 가중치 행렬 계산은 아래와 같이 수행한다. 여기에서 w는 학습 패턴에 대한 홉필드 네트워크의 가중치 행렬을 나타내고, I는 단위행렬(identity matrix)를 뜻한다.
아래와 같은 2개의 학습 패턴을 기억하고, 입력 값을 토대로 학습 패턴 중 하나를 연상해내는 홉필드 네트워크를 설계한다.
1) 양극화 연산 적용
양극화 연산을 적용한 학습 패턴은 아래와 같다.
2) 가중치 행렬 계산
학습 패턴이 2개 이므로 n은 2이다. 이를 적용하여 가중치 행렬 계산식을 풀어 쓰면 아래와 같다.
각각의 항을 연산하면 아래와 같다.
우변의 마지막 항은 단위행렬에 2를 곱한 행렬이므로, 아래와 같다.
그러므로, 이 예제에서 주어진 입력 패턴에 대한 홉필드 네트워크의 가중치 행렬은 아래와 같다.
3) 가중치 행렬 저장
입력 패턴이 들어오면 계산된 가중치 행렬을 이용하여 입력 패턴에 대한 학습 패턴을 연상하기 위해 과정 2에서 계산된 가중치 행렬을 저장하거나, 메모리에 유지한다.
4) 입력 패턴에 대한 학습 패턴 연상
임의의 입력 패턴이 들어왔을 때, 저장된 가중치 행렬을 이용하여 입력 패턴에 대한 학습 패턴을 연상한다. 예를 들어, 예제에서 설계한 홉필드 네트워크에 아래와 같은 입력 패턴이 들어왔다고 가정한다.
입력 패턴 B에 의해 연상되는 학습 패턴을 구하기 위해서는 아래와 같은 3단계의 반복이 필요하다.
① 행렬의 곱 연산을 이용하여 가중치 행렬과 입력 패턴을 곱한다.
② 곱해서 나온 행렬을 활성화 함수에 입력한다.
③ 연산에 의해 계산된 패턴이 학습 패턴 중 하나라면 알고리즘을 종료하고, 아니면 ①을 반복한다.
먼저 입력 패턴의 한 요소에 대한 threshold를 계산한다. threshold의 뜻은 계산 값이 threshold 이상일 때만 그 값을 활성화한다는 의미이다. 입력 패턴의 i번째 요소에 대한 threshold는 아래와 같이 계산된다.
그 다음, 입력 패턴 B의 다음 요소는 아래와 같은 식에 의해 계산된다.
마지막으로 계산된 입력 패턴 B의 다음 요소는 아래와 같은 활성화 함수를 통해 최종적으로 값이 변경된다.
입력 패턴 B에 대해 위의 연산을 적용하면, 아래와 같이 계산된다.
그러므로 입력패턴 B는 아래와 같이 변경되고, 이는 학습 패턴 중 하나와 일치하므로 알고리즘을 종료한다.
만약 B′이 어떠한 학습 패턴과도 일치하지 않는다면, 학습 패턴 중 하나와 일치할 때 까지 B′에 대해 과정 4(입력 패턴에 대한 학습 패턴 연상)를 반복한다.
#인공지능 #미지 #접근 #개발속도 #혁신 #노벨상 #컴퓨터 #프로그래머 #물리학 #화학 #수학 #생물학 #인지심리학 #생화학
