Nobel fisika 2024: Fondasi Mesin Belajar

Anugerah nobel fisika tahun ini diberikan kepada peneliti John Hopfield dan Geoffrey Hinton. Keduanya memanfaatkan fisika untuk menghasilkan metode yang membantu memberikan fondasi pengembangan mesin yang belajar (machine learhing) yang semakin maju belakangan ini.

John Hopfield membuat sebuah struktur yang dapat menyimpan dan menyusun ulang informasi sedangkan Geoffrey Hinton menemukan sebuah metode yang dapat mengidentifikasi karakteristik dalam data. Identifikasi karakteristik data ini merupakan  hal yang penting dalam jaringan syaraf tiruan yang luas seperti yang digunakan saat ini.

Menggunakan fisika menemukan pola-pola dalam informasi-Nobel Fisika 2024

Banyak di antara kita yang telah mengetahui bagaimana komputer dapat menerjemahkan bahasa, menginterpretasi gambar bahkan melakukan percakapan yang rasional. Namun mungkin masih belum banyak yang mengetahui dengan baik bahwa jenis teknologi yang digunakan tersebut telah menjadi bagian penting dari sebuah penelitian, termasuk bagaimana menyortir dan menganalisis data yang sangat besar.

Pengembangan mesin belajar telah meledak sejak 15 sampai 20 tahun yang lalu dan memanfaatkan sebuah struktur yang disebut jaringan syaraf tiruan. Saat ini, ketika kita berbicara tentang kecerdasan buatan, maka teknologi syarat buatan inilah yang kita maksudkan.

Meskipun komputer tidak dapat berpikir, mesin sekarang dapat meniru fungsi-fungsi kognitif seperti mengingat dan belajar. Nobel fisika tahun 2024 ini diberikan kepada ilmuwan yang telah membuka jalan semua ini. Dengan menggunakan konsep-konsep dan metode mendasar dalam fisika, mereka mengembangkan teknologi yang menggunakan struktur dalam jaringan untuk memproses informasi.

Mesin belajar ini berbeda dari perangkat lunak tradisional yang bekerja seperti sebuah resep. Perangkat lunak menerima data, yang akan diproses berdasarkan deskripsi yang jelas dan menghasilkan keluaran, hampir sama dengan ketika seseorang mengumpulkan bahan-bahan dan bumbu-bumbu dan mengolahnya berdasarkan sebuah resep, menghasilkan sebuah makanan.

Namun berlainan dengan cara ini, pada mesin belajar, komputer belajar melalui contoh, yang memungkinkannya dapat menangani masalah-masalah yang terlalu samar dan rumit untuk diselesaikan melalui serangkaian langkah demi langkah. Salah satu contohnya adalah menginterpretasi sebuah gambar untuk mengidentifikasi objek yang ada dalam gambar tersebut.

Meniru cara kerja otak

Jaringan saraf tiruan memproses informasi dengan menggunakan keseluruhan struktur jaringan. Jaringan syaraf tiruan ini terinspirasi dari keinginan untuk memahami bagaimana otak bekerja.

Pada tahun 1940-an, peneliti telah mulai mempelajari bagaimana cara kerja otak ini dengan mencari alasan matematis yang berada di balik jaringan syaraf otak dan sinapsis. Keping puzzle lainnya berasal dari psikologi, yaitu penggunaan hipotesis seorang ilmuwan saraf, Donald Hebb, yang mengatakan bahwa belajar terjadi melalui penguatan koneksi antar saraf saat saraf-saraf tersebut bekerja bersama.

Selanjutnya, ide ini diikuti dengan usaha membuat ulang fungsi jaringan saraf otak yang dilakukan dengan membangun jaringan saraf buatan melalui simulasi komputer. Pada cara ini, neuron otak dinyatakan oleh simpul yang diberi nilai yang berbeda-beda, dan sinapsis dinyatakan dengan koneksi antara simpul-simpul yang dapat dibuat lemah atau kuat. Hipotesis Donald Hebb masih digunakan sebagai salah satu aturan dasar untuk memperbarui jaringan saraf buatan melalui proses yang disebut training.

Di akhir tahun 1960-an, beberapa hasil teoritis yang diperoleh tampaknya menghambat perkembangan penelitian jaringan saraf tiruan ini. Akibatnya, sejumlah peneliti menduga bahwa jaringan saraf ini tidak akan pernah memiliki kegunaan yang real dalam kehidupan nyata. Namun demikian, minat terhadap jaringan saraf buatan kembali bangkit pada tahun 1980-an, ketika sejumlah ide-ide penting memberi dampak terhadap perkembangan yang mandek, termasuk hasil pekerjaan yang dilakukan oleh kedua penerima nobel fisika 2024 ini.

Memori asosiatif

Bayangkan Anda mencoba mengingat kata yang tidak biasa, yang jarang Anda gunakan, seperti kata untuk lantai miring yang sering ditemukan di bioskop dan ruang kuliah. Anda mencari-cari kata tersebut di ingatan Anda. Kata itu seperti ramp… mungkin radi…ial? Bukan, bukan itu. Rake, itu dia!

Proses pencarian kata-kata yang mirip untuk menemukan kata yang tepat ini mengingatkan kita pada memori asosiatif yang ditemukan oleh fisikawan John Hopfield pada tahun 1982. Jaringan Hopfield dapat menyimpan pola dan memiliki metode untuk menciptakannya kembali. Ketika jaringan diberi pola yang tidak lengkap atau sedikit terdistorsi, metode tersebut dapat menemukan pola tersimpan yang paling mirip.

Hopfield sebelumnya menggunakan latar belakangnya di bidang fisika untuk mengeksplorasi masalah-masalah teoritis dalam biologi molekuler. Ketika ia diundang ke sebuah pertemuan tentang ilmu saraf, ia menemukan penelitian tentang struktur otak. Ia terpesona oleh apa yang dipelajari dalam penelitian tersebut dan mulai berpikir tentang dinamika jaringan saraf sederhana. Ketika neuron bekerja sama, mereka dapat memunculkan karakteristik baru dan hebat yang tidak tampak bagi seseorang yang hanya melihat komponen-komponen jaringan yang terpisah.

Pada tahun 1980, Hopfield meninggalkan jabatannya di Universitas Princeton, di mana minat penelitiannya telah membawanya keluar dari bidang penelitian rekan-rekan fisikanya, dan pindah ke seberang benua. Ia menerima tawaran jabatan profesor di bidang kimia dan biologi di Caltech (Institut Teknologi California) di Pasadena, California selatan. Di tempat baru itu, ia memiliki akses sumber daya komputer yang dapat ia gunakan untuk bereksperimen gratis dan untuk mengembangkan gagasannya tentang jaringan saraf.

Namun, ia tidak meninggalkan dasar-dasar fisika yang telah dipelajarinya, bidang di mana ia menemukan inspirasi terhadap pemahamannya tentang bagaimana sistem dengan banyak komponen kecil yang bekerja sama dapat memunculkan fenomena baru dan menarik. Secara khusus ia telah diuntungkan karena sebelumnya ia telah mempelajari tentang material magnetik yang memiliki karakteristik khusus karena spin atomnya – suatu sifat yang membuat setiap atom menjadi magnet kecil. Spin atom-atom yang berdekatan saling memengaruhi; hal ini memungkinkan terbentuknya domain dengan spin dalam arah yang sama. Ia mampu membuat jaringan model dengan simpul dan koneksi dengan menggunakan fisika yang menjelaskan bagaimana material berkembang ketika spin saling memengaruhi.

Jaringan menyimpan gambar dalam Sebuah lanskap

Jaringan yang dibangun Hopfield memiliki simpul-simpul yang semuanya disatukan melalui koneksi dengan kekuatan yang berbeda-beda. Setiap simpul dapat menyimpan nilai individual –dalam karya pertama Hopfield, nilai ini dapat berupa 0 atau 1, seperti piksel dalam gambar hitam putih.

Hopfield menggambarkan keadaan keseluruhan jaringan dengan karakteristik yang setara dengan energi dalam sistem spin yang dipelajari dalam fisika; energi dihitung menggunakan rumus yang menggunakan semua nilai simpul dan semua kekuatan koneksi di antara keduanya.

Jaringan Hopfield diprogram dengan memasukkan gambar ke simpul-simpul, yang diberi nilai hitam (0) atau putih (1). Koneksi jaringan kemudian disesuaikan menggunakan rumus energi, sehingga gambar yang tersimpan memiliki energi yang rendah. Ketika pola lain dimasukkan ke dalam jaringan, ada aturan untuk menelusuri simpul satu per satu dan memeriksa apakah jaringan memiliki energi yang lebih rendah jika nilai simpul tersebut diubah. Jika ternyata energi berkurang jika piksel hitam berwarna putih, warnanya diubah. Prosedur ini berlanjut hingga tidak mungkin lagi menemukan perbaikan lebih lanjut. Ketika titik ini tercapai, jaringan sering kali telah mereproduksi gambar asli yang menjadi dasar pelatihannya.

Hal ini mungkin tidak tampak begitu luar biasa jika Anda hanya menyimpan satu pola. Mungkin Anda bertanya-tanya mengapa Anda tidak menyimpan gambar itu sendiri dan membandingkannya dengan gambar lain yang sedang diuji. Betul, tetapi metode Hopfield menjadi istimewa karena beberapa gambar dapat disimpan pada saat yang bersamaan dan jaringan biasanya dapat membedakannya.

Hopfield menyamakan pencarian jaringan untuk status yang disimpan dengan menggelindingkan bola melalui kontur puncak dan lembah, dengan gesekan yang memperlambat gerakannya. Jika bola dijatuhkan di lokasi tertentu, bola akan menggelinding ke lembah terdekat dan berhenti di sana. Jika jaringan diberi pola yang dekat dengan salah satu pola yang disimpan, jaringan akan, dengan cara yang sama, terus bergerak maju hingga berakhir di dasar lembah dalam kontur alam energi, sehingga menemukan pola terdekat dalam memorinya.

Jaringan Hopfield dapat digunakan untuk membuat ulang data yang mengandung gangguan atau yang telah terhapus sebagian.

Hopfield dan yang lainnya terus mengembangkan perincian tentang cara kerja jaringan Hopfield, termasuk simpul yang dapat menyimpan nilai apa pun, bukan hanya nol atau satu. Jika Anda memandang simpul sebagai piksel dalam gambar, simpul tersebut dapat memiliki warna yang berbeda, tidak hanya hitam atau putih. Dengan metode yang terus menerus dikembangkan dan diperbaiki, kini telah memungkinkan untuk menyimpan lebih banyak gambar dan membedakannya meskipun gambar tersebut sangat mirip. Mengidentifikasi atau pun merekonstruksi informasi dalam bentuk apa pun sekarang telah dapat dilakukan, asalkan informasi tersebut dibangun dari banyak titik data.

Klasifikasi dengan Fisika abad XIX

Mengingat sebuah gambar merupakan satu hal, tetapi menafsirkan apa yang tergambar (objek gambar)  memerlukan kemampuan yang lebih tinggi dari sekadar mengingat.

Bahkan anak-anak yang masih sangat kecil pun telah dapat menunjuk berbagai hewan dan dengan percaya diri mengatakan bahwa itu anjing, kucing, atau tupai. Kadang-kadang mereka mungkin salah, tetapi dalam rentang waktu yang cukup cepat mereka akan mampu melakukannya secara hampir selalu benar. Seorang anak dapat mempelajarinya bahkan tanpa melihat diagram atau penjelasan tentang konsep seperti spesies atau mamalia. Setelah menemukan beberapa contoh dari setiap jenis hewan, kategori yang berbeda-beda akan terbentuk di kepala anak. Orang belajar mengenali kucing, atau memahami sebuah kata, atau memasuki sebuah ruangan dan menyadari bahwa sesuatu telah berubah, dilakukan melalui pengalaman dengan lingkungan di sekitar mereka.

Ketika Hopfield menerbitkan artikelnya tentang memori asosiatif ini, Geoffrey Hinton bekerja di Universitas Carnegie Mellon di Pittsburgh, AS. Sebelumnya, ia mempelajari psikologi eksperimental dan kecerdasan buatan di Inggris dan Skotlandia dan sebuah pertanyaan menggoda dalam benaknya: apakah mesin dapat belajar memproses pola dengan cara yang sama seperti manusia, menemukan kategori mereka sendiri untuk menyortir dan menafsirkan informasi?

Bersama rekannya, Terrence Sejnowski, Hinton memulai pencarian jawaban tersebut dari jaringan Hopfield dan mengembangkannya untuk membangun sesuatu yang baru, menggunakan ide-ide dari fisika statistik.

Fisika statistik menggambarkan sistem yang terdiri dari banyak elemen yang identik, seperti molekul dalam gas.

Adalah sulit, atau mungkin mustahil, untuk melacak semua molekul secara terpisah dalam gas, tetapi kita dapat menganalisisnya secara kolektif untuk menentukan sifat-sifat menyeluruh gas seperti tekanan atau suhu. Ada banyak cara yang potensial bagi molekul gas untuk menyebar dalam volumenya pada kecepatan individual dan tetap menghasilkan sifat kolektif yang sama.

Keadaan di mana masing-masing komponen dapat ada secara bersama-sama dapat dianalisis dengan menggunakan fisika statistik, dan probabilitas terjadinya dapat dihitung. Beberapa keadaan lebih mungkin terjadi daripada yang lain; hal ini tergantung pada jumlah energi yang tersedia, yang dijelaskan dalam persamaan oleh fisikawan abad kesembilan belas Ludwig Boltzmann. Jaringan Hinton menggunakan persamaan tersebut, dan metodenya diterbitkan pada tahun 1985 dengan nama yang mencolok, Mesin Boltzmann.

Mengenali contoh-contoh baru dengan jenis yang sama

Mesin Boltzmann umumnya digunakan dengan dua jenis simpul yang berbeda. Informasi diumpankan ke satu kelompok, yang disebut simpul tampak. Simpul lainnya membentuk lapisan tersembunyi. Nilai dan koneksi simpul tersembunyi juga berkontribusi pada energi jaringan secara keseluruhan.

Mesin dijalankan dengan menerapkan aturan agar memperbarui nilai simpul satu per satu pada suatu saat. Akhirnya mesin akan memasuki keadaan di mana pola simpul dapat berubah, tetapi sifat jaringan secara keseluruhan tetap sama. Setiap pola yang mungkin kemudian akan memiliki probabilitas tertentu yang ditentukan oleh energi jaringan menurut persamaan Boltzmann. Ketika mesin berhenti, ia telah menciptakan pola baru, yang menjadikan mesin Boltzmann sebagai contoh awal model generatif.

Mesin Boltzmann dapat belajar –bukan dari instruksi, tetapi dari contoh yang diberikan. Mesin ini dilatih dengan memperbarui nilai dalam koneksi jaringan sehingga pola contoh, yang diberikan ke simpul terlihat saat dilatih, memiliki kemungkinan tertinggi untuk terjadi saat mesin dijalankan. Jika pola yang sama diulang beberapa kali selama pelatihan ini, kemungkinan pola ini bahkan lebih tinggi. Pelatihan juga memengaruhi kemungkinan menghasilkan pola baru yang menyerupai contoh yang digunakan untuk melatih mesin.

Mesin Boltzmann yang terlatih dapat mengenali ciri-ciri yang sudah dikenal dalam informasi yang belum pernah dilihatnya sebelumnya. Bayangkan bertemu dengan saudara kandung teman, dan Anda dapat langsung melihat bahwa mereka pasti memiliki hubungan. Dengan cara yang sama, mesin Boltzmann dapat mengenali contoh yang sama sekali baru, jika termasuk dalam kategori yang ditemukan dalam materi pelatihan, dan membedakannya dari materi yang berbeda.

Dalam bentuk awalnya, mesin Boltzmann sungguh tidak efisien dan membutuhkan waktu yang lama untuk dapat menemukan solusi. Tetapi beberapa hal menjadi lebih menarik ketika dikembangkan dengan berbagai cara, seperti yang terus dieksplorasi oleh Hinton. Versi-versi selanjutnya telah diperkecil, karena koneksi antara beberapa unit telah dihilangkan. Ternyata hal ini dapat membuat mesin tersebut lebih efisien.

Selama tahun 1990-an, ketika banyak peneliti kehilangan gairah terhadap jaringan saraf tiruan, Hinton adalah salah satu yang terus bekerja di bidang tersebut. Ia juga membantu memulai terjadinya ledakan baru hasil-hasil yang menarik; pada tahun 2006 ia dan rekan-rekannya Simon Osindero, Yee Whye Teh, dan Ruslan Salakhutdinov mengembangkan sebuah metode untuk melatih jaringan dengan serangkaian mesin Boltzmann dalam beberapa lapisan, satu di atas yang lain. Pelatihan awal ini memberikan titik awal yang lebih baik bagi koneksi-koneksi dalam jaringan, yang mengoptimalkan pelatihannya untuk mengenali elemen-elemen dalam gambar.

Mesin Boltzmann sering digunakan sebagai bagian dari jaringan yang lebih besar. Misalnya, mesin ini dapat digunakan untuk merekomendasikan film atau serial televisi berdasarkan preferensi pemirsa.

Mesin belajar – Hari Ini dan di masa mendatang

Berkat kerja keras mereka sejak tahun 1980-an dan seterusnya, John Hopfield dan Geoffrey Hinton telah membantu meletakkan dasar bagi revolusi mesin belajar yang dimulai sekitar tahun 2010. Empat belas tahun kemudian, hasil kerja keras keduanya akhirnya diganjar penghargaan nobel fisika 2024.

Perkembangan yang kita saksikan sekarang dimungkinkan dengan adanya akses ke sejumlah besar data yang dapat digunakan untuk melatih jaringan, dan melalui peningkatan daya komputasi yang sangat besar. Jaringan saraf tiruan saat ini sering kali sangat besar dan dibangun dari banyak lapisan. Jaringan seperti ini disebut jaringan saraf dalam (deep neural networks) dan cara melatih sistem ini disebut pembelajaran mendalam (deep learning).

Sekilas, artikel Hopfield tentang memori asosiatif, sejak tahun 1982, memberikan beberapa perspektif tentang perkembangan ini. Di dalamnya, ia menggunakan jaringan dengan 30 simpul. Jika semua simpul terhubung satu sama lain, akan ada 435 koneksi. Setiap simpul memiliki nilainya sendiri, koneksi memiliki kekuatan yang berbeda-beda dan, secara total, terdapat kurang dari 500 parameter yang harus dilacak. Hopfield juga telah mencoba jaringan dengan 100 simpul, tetapi hal ini terlalu rumit, mengingat keterbatasan komputer yang ia gunakan saat itu. Kita dapat membandingkannya dengan model bahasa besar yang ada saat ini, yang dibangun sebagai jaringan yang dapat memuat lebih dari satu triliun parameter (satu juta juta).

Banyak peneliti kini tengah mengembangkan area penerapan mesin belajar. Dari berbagai area ini, pengembangan yang paling layak masih harus dilihat, sementara itu, juga berkembang diskusi yang luas tentang isu etika yang melingkupi pengembangan dan penggunaan teknologi ini.

Karena fisika telah menyumbang alat untuk pengembangan mesin belajar, menarik untuk melihat bagaimana fisika, sebagai bidang penelitian, juga diuntungkan oleh jaringan saraf tiruan. Mesin yang belajar telah lama digunakan dalam bidang yang mungkin telah kita kenali dari Penghargaan Nobel Fisika sebelumnya. Ini termasuk penggunaan mesin belajar untuk menyaring dan memproses sejumlah besar data yang diperlukan untuk menemukan partikel Higgs. Aplikasi lain termasuk mengurangi gangguan dalam pengukuran gelombang gravitasi dari lubang hitam yang bertabrakan, atau pencarian eksoplanet.

Dalam beberapa tahun terakhir, teknologi ini juga mulai digunakan saat menghitung dan memprediksi sifat-sifat molekul dan material – seperti menghitung struktur molekul protein, yang menentukan fungsinya, atau menentukan versi material baru mana yang mungkin memiliki sifat terbaik untuk digunakan dalam sel surya yang lebih efisien.

(sumber: https://www.nobelprize.org/prizes/physics/2024/popular-information/)