Paisagens de energia e spins aleatórios: como a física construiu a rede neural

Em 1980, o físico teórico John Hopfield aceitou o cargo de professor de química e biologia no Instituto de Tecnologia da Califórnia (Caltech). Antes de mudar para o Caltech, Hopfield passou anos no Bell Labs colaborando com o também físico teórico Philip Anderson. Anderson estudava materiais magnéticos desordenados conhecidos como vidros de spin, nos quais os momentos magnéticos, ou spins, de átomos individuais apontam para direções aleatórias em vez de se alinharem uniformemente. Essa aleatoriedade microscópica gerava instabilidades matemáticas complexas, tornando os vidros de spin um tema notavelmente difícil na física da matéria condensada. Hopfield absorveu as descrições matemáticas de Anderson sobre como esses spins atômicos conflitantes interagiam sob restrições físicas.

Mapeando paisagens de energia para a memória

No Caltech, Hopfield percebeu que a matemática que descrevia as interações de spins atômicos poderia responder a uma questão fundamental sobre a inteligência: como redes distribuídas recuperam memórias associativas. A computação convencional recuperava informações armazenadas usando endereços numéricos fixos. Hopfield, por sua vez, projetou uma rede de neurônios artificiais na qual as memórias eram codificadas nas intensidades das conexões entre os componentes. Ele descreveu a recuperação de padrões comparando-a a uma bola rolando por uma paisagem de picos e vales, desacelerada pelo atrito. Ao receber uma versão incompleta ou distorcida de um padrão — de forma muito semelhante ao ato de reconhecer alguém a partir de uma imagem fragmentada —, a rede atualizava iterativamente suas conexões até se fixar em um vale de baixa energia, reconstruindo com sucesso o estado memorizado completo.

De trajetórias físicas a probabilidades

Geoffrey Hinton assistiu a uma das palestras de Hopfield sobre redes neurais e percebeu que a arquitetura poderia ser expandida utilizando a física estatística. Enquanto a rede de Hopfield recuperava estados armazenados específicos ao descer por vales de energia, Hinton buscava um mecanismo para aprender as propriedades estatísticas mais amplas dos dados. Ele se inspirou no físico do século XIX Ludwig Boltzmann, cujo trabalho em mecânica estatística calculava a probabilidade de um sistema físico ocupar diferentes estados de energia a uma determinada temperatura. Trabalhando ao lado de Terrence Sejnowski e outros pesquisadores, Hinton desenvolveu a máquina de Boltzmann. Em vez de recordar memórias isoladas, essa rede ajustava a força de suas conexões para aprender a distribuição de probabilidade subjacente a um conjunto de dados. Como um modelo gerativo pioneiro, ela conseguia identificar características recorrentes, preencher detalhes ausentes e sintetizar novas instâncias de padrões.

Reconhecendo a física do aprendizado de máquina

O salto conceitual das equações dos vidros de spin e da termodinâmica para o aprendizado computacional levou décadas para amadurecer em aplicações amplas. Durante anos, a interseção entre física e inteligência artificial foi vista como um campo de nicho. Essa percepção mudou drasticamente em outubro de 2024, quando a Academia Real das Ciências da Suécia concedeu o Prêmio Nobel de Física a John Hopfield e Geoffrey Hinton. O comitê do Nobel citou suas descobertas e invenções fundamentais que viabilizaram o aprendizado de máquina por meio de redes neurais artificiais, destacando que esses modelos físicos se tornaram indispensáveis em diversos campos científicos, incluindo a própria física da matéria condensada para o projeto de novos materiais com propriedades atômicas específicas.

Conectando a termodinâmica à computação moderna

A transferência interdisciplinar da física dos vidros de spin e da mecânica estatística do século XIX forneceu a base estrutural para os sistemas modernos de inteligência artificial. Hoje, as paisagens de energia mapeadas inicialmente por Hopfield e as máquinas probabilísticas formuladas por Hinton impulsionam ferramentas computacionais que processam linguagem natural, preveem estruturas de proteínas complexas e revelam padrões estatísticos ocultos em massivos conjuntos de dados científicos.

Ilustração editorial gerada por IA; não é uma fotografia documental.

Fonte: Nobel Prize Curiosity and colliding disciplines: what led to Nobel Prizes for work that underpins AI AI’S IMPACT ON THE FUTURE OF SCIENCE