O Prêmio Nobel de Física foi concedido ao britânico John Clarke, ao francês Michel H. Devoret e ao americano John M. Martinis. O anúncio da Real Academia Sueca, em Estocolmo, nesta terça-feira, 7, laureou pesquisadores “pela descoberta do tunelamento mecânico quântico macroscópico e da quantização de energia em um circuito elétrico”. Os ganhadores conduziram experimentos com um circuito elétrico no qual demonstraram tanto o tunelamento mecânico quântico quanto os níveis de energia quantizados em um sistema grande o suficiente para ser segurado na mão.
Em 1984 e 1985, John Clarke, Michel H. Devoret e John M. Martinis conduziram uma série de experimentos com um circuito eletrônico construído com supercondutores, componentes capazes de conduzir corrente sem resistência elétrica. No circuito, os componentes supercondutores eram separados por uma fina camada de material não condutor, uma configuração conhecida como junção de Josephson. Ao refinar e medir todas as propriedades do circuito, eles conseguiram controlar e explorar os fenômenos que surgiam quando uma corrente elétrica passava por ele. Juntas, as partículas carregadas que se moviam através do supercondutor formavam um sistema que se comportava como se fossem uma única partícula que preenchia todo o circuito.
Retrospecto recente
No ano passado, o Prêmio Nobel de Física foi concedido ao americano John J. Hopfield e ao britânico Geoffrey E. Hinton. A Real Academia Sueca de Ciências laureou os pesquisadores “por descobertas e invenções fundamentais que possibilitam o aprendizado de máquina com redes neurais artificiais”. Hopfield é professor na Universidade de Princeton, EUA, e Hinton está associado à Universidade de Toronto, Canadá. Na época, a premiação ressaltou o profundo impacto da Inteligência Artificial (IA) e do aprendizado de máquina na ciência contemporânea.
Os laureados realizaram trabalhos cruciais com redes neurais artificiais a partir da década de 1980, utilizando ferramentas e conceitos da física para desenvolverem seus métodos. John Hopfield, um físico teórico com interesse em biologia molecular, formulou em 1982 um modelo conhecido como rede de Hopfield ou memória associativa. Ele se inspirou na física estatística e nos modelos matemáticos de redes de spins (propriedade intrínseca da matéria). O modelo de Hopfield demonstrou como sistemas complexos podem armazenar e recuperar informações de forma eficiente, mesmo quando os dados estão incompletos ou ruidosos. Hopfield comparou a busca por uma memória armazenada na rede ao movimento de uma bola rolando através de um “panorama de energia”, que para no vale mais próximo que representa o padrão salvo.
Geoffrey Hinton, que estudou psicologia experimental e inteligência artificial, deu um passo adiante no entendimento do aprendizado profundo. Em 1985, ele desenvolveu a máquina de Boltzmann, um modelo de rede neural em homenagem ao físico Ludwig Boltzmann. Essa máquina, baseada em ideias da física estatística, tem nós (neurônios) com peso estocástico e permite associar probabilidades a diferentes modelos. A máquina de Boltzmann, que funciona com unidades visíveis e uma camada oculta (escondida), pode aprender encontrando propriedades nos dados de forma autônoma e reconhecendo novos exemplos que pertencem a categorias presentes no material de treinamento. Hinton também teve papel fundamental no desenvolvimento da técnica de retropropagação (backpropagation), crucial para o ajuste eficiente dos pesos nas redes neurais modernas que lidam com grandes volumes de dados.
Os trabalhos de Hopfield e Hinton, embora considerados apenas especulação teórica em suas épocas, ajudaram a pavimentar o caminho para o deep learning que explodiu após 2010. Atualmente, as redes neurais artificiais são vastas, contendo trilhões de parâmetros, e são amplamente utilizadas em reconhecimento facial, tradução de idiomas e diversas outras aplicações científicas e cotidianas. A premiação de 2024 enfatizou a natureza interdisciplinar das descobertas científicas contemporâneas, valorizando a integração dos conceitos da física estatística com a IA.
