Este proyecto tiene como objetivo que el estudiante desarrolle e implemente computacionalmente los modelos propuestos por John Hopfield y Geoffrey Hinton, por los cuales fueron galardonados con el premio Nobel de física 2024, profundizando en cómo estos utilizan principios físicos para resolver problemas de aprendizaje automático. El estudiante abordará alguno de los siguientes temas:
- Red de Hopfield [1]: Implementará una red de Hopfield para almacenar y reconstruir imágenes y patrones de datos. Explorará cómo la red utiliza conceptos de energía en sistemas de espines para actualizar los valores de los nodos y minimizar la energía del sistema. El estudiante programará la red para que, al recibir una imagen distorsionada o incompleta, pueda reconstruirla eficazmente mediante la minimización de energía.
- Máquina de Boltzmann [2]: Desarrollará una implementación computacional de la máquina de Boltzmann de Geoffrey Hinton, utilizando herramientas de física estadística. El estudiante entrenará el modelo para aprender y reconocer características en conjuntos de datos, y lo utilizará para clasificar imágenes o generar nuevos ejemplos basados en los patrones aprendidos.
A través de este proyecto, el estudiante adquirirá experiencia práctica en la programación de modelos de redes neuronales inspirados en principios físicos, comprendiendo en profundidad cómo estos modelos funcionan y cómo aplicarlos a problemas reales en el aprendizaje automático.
[1] Hopfield, J. J. (1982). “Neural networks and physical systems with emergent collective computational abilities.” Proceedings of the National Academy of Sciences, 79(8), 2554-2558.
[2] Hinton, G. E., & Sejnowski, T. J. (1986). “Learning and relearning in Boltzmann machines.” En D. E. Rumelhart & J. L. McClelland (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Vol. 1 (pp. 282-317). MIT Press.
