Nobelpris med koppling till statistik

I år gick två av Nobelprisen till forskare med tydliga kopplingar till forskning inom maskininlärning. Fysikpriset gick till Hopfield och Hinton för deras arbete med så kallade djupa neurala nätverk och kemipriset gick bland annat till Hassabis och Jumper för deras utveckling av AlphaFold, ett djupt neuralt nätverk för prediktion av den tredimensionella strukturen baserat på proteinets aminosyrasekvens, ett problem som gäckat forskare i flera decennier.

Båda dessa priser har en tydlig koppling till ämnet maskininlärning, som kan ses som en kombination av statistik, tillämpad matematik och datavetenskap. Inom maskininlärning är prediktioner centralt, det kan handla om att vilja predicera priset på en läghenhet baserat på dess storlek och läge, att förutsäga om en bild innehåller en katt eller hund, eller förutsäga tredimensionella strukturer baserat på aminosyrasekvenser. För att lära dessa modeller, eller skatta dem som man vanligen säger inom statistiken, använder man stora mängder data för att modellen ska kunna “lära sig” att predicera rätt. Hinton har länge arbetat med en viss sorts modeller kallade djupa neurala nätverk, som fungerar väldigt väl för väldigt komplexa prediktioner. Det är också dessa djupa nätverk som ligger bakom just AlphaFold.