ホップフィールド（読み）ほっぷふぃーるど

日本大百科全書(ニッポニカ)

ホップフィールド
ほっぷふぃーるど
John J. Hopfield
（1933―　）

アメリカの物理学者。イリノイ州シカゴ生まれ。1954年スワースモア大学（物理学専攻）卒業、1958年コーネル大学で物理学の博士号を取得。AT&Tベル研究所に勤務後、フランスの高等師範学校（エコール・ノルマル・シュペリュール）で博士研究員として働き、1961年カリフォルニア大学バークレー校の助教授、準教授を経て、1964年プリンストン大学教授。1980年カリフォルニア工科大学の化学および生物学の教授。1997年にプリンストン大学に分子生物学の教授として復帰、2008年に退職し、その後同大学名誉教授。

　今日の人工知能（AI）につながる機械学習は、高度な脳回路（ニューラルネットワーク）をヒントに発展してきた。1940年代以降、脳の神経細胞（ニューロン）が、多数結合してネットワークをつくり、情報を出力することをコンピュータ上で再現する、人工ニューラルネットワークが構築された。多数のノード（コンピュータ上の情報の結合点。神経細胞どうしが接合する部分〈シナプス〉に相当）の相互作用に強弱をつけることで、パターン学習ができることを機械学習は示したが、実際にできることは限定的だった。

　機械学習の研究を加速させたのは、ホップフィールドが1982年に発表した「ホップフィールド・ネットワーク」とよばれる数理モデルである。磁性物質の挙動を説明するために使われる物理モデルを使って、新たなニューラルネットワークを構築するもので、磁石の原子は、それぞれ上向き、下向きのスピンをもつが、原子がどちらを向くか、各原子の相互作用の強さによって決まる。エネルギーが安定したところで落ち着くが、ホップフィールド・ネットワークは、これを白、黒のノードで表し、特定のパターンになったときに、相互の作用が最小になるように決定することで記憶できる。これによって不完全なデータが入力されたとき、記憶されたデータのなかから入力データに近いものを呼び出す「連想記憶モデル」を可能にした。

　ホップフィールド・ネットワークをさらに発展させたのが、認知心理学者のジェフリー・ヒントンらが1985年に提唱した「ボルツマン・マシン」である。統計物理学的な確率論を応用し、入力されたノードのネットワークのほかに、隠れたネットワークを構築することで、同じ入力パターンから、考えられるいくつものパターンを出力できるようになった。今日の生成AIにつながる機械学習の基礎となるもので、ヒントンはさらに2000年代により精度の高い多層構造のボルツマン・マシンを開発、今日の深層学習（ディープラーニング）につながる契機となった。

　ポップフィールドは、アメリカ物理学会から1969年バックリー賞と、1985年生物物理学賞を受賞したほか、1988年マイケルソン・モーリー賞、1997年ニューラル・ネットワーク・パイオニア賞、2001年ディラック・メダル、2005年アインシュタイン賞、2019年ベンジャミン・フランクリン・メダル、2022年ボルツマン賞を受賞。2024年、「人工ニューラルネットワークによる機械学習を可能にする基礎的発見と発明に対する業績」で、トロント大学名誉教授のヒントンとともにノーベル物理学賞を受賞した。

［玉村　治　2025年2月14日］

[参照項目] | 人工知能 | ディープラーニング | ヒントン

出典　小学館　日本大百科全書(ニッポニカ)

世界大百科事典（旧版）内のホップフィールドの言及

【ニューラルコンピューティング】より

…　自己想起は，想起パターンがネットワークダイナミクスの安定平衡状態や安定不動点であるようなフィードバック型ニューラルネットワークにより，また相互想起は，想起をトリガーする入力パターンを出力想起パターンへ変換するフィードフォワード型ニューラルネットワークによっておのおの実現される。また，ホップフィールドJ.J.Hopfieldらは，任意の2個のニューロン間のシナプス結合係数が対称的(相互の結合係数が等しい)であるようなフィードバック型ニューラルネットワークにおいては，いわゆるリアプノフ関数に対応する計算エネルギー関数が定義されて，ニューラルネットワークはこの計算エネルギー関数を減少させるように動作することを示した(図2)。　ホップフィールドニューラルネットワークの動作は，計算エネルギー関数の曲面上を極小値(図2のAやBやC)へ向かって下っていくボールの振舞いにたとえられる。…

※「ホップフィールド」について言及している用語解説の一部を掲載しています。

出典｜株式会社平凡社「世界大百科事典（旧版）」