Qui és John Hopfield
John J. Hopfield va néixer a Chicago el 15 de juliol del 1933. La seva trajectòria connecta matèria condensada, biologia i xarxes neuronals. Rebé el Nobel de Física del 2024 per aportacions a l’aprenentatge automàtic.[1]
Formació i primers problemes científics
Va estudiar a Swarthmore i es va doctorar en Física a Cornell el 1958, sota la direcció d’Albert Overhauser. La universitat destaca una formació que li va permetre investigar amb autonomia i traslladar eines físiques entre disciplines. La seva tesi pertanyia a la física de l’estat sòlid, abans de dedicar-se als sistemes biològics. [3]
Bell Labs, Princeton i Caltech
Va treballar a Bell Labs entre 1958 i 1960, va passar per l’École normale supérieure de París i Berkeley, i va ser professor de Física a Princeton de 1964 a 1980. A Caltech va ocupar una càtedra de Química i Biologia entre 1980 i 1996. Va tornar a Princeton el 1997, a l’àmbit de la biologia molecular. [4]
A Caltech va participar, amb Richard Feynman i Carver Mead, en el curs Physics of Computation. La pregunta compartida era què permeten les lleis físiques a una màquina que processa informació. Aquesta col·laboració docent va contribuir al programa de Computació i Sistemes Neuronals, que Hopfield va cofundar el 1986, reunint perspectives d’enginyeria, física i neurociència. [12]
Entre 2010 i 2013 va ser visitant de l’Institute for Advanced Study. El seu perfil en aquesta institució situa l’interès de la seva recerca en com el comportament col·lectiu de moltes unitats pot produir funcions biològiques i processament d’informació. Aquesta continuïtat intel·lectual ajuda a entendre una carrera que va travessar departaments diferents sense abandonar la modelització física. [21]
Llum, cristalls i models de materials
El 1958 va estudiar la contribució dels excitons a les propietats dielèctriques dels cristalls. L’article tractava conjuntament les excitacions del material i el camp electromagnètic, mostrant per què la seva interacció modifica la resposta òptica. És una etapa essencial per situar-lo com a físic de materials abans de la notorietat de les seves xarxes neuronals. [7]
Amb William C. Topp va publicar el 1973 un pseudopotencial per al sodi. El treball relacionava una representació simplificada de la interacció electrònica amb propietats del material, entre les quals la cohesió. Aquest exemple mostra el seu interès per models prou manejables per calcular, però contrastables amb propietats físiques, sense atribuir-los una descripció completa de tots els materials. [8]
De l’hemoglobina a la fidelitat molecular
El 1971, amb Robert G. Shulman i Seiji Ogawa, va analitzar la cinètica de l’hemoglobina mitjançant un model al·lostèric. Estudiaven com els seus estats conformacionals ajuden a explicar la unió de molècules com l’oxigen. El pas cap a la biologia conservava una qüestió física: relacionar estructura, interaccions i comportament observable d’un sistema. [9]
La correcció cinètica, formulada el 1974, abordava un altre problema: com els processos biosintètics distingeixen molècules molt semblants amb gran precisió. Hopfield va proposar mecanismes que consumeixen energia i afegeixen etapes de selecció, aplicables a l’anàlisi de la síntesi de proteïnes i de l’ADN. La precisió quedava així lligada a la dinàmica química, a més de l’afinitat molecular. [10]
Un altre article de 1974 va estudiar la transferència d’electrons entre posicions fixes mitjançant efecte túnel activat tèrmicament. El treball pertanyia a la física dels processos biològics, no al disseny de xarxes informàtiques. Juntament amb les seves investigacions moleculars, documenta que la seva aportació científica es va desenvolupar en diversos camps abans del seu model de memòria associativa. [11]
Les xarxes de Hopfield i la memòria associativa
El 1982 presentà una xarxa associativa que recupera patrons emmagatzemats a partir d’informació incompleta.[5]
En la seva explicació d’aquestes xarxes, Hopfield descriu un sistema recurrent l’activitat del qual evoluciona fins a arribar a un mínim local d’una funció d’energia. La resposta emergeix de les connexions i de la dinàmica del conjunt. Arribar a un estat estable és una propietat del model; no equival a garantir que qualsevol entrada produeixi la resposta desitjada. [14]
L’article de 1984 va ampliar l’anàlisi a neurones amb resposta gradual, en comptes de limitar-se a unitats amb dos estats. El model mantenia propietats col·lectives de memòria associativa. La comparació permetia estudiar quins aspectes del comportament depenien de l’organització de la xarxa i quins de la simplificació utilitzada per representar cada neurona. [13]
Computació i problemes d’optimització
El 1985, Hopfield i David Tank van formular xarxes analògiques per resoldre problemes expressats mitjançant objectius i restriccions. Van presentar simulacions del problema del viatjant, que busca recorreguts entre ciutats. L’interès era obtenir solucions a través de l’evolució conjunta de moltes unitats; els resultats mostrats eren bones solucions, sense una garantia general d’optimalitat global. [15]
Memòries denses i treball amb Dmitry Krotov
Amb Dmitry Krotov va desenvolupar el 2016 memòries associatives denses per al reconeixement de patrons. El treball explorava interaccions d’ordre superior i la seva relació amb classificadors neuronals d’una capa oculta. Així reprenien el problema de com emmagatzemar i reconèixer informació, estudiant diferències entre reconèixer característiques i comparar una entrada amb prototips complets. [16]
El 2017 tots dos van investigar la resposta d’aquestes memòries davant d’entrades adversàries: modificacions destinades a provocar errors de classificació. Van analitzar la robustesa de les arquitectures estudiades i les seves diferències amb altres classificadors. L’abast era experimental i depenia dels models i les pertorbacions considerats; no establia immunitat universal davant d’atacs. [17]
En un treball presentat com a prepublicació el 2020 i publicat a ICLR 2021, van proposar un model amb neurones ocultes i interaccions per parelles per explicar memòries de gran capacitat. La formulació connectava diverses variants de xarxes de Hopfield mitjançant funcions d’energia i buscava una interpretació més propera a components biològics, sense identificar-la amb un cervell complet. [18]
Premis i reconeixements
El Franklin Institute li va concedir el 2019 la Medalla Benjamin Franklin de Física. La distinció va reconèixer l’aplicació de conceptes físics a qüestions de genètica i neurociència, així com la seva influència sobre l’aprenentatge automàtic. L’amplitud d’aquesta motivació reflecteix una obra que no es redueix a una sola arquitectura informàtica. [19]
Va compartir amb Geoffrey Hinton el Nobel de Física de 2024. [1]
També va ser un dels set guardonats amb el Queen Elizabeth Prize for Engineering de 2025. [22]
Investigació bàsica i perspectiva sobre la IA
Princeton el presenta com a professor emèrit i destaca la seva defensa de la recerca guiada per la curiositat. Després de l’anunci del Nobel de 2024 va expressar preocupació per desenvolupaments d’IA difícils de controlar i va comparar la necessitat de reflexió amb la que planteja l’edició genètica. Són valoracions públiques de l’investigador, diferents dels resultats dels seus models. [2]
En l’assaig autobiogràfic Now What?, de 2018, explica els canvis de direcció de la seva carrera a partir de les preguntes que trobava interessants i abordables. Descriu el trànsit cap a la biologia com una incorporació del concepte de funció a la seva manera de pensar. El seu relat subratlla l’elecció de problemes, les trobades científiques i la incertesa del procés investigador. [20]
Xarxes de Hopfield i avaluació de seguretat en obres
L’aportació de Hopfield va ser un model de xarxa capaç de recuperar patrons a partir d’informació parcial. Aquesta propietat va originar una família de mètodes de memòria associativa; no era, per si mateixa, un procediment d’avaluació de riscos laborals. [5]
Hi ha una connexió posterior concreta: Sun, Wang, Liu i Yao van publicar un model de seguretat en construcció basat en una xarxa discreta de Hopfield millorada. Organitzen indicadors de persones, equips, entorn, gestió i materials, combinant informació experta i dades per avaluar el risc. [6]
Una eina de suport, no una mesura automàtica del risc
El valor preventiu d’aquesta línia és estudiar com combinar senyals heterogenis d’una obra sense reduir l’avaluació a un únic indicador. Hopfield aporta l’antecedent matemàtic; el model de construcció correspon a l’equip que el va desenvolupar.
Una classificació calculada només resulta útil si els indicadors representen els perills reals i les ponderacions es poden explicar. L’absència d’informació sobre una protecció col·lectiva, per exemple, no s’ha d’interpretar com a absència del perill. Aquesta connexió acredita una aplicació investigada, no una implantació universal ni una reducció demostrada de sinistralitat.
