• 野村 悠祐 氏（東北大学金属材料研究所）：
  ボルツマンマシンの基礎と量子多体問題への応用
  　2024年のノーベル物理学賞のscientific background（https://www.nobelprize.org/uploads/2024/11/advanced-physicsprize2024-3.pdf）の中に
  ”In some applications, ANNs are employed as a function approximator [36]; i.e. the ANNs are used to provide a “copycat” for the physics model in question. This can significantly reduce the computational resources required, thereby allowing larger systems to be probed at higher resolution. Significant advances have been achieved in this way, e.g. for quantum-mechanical many-body problems [37-39].”
  という文言があります。本講演では、ここで言及されている、人工ニューラルネットワーク（本講演ではボルツマンマシン）の関数近似器としての活用、特に、引用文献[38] "G. Carleo and M. Troyer, Science 355, 602 (2017)"で導入された量子多体波動関数の近似器としての活用、をメインテーマとして、ボルツマンマシンの基礎とその量子多体問題への応用に関してお話ししたいと思います。

• 三村 和史 氏（広島市立大学）
  ホップフィールド模型の基礎と応用
  　情報を再帰結合回路の定常状態として埋め込む模型であるホップフィールド模型について、その研究の歴史を簡単に振り返りながら、基本的な性質を解析手法を交えて紹介する。また、最近提案された記憶容量が改善されたモダンホップフィールド模型について、注意機構や誤り訂正符号などとの関連や、最近の研究についても概説する。

AIと物理学が融合した研究領域である学習物理学において、生成AIの革命期が受容されつつあります。革命にあたり、これからの科学のあり方や形を議論することは、私たち科学者が路頭に迷わないためにも、また未来を作っていくためにも、重要なことです。本パネルディスカッションでは、学習物理学やAIと科学の未来について、さまざまな学問の見地から皆さんで議論しましょう。