ホップフィールド・ネットワーク｜Hopfield Network
定理：ホップフィールド・ネットワーク（Hopfield Network）
歴史的重要性：
人工ニューラルネットワーク研究において初期の代表的な連想記憶モデル。神経科学を物理学の視点（統計力学）からモデル化することで、人間の記憶や学習の仕組みの理解に大きく貢献した。また、機械学習分野の発展に多大な影響を与え、その後のディープラーニングやAI研究への道を切り拓いた。
発表者：
ジョン・ジョセフ・ホップフィールド（John Joseph Hopfield）
生年月日：
1933年7月15日
出生地：
アメリカ合衆国・イリノイ州シカゴ（Chicago, Illinois）
主な論文：
『ニューラルネットワークと物理系の計算能力』（Neural networks and physical systems with emergent collective computational abilities）
発表年：
1982年
発表場所：
アメリカ合衆国・ニュージャージー州プリンストン
（ホップフィールドはプリンストン大学教授として研究・発表）
受賞：
ジョン・ホップフィールドは生物物理学および神経科学分野への貢献により、2001年にディラック賞、2019年にベンジャミン・フランクリン・メダル（物理学部門）などを受賞。
公式（基本モデル）：
\[s_i(t+1) = \text{sign}\left(\sum_{j}w_{ij}s_j(t)\right)\]公式の説明：
- si：ニューロンの状態（通常は+1または−1の2値をとる）
- wij：ニューロン間の接続重み（対称な行列、wij、自己接続なし）
- 各ニューロンが他のニューロンから受け取った情報の総和が閾値を超えるかどうかで、その状態が決定される。繰り返し更新を続けることで安定状態（記憶パターン）に収束する連想記憶モデルである。
親交の深かった科学者：
- リチャード・P・ファインマン（Richard P. Feynman、物理学者・共同研究者）
- デイヴィッド・タンク（David W. Tank、神経科学の共同研究者）
- ジェフリー・ヒントン（Geoffrey Hinton、機械学習・AI分野で影響を与え合った関係）
- レオン・クーパー（Leon Cooper、神経科学者、共同研究者）