以下是瑞典皇家科学园新闻稿给出的两位获奖者获奖原因的解释（原文见：https://t.co/cI98J8vY0q）

约翰·霍普菲尔德发明了一种网络，它使用一种保存和重新创建模式的方法。我们可以将节点想象成像素。霍普菲尔德网络利用物理学来描述材料由于原子自旋而产生的特性——这种特性使每个原子都成为一个微小的磁铁。整个网络的描述方式相当于物理学中自旋系统的能量，并通过寻找节点之间连接的值来进行训练，以便保存的图像具有较低的能量。当霍普菲尔德网络被输入扭曲或不完整的图像时，它会有条不紊地处理节点并更新它们的值，从而降低网络的能量。因此，网络逐步找到与输入的不完美图像最相似的保存图像。

杰弗里·辛顿 (Geoffrey Hinton)以霍普菲尔德网络为基础，创建了一个采用不同方法的新网络：玻尔兹曼机。它可以学习识别给定类型数据中的特征元素。辛顿使用了统计物理学的工具，统计物理学是一门由许多相似组件构建的系统科学。通过输入机器运行时很可能出现的示例来训练机器。玻尔兹曼机可用于对图像进行分类，或创建训练模式类型的新示例。辛顿在此基础上继续发展，帮助开启了机器学习的爆炸式发展。

John Hopfield最初是一位物理学家，他的研究领域包括量子统计力学和凝聚态物理。后来，他将研究兴趣扩展到了生物物理学，探索生物系统中的物理过程。Hopfield在1982年提出了著名的Hopfield网络，这是一种能够进行联想记忆的神经网络模型，这一发现标志着物理学思想在神经网络研究中的首次重大突破。此后，物理学家在神经网络和神经动力学的研究中发挥了重要作用，他们的工作不仅推动了理论的发展，也为实际应用提供了理论基础。

2001年，Hopfield因其在生物学作为物理过程理解方面的跨学科贡献而获得了的国际理论物理中心狄拉克奖章。他的工作涵盖了生物分子合成中的校对过程、神经网络中吸引子的集体动力学和计算，为打通物理学和人工神经网络的基础研究指明了方向。