【资料图】

来自伦敦大学城 科技学院的研究人员 开发了一种名为 FatNet 的创新算法。

预计未来摩尔定律(预测计算能力每两年翻一番)将不再有效，博士生 Riad Ibadulla、 Thomas Chen 教授和 Constantino Carlos Reyes-Aldasoro 博士创造了一种突破性算法，它在人工智能 (AI) 应用中利用光学加速器的高分辨率功能——这使得未来向光学计算的转换更加高效。

他们对 FatNet 发展的研究已发表在 人工智能 (AI) 的开放获取期刊 AI 上。

长期以来，光加速器一直是 AI 研究的热门话题。然而，现代神经网络并不是为光学计算而设计的，因为它们主要是在 CPU/GPU 时代开发的;它们与光学计算的并行能力相比没有优势，并且倾向于在出现分类问题时使用较低的分辨率。

为了应对这一挑战，三位城市研究人员引入了 FatNet 转换，它可以将任何卷积网络转换为与光学 AI 加速器更兼容的专用网络。

这最大限度地发挥了光学的并行潜力，使 FatNet 成为首批将 AI 模型有效集成到 4F 自由空间光加速器中的算法之一。该算法专为深度学习而设计，深度学习是模仿人脑的机器学习的一个子集。

FatNet 基于称为卷积神经网络 (CNN) 的技术来处理和分类图像。这些专门的深度学习算法以其在图像识别任务中的有效性而闻名。

然而，FatNet 使用更有效的方法来执行卷积神经网络，使其比传统的基于 CPU/GPU 的 AI 快得多。通过利用光学加速器，FatNet 可以在显着降低能耗和处理时间的情况下执行这些任务。

FatNet 的潜在应用是巨大的，从提高医疗诊断的准确性到推进自动驾驶汽车技术。

FatNet 的开发标志着人工智能和计算领域向前迈出了重要一步，为传统计算方法可能无法胜任的未来提供了一个有前途的解决方案。