盖世汽车讯 据外媒报道，由于预计未来摩尔定律（预测计算能力每两年翻一番）将不再有效，伦敦大学城市学院（City, University of London）的科学与技术学院的研究人员开发出名为FatNet的创新算法，可在人工智能（AI）应用中利用光学加速器的高分辨率功能，因此未来向光学计算的转换将更加高效。

图片来源：伦敦大学城市学院

该算法由博士生Riad Ibadulla、Thomas Chen教授和Constantino Carlos Reyes-Aldasoro博士共同创在，其相关论文已发表于期刊《AI》。

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，而主要是在CPU/GPU时代开发的。与光学计算的并行能力相比，现代神经网络没有优势，并且经常在出现分类问题时使用较低的分辨率。

为了应对这一挑战，三位研究人员引入了FatNet转换，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，从而最大限度地发挥了光学的并行潜力，因此FatNet成为了首批将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，即模仿人脑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在图像识别任务中的有效性非常高。

图片来源：伦敦大学城市学院

然而，FatNet使用的是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执行任务时可以显著降低能耗以及减少处理时间。

FatNet具有广泛的潜在应用，例如提高医疗诊断的准确性，甚至是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，为高速发展未来提供了一个更有前景的解决方案。