تکنولوژیست ها الگوریتم شتاب دهنده نوری را توسعه می دهند

9 مه 2023 -توسط دانشگاه سیتی لندن-تصویر شبکه عصبی FatNet. اعتبار: دکتر کنستانتینو کارلوس ریس-آلداسورو

محققان دانشگاه سیتی، دانشکده علم و فناوری لندن، یک الگوریتم خلاقانه به نام FatNet توسعه داده اند.

در انتظار آینده ای که در آن قانون مور (که دو برابر شدن قدرت محاسباتی را هر دو سال یک بار پیش بینی می کند)، دیگر موثر نخواهد بود، Riad Ibadulla، پروفسور توماس چن، و دکتر Constantino Carlos Reyes-Aldasoro، یک الگوریتم موفقیت آمیز ایجاد کرده اند که از قابلیت های وضوح بالای شتاب دهنده های نوری در برنامه های کاربردی هوش مصنوعی (AI) استفاده می کند – که باعث می شود تبدیل آینده به محاسبات نوری کارآمدتر شود .

تحقیقات آنها در مورد توسعه FatNet در AI، مجله دسترسی آزاد در زمینه هوش مصنوعی (AI) منتشر شده است.

شتاب دهنده های نوری برای مدت طولانی موضوع مورد توجه تحقیقات هوش مصنوعی بوده اند. با این حال، شبکه‌های عصبی مدرن برای محاسبات نوری طراحی نشده‌اند، زیرا عمدتاً در دوران CPU/GPU توسعه یافته‌اند. آنها مزیتی نسبت به قابلیت های موازی محاسبات نوری ندارند و تمایل دارند تا در صورت بروز مشکلات طبقه بندی از وضوح کمتری استفاده کنند.

برای مقابله با این چالش، سه محقق شهر، تبدیل FatNet را معرفی کرده‌اند که می‌تواند هر شبکه کانولوشنی را به شبکه‌ای تخصصی تبدیل کند که با شتاب‌دهنده هوش مصنوعی نوری سازگارتر است.

این پتانسیل موازی اپتیک را به حداکثر می‌رساند و FatNet را به یکی از اولین الگوریتم‌هایی تبدیل می‌کند که مدل‌های هوش مصنوعی را به طور موثر در شتاب‌دهنده‌های نوری فضای آزاد 4F ادغام می‌کند. این الگوریتم به طور خاص برای یادگیری عمیق طراحی شده است، زیر مجموعه ای از یادگیری ماشینی که مغز انسان را تقلید می کند.

FatNet بر اساس تکنیکی به نام شبکه های عصبی کانولوشن (CNN) برای پردازش و طبقه بندی تصاویر است. این الگوریتم های تخصصی یادگیری عمیق به دلیل کارایی خود در وظایف تشخیص تصویر شناخته شده اند.

با این حال، FatNet از روش‌های کارآمدتری برای اجرای شبکه‌های عصبی کانولوشنال استفاده می‌کند که باعث می‌شود آن را به طور قابل‌توجهی سریع‌تر از هوش مصنوعی سنتی مبتنی بر CPU/GPU انجام دهد. با استفاده از شتاب دهنده های نوری، FatNet می تواند این وظایف را با کاهش قابل توجه مصرف انرژی و زمان پردازش انجام دهد.کاربردهای بالقوه FatNet بسیار زیاد است، از افزایش دقت تشخیص های پزشکی تا پیشرفت فناوری خودروهای خودران.

توسعه FatNet یک گام مهم رو به جلو در حوزه هوش مصنوعی و محاسبات است و راه حلی امیدوارکننده برای آینده ای ارائه می دهد که در آن رویکردهای محاسباتی مرسوم ممکن است ناکافی شوند.