Des technologues développent l’algorithme FatNet

Des chercheurs de City, University of London’s School of Science and Technology ont développé un algorithme innovant appelé FatNet.

En prévision d’un avenir où la loi de Moore (qui prédit le doublement de la puissance de calcul tous les deux ans), ne sera plus efficace, Ph.D. l’étudiant Riad Ibadulla, le professeur Thomas Chen et le Dr Constantino Carlos Reyes-Aldasoro ont créé un algorithme révolutionnaire qui exploite les capacités haute résolution des accélérateurs optiques dans les applications d’intelligence artificielle (IA), ce qui rend la future conversion à l’informatique optique plus efficace .

Leurs recherches sur le développement de FatNet ont été publiées dans IAla revue en libre accès sur l’intelligence artificielle (IA).

Les accélérateurs optiques sont depuis longtemps un sujet d’intérêt pour la recherche en IA. Cependant, les réseaux de neurones modernes ne sont pas conçus pour l’informatique optique, car ils ont été principalement développés à l’ère du CPU/GPU ; ils n’ont pas d’avantage sur les capacités de parallélisme de l’informatique optique et ont tendance à utiliser une résolution inférieure lorsque des problèmes de classification se posent.

Pour relever ce défi, les trois chercheurs de la City ont introduit la conversion FatNet, qui peut transformer n’importe quel réseau convolutif en un réseau spécialisé plus compatible avec l’accélérateur d’IA optique.

Cela maximise le potentiel de parallélisme de l’optique, faisant de FatNet l’un des premiers algorithmes qui intègre efficacement les modèles d’IA dans les accélérateurs optiques en espace libre 4F. L’algorithme est spécialement conçu pour l’apprentissage en profondeur, un sous-ensemble de l’apprentissage automatique qui imite le cerveau humain.

FatNet est basé sur la technique appelée réseaux de neurones convolutifs (CNN) pour traiter et classer les images. Ces algorithmes spécialisés d’apprentissage en profondeur sont connus pour leur efficacité dans les tâches de reconnaissance d’images.

Cependant, FatNet utilise des moyens plus efficaces pour exécuter les réseaux de neurones convolutifs, ce qui le rend nettement plus rapide que l’IA traditionnelle basée sur CPU/GPU. En utilisant des accélérateurs optiques, FatNet peut effectuer ces tâches avec une consommation d’énergie et un temps de traitement considérablement réduits.

Les applications potentielles de FatNet sont énormes, allant de l’amélioration de la précision des diagnostics médicaux à l’avancement de la technologie des véhicules autonomes.

Le développement de FatNet marque une avancée significative dans le domaine de l’IA et de l’informatique, offrant une solution prometteuse pour un avenir où les approches informatiques conventionnelles pourraient devenir inadéquates.