LogicWiSARD: Speicherlose Synthese gewichtsloser neuronaler Netzwerke

Gewichtlose neuronale Netzwerke (WNNs) sind eine alternative Technik zur Mustererkennung, bei der RAM-Knoten als Neuronen fungieren. Da sowohl das Training als auch die Inferenz hauptsächlich Tabellenabfragen, wenige Addition und keine Multiplikationen erfordern, sind WNNs für leistungsstarke und energieeffiziente Embedded-Anwendungen geeignet. Diese Arbeit stellt einen neuartigen Ansatz vor, um WiSARD, die führende WNN-Spitzenarchitektur, vollständig ohne Speicher und arithmetische Schaltungen zu implementieren und ausschließlich logische Funktionen zu nutzen. Der Ansatz erstellt komprimierte, minimierte Implementierungen, indem trainierte WNN-Knoten von Lookup-Tabellen in logische Funktionen umgewandelt werden. Das vorgeschlagene LogicWiSARD wird in FPGA- und ASIC-Technologien implementiert, um seine Eignung für Edge-Inferenz zu veranschaulichen. Experimentelle Ergebnisse zeigen eine Reduzierung des Energieverbrauchs um mehr als 80 %, wenn das vorgeschlagene LogicWiSARD-Modell mit einem mehrschichtigen Perzeptron-Netzwerk (MLP) mit vergleichbarer Genauigkeit verglichen wird. Im Vergleich zu früheren Arbeiten zu FPGA-Implementierungen für WNNs, Convolutional Neural Networks und binären neuronalen Netzwerken liegen die Energieeinsparungen von LogicWiSARD zwischen 32,2 % und 99,6 %.